企业官网建设流程全解析

基于YOLO的实时下水道管道缺陷检测算法开发

摘要

下水道管道在维持城市卫生和公共健康方面发挥着至关重要的作用，对可持续发展有着重要贡献。及早发现和维修物理缺陷可以减少管理成本并提高管道性能。传统的CCTV检查方法，包括现场视频收集和办公室评估，存在技术员疲劳和时间消耗等限制。为了解决这些问题，本文提出了一种基于YOLO的深度学习模型，用于自动化缺陷检测。使用AI Hub提供的下水道管道内部图像，本研究将缺陷分类为八种类型，包括接头偏移、连接器突出和沉积物积聚等。该模型在不同的光照和背景噪声下，基于IOU（交并比）为0.5，达到了90%以上的mAP准确率。该技术预计将提高下水道维护效率，推动更安全、更可持续的城市环境建设。

引言

下水道系统在城市化和人口密集地区的可持续发展中发挥着重要作用。认识到这一点，地方政府和自治机关已决定为下水道系统的高效管理和维护在2024年预算中拨款2兆7692亿韩元，比2023年增加了5567亿韩元（25%）（环境部，2024）。下水道系统的诊断和维护旨在快速发现和解决结构性问题，提升性能、减少管理成本，并确保稳定性和最佳服务提供。

目前，CCTV检查被认为是下水道系统诊断和维护过程中不可或缺的工具。与激光系统、超声波传感器、红外热成像相机等其他技术方法相比，CCTV检查提供了易于分析的视觉资料，这一优点使其在很多情况下成为首选工具。CCTV检查过程包括视频收集和由经过培训的技术人员在办公室进行的视频分析，通常分为两个主要阶段。

截至2022年，总长度为16万8786公里的下水道管道，在发现缺陷时所需的时间和技术员的疲劳，可能会对评估效率产生负面影响（环境部，2024）。随着深度学习技术的应用不断扩大，许多研究者正在探索基于计算机视觉的自动化方法以解决这些问题（임수현 等，2018）（Cheng 等，2018）。然而，先前的研究采用的两阶段检测器推理速度较慢，无法实现实时检测。

特别地，"You Only Look Once (YOLO)"算法作为一种目标检测技术，兼具高速处理和高准确度，非常适合实时下水道管道缺陷检测（Redmon, J. 等，2016）。因此，本文提出了一种基于YOLOv8的下水道管道缺陷检测系统。该系统通过缩小图像尺寸来提高学习和推理速度，并通过实时检测突破传统人工检查方法的局限性，提出了一个创新的方法来提高下水道管理的效率和准确性。

工作流程

数据集

• 整体数据集下载链接

• 下水道管道数据集

  • 数据集结构：

    Sewerpipe ├── Dataset ├── train ├── CC ├── CL ├── ... └── ... ├── val └── test ├── Dataset(+Background) ├── train ├── ... └── test

结果

• mAP50：0.7474
• Recall：0.7001
• 推理时间：11.1ms

最佳参数

• 批次大小（Batch size）：128
• 优化器（Optimizer）：Adam
• Cos_lr：False
• 预训练模型（Pretrained）：True
• 背景（Background）：X
• 标签平滑（Label Smoothing）：0.3