一种排水管道内部缺陷的检测方法及系统与流程

本发明涉及排水管道内部缺陷检测领域，特别是涉及一种排水管道内部缺陷的检测方法及系统。

背景技术：

排水系统是城市公用设施的重要组成部分，具有保护和改善环境，消除污水危害的作用。为确保排水管道通畅，需及时发现排水隐患并防止管道泄漏污染，应定期对排水管道进行巡检，排查管道存在的缺陷。排水管道存在的缺陷包括结构性缺陷，如破裂、变形、错位、脱节、渗漏、腐蚀、胶圈脱落、支管暗接及异物侵入，以及功能性缺陷，如沉积、结垢、障碍物、树根、积水、封堵和浮渣等。应对这些缺陷进行检查和评估，为排水管道的维护提供可靠的技术依据。目前由于管道检测技术的发展，工程施工企事业单位逐渐采用cctv检测方式对排水管道进行有效检测，给管道维护带来了便利。

cctv的检测过程是检测人员通过主控器控制“爬行器”在管道内前进速度和方向，并控制摄像头将管道内部的图像通过线缆传输到主控器显示屏上，操作员可实时的监测管道内部状况，同时将原始图像记录存储下来，做进一步的分析。qv的检测也需要检测人员操作控制杆，将摄像头送到管道口，对准管道中心进行检测。在人员和工期都较为紧张的情况下，整个外业检测过程是无法实时记录下管道缺陷的详细情况的。管线检测人员检测完成提供检测图像数据，内业人员对图像进行人工判读，记录缺陷详细情况，汇总资料。人工判读需要将图像完整播放，用时长，不同的内业人员判读结果也有一定的出入。

技术实现要素：

本发明的目的是提供一种排水管道内部缺陷的检测方法及系统，既能缩短工期，又能提高缺陷判读的准确率。

为实现上述目的，本发明提供了如下方案：

一种排水管道内部缺陷的检测方法，包括：

通过外业检测获取管道内部检测视频数据，所述视频数据随机选取一部分作为采集样本的视频，另外一部分作为测试视频，所述采集样本的视频和所述测试视频互相无交叉重叠；

对所述采集样本的视频进行视频分帧处理，得到采集样本视频的分帧处理结果图像；

根据所述采集样本的视频分帧处理结果图像，采集样本库图像，所述样本库图像包括全局缺陷图像样本、局部缺陷图像样本、正常管道图像样本和局部正常管道图像样本；

根据所述样本库图像进行模型训练，得到训练模型，所述训练模型包括全局缺陷训练模型和局部缺陷训练模型；

对所述测试视频进行分帧处理，得到测试视频的分帧处理结果图像；

采用双模型精准检测策略，对所述测试视频的分帧结果图像进行预处理，采用所述全局缺陷训练模型和所述局部缺陷训练模型对预处理的结果进行检测，得到缺陷检测结果。

可选的，所述对所述采集样本的视频进行视频分帧处理，得到采集样本视频的分帧处理结果图像，具体包括；

采用ffmpeg图像快速分帧技术对所述采集样本的视频进行分帧处理，视频分帧处理的结果为多张分辨率和尺寸相同的超清图像，所述超清图像和原视频尺寸、分辨率相同，包括全局图和局部图，所述全局图为镜头在管道内部直视前方拍摄的图像，所述局部图为镜头在管道内部环视过程中凝视设定处拍摄的局部图像。

可选的，所述根据所述采集样本的视频分帧处理结果图像，采集样本库图像，具体包括：

根据国家《城镇排水管道检测与评估技术规程》对排水管道内部缺陷的定义，对所述采集样本的视频分帧处理结果进行判读，从中选取破裂、变形、腐蚀、错口、起伏、脱节、接口材料脱落、支管暗接、异物穿入和渗漏十类结构性缺陷图像以及沉积、结垢、障碍物、残墙、坝根、树根和浮渣六类功能性缺陷图像作为训练模型的样本，其中全局缺陷样本图像为缺陷处和视频原始尺寸一样的大图，局部缺陷图像样本为局部图中截取的缺陷位置处及边缘处的小图，尺寸为416*416，分辨率和原视频相同；

选取正常管道图像和局部正常管道图像作为训练模型的样本，正常管道图像样本为视频原始尺寸的高清大图，局部正常管道图像样本为局部图中随机截取的小图，尺寸为416*416，分辨率和原视频相同；

将所述全局缺陷图像样本、局部缺陷图像样本、正常管道图像样本和局部正常图像样本进行组合，得到样本库图像。

可选的，所述根据所述样本库图像进行模型训练，得到训练模型，具体包括：

采用所述全局缺陷图像样本、局部缺陷图像样本、正常管道图像样本和局部正常图像样本对模型进行训练，得到全局缺陷训练模型和局部缺陷训练模型。

可选的，所述对所述测试视频进行分帧处理，得到测试视频的分帧处理结果图像，具体包括：

采用ffmpeg图像快速分帧技术对所述测试视频进行分帧处理，视频分帧处理的结果为多张分辨率和尺寸相同的超清图像，所述超清图像和原视频尺寸、分辨率相同，包括全局图像和局部图像，所述全局图像为镜头在管道内部直视前方拍摄的图像，所述局部图像为镜头在管道内部环视过程中凝视设定处拍摄的局部图像。

可选的，所述采用双模型精准检测策略，对所述测试视频的分帧结果图像进行预处理，采用所述全局缺陷训练模型和所述局部缺陷训练模型对预处理的结果进行检测，得到缺陷检测结果，具体包括：

将所述测试视频的分帧处理结果采用多域联合判别法进行初步筛选，得到筛选后的有效图像；

利用图像清晰度判别技术，在所述筛选后的有效图像中提取关键视频帧图像；

对所述关键视频帧图像采用漏斗模式，先后利用所述全局缺陷训练模型和所述局部缺陷训练模型进行检测，得到缺陷检测结果。

可选的，所述将所述测试视频的分帧处理结果采用多域联合判别法进行初步筛选，得到筛选后的图像，具体包括：

对所述测试视频的分帧处理结果进行图像前景背景区分增强、过滤机器人在管口处爬行之前的视频帧图像以及过滤机器人运动状态的视频帧图像，得到筛选后的有效图像。

可选的，利用图像清晰度判别技术，在所述筛选后的有效图像中提取关键视频帧图像，具体包括：

对所述筛选后的有效图像采用基于无参考图像的清晰度判别算法进行处理，得到处理后的图像；

根据所述处理后的图像，确定方差；

根据所述方差的大小区别出清晰图像和模糊图像，所述清晰图像为关键视频帧图像。

可选的，所述对所述关键视频帧图像采用漏斗模式，先后利用所述全局缺陷训练模型和所述局部缺陷训练模型进行检测，得到缺陷检测结果，具体包括：

采用全局缺陷训练模型对所述关键视频帧图像进行检测，若所述关键视频帧图像为全局正常，则判断此处管道正常，若所述关键视频帧图像发现异常，则根据全局缺陷类型的概率分布，判断出此处管道缺陷的类别及其它相关信息；若所述关键视频帧图像为局部图像，则将所述局部图像划分为九张局部子图像，采用局部缺陷训练模型进一步检测；

将所述局部图像划分为9张局部子图像，所述9张局部子图像基本能覆盖整幅局部图像，同时互相有重叠，所述局部子图像的集合为局部图像；同一所述局部图像分割成的局部子图像之间互相关联；采用局部缺陷训练模型对局部子图像进行检测，如果局部图像对应的9张局部子图像均未出现异常，则判定此处无异常；如果局部图像对应的9张局部子图像有任何一张子图像出现异常则判定此处异常，并将局部图像判断为子图中出现次数最多的异常类型；

检测完成之后，将每处缺陷的对应的管道起始点编号、终止点编号、缺陷类别、缺陷图片以成果形式输出并存储命名，获得缺陷检测结果。

一种排水管道内部缺陷的检测系统，包括：

视频数据获取模块，用于通过外业检测获取管道内部检测视频数据，所述视频数据随机选取一部分作为采集样本的视频，另外一部分作为测试视频，所述采集样本的视频和所述测试视频互相无交叉重叠；

第一分帧处理模块，用于对所述采集样本的视频进行视频分帧处理，得到采集样本视频的分帧处理结果图像；

样本库图像采集模块，用于根据所述采集样本的视频分帧处理结果图像，采集样本库图像，所述样本库图像包括全局缺陷图像样本、局部缺陷图像样本、正常管道图像样本和局部正常管道图像样本；

训练模块，用于根据所述样本库图像进行模型训练，得到训练模型，所述训练模型包括全局缺陷训练模型和局部缺陷训练模型；

第二分帧处理模块，用于对所述测试视频进行分帧处理，得到测试视频的分帧处理结果图像；

检测模块，用于采用双模型精准检测策略，对所述测试视频的分帧结果图像进行预处理，采用所述全局缺陷训练模型和所述局部缺陷训练模型对预处理的结果进行检测，得到缺陷检测结果。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供一种排水管道内部缺陷的检测方法及系统，通过外业检测获取管道内部检测视频数据，视频数据随机选取一部分作为采集样本的视频，另外一部分作为测试视频，采集样本的视频和测试视频互相无交叉重叠；对采集样本的视频进行视频分帧处理，得到采集样本视频的分帧处理结果；根据采集样本的视频分帧处理结果，采集样本库图像，样本库图像包括全局缺陷图像样本、局部缺陷图像样本、正常管道图像样本和局部正常管道图像样本；根据样本库图像对模型进行训练，得到训练模型，训练模型包括全局缺陷训练模型和局部缺陷训练模型；对测试视频自动分帧处理，得到测试视频的分帧处理结果。采用双模型精准检测策略，利用全局缺陷训练模型和局部缺陷训练模型对测试视频的分帧结果进行检测，得到缺陷检测结果，通过上述方法既能缩短排水管道内部缺陷的检测工期，又能提高缺陷判读的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明排水管道内部缺陷的检测方法流程图；

图2为本发明目标区域腐蚀变换演示图一；

图3为本发明目标区域腐蚀变换演示图二；

图4为本发明目标区域膨胀变换演示图一；

图5为本发明目标区域膨胀变换演示图二；

图6为本发明待检测图像子图分布示意图；

图7为本发明排水管道内部缺陷的检测系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种排水管道内部缺陷的检测方法及系统，既能缩短工期，又能提高缺陷判读的准确率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明排水管道内部缺陷的检测方法流程图。如图1所示，一种排水管道内部缺陷的检测方法包括：

步骤101：通过外业检测获取管道内部检测视频数据，所述视频数据随机选取一部分作为采集样本的视频，另外一部分作为测试视频，所述采集样本的视频和所述测试视频互相无交叉重叠。

排水管道检测采用了cctv人工外业检测方法，检测对象为砼材质和pvc材质两种排水管道。外业检测人员将机器人送至井下，操作机器人使其在管口处向管道内部爬行。到达管口处时，外业检测人员操作设备使设备读出的爬行距离归零(拍摄过程中设备根据爬行的距离判断出机器人在管道内部至管口处的距离)。在操作过程中如发现管道内部缺陷，需要操作机器人使其停顿并让拍摄镜头静止清晰拍摄出管道内部的全局缺陷(如错口、变形、起伏等整体体现出的缺陷)，如果发现了局部缺陷(如破裂、腐蚀等局部体现出的缺陷)，检测人员让机器人静止的同时，镜头环视管道的接口，对准缺陷并凝视观察。本步骤拍摄图像数据包括制作样本图像和测试图像两个部分，拍摄图像均为avi格式超清图像，分辨率1920*1080，帧速率为25帧/秒，图像无分辨率、质量等方面差别。

步骤102：对所述采集样本的视频进行视频分帧处理，得到采集样本视频的分帧处理结果图像，具体包括；

采用ffmpeg图像快速分帧技术对所述采集样本的视频进行分帧处理，视频分帧处理的结果为多张分辨率和尺寸相同的超清图像，所述超清图像和原视频尺寸、分辨率相同，包括全局图和局部图，所述全局图为镜头在管道内部直视前方拍摄的图像，所述局部图为镜头在管道内部环视过程中凝视设定处拍摄的局部图像。

步骤103：根据所述采集样本的视频分帧处理结果图像，采集样本库图像，所述样本库图像包括全局缺陷图像样本、局部缺陷图像样本、正常管道图像样本和局部正常管道图像样本，具体包括：

根据国家《城镇排水管道检测与评估技术规程》对排水管道内部缺陷的定义，对所述采集样本的视频分帧处理结果进行判读，从中选取破裂、变形、腐蚀、错口、起伏、脱节、接口材料脱落、支管暗接、异物穿入和渗漏十类结构性缺陷图像以及沉积、结垢、障碍物、残墙、坝根、树根和浮渣六类功能性缺陷图像作为训练模型的样本，其中全局缺陷样本图像为缺陷处和视频原始尺寸一样的大图，局部缺陷图像样本为局部图中截取的缺陷位置处及边缘处的小图，尺寸为416*416，分辨率和原视频相同。

选取正常管道图像和局部正常管道图像作为训练模型的样本，正常管道图像样本为视频原始尺寸的高清大图，局部正常管道图像样本为局部图中随机截取的小图，尺寸为416*416，分辨率和原视频相同。

将所述全局缺陷图像样本、局部缺陷图像样本、正常管道图像样本和局部正常图像样本进行组合，得到样本库图像。

步骤104：根据所述样本库图像进行模型训练，得到训练模型，所述训练模型包括全局缺陷训练模型和局部缺陷训练模型，具体包括：

采用所述全局缺陷图像样本、局部缺陷图像样本、正常管道图像样本和局部正常图像样本对模型进行训练，得到全局缺陷训练模型和局部缺陷训练模型。

针对管道检测任务中各种缺陷出现的场景与特征复杂多变，有镜头直视前方拍摄的缺陷和镜头环视管道内部拍摄的缺陷的不同，如果将所有缺陷都通过一次特征提取进行模型训练，那么同种输入(要么大图要么小图)肯定无法特别精准的识别相应缺陷。因此，针对这两种大类的特点提出双模型精准检测策略，将全局缺陷和局部缺陷按照各自的特点进行区分，制作两个样本库，分别为全局缺陷样本库和局部缺陷样本库。也就是说，分别训练了全局缺陷适用的模型和局部缺陷适用的模型。

步骤105：对所述测试视频进行分帧处理，得到测试视频的分帧处理结果图像，具体包括：

采用ffmpeg图像快速分帧技术对所述测试视频进行分帧处理，视频分帧处理的结果为多张分辨率和尺寸相同的超清图像，所述超清图像和原视频尺寸、分辨率相同，包括全局图像和局部图像，所述全局图像为镜头在管道内部直视前方拍摄的图像，所述局部图像为镜头在管道内部环视过程中凝视设定处拍摄的局部图像。

由于管道内部场景多变而且非常复杂，各种缺陷出现的场景的背景信息复杂多变，缺陷种类复杂繁多，同一种缺陷出现的场景也各有差异，甚至同一种缺陷的形态也会随着场景发生巨大变化。要想在如此复杂的背景甚至前景本身中有效的检测到对应的缺陷，单纯的从视频流角度去进行异常检测会形成较大的预测误差，甚至根本无法预测，因此只能从基于图片的异常检测角度去检测缺陷。本发明将视频分成一帧一帧的图片，对图片进行检测。

采用ffmpeg图像快速分帧技术对所述测试视频进行分帧处理，得到多个相同分辨率的超清图像。

ffmpeg包含了非常集全的图像流操作接口，如可以定义分帧图片的质量，分帧图片的分辨率，分帧间隔，输出格式等等，能够有效地提取视频流的每一帧。分帧处理的结果要用于缺陷检测，因此要求保留原视频的图片质量和分辨率。分帧处理的结果为从测试视频中获取相同分辨率的超清图像。

步骤106：采用双模型精准检测策略，对所述测试视频的分帧结果图像进行预处理，采用所述全局缺陷训练模型和所述局部缺陷训练模型对预处理的结果进行检测，得到缺陷检测结果，具体包括：

步骤1061：将所述测试视频的分帧处理结果采用多域联合判别法进行初步筛选，得到筛选后的有效图像，具体包括：

对所述测试视频的分帧处理结果进行图像前景背景区分增强、过滤机器人在管口处爬行之前的视频帧图像以及过滤机器人运动状态的视频帧图像，得到筛选后的有效图像。

将测试视频分帧后的超清图像利用多域联合判别方法进行缺陷可能出现区域的初步筛选。管道检测图像往往帧率较高，因此分帧之后会有数以万计的图片。如果采用逐帧检测的方法，不论是从耗时上还是从最后的检测准确率上都是不满足要求的。针对这种情况，提出了多域联合判别的方法来剔除视频流中不可能存在缺陷的区域，对所述超清图像进行图像前景背景区分增强、过滤机器人在管口处爬行之前的视频帧图像、过滤机器人运动状态的视频帧图像以得到筛选后的有效图像，这样可以过滤掉大量的无效数据。

(1)图像前景背景区分增强

形态学滤波：形态学滤波是一种常见而有效的图像预处理方法，在其应用过程中，需要先指定结构元素，然后将结构元素与输入图像进行类似于卷积的运算，得到输出图像。该计算与实际卷积运算不同的是，卷积运算中的乘法运算将会被替换为逻辑运算，即通过结构元素与对应图像像素的逻辑操作，抑制图像中的背景杂波改善图像的对比度，提高信噪比。

形态学滤波中的结构元素是指具有某种特定形状的基本结构，如：一定大小的矩形、圆形或菱形，它对滤波效果具有重要的影响作用。结构元素的模板越大，则图像中受影响的邻域就越大，相应的计算量也越大。此外，结构元素的形状、内容和运算性质对最终的输出结果也有影响。形态学滤波应用了腐蚀变换和膨胀变换两种算法。腐蚀变换可以使目标区域范围“变小”，其实质造成图像的边界收缩，可以用来消除小且无意义的目标物。

膨胀变换：粗略地说，膨胀会使目标区域范围“变大”，将于目标区域接触的背景点合并到该目标物中，使目标边界向外部扩张。作用就是可以用来填补目标区域中某些空洞以及消除包含在目标区域中的小颗粒噪声。

除了膨胀与腐蚀，根据两者结合的先后顺序，还定义了开闭运算。采用zafhat变换实现背景抑制，zafhat变换实质上是将数学形态学中的开闭运算进行组合，并结合背景差分技术的一种重要变换。具体应用思路是，首先利用背景差分技术，拉大背景与前景的聚类中心，再选取合适的结构元素对目标区域进行开运算，除去离散小目标；再使用闭运算，将目标边缘补全，再添加一个自适应的迭代次数，最终得到前景背景区分度大的目标区域图像。图2为本发明目标区域腐蚀变换演示图一。图3为本发明目标区域腐蚀变换演示图二。图4为本发明目标区域膨胀变换演示图一。图5为本发明目标区域膨胀变换演示图二。

(2)过滤机器人在管口处爬行之前的视频帧图像

如果能过滤掉图像上机器人在管口处开始爬行之前的视频帧图像，可以节省大量的数据处理时间。因此我们需要读取图像上显示的机器人在管道内部爬行的距离信息以过滤一些跟检测无关的图像信息。

图像经过前景背景区分增强之后，经过一系列图像处理后，得到了前景背景区分度大的目标区域图像，可以提取其中的字符以获取拍摄的特征信息。与传统字符识别不同的是，管道检测图像中的数字往往带有小数点，难以识别。放弃现有的字符库，使用了基于改进的svm的监督学习方法，为检测图像重新训练了一个独有的字符数据库，其中重点针对小数点的识别，利用空间域的特征将小数点与其他可能出现的小目标区分开来，训练得到了效果较好的字符数据库。具体步骤有：

a.选取待识别区域样本集，每种数字与小数点选取数量相当的样本集合；

b.将每个样本数据集打上真实标签，提取多种特征信息；

c.将改进的svm算法作为分类器训练打好标签的样本数据集；

d.随机选取测试集验证训练精度；

e.如果精度不达标，则增加训练样本重复上述c和d步骤操作；

f.训练得到满足识别精度的字符检测模型。

(3)过滤机器人运动状态的视频帧图像

检测人员发现管道内部缺陷时需要操作机器人，让机器人静止并让拍摄镜头静止，如果发现了局部缺陷(如破裂、腐蚀等)，检测员让机器人静止的同时，镜头环视管道的接口，对准缺陷并静止观察，如果我们过滤掉镜头运动状态的视频帧图像，可以节省大量图像检测的运算时间。因此采用基于图像相似度的视频抖动检测技术，过滤的原理如下：

如果若干相邻视频帧之间相似度非常高，可以近似认为镜头并没有动，一旦出现图像相似度变低甚至完全不相似的情况，就可以判断相机开始移动了。因此，通过这种方式我们可以判断相机的移动与否。传统的图像相似度检测方法主要有关键点匹配法，如：sift，orb，surf，gist提取关键点信息，此类方法的准确率要高，但同时不可避免的在运算复杂度上较为复杂，运行速度比较慢。此外还有直方图统计、关键点+决策树等算法。但是运算速度都相对较慢，不能满足大量图片下的相似度检测。因此，拟采用感知哈希算法来进行相似度检测。感知哈希算法对每一张图片生成一个“指纹”，通过比较两张图片的指纹，来判断它们的相似度，是否属于同一张图片。包括ahash、phash、dhash三种，各有特点，但是相对的运算速度都要比关键点特征提取算法要快，非常适合本发明的实际情况。

步骤1062：利用图像清晰度判别技术，在所述筛选后的有效图像中提取关键视频帧图像，具体包括：

对所述筛选后的有效图像采用基于无参考图像的清晰度判别算法进行处理，先对有效图像进行laplacian变换处理，将变换处理后的图像求取方差，根据方差的大小区别出清晰图像和模糊图像，所述清晰图像为关键视频帧图像。

由于管道检测过程中绝大部分镜头都是移动的，因此在分帧之后会有大量视频帧是失真的，若将失真图像进行缺陷检测的话将大大降低检测的准确率。针对这种情况，当筛选出缺陷的可能存在区间之后和缺陷检测之前，必须对候选图像进行清晰度的检测，替换掉失真图像。针对管道检测过程当中背景复杂多变，场景随时切换的特点，提出一种基于无参考图像的清晰度判别算法提取关键帧。

基于laplacian算子的模糊检测

对于二维图像f(x,y)，二阶微分最简单的定义--拉普拉斯算子定义为：

对于任意阶微分算子都是线性算子，所以二阶微分算子和后面的一阶微分算子都可以用生成模板然后以卷积的方式得出结果。

根据前面对二阶微分的定义有：

根据上面的定义，与拉普拉斯算子的定义相结合，得到：

也就是一个点的拉普拉斯的算子计算结果是上下左右的灰度的和减去本身灰度的四倍。同样，可以根据二阶微分的不同定义，所有符号相反，也就是上式所有灰度值全加上负号，就是-1，-1，-1，-1，4。但要注意，符号改变，锐化的时候与原图的加或减应当相对变化。上面是四邻接的拉普拉斯算子，将这个算子旋转45°后与原算子相加，就变成八邻域的算子了，也就是一个像素周围一圈8个像素的和与中间像素8倍的差，作为拉普拉斯计算结果。

因为要强调图像中突变(细节)，所以平滑灰度的区域，无响应，即模板系数的和为0，也是二阶微分必备条件。

最后的锐化公式：

g是输出，f为原始图像，c是系数，也就是要加上多少细节的多少。

经过拉普拉斯变换之后图像的边缘部分被突出，其余部分被弱化。我们很容易想到，清晰图片表征在视觉上就是边缘突出，而模糊图像表征在视觉上就是边缘难以识别。因此将拉普拉斯变换后的图像求取方差。方差大的图片意味着边缘突出，也就是清晰的图像，反之则是模糊图像。

计算方差公式：d(x)＝e{[x-e(x)]²}＝e{x²-2xe(x)+[e(x)]²}

步骤1063：对所述关键视频帧图像采用漏斗模式，先后利用所述全局缺陷训练模型和所述局部缺陷训练模型进行检测，得到缺陷检测结果，具体包括：

采用全局缺陷训练模型对所述关键视频帧图像进行检测，若所述关键视频帧图像为全局正常，则判断此处管道正常，若所述关键视频帧图像发现异常，则根据全局缺陷类型的概率分布，判断出此处管道缺陷的类别及其它相关信息；若所述关键视频帧图像为局部图像，则将所述局部图像划分为九张局部子图像，采用局部缺陷训练模型进一步检测。

将所述局部图像划分为9张局部子图像，所述9张局部子图像基本能覆盖整幅局部图像，同时互相有重叠，所述局部子图像的集合为局部图像；同一所述局部图像分割成的局部子图像之间互相关联；采用局部缺陷训练模型对局部子图像进行检测，如果局部图像对应的9张局部子图像均未出现异常，则判定此处无异常；如果局部图像对应的9张局部子图像有任何一张子图像出现异常则判定此处异常，并将局部图像判断为子图中出现次数最多的异常类型。

检测完成之后，将每处缺陷的对应的管道起始点编号、终止点编号、缺陷类别、缺陷图片以成果形式输出并存储命名，获得缺陷检测结果。

本发明结合目标识别、图像处理、图像分类等方面的理论研究基础，集成传统的图像处理技术，实现了检测图像的元数据录入、分帧、标注、训练、检测、输出等算法与功能。此外，本发明集成了深度学习算法，从算法能力上提高了缺陷检测准确度的理论值，从侧面反映出深度学习算法的工业应用前景。该研究可以应用于排水管道清淤检测及修复工程，缩短实施工期，降低工程成本，提升检测精准率。

图7为本发明排水管道内部缺陷的检测系统结构图。一种排水管道内部缺陷的检测系统包括：

视频数据获取模块201，用于通过外业检测获取管道内部检测视频数据，所述视频数据随机选取一部分作为采集样本的视频，另外一部分作为测试视频，所述采集样本的视频和所述测试视频互相无交叉重叠。

第一分帧处理模块202，用于对所述采集样本的视频进行视频分帧处理，得到采集样本视频的分帧处理结果图像。

样本库图像采集模块203，用于根据所述采集样本的视频分帧处理结果图像，采集样本库图像，所述样本库图像包括全局缺陷图像样本、局部缺陷图像样本、正常管道图像样本和局部正常管道图像样本。

训练模块204，用于根据所述样本库图像进行模型训练，得到训练模型，所述训练模型包括全局缺陷训练模型和局部缺陷训练模型。

第二分帧处理模块205，用于对所述测试视频进行分帧处理，得到测试视频的分帧处理结果图像。

检测模块206，用于采用双模型精准检测策略，对所述测试视频的分帧结果图像进行预处理，采用所述全局缺陷训练模型和所述局部缺陷训练模型对预处理的结果进行检测，得到缺陷检测结果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。