基于图像解释的管道自动检测状态评估方法

摘要

条件评估形成了埋地管道资产管理的重要组成部分。这是通过使用通常由附接到移动机器人平台附加的图像采集装置的检查系统来进行的。图像解释的完整或部分自动化可以提高管道检查的效率和客观性。自动管道检查系统的一个关键部件是分段模块。本文介绍了通过支持向量机（SVM）使用基于像素的彩色图像的基于像素的分割的方法，其支持向量机（SVM）与分段图像的主要成分的形态分析相结合。形态学分析允许分段图像的主要成分被分解到管道流线区域，管接头和邻接缺陷中。还描述了一种使用与缺陷尺寸和位置有关的模糊成员函数来检测管道连接的简单方法。

1.介绍

污水的安全运输、处理和处置/再使用是人类社会健康运作的组成部分。这些服务的提供依赖于许多类型的资产的持续运行，设计/服务寿命从很短到很长(从几年到几百年)。在传统的排水系统中,一个下水道网络是用来传达废水远离住宅,商业和工业,到水处理厂的废物处理处置对环境所需的标准,或者允许水和固体成分越来越被回收和重用。

下水道网络通常是大的(就下水道管道的长度而言)，异构的(就资产特性和操作环境而言)，寿命长，并受到多重和复杂的恶化过程的影响。由于被掩埋，下水道也被隐藏起来。所有这些因素都意味着，污水系统的管理对资产管理人员和维修专业人士来说是一个重大挑战(见[1])。因此，需要资产管理工具和流程来帮助目标有限的资源，以便在维护资产函数和服务条款方面可以提供大多数价值。

人们普遍认为，基于风险的概念提供了一个适当的框架，在其中解决这一管理挑战[2]．在资产管理中，风险通常被认为是失败可能性和后果的产物。然而，由于很难确定废水资产的失效可能性[1]，资产条件通常用作替代度量(例如，[3.])。在这种方法中，可接受的资产条件状态被定义为一个阈值，超过这个阈值，失败的可能性被认为是不可接受的(例如，[4])。然后，可以使用对资产状况的检查来确定资产的当前状态是否可接受;这个过程通常被称为“状况评估”[3.]．

鉴于在污水管网进行条件评估的潜在费用，目前正在寻求在资产管理过程和检查技术方面取得进展，以降低检查成本和/或从所提供的检查数据中提取更大的价值。针对这些需求，本文对数字图像检测的自动化进行了研究。首先介绍了下水道恶化的简要概述，同时描述了广泛用于识别恶化的闭路电视检查程序。该材料以这样一种方式来说明CCTV检查在下水道资产管理中所起的作用，从而定义自动化这一过程的基本要求。本文的主要部分是对图像识别技术的研究，该技术的主要目的是降低闭路电视检测的单位成本。

2.污水渠恶化的管理

重力污水管道的恶化可以被描述为一个时间依赖的过程，它经过许多不同的阶段。特别是，在管道的结构破坏过程中，至少要经历三个阶段;这些是(另见[5]及其参考文献)如下:

(我)损害初始的，通常是次要的缺陷以某种方式被灌输。(2)恶化:破坏的进展通过各种恶化机制发生，例如管道周围土壤支撑的丧失。(3)结构失败：当它最终发生时，结构失败通常由可能与恶化过程无关的一些随机事件触发。

随着下水道管道的隐藏在日常视图中，可能会出现恶化，这又可以导致意外的功能失败。这种失败的后果范围从轻微的影响（卫生间湿润的客户服务条款的中断）到主要的影响（例如与溢流相关的污染事件，内部洪水，甚至与道路崩溃相关的生命损失或损失和其他结构）。除了这些后果之外，由于动员必要的资源，设备和材料的反应性，以及与计划/编程的工作相比，这会导致响应失败的下水道的成本可能很高。通过考虑这些问题，检查资产可能是经济检查资产，以了解管道（或管道组）的结构状况，并通过后续干预措施防止失败（例如，修复，改造或替换资产）。此类检查还用于其他资产管理目的，包括监管报告和战略规划（例如，[1])。

闭路电视(CCTV)摄像机通常用于检查下水道。闭路电视摄像机插入管道，通过人孔或其他进入结构进行检查。然后用手动或机械的方式沿管道移动摄像机。操作员会仔细检查所取得的图像，并注意到管道沿线的任何缺陷，最好使用标准化缺陷编码方案(见[6]有关编码方案的更多描述性信息和详细信息）。还可以通过工程师进行检查的记录，如所必需的，也可以通过工程师进行评估。

为了简化报道和总结CCTV检查的结果，一个常见的做法是使用观察到的缺陷(直接基于操作员的判断或通过缺陷代码的评审)来分配一个整体(总结)条件等级到管道部分(管道部分通常是根据两个入口结构之间的管道长度定义的)。等级可以根据观察到的较严重的缺陷来分配，例如，“峰值分数”和/或作为沿管道部分缺陷的总体度量，例如，“平均分数”(见[6，7)。

分配的条件等级总结了管道的整体条件，从“作为新”到“遗弃”条件的描述。例如，WRC下水道康复手册中使用的条件等级定义[7]如表所示1．这种分级计划可概念化为下水道恶化过程的简化表示;也就是说，当管道恶化时，假设管道从1级移动到更差的状态级别。

3.中央电视台检查程序的限制

广泛承认，中央电视台检查是一个受运营商错误影响的主观过程（例如，见[1])。一些研究人员使用了这种主体性，以证明自动化CCTV检查系统的发展（例如，[8])。因此，考虑这种主观性是否真的为自动化提供了理由，或者是否需要其他驱动因素，是一件有趣的事情。参照表1，可以看到，从闭路电视检查获得的详细信息最终被总结成简单的类别，反映出潜在的故障，从而优先维护工作。因此，常规闭路电视检查的关键要求不是获得下水道缺陷的确切特征，而是将资产适当地分配到这些级别。因此，评估中的某种程度的主观性是可以接受的，只要主观性不影响进行维护干预的决定。例如，考虑下表中所示的评分方案的实际解释1．所使用的定义意味着CCTV操作员或其他评估人员识别在条件等级1到3(不需要工作)和条件等级4或5(立即或在可预见的未来需要工作)中区分资产的缺陷是很重要的。

考虑到这些因素，绝对有必要对CCTV检查数据进行足够准确的解释，以识别表明资产状态为4或5级的缺陷;也就是说，需要进行维护工作。在作者看来，超出这一特征级别的检查过程准确性的改进对于一般的资产管理目的是不必要的，并且当前检查过程的主观性因此不能为开发自动化过程提供适当的理由级别。相反，我们断言，使用自动化的过程只有在降低了检查的总体成本并因此允许检查更多资产的情况下才是合理的。我们设想可能实现两个层次的自动化

（1)完全自动化的．这代表了理想;检查程序将完全自动化，无需操作人员的审查，即可准确地确定资产状况。鉴于我们目前的技术水平和与操作环境相关的困难(特别是下水道和污水流的清洁度)，我们认为，在可预见的未来，完全自动化是不可能实现的，如果可能的话。（2）半自动的．作为未来自动化的务实步骤，可以提供一种自动筛选功能，该屏幕功能确定应由运营商审查的资产。这将降低运营商审查中央电视台检查的成本。

基于这一目标，图像识别技术的开发工作已经开始，本文的其余部分将对此进行描述。

4.管道自动检测的图像识别

管道自动检测系统由两部分组成。这些是图像采集组件和图像识别或解释组件。图像采集系统通常由机器人装置组成，机器人装置通过管道移动获取图像。图像可以是灰度、颜色、范围或其他传感器形式。解释系统处理由图像采集设备获得的图像，识别缺陷和特征，并可能生成关于管道状态的报告。

早期的半自动检测系统是KARO系统[9它由一个多传感器检测装置和一个双通道解释系统组成。在很大程度上自动的第一次通过中，层次模糊逻辑传感器融合算法被用来识别候选缺陷，然后在第二次通过中由操作员详细调查。

PIRAT系统[10]由一个提供距离图像(通过激光条纹获取)的检测设备和一个使用神经网络和其他人工智能技术的解释系统组成[11]．PIRAT系统的图像采集装置如图所示1．Moselhi和Shehab-eldeen的系统[12](通过帧捕捉器从闭路电视获得分析图像)利用反向传播神经网络操作从缺陷区域得到的特征向量。辛哈和Karray [13描述一个利用图像分析和神经模糊算法识别管道裂缝的系统。Duran等人的系统[14]在相机/激光图像上运行，并使用基于图像处理和人工神经网络的两阶段方法。在第一阶段，一个二元分类器识别出有缺陷的管段，在第二阶段，缺陷被分类成不同的类型。

我们最近的工作集中在解释系统的开发上，而不是建立一个检查装置。这种解释系统的数据可以由如图所示的商业检查系统提供2．这样的检查系统将通过管道并获得一些彩色图像。我们还假设有能力将所有这些图像组合在一起，形成一个展开的管道图像。未缠绕的管道图像是用柱极坐标表示的管道图像。数字3.显示该图像的一部分。在本文中，我们将假设解释系统能够访问到这样一个未缠绕的管道图像。如果不是这样那就需要构建一个打开管图像从底层图像,然后处理,或其他处理每个个人的底层图像,然后编织在一起的所有处理输出,形成一个整体管条件报告。

彩色图像提供了明显不同于灰度图像或距离图像的信息。这可以增强某些图像处理任务的有效性，这些任务将在图像上执行。然而，在其他一些方面，任务更加困难。对于彩色图像，可用的信息是颜色和强度，可能没有办法确定一个缺陷或特征是侵入还是挤压。这是因为管道表面的一小块在空间中平移后看起来本质上是一样的。这意味着很难区分缺陷的类别，如“腐蚀”和“沉积”。另一方面，也许腐蚀往往有一个特定的颜色或纹理特征，而沉积有另一个，在这种情况下，彩色图像数据将足以区分它们。

使用距离图像，只需简单地比较缺陷上的距离值与缺陷附近的距离值，就可以确定缺陷或特征是入侵还是挤压。由于这个原因，我们也可以假设，当讨论与缺陷距离值有关的特性时，解释系统有一个可用的未缠绕管道距离图像。这个距离图像可以由检测系统提供，也可以通过使用摄影测量对检测系统获得的彩色图像进行处理来构建。如果使用摄影测量，那么检测设备的成本将仅仅是彩色图像采集系统的成本，例如在商业上可以得到的系统。如果要从检测设备获得距离图像，那么距离图像采集硬件可以很容易地以低成本集成到现有的基于摄像头的检测系统中[14]．

提议的系统与PIRAT口译系统中使用的系统类似。它由预处理、分割、分类、图像分析和高级系统模块组成。预处理对管道图像进行平滑、滤波等操作，使管道图像形成合适的形式，供后续处理模块使用。分割模块将输入图像分割成有意义的子集。在两类分割的情况下，每个子集要么是“感兴趣的区域”(ROI)，要么是“好的管道”。结合像素标记和连接组件标记可以实现分割。图像分类模块通过分割将每个ROI输出分类为“孔”、“腐蚀”、“管道连接”、“沉积”和“树根”等类别之一。

所提出的系统和PiRAT系统之间的基本差异是分割使用彩色数字图像而不是范围图像进行操作。这使得使用颜色信息开辟了更有效的分割的可能性。所提出的系统的示意图是在图中给出的4．

使用彩色图像数据的结果是很难生成合适的模拟数据。这意味着用于分割的像素标记分类器和图像分类器必须从真实数据中训练。如果使用神经网络或相关的分类器，那么这些分类器需要成百上千的训练案例来进行训练。对于像素标签来说，这可能没有那么糟糕，因为仅仅一张图像就包含数千个像素。

然而，训练图像分类器需要数百幅图像。这似乎不太可行。因此，该系统不会使用神经网络或类似分类器进行图像分类。图像分类可以作为图像分析的一部分进行，也可以使用多类分割。

可以实现决策树分类器。关于ROI必须做出的基本决定是它是一种入侵还是一种挤压。这可以通过比较在缺陷边界附近的缺陷象素的平均范围值和非缺陷象素的平均范围值来实现。

当缺陷被确定为挤压缺陷时，这些值的差异可以用来指定缺陷为孔洞或腐蚀。另外，通过使用适当的模糊隶属函数，可以在“孔洞”和“腐蚀”两类中为缺陷分配模糊隶属函数值。

一些孔可以通过管道连接检测器识别为管道连接，该管道连接检测器检查缺陷的尺寸和位置，并且可以计算缺陷的边界的最适合椭圆的椭圆，以便给出复合模糊隶属度值。

通过树根检测器计算以缺陷边界点为中心的窗口中非缺陷象素和缺陷象素的范围值之间的最大偏差，可以将侵入性缺陷作为树根或沉积物进行确定或模糊的分类。

因此，不使用神经网络分类器就可以为问题构建一个确定或模糊的图像分类模块。

本文的其余部分描述了一些用于识别管道图像中缺陷和特征的技术。每种情况下的第一步是执行管道图像的分割（参见部分5)，得到二值图像。二值图像中的连通分量是缺陷区域或管道特征的候选区域。大的连接部件延伸到整个管道的长度被称为主要分段区域，包括管道流线、管道接头和毗邻的缺陷。其他连接部件可能存在腐蚀缺陷和管道连接。因此，需要一种方法来区分腐蚀区域和管道连接。在本研究中，腐蚀缺陷和管道连接使用一种简单的模糊方法区分。然后，使用数学形态学技术，将主要分割区域分解为其组件流线区域、管道连接区域和相邻缺陷区域，如本节所述7．为此目的，对侵蚀和膨胀的形态运算进行了概括。

5.分段子系统

彩色图像分割的方法有很多，包括阈值分割、基于特征的聚类、基于区域的方法、边缘检测方法、模糊方法和神经网络方法[15]．

最简单的方法是对亮度进行阈值，然后对连接组件进行标记。摩西利希和示哈伊勒丁就是这样行。16]．分割结果取决于选择的阈值。当图像亮度直方图在像素值空间中具有一定分辨率的双峰时，可以采用标准的阈值选择方法，在这种情况下，阈值选择在两个峰之间的谷的位置。然而，实验表明，管道图像的亮度直方图并不总是双峰的。

阈值可以通过对一些样本图像的反复试验来选择，然后在更广泛的图像类别中进行更广泛的测试。对393米的混凝土管拍摄了23张试验图像。结果发现，虽然一般腐蚀区域比良好管道的腐蚀区域深，但一些良好管道的腐蚀区域比某些腐蚀区域深。因此，单个阈值不能用来区分腐蚀区域和良好管道区域。解决这一问题的方法，以及来自不同管道类型的图像的问题，是应用图像均衡化对管道图像的区域进行预处理。在图像亮度直方图的最左谷处进行阈值分割。这识别了管道图像中由流线、管道接头和管道连接产生的较暗区域。均等化是在这些地区按区块合并的补充上进行的。这些块被选择为每个管道图像宽度的10%，足够大，不会被任何特定的缺陷或特征所过度控制。结果表明，均匀化增强了图像的随机变化，掩盖了缺陷。 Therefore, a simpler, linear transformation was used rather than the nonlinear equalisation transformation. The images in blocks were rescaled according to the average brightness of the image in the block outside the initially segmented dark regions. At each pixel in the block outside the initially segmented dark regions and for each colour component the value is changed according to

其中reference_亮度可以被选择为可用管道图像集合中“典型”图像的平均亮度。

群体重新定义的图像是全局阈值的。在该过程中，系统参数参数的更改等同于阈值的相应变化。因此，只要可以随后可以选择阈值，参数Reference_Skightness不充当独立的系统参数，并且只要可以随后选择阈值，所选择的值不重要。通过从阈值处理产生的标签图像的连接部件来获得产生的分割，其中任何像素，

其中亮度是该像素的红、绿、蓝值的最大值。

每个阈值都与标签图像相关联，标签图像定义了由标签为1的像素组成的图像格的子集。从阈值到图像格的子集的映射是一个同态到包含有序的子集格。换句话说，给定两个阈值threshold_1和threshold_2以及相应的子集subset_1和subset_2

实验表明，当阈值较大时，关联标签图像较大，导致过分割;当阈值较小时，关联标签图像较小，导致欠分割。在发现的缺陷区域中，过度分割表现为假阳性，即被标记为缺陷区域的区域不像是缺陷区域。分割不足表现为假阴性，即看起来是缺陷区域但没有被标记。结果表明，部分图像分割存在假阳性和假阴性两种情况。因此，没有阈值，导致完全正确的分割所有图像。

我们在本文中考虑的主要分割方法在[17]．它是一种监督方法，涉及从像素或像素邻域得到的特征向量的分类[18]．

许多作者使用了像素的RGB（红色，绿色和蓝色）值的特征向量，作为分类器的输入[19]．我们还使用了HSB(色相、饱和度和亮度)色彩空间中的H、S和B组件作为一个特性集[20.]．为了获得一个独立于光照条件的分割系统，我们还尝试了一个由HSB颜色空间的H和S组成的特征集。

此外，还实现了一个稍微复杂一点的特征集，其中计算了一个窗口(大小为例)中的RGB值的最大值、最小值和平均值)，以及强度特征的最大值、最小值和平均值

我们还使用了由Gabor纹理过滤器组构建的更精细的特征集[21，22]．对于分类器，我们使用支持向量机。支持向量机具有比神经网络更小的训练集和更强的泛化能力等特性。

为了生成支持向量机的训练集，必须从训练数据图像中提取单个像素的一组特征向量及其分类。特征向量可以自动提取，但分类标签必须手工确定(如果分类标签可以自动确定，那么我们就已经解决了分割问题)。

这种手动像素分类过程可以通过使用GUI程序来实现，该程序显示训练图像，使用户能够选择某些区域或像素集，并指定它们属于特定的分类。

生成像素分类器训练集的一种更简单的方法是使用标准工具选择常分类的矩形区域。我们使用了一种更简单的方法，如图所示的矩形区域5从混凝土下水管道(部分如图3.）.这些区域是从腐蚀区域和良好管道区域中提取出来的。文件good_1.bmp和good_2.bmp用于测试分类器，而剩余的腐蚀文件和良好管道文件用于培训和测试。

使用此数据的培训和测试是针对每个功能集执行的。在表格中显示了已被设置的测试集上的像素分类器的结果如表所示1．该表显示，当在训练期间留出的测试数据以及在Good_1.BMP和Good_2.BMP中包含的数据上进行测试时，在使用除HS功能集之外的所有功能集时，对分类器的分类器执行良好。

在将支持向量机像素分类器应用于训练图像以外的其他图像时，采用了上面描述的块方向缩放。为了进行更广泛的测试，我们将RGB、Gabor、local window、HSB和HS特征集的SVM像素分类器算法应用于从393 m的混凝土下水管道拍摄的图像。HSB案例的结果应用于图中的图像3.如图所示6．HSB特征集的分割结果最好[17]．

RGB，Gabor和HSB像素标记图像包含单像素和其他非常小的缺陷。这些可能不是问题，因为在图像分类和分析期间，通过管道检查系统可以在更高的水平下滤出这种缺陷。

6.检测腐蚀缺陷和管道连接

分割操作的结果是在每个管道图像的许多区域。在整个管道长度上，最大的区域是由管道底部的流线和从流线辐射出来的任何管道接头组成的。与这些区域相连的任何缺陷区域也构成这个主要分节区域的一部分。除主要分割区域外的分割区域是腐蚀区域、其他缺陷区域或管道连接的候选区域。在本文的工作中，我们主要研究腐蚀缺陷类型。

可以用一种简单的模糊方法将管道连接与腐蚀区域区分开来。如果缺陷区域大致位于管道的侧面，且其尺寸在适当尺寸范围内，则该缺陷区域很可能是管道连接。还可以考虑要求其形状，例如，最佳拟合椭圆的拟合优度参数在合适的范围内。然而，正如Müller和Fischer所指出的[23由管道连接产生的分段区域可以有多种形状，而不是椭圆形。

可以定义与缺陷横向定位和适当大小的条件相关联的模糊隶属函数。成员函数如图所示7在这为管道中缺陷的质心从管道底部测量到的角度，A为缺陷的像素面积。通过对缺陷中像素的位置向量进行向量平均，自动计算出缺陷的质心。质心的角度通过将质心的y坐标转换为位于区间(, 180]。缺陷的面积是通过计算缺陷中的像素数自动计算出来的。根据连接条件下组合隶属函数的一般规则，可以通过取这两个隶属函数值的最小值来获得判断缺陷是否为管道连接的整体隶属函数值。通过取管道连接的隶属度值的补值，可以得到缺陷是否腐蚀的隶属度函数值。如果一个缺陷的管道连接部件功能值超过了其腐蚀部件功能值，或者超过了腐蚀部件功能值，则该缺陷可以被宣布为管道连接。将这种简单的模糊方法应用于所考虑的试验图像，结果完全准确，除了一种情况下，管道连接是在图像的边界上。这种情况可以通过处理完整的未缠绕管道图像或使用重叠窗口来避免。

缺陷区域及其腐蚀或管道连接的分类可以通过图形界面显示出来，如图所示8和9其中显示了使用HSB特征向量进行SVM分割的结果。

系统在发现缺陷或特征方面的有效性取决于分割的质量。对于支持向量机的分割结果依赖于参数reference_亮度，这是重要的，因为支持向量机的训练是不重新缩放像素值的。在这种情况下，reference_亮度的值是通过反复试验确定的。当reference_亮度高时，系统下段导致更多的假阴性。当reference_亮度较低时，系统过度分段导致更多的误报。一些reference_亮度值与假阳性和假阴性都相关。因此，与阈值方法一样，SVM方法无法实现完美的分割。

然而，支持向量机方法有潜力成为一种更强大的分割方法，因为它考虑了图像的颜色属性，而不仅仅是灰度亮度值，因此利用了图像中存在的更多信息。本文其余部分采用的分割方法是利用HSB特征向量进行SVM像素分类。

7.管线、管道接头和毗邻缺陷的检测

希望有一种方法将主要的分割区域分解为其独立的组成部分，即流线、管道接头和毗邻的缺陷。这可以用数学形态学的方法来实现。

Sinha和Fieguth使用了灰度形态学[24]来分割管接头和管接头。然而，在我们的工作中，二值分割图像已经作为先验分割的结果使用支持向量机或其他方法。因此，可以使用更可靠的二值图像形态学。此外，我们还定义了更适合分析图像的形态学运算的概化方法。

考虑一下流水线检测的问题。图的形象10是一段包含流动管线、管道接头和毗邻缺陷的管道的典型例子。SVM分割并标记连接成分后得到的相关联主二值图像如图所示11．现在我们回想一下，如果一个二值图像与一个集合相关联在哪里图像点阵是侵蚀吗的对于一个结构元素是由

和扩张的关于是由

在哪里

让为图中所示的主要分割区域11．尝试定义要提供的流线的核心区域是自然的其中E是水平结构元素

然而，element_length_1 = 100的侵蚀结果如图所示12．侵蚀不能很好地表示流线区域。产生这种现象的原因是由于随机噪声的变化，在流线区域的凸包中有一些点丢失了。这将导致在被侵蚀的图像中缺失值的行。这种行为可以通过定义一个一般的侵蚀操作来避免，我们称之为-侵蚀、部分侵蚀或部分侵蚀。让．这侵蚀(25］由结构化元素E被定义为

在哪里，一套吗，元素的个数是多少．因此包括所有这些点在这样的一部分点数- 制定在大于或等于．

定理1。为的侵蚀与通常的侵蚀相吻合．这个定理的证明在[25]．这一点也很直观 然后 一个人也可以定义，for，， 和,扩张A乘以E乘以 显然，对于的扩张与通常的扩张相吻合,因为和．还有下面的对偶定理和．

定理2。有 这个定理的证明在[25]．

执行的结果α-图中图像的侵蚀11通过上面定义的水平结构元素element_length_1 = 100和如图所示13．这很好地表示了流线区域的核心。流线区域可以被认为是由结构单元对核心流线区域的膨胀来估计的

取的二值图像在哪里P主二值图像是和吗F(估计的)流线区域是否如图所示14．这代表了管道关节和邻接缺陷。通过采取候选管接头可以检测到-这个图像对结构元素的侵蚀

结果如图所示15．

候选管接头分量是这个图像的连接分量。在给定的示例中，有6个这样的组件。管道接头可通过对候选管道接头集的分析来确定[25]．

通过100％的分类精度的结果，上述管道接头检测方法已经应用于393米的混凝土管23个图像。

8.结论

通过使用完全或部分自动化系统，管道检测自动化有可能提高闭路电视检测过程的效率。半自动管道检测系统可以作为一种筛选系统，将图像采集系统获得的绝对(或极有可能)没有明显缺陷的图像过滤掉。管道自动检测系统的一个有用功能是能够检测和识别管道特征，如管道连接、流动管线、管道接头以及管道缺陷。

本文介绍了一种基于SVM的基于彩色图像分割的自动管道检查信号解释的方法。使用RGB，Gabor，Local Window，HSB和HS功能集测试了分割方法。已经发现，该方法在HSB功能集的情况下最佳。分割算法可以用作管道检查系统的一部分利用用于缺陷分类的范围图像信息。可以通过使用多个视点几何形状直接从检查装置直接从检查装置获得这样的范围图像信息，或者可以通过分析从检查装置获得的彩色图像。

介绍了一种利用与缺陷大小和位置相关的模糊隶属函数来检测管道连接件的简单方法。

通过数学形态学对主要分割区域的分析，可以检测流线区域、管道接头和毗邻的缺陷。虽然在腐蚀检测中出现了一些假阳性或假阴性，但该系统在检测流线区域、管道接头和管道连接的数据上基本上具有100%的准确性。

致谢

作者感谢Mike Rahilly实现了图形用户界面，并且非常有用的讨论，Donavan Marney为非常有用的讨论，Tristan日提供彩色图像的彩色图像，以及Scott Gould选择管道缺陷图像的选择。

参考

1. D. Marlow, S. Heart, S. Burn等，水和废水公用事业资产状况评估策略与协议， WERF, Alexandria, Va, USA, 2007, Project Ref 03-CTS-20CO。
2. S. Burn, D. Marlow, M. Moglia, P. Buckland，《城市基础设施的资产管理》，国际水务资产管理公司，第3卷，第2期。2，页12-18,2007。查看：谷歌学术搜索
3. D. Marlow和S. Burn，“资产管理中状况评估的有效使用”，美国水工程协会杂志号，第100卷。1, 2008。查看：谷歌学术搜索
4. R. P. Hoskins, A. T. Brint，和G. Strbac，“电力行业内资产管理的结构化方法”，公用事业政策，第7卷，第5期4，页221 - 232,1999。查看：出版商的网站|谷歌学术搜索
5. J. P. Davies, B. A. Clarke, J. T. Whiter, R. J. Cunningham，“影响刚性下水管道结构恶化和倒塌的因素”，城市水，第3卷，第2期。1-2, 73-89页，2001。查看：出版商的网站|谷歌学术搜索
6. s.e. McDonald和j.q. Zhao，“大型下水道的状况评估与修复”，在国际地下基础设施研究会议论文集滑铁卢大学，滑铁卢，加拿大，2001年6月。查看：谷歌学术搜索
7. 下水道修复手册(SRM)，第2版， WRc，第四版，200。
8. W. Guo, L. Soibelman, J. H. Garrett Jr.，“污水管道检查和状态评估的自动缺陷检测”，自动化建设，卷。18，不。5，pp。587-596，2009。查看：出版商的网站|谷歌学术搜索
9. H.Kuntze，H.Haffner，M.Selig，D. Schmidt，K. Janotta和M. Loh，“为智能传感器的下水道检查提供灵活的利用机器人”，“第四届管道建设国际会议论文集，第367-374页，汉堡，德国，1994。查看：谷歌学术搜索
10. R. Kirkham，P. D. Kearney，K. J. Rogers和J. Mashford，“Pirat-A用于定量下水道评估系统”，“国际机器人研究杂志第19卷第2期11，页1033-1053,2000。查看：出版商的网站|谷歌学术搜索
11. J. S. Mashford，“一种用于自动检测的神经网络图像分类系统”IEEE国际神经网络会议论文集，第2卷，第713-717页，澳大利亚珀斯，1995。查看：谷歌学术搜索
12. O. Moselhi和T. Shehab-Eldeen，《污水管道缺陷的神经网络分类》，基础设施系统杂志，第6卷，第2期3，页97-104,2000。查看：出版商的网站|谷歌学术搜索
13. S. K. Sinha和F. Karray，“利用特征提取和神经模糊算法对地下管道扫描图像进行分类”，神经网络上的IEEE交易，第13卷，第2期2，第393 - 401,2002年。查看：出版商的网站|谷歌学术搜索
14. O. Duran, K. Althoefer，和L. D. Seneviratne，“使用犬类/激光分析器和人工神经网络的管道缺陷自动检测和分类”，自动化科学与工程上的IEEE交易，第4卷，第4期。1，页118-126,2007。查看：出版商的网站|谷歌学术搜索
15. 程海东，姜晓辉，孙颖，“彩色图像分割的研究进展与展望，”模式识别第34卷第3期12，页2259-2281,2001。查看：出版商的网站|谷歌学术搜索
16. O. Moselhi和T. Shehab-Eldeen，《水和污水管道表面缺陷的自动检测》，自动化建设，第8卷，第2期5，页581-588,1999。查看：谷歌学术搜索
17. J. Mashford, P. Davis，和M. Rahilly，“基于像素的彩色图像分割使用支持向量机自动管道检测”，在第20届澳大利亚人工智能联合会议论文集(AI’07)年第4830卷计算机科学课堂讲稿，第739-743页，施普林格，黄金海岸，澳大利亚，2007。查看：谷歌学术搜索
18. W. E.Blanz和S. Gish，“使用连接级分类器架构的实时图像分割系统”国际模式识别与人工智能杂志，第5卷，第5期。4，第603-617页，1991。查看：谷歌学术搜索
19. H. Gómez-Moreno, P. Gil-Jiménez, S. Lafuente-Arroyo, R. Vicen-Bueno，和R. Sánchez-Montero，“使用支持向量机进行彩色图像分割”，智能系统与信号处理的最新进展，pp。151-155,2003。查看：谷歌学术搜索
20. R.冈萨雷斯和R.伍兹，数字图像处理， Prentice-Hall，上马鞍河，新泽西州，美国，第二版，2002。
21. S. E. Grigorescu，N.Petkov和P. Kruizationa，“基于Gabor过滤器的纹理特征比较”IEEE图像处理汇刊，第11卷，第5期。10，页1160-1167,2002。查看：出版商的网站|谷歌学术搜索|PubMed|MathSciNet
22. T. Randen和J. H. husy，“纹理分类的过滤:比较研究”，模式分析与机器智能学报第21卷第2期4，页291 - 310,1999。查看：出版商的网站|谷歌学术搜索
23. K.Müller和B.Fischer，“下水道系统的客观条件评估”第二届战略评估管理前沿会议论文集(LESAM’07)，葡萄牙里斯本，2007年。查看：谷歌学术搜索
24. S. K. Sinha和P. W. Fieguth，“地下混凝土管道图像的分割”，自动化建设，卷。15，不。1，pp。47-57,2006。查看：出版商的网站|谷歌学术搜索
25. J. Mashford, M. Rahilly，和P. Davis，“一种使用数学形态学和支持向量机来检测管道图像特征的方法”IEEE数字图像计算论文集:技术与应用(DICTA’08)，第84-89页，澳大利亚堪培拉，2008。查看：出版商的网站|谷歌学术搜索

版权

版权所有©2009 John Mashford等人。这是一篇发布在知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中进行无限制使用，分发和再现。