(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210196134.X (22)申请日 2022.03.02 (65)同一申请的已公布的文献号 申请公布号 CN 114359736 A (43)申请公布日 2022.04.15 (73)专利权人 深圳市智源空间创新科技有限公 司 地址 518000 广东省深圳市南 山区西丽 万 科云城国际创新谷 6栋A座3002室 专利权人 深圳市环水 管网科技 服务有限公 司 (72)发明人 李清泉　朱松　姚立三　包俊　 朱家松　王全　刘志　元鹏鹏　 李秋棪　(74)专利代理 机构 深圳智汇远见知识产权代理 有限公司 4 4481 专利代理师 聂磊　郑江燕 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/80(2022.01) (56)对比文件 CN 111289526 A,2020.0 6.16 CN 103926714 A,2014.07.16 审查员 董雪 (54)发明名称 复杂光环境下的管道缺陷检测方法及装置 (57)摘要 本发明公开了一种复杂光环境下的管道缺 陷检测方法及装置， 属于计算机领域。 其中， 该方 法包括： 采集管道内部的原始图像； 对所述原始 图像进行伽马校正， 生成对应光照水平的管道缺 陷图像； 采用缺陷检测算法识别所述管道缺陷图 像中缺陷区域的位置信息和缺陷类别。 通过本发 明， 解决了相关技术在管道缺陷检测时缺陷数据 的类别不平衡的技术问题， 可以自适应地处理不 同光照水平下采集的管道图像 。 权利要求书3页 说明书12页 附图3页 CN 114359736 B 2022.07.12 CN 114359736 B 1.一种复杂光环境下的管道缺陷检测方法， 其特 征在于， 包括： 采集管道内部的原 始图像； 对所述原 始图像进行伽马校正， 生成对应光照水平的管道缺陷图像； 采用缺陷检测算法识别所述管道缺陷图像中缺陷区域的位置信息和缺陷类别； 其中， 对所述原始图像进行自适应伽马校正， 生成对应管道缺陷检测光照需求的管道 缺陷图像包括： 将所述原始图像转换为色调饱和度明度HSV色彩空间； 对所述HSV色彩空间 中的V通道进行自适应伽马矫正， 生成第一中间图像； 将所述第一中间图像转换为红绿蓝 RGB色彩空间， 得到所述管道缺陷图像； 对所述HSV色彩空间中的V通道进行自适应伽马矫 正， 生成第一中间图像包括： 计算所述原始图像的对比度和像素标准差； 根据所述像素标准 差计算自适应伽 马矫正的曲线参数， 根据所述对比度和所述曲线参数计算自适应伽 马矫正 系数； 采用以下公式计算第二明度s： s=kRγ； 其中， k为所述矫正系数， γ为所述曲线参数， R 为所述原始图像的第一明度； 基于所述第二明度生成所述第一中间图像； 根据所述对比度 和所述曲线参数计算自适应伽马矫正系 数包括： 根据所述像素标准差 σ计算所述原始图像 的明度均值 λ； 采用明度阈值比较所述明度均值 λ；若所述明度均值λ大于或等于所述明度阈 值， 确定所述原始图像为高明度图像； 若所述明度均值λ小于所述明度阈值， 确定所述原始 图像为低明度图像； 采用以下公式计算自适应伽马矫 正系数k： 其中， λ为明度均值， γ为曲线参数， R为第一明度。 2.根据权利要求1所述的复杂光环境下的管道缺陷检测方法， 其特征在于， 根据 所述像 素标准差计算自适应伽马矫 正的曲线参数包括： 根据所述像素标准差 σ计算所述原始图像的明度均值 λ； 判断所述像素标准差 σ是否小 于或等于预设阈值； 若所述像素标准差小于或等于 预设阈值， 确定 所述原始图像为低对比度图像 IL； 若所述 像素标准差大于预设阈值， 确定所述原 始图像为中 高对比度图像 IH； 采用以下公式计算自适应伽马矫 正的曲线参数γ： 其中， σ 为像素标准差， λ为明度均值， IL表示所述原始图像为低 对比度图像， IH表示所述原 始图像为中 高对比度图像。 3.根据权利要求1所述的复杂光环境下的管道缺陷检测方法， 其特征在于， 采用缺陷检 测算法识别所述管道缺陷图像中缺陷区域的位置信息和缺陷类别包括： 从所述管道缺陷图像采样提取缺陷特 征； 采用调制系数重构YOLOv4 缺陷检测算法的初始损失函数， 得到目标损失函数； 采用所述缺陷特征和所述目标损失函数识别所述管道缺陷图像中缺陷区域的位置信 息和缺陷类别。 4.根据权利要求3所述的复杂光环境下的管道缺陷检测方法， 其特征在于， 从所述管道权　利　要　求　书 1/3 页 2 CN 114359736 B 2缺陷图像采样提取缺陷特 征包括： 对所述管道缺陷图像进行 上采样， 得到 至少一张放大后的高层特 征图； 融合所述管道缺陷图像和所述高层特征图的分辨率信息和语义信息， 得到融合特征 图； 对所述管道缺陷图像进行 下采样， 得到 至少一张缩小后的低层特 征图； 将所述高层特征图， 所述融合特征图， 所述低层特征图确定为所述管道缺陷图像的缺 陷特征。 5.根据权利要求3所述的复杂光环境下的管道缺陷检测方法， 其特征在于， 采用调制系 数重构YOLOv4 缺陷检测算法的初始损失函数， 得到第一损失函数， 包括： 采用调制系数α 重构YOLOv4 缺陷检测算法的初始损失函数， 得到如下目标损失函数Lp： 其中， α为调制系数， S2表示对所述管道缺陷图像划分的网格个数， 表示第i个网格 的第j个锚点框是否负责目标缺陷类别的判断， C表示候选缺陷类别， min是类别集合中的最 小缺陷类别， max是类别集合中的最大缺陷类别， 表示分类的真实概率， 表示分类的估 计概率， 所述管道缺陷图像包括多个网格， 所述网格用于预测缺陷所在的区域 位置。 6.一种复杂光环境下的管道缺陷检测装置， 其特 征在于， 包括： 采集模块， 用于采集管道内部的原 始图像； 矫正模块， 用于对所述原 始图像进行伽马校正， 生成对应光照水平的管道缺陷图像； 识别模块， 用于采用缺陷检测算法识别所述管道缺陷图像中缺陷区域的位置信 息和缺 陷类别； 其中， 所述矫正模块包括： 第 一转换单元， 用于将所述原始图像转换为色调饱和度明度 HSV色彩空间； 处理单元， 用于对所述HSV色彩空间中的V通道进行自适应伽马矫正， 生成第 一中间图像； 第二转换单元， 用于将所述第一中间图像转换为红绿蓝RGB色彩空间， 得到所 述管道缺陷图像； 所述处理单元包括： 第一计算子单元， 用于计算所述原始图像的对比度和 像素标准差； 第二计算子单元， 用于根据所述像素标准差计算自适应伽 马矫正的曲线参数， 根据所述对比度和所述 曲线参数计算自适应伽马矫正系 数； 第三计算子单元， 用于采用以 下公式计算第二明度s： s=kRγ； 其中， k为所述矫正系数， γ为所述曲线参数， R为所述原始图 像的第一明度； 生成子单元， 用于基于所述第二明度生成所述第一中间图像； 所述第二计算 子单元还用于： 根据所述像素标准差 σ计算所述原始图像的明度均值 λ； 采用明度阈值比较 所述明度均值 λ；若所述明度均值λ大于或等于所述明度阈值， 确定所述原始图像为高明度 图像； 若所述明度均值λ小于所述明度阈值， 确定所述原始图像为低明度图像； 采用以下公 式计算自适应伽马处 理的矫正系数k： 其中， λ为明度均值， γ为曲线参数， R为第一明度。 7.一种计算机存储介质， 其特征在于， 所述计算机存储介质包括存储的计算机程序， 其权　利　要　求　书 2/3 页 3 CN 114359736 B 3