周方祺，郭世元，馮家旗，麥麥提阿力木·麥提努爾，秦同臻，姜涌泉

摘要：地下管道連接城市的各個(gè)角落，承擔(dān)了極其重要的功能，準(zhǔn)確定位和修復(fù)管道病害有重要意義。但由于地下管道的特殊性，為了減少技術(shù)人員在管道內(nèi)潛在的風(fēng)險(xiǎn)，提高檢測(cè)和修復(fù)效率，用帶有攝像頭的排水管道機(jī)器人采集地下管道視頻信息，提取圖像的LBP特征，訓(xùn)練SVM分類模型實(shí)現(xiàn)管道病害分類，模型對(duì)地下管道的病害自動(dòng)識(shí)別，使用YOLOv4檢測(cè)病害，這有效地提高了檢測(cè)效率與準(zhǔn)確度。還使用SLAM技術(shù)對(duì)以往的圖像檢測(cè)所不具備的三維信息—深度進(jìn)行了估計(jì)，這將有利于管道病害的檢測(cè)。

關(guān)鍵詞：計(jì)算機(jī)視覺(jué);SVM分類;特征提取;病害自動(dòng)識(shí)別;SLAM

中圖分類號(hào)：TP391.41? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）34-0013-06

1 背景

隨著我國(guó)經(jīng)濟(jì)建設(shè)，城市快速發(fā)展，城市地下管道設(shè)施正從建設(shè)期進(jìn)入養(yǎng)護(hù)期，城市地下管道的鋪設(shè)作為城市發(fā)展的一個(gè)重要部分，承擔(dān)著城市的天然氣供應(yīng)、排水、供水等重要職責(zé)，對(duì)城市而言，地下管道的完整和安全運(yùn)行就像血管之于人一樣重要。由此城市管道安全成為熱點(diǎn)話題，管道腐蝕、裂縫、淤泥等各種病害都會(huì)對(duì)管道造成巨大的危害。假如不對(duì)管道病害進(jìn)行管理，管道健康受到威脅甚至得到破壞，將會(huì)對(duì)城市居民生活、工業(yè)生產(chǎn)、交通管制等社會(huì)生產(chǎn)生活活動(dòng)造成阻塞和不便，產(chǎn)生的經(jīng)濟(jì)損失更是不可估量。因此，管道病害的檢測(cè)與修復(fù)工作是城市建設(shè)的重要組成部分。

當(dāng)前檢測(cè)管道病害的過(guò)程效率低下且昂貴。要求參與人員技術(shù)水平高。管道內(nèi)部不僅危險(xiǎn)還很復(fù)雜，維修人員難以進(jìn)入。一般來(lái)說(shuō)，管道影像利用攝像頭獲取。完成圖像采集后，技術(shù)人員根據(jù)水道狀況分類手冊(cè)重新觀看視頻，并標(biāo)記管道病害。但是，檢測(cè)員對(duì)視頻分析解釋需要時(shí)間，且這種方法價(jià)格高昂，在較長(zhǎng)的檢測(cè)時(shí)間內(nèi)也需要中斷管道的使用。所以為了減少技術(shù)人員在管道內(nèi)潛在的風(fēng)險(xiǎn)，提高檢測(cè)和修復(fù)效率，如何及時(shí)發(fā)現(xiàn)和獲取管道病害圖像、如何對(duì)不同的病害類型做分類和定位，成為計(jì)算機(jī)圖像領(lǐng)域具有價(jià)值的研究方向，也是當(dāng)前擁有極其廣闊應(yīng)用前景的計(jì)算機(jī)科學(xué)研究熱點(diǎn)。傳統(tǒng)檢測(cè)方式下，深度這個(gè)三維信息并未考慮，而只是應(yīng)用圖像二維數(shù)據(jù)。單目視覺(jué)SLAM技術(shù)可以利用二維圖像對(duì)三維信息—深度進(jìn)行估計(jì)，這將有利于管道病害的檢測(cè)。

2 數(shù)據(jù)的采集和處理

本文通過(guò)車(chē)載攝像頭自動(dòng)掃描采樣地下管道內(nèi)部巖壁原始病害圖像數(shù)據(jù)，然后用圖像標(biāo)注軟件對(duì)圖像病害類型進(jìn)行框選和特征描述，將特征位置信息寫(xiě)到外部文件中。地下管道病害視頻圖像采集設(shè)備與自制病害圖像標(biāo)注軟件樣例分別見(jiàn)圖1與圖2。

本文使用SVM方法分類病害，使用YOLOv4檢測(cè)病害，這需要把圖像的包圍盒（Bounding Box）信息作為監(jiān)督（Ground Truth）。標(biāo)注出病害對(duì)象的左上角坐標(biāo)（Xmin，Ymin），右下角坐標(biāo)（Xmax，Ymax），類別、圖像名、圖像大小等信息一起寫(xiě)入xml文件，與圖像一起作為輸入送入神經(jīng)網(wǎng)絡(luò)訓(xùn)練。本文將采集到的病害數(shù)據(jù)分為輕度腐蝕、中度腐蝕、輕度破裂、中度破裂四類。

3 管道病害檢測(cè)

管道病害檢測(cè)過(guò)程包括圖像采集，消除繩索干擾，圖像分割，發(fā)現(xiàn)可疑病害，提取病害的LBP特征，訓(xùn)練SVM模型，識(shí)別管道病害，使用YOLOv4檢測(cè)病害。

3.1 圖像分割

本課題可疑管道病害位置對(duì)應(yīng)圖像分割部位。由于管道病害的紋理信息非常復(fù)雜，目標(biāo)僅是最外輪廓，因此基于相似度的分割效果不令人滿意。因此，選擇基于不連續(xù)性的分割來(lái)發(fā)現(xiàn)管道病害的邊緣。本文使用canny邊緣檢測(cè)算子[1]針對(duì)圖像進(jìn)行高斯濾波處理，使其噪聲得以消掉，以2N+1規(guī)格的模板對(duì)所有項(xiàng)目進(jìn)行掃描，對(duì)鄰域像素的加權(quán)灰度均值通過(guò)模板進(jìn)行確定，然后將模板中心像素灰度值進(jìn)行取代。根據(jù)一維高斯函數(shù)計(jì)算給定大小和Sigma的高斯卷積核參數(shù)，并將計(jì)算出的高斯卷積核與灰度圖像進(jìn)行卷積。

對(duì)梯度的方向、幅度完成計(jì)算，再進(jìn)行非最大抑制處理，實(shí)現(xiàn)邊緣細(xì)化。計(jì)算梯度相應(yīng)值并將邊緣獲取以后，邊緣模糊性并未得到改善。正負(fù)梯度方向的像素邊緣程度與當(dāng)下像素對(duì)應(yīng)的邊緣程度對(duì)比分析。與掩模內(nèi)方向抑制的像素對(duì)比，后者邊緣程度更高，因此對(duì)應(yīng)數(shù)值保留。否則，該值將被抑制。

Canny算子邊緣檢測(cè)效果利用邊緣檢測(cè)、雙閾值來(lái)獲取。將Canny、Laplace和Sobel三種算子邊緣檢測(cè)效果對(duì)比分析，效果最為理想的就是Canny算子，對(duì)應(yīng)檢測(cè)效果圖如圖3所示。其中左側(cè)為管道病害，右側(cè)為Canny算子邊緣檢測(cè)。

3.2 發(fā)現(xiàn)可疑病害

考慮到不同類型的管道疾病可能出現(xiàn)在管道的不同位置，管道圖像被分為四個(gè)區(qū)域。區(qū)域A代表管道的頂部，區(qū)域B和區(qū)域C代表管道的兩側(cè)，區(qū)域D是系統(tǒng)輸出信息，在圖4中查找管線病害的步驟中將忽略區(qū)域D。

將管線圖像劃分為四個(gè)區(qū)域后，找到圖像中的所有病害輪廓，并根據(jù)質(zhì)心的位置判斷輪廓的劃分。為了確定可疑病害區(qū)域的重要性，每個(gè)區(qū)域的最大輪廓將繪制在圖5中。

3.3 提取病害的LBP特征

病害邊緣獲取到還需要對(duì)其級(jí)別和種類進(jìn)行判斷。首先將其對(duì)應(yīng)的LBP特征獲取到，病害類型的區(qū)分通過(guò)線性SVM分類器實(shí)現(xiàn)。

LBP（局部二進(jìn)制圖案）[2]可以對(duì)圖像一部分的紋理特點(diǎn)進(jìn)行描述。最大的特點(diǎn)在于灰度和旋轉(zhuǎn)都是固定的。1994年T.Ojala等學(xué)者將其應(yīng)用在提取紋理特征上，并且這種觀點(diǎn)是第一次被提出。由于其簡(jiǎn)單性和易計(jì)算性，盡管其總體效果不如Haar功能，但它比Haar功能要快，因此已經(jīng)被廣泛使用。

3.4 訓(xùn)練SVM模型

本課題對(duì)于管道病害的辨別是通過(guò)支持向量機(jī)算法來(lái)實(shí)現(xiàn)的。將提取的LBP特征輸入SVM[3-4]分類器訓(xùn)練模型。

假設(shè)線性分離的情況為式（1），歸一化得到式（2）。

[H1：ωTxi+b≥1， yi=1H2：ωTxi+b≤-1， yi=-1]? ? ? ? ? ? ? ? ? （1）

[yi（ωTxi+b）≥1，i=1，….]? ? ? ? ? ? ? ? ? ? ? （2）

其中，[ω]是法線向量，[b]是位移項(xiàng)，平面最初位置和超平面的間距因此而確定。[xi]是每個(gè)采樣點(diǎn)的特征，[yi]是采樣點(diǎn)[xi]的類別標(biāo)簽。H1和H2之間的距離是[1|ω|]，分類間隔就是[2|ω|]，最大和最小分類間隔面的間隔大小則為[2|ω|2]，被稱為最佳分類超平面，也稱為SVM分類決策超平面，并且訓(xùn)練樣本點(diǎn)在H1和H2之間被稱為支持向量。因此，尋求最佳（[ω]，[ b]）可以概括為式（3）的二次規(guī)劃問(wèn)題。

[min12∥ω∥2s.t. yiωTxi+b≥1，i=1，2，….]? ? ? ? ? ? ?（3）

相應(yīng)的分類決策函數(shù)如下：

[h（x）=i=1nαiyixTix+b]? ? ? ? ? ? ? ? ? ? ? ?（4）

其中，[b]是模型參數(shù)，而[αi]是拉格朗日乘數(shù)，[n]是采樣點(diǎn)個(gè)數(shù)。

SVM針對(duì)非線性狀態(tài)下，在預(yù)定非線性映射的作用下實(shí)現(xiàn)向量向高維特征空間的映射，并在其中完成最佳超平面的建立。

3.5 病害自動(dòng)識(shí)別的結(jié)果分析與比較

本文收集了20條具有不同類型管道病害和正常管道的管道視頻。對(duì)于具有管道病害的視頻，逐幀標(biāo)記了它們的管道病害。對(duì)于無(wú)病害的視頻，將其隨機(jī)分成多個(gè)部分。最終，獲得了8100例輕度腐蝕樣品，5100例中度腐蝕樣品，8600例輕度裂紋樣品和6400例中度裂紋樣品。本文隨機(jī)裁剪了31000個(gè)無(wú)病害管道圖像樣本。對(duì)管道圖像進(jìn)行預(yù)處理，以定位管道病害區(qū)域，如圖6所示，原圖對(duì)應(yīng)（a），Canny算子圖像和病害檢測(cè)圖像分別對(duì)應(yīng)（b）和（c）。

完成病害位置確定以后需要對(duì)其LBP特征進(jìn)行獲取。為了便于觀察和判斷，繪制病害特征的直方圖，如圖7所示。圖7（a）是中等腐蝕特征的直方圖，圖7（b）是輕度腐蝕特征的直方圖。

考慮到相同類型和不同等級(jí)的某些病害特征沒(méi)有顯著差異，針對(duì)管道病害的每個(gè)級(jí)別訓(xùn)練一個(gè)模型。如果僅訓(xùn)練一個(gè)多分類模型，分類精度將被很大程度地降低，由于部分輕度腐蝕和中等腐蝕圖像之間的特征差異很小，因此可以大大減少此類腐蝕。對(duì)于所有模型訓(xùn)練，數(shù)據(jù)集分成測(cè)試集、訓(xùn)練集，占比分別為30%和70%。本課題SVM確定應(yīng)用C_SVC，即C類支持向量分類器，核函數(shù)選擇線性核。

針對(duì)SVM模型訓(xùn)練精度的提升問(wèn)題，設(shè)定最大迭代次數(shù)是1000。將c和γ兩個(gè)訓(xùn)練參數(shù)數(shù)值設(shè)定為1，除此以外的所有參數(shù)數(shù)值都設(shè)定為0。

在測(cè)試集中，四種模式的準(zhǔn)確性輕度腐蝕，中等腐蝕，輕度裂紋和中度裂紋分別為95.18%，92.63%，91.59%和93.82%。以學(xué)習(xí)者預(yù)測(cè)結(jié)果為依據(jù)通過(guò)ROC曲線完成樣本排序，以此為標(biāo)準(zhǔn)，將樣本作為一個(gè)正樣本進(jìn)行預(yù)測(cè)，并每次計(jì)算兩個(gè)重要變量（TPR和FPR）的值，分別將它們作為水平和垂直坐標(biāo)進(jìn)行繪圖。輕度腐蝕模型的ROC曲線圖如下圖所示。位于ROC曲線以下位置的面積用AUC表示，其范圍為0.1-1。分類器對(duì)于數(shù)值能夠直接評(píng)估。該值越大越好。輕度腐蝕模型的AUC為0.77。

最后，將管道病害的類型，程度和位置輸出到具有指定格式的二進(jìn)制文件。如圖8所示。病害檢測(cè)程序界面、記錄病害信息的輸出二進(jìn)制文件分別如圖9（a）和9（b）所示。

3.6 使用YOLOv4檢測(cè)病害

YOLO全稱You Only Look Once。YOLOv4[5]是one-stage檢測(cè)算法。屬于Proposal-free方法，候選區(qū)形成是沒(méi)有必要的，對(duì)各種目標(biāo)定位或類型確定都可以通過(guò)CNN網(wǎng)絡(luò)直接進(jìn)行預(yù)測(cè)，物體位置和類型概率也能夠直接形成，檢測(cè)結(jié)果利用單次檢測(cè)能夠一次性獲取，檢測(cè)效率得到有效保證。

YOLOv4 的目標(biāo)識(shí)別使用了Multi-Scale策略，包括Multi-Scale Train和Multi-Scale Predict。Multi-Scale Train是在訓(xùn)練時(shí)采用不同尺寸的圖片作為輸入，這樣可以使模型適應(yīng)不同大小的圖片;Multi-Scale Predict是在預(yù)測(cè)時(shí)取不同尺寸的下采樣——即FPN（Feature Pyramid Networks）架構(gòu)，YOLOv4分別在sub_sample=32、16和8處做目標(biāo)檢測(cè)，這樣可以預(yù)測(cè)多尺寸的目標(biāo)。預(yù)測(cè)類別只是在標(biāo)簽方面有所改變，即單標(biāo)簽分類向多標(biāo)簽分類轉(zhuǎn)變。YOLOv4 的數(shù)據(jù)增強(qiáng)Mosaic（馬賽克），把四張圖拼成一張圖來(lái)訓(xùn)練，變相等價(jià)于增大了mini-batch。YOLO v4 的Self-Adversarial Training（自對(duì)抗訓(xùn)練）在一張圖上，讓神經(jīng)網(wǎng)絡(luò)反向更新圖像，對(duì)圖像做改變擾動(dòng)，然后在這個(gè)圖像上訓(xùn)練。通常圖像實(shí)現(xiàn)風(fēng)格化都會(huì)選擇該方法來(lái)完成，風(fēng)格化過(guò)程實(shí)際上就是利用網(wǎng)絡(luò)將圖像進(jìn)行反向處理。

YOLOv4的訓(xùn)練結(jié)果與檢測(cè)效果分別見(jiàn)圖10、圖11，mAP@0.5達(dá)到了92%。

4 基于SLAM的深度獲取

在以往的檢測(cè)中，只利用了圖片的二維信息，缺失了三維信息—深度，單目視覺(jué)SLAM技術(shù)[6]能夠通過(guò)二維圖像完成深度這個(gè)三維信息的預(yù)測(cè)。

照片本質(zhì)上是拍照時(shí)的場(chǎng)景（Scene）在相機(jī)的成像平面上留下的一個(gè)投影。將三維空間通過(guò)二維模式展示，展示過(guò)程中距離或者深度這個(gè)三維空間的維度就會(huì)被忽略。

想要恢復(fù)三維結(jié)構(gòu)，需要單目相機(jī)拍攝的臨近的照片，這樣就能使用單目SLAM估計(jì)它的運(yùn)動(dòng)（Motion），同時(shí)估計(jì)場(chǎng)景中物體的遠(yuǎn)近和大小與結(jié)構(gòu)（Structure）。當(dāng)相機(jī)移動(dòng)方向?yàn)橛?，圖像移動(dòng)方向?yàn)樽髸r(shí)，可以借此規(guī)律完成運(yùn)動(dòng)的推測(cè)。并且，距離更近的移動(dòng)速度就更快，距離較遠(yuǎn)的運(yùn)動(dòng)速度就慢。移動(dòng)相機(jī)的過(guò)程中，圖像運(yùn)動(dòng)會(huì)隨之產(chǎn)生視差，利用視差可以對(duì)物體距離進(jìn)行判定。

4.1 特征提取和匹配

SLAM中重點(diǎn)部分就是視覺(jué)前端，以臨近圖像信息對(duì)相機(jī)運(yùn)動(dòng)進(jìn)行預(yù)測(cè)?；谔卣鼽c(diǎn)法的前端來(lái)說(shuō)始終是計(jì)算視覺(jué)里程的最廣泛的計(jì)算方法。動(dòng)態(tài)物體與光照對(duì)其沒(méi)有影響，并且運(yùn)行更加平穩(wěn)，在如今應(yīng)用非常廣泛。本文將使用特征點(diǎn)法，提取、匹配圖像特征點(diǎn)，然后估計(jì)兩幀之間的相機(jī)運(yùn)動(dòng)和場(chǎng)景結(jié)構(gòu)，從而完成深度的估計(jì)。

4.1.1 特征點(diǎn)

特征點(diǎn)由兩部分構(gòu)成，其一為描述子，其二為關(guān)鍵點(diǎn)。本文將使用ORB[7]提取特征。對(duì)于描述子來(lái)說(shuō)，其本質(zhì)是向量，以特定設(shè)計(jì)方法完成該點(diǎn)附近像素信息的獲取。其設(shè)計(jì)原則為特征相似則對(duì)應(yīng)描述子也是相似的。提取過(guò)程中主要負(fù)責(zé)對(duì)ORB關(guān)鍵點(diǎn)的提取，然后對(duì)ORB描述子進(jìn)行計(jì)算。圖像中特征點(diǎn)位置即為關(guān)鍵點(diǎn)，還有一部分特征將大小和方向等信息也包含在內(nèi)。所以向量空間中這兩個(gè)特征點(diǎn)相距很近的情況下，就判定為相同特征點(diǎn)。

4.1.2 ORB特征

ORB特征也是由兩部分構(gòu)成，其一為描述子，其二為關(guān)鍵點(diǎn)（Oriented FAST）。是一種改進(jìn)的FAST角點(diǎn)[8]。它的描述子稱為BRIEF（Binary Robust Independent Elementary Features）[9]。提取過(guò)程如下：

1）提取FAST角點(diǎn)：將圖像內(nèi)角點(diǎn)確定，與原圖FAST對(duì)比，特征點(diǎn)主方向在ORB內(nèi)計(jì)算過(guò)，使后面的BRIEF描述子具有旋轉(zhuǎn)不變特性。

2）BRIEF描述子：對(duì)上部特征點(diǎn)附近圖像完成描述。

4.1.3 特征匹配

視覺(jué)SLAM中特征匹配是非常重要的，簡(jiǎn)單來(lái)講SLAM數(shù)據(jù)關(guān)聯(lián)這一問(wèn)題通過(guò)特征匹配有效解決，也就是對(duì)前面看到的以及當(dāng)下看到的特征點(diǎn)關(guān)聯(lián)性進(jìn)行確定。精準(zhǔn)的完成圖像和地圖、圖像之間的描述子的匹配，使相機(jī)運(yùn)動(dòng)求解負(fù)擔(dān)大幅減緩。

視覺(jué)SLAM中特征匹配是非常重要的。精準(zhǔn)的完成圖像和地圖、圖像之間的描述子的匹配，使相機(jī)運(yùn)動(dòng)求解負(fù)擔(dān)大幅減緩。本課題對(duì)于特征匹配方法的選擇最終確定為蠻力匹配（Brute-Force Matcher）。即對(duì)一張圖片中所有特征點(diǎn)與另一張圖片中所有特征點(diǎn)測(cè)量描述子的距離，然后排序，取最近的一個(gè)作為匹配點(diǎn)。特征間相似度通過(guò)描述子間距來(lái)體現(xiàn)。實(shí)踐中距離度量范數(shù)也需要選擇不同的。本課題采用BRIEF二進(jìn)制描述子，通過(guò)漢明距離（Hamming distance）作為度量——2個(gè)二進(jìn)制串不同位數(shù)的數(shù)量就是漢明距離。

特征匹配過(guò)程沒(méi)有進(jìn)行篩選，因此誤匹配的情況比較多（圖14）。本課題篩選標(biāo)準(zhǔn)是漢明距離是比最小距離2倍要小，這種方法是根據(jù)工程經(jīng)驗(yàn)進(jìn)行總結(jié)的。以此為標(biāo)準(zhǔn)篩選結(jié)束后，匹配總量會(huì)變少，不過(guò)基本上沒(méi)有誤匹配（圖15）。

4.2 求解相機(jī)運(yùn)動(dòng)

結(jié)合匹配點(diǎn)對(duì)之間的聯(lián)系將兩幀之中攝像機(jī)運(yùn)動(dòng)進(jìn)行恢復(fù)。

相機(jī)姿態(tài)解算——本質(zhì)矩陣求解。

本質(zhì)矩陣（Essential Matrix），是對(duì)極幾何（Epipolar geometry）[10]理論中的一個(gè)基本參量，是在三維坐標(biāo)系下，用來(lái)連接兩個(gè)對(duì)應(yīng)點(diǎn)的矩陣關(guān)系。

計(jì)算流程是利用兩張照片的匹配的點(diǎn)對(duì)估算本質(zhì)矩陣（Essential Matrix）[11-12]，最后通過(guò)對(duì)本質(zhì)矩陣的SVD分解和其他操作取得相機(jī)的平移（Shifting）和旋轉(zhuǎn)（Rotation）。

由得到的匹配點(diǎn)對(duì)求得的相機(jī)運(yùn)動(dòng)如圖16。

4.3 求解深度

在上文中，使用對(duì)極幾何約束估計(jì)了相機(jī)運(yùn)動(dòng)，也討論這種方法的局限性。相機(jī)運(yùn)動(dòng)獲取后，要對(duì)相機(jī)運(yùn)動(dòng)估計(jì)特征點(diǎn)空間位置進(jìn)行應(yīng)用。SLAM內(nèi)憑借一個(gè)圖像不能對(duì)像素更深層次的理解，地圖點(diǎn)深度在建立三角測(cè)量后能夠?qū)崿F(xiàn)預(yù)估。

三角測(cè)量方法是針對(duì)相同夾角通過(guò)兩個(gè)角度進(jìn)行觀測(cè)，進(jìn)而對(duì)其距離進(jìn)行確定。高斯最先提出這種方法，如今在地理學(xué)和天文學(xué)等多個(gè)領(lǐng)域廣泛應(yīng)用。比如，針對(duì)同一顆星星在四季中觀測(cè)，對(duì)視角和距離無(wú)法成比例。SLAM下像素點(diǎn)的間距的預(yù)算是通過(guò)三角化方法來(lái)實(shí)現(xiàn)的。

由匹配點(diǎn)和相機(jī)運(yùn)動(dòng)通過(guò)三角測(cè)量可以求得深度，例如第一對(duì)匹配點(diǎn)對(duì)（圖17）的深度如圖18。

5 結(jié)束語(yǔ)

本課題是以視頻為基礎(chǔ)的管道病害檢測(cè)，將LBR特征成功獲取，以LBR訓(xùn)練SVM分類模型，進(jìn)而得到測(cè)試模型分類辨別效果。測(cè)試證明，本文訓(xùn)練SVM模型的準(zhǔn)確性可以達(dá)到超過(guò)90%，則AUC可以達(dá)到0.77。使用YOLOv4的管道病害檢測(cè)，mAP@0.5達(dá)到了92%。本方法克服了傳統(tǒng)人工識(shí)別的成本大、主觀性強(qiáng)、效率低等缺點(diǎn)，有良好的泛化性和魯棒性，這有利于未來(lái)的城市管道維修工作。當(dāng)然，該方法仍有很多不足，比如實(shí)際工程中管道病害類型不止這四種，還有裂縫、侵蝕等。還可以加入深度學(xué)習(xí)處理方法，可以省去一些復(fù)雜的方法，同時(shí)具有良好的識(shí)別準(zhǔn)確率。

本文用單目視覺(jué)SLAM技術(shù)求得了深度，但這仍然只是一個(gè)相對(duì)的值。若將場(chǎng)景和相機(jī)運(yùn)動(dòng)共同擴(kuò)大隨意倍數(shù)，能夠看到的像都是相同的，對(duì)應(yīng)深度也一樣。利用單目SLAM對(duì)深度進(jìn)行估測(cè)，與實(shí)際情況對(duì)比少了尺度因子。深度計(jì)算必須在平移后進(jìn)行，而且只依靠圖像還不能對(duì)其實(shí)際尺寸進(jìn)行確定，這是單目SLAM面臨的最大問(wèn)題。其根本原因是通過(guò)單張圖像無(wú)法確定深度，所以可以使用雙目和深度相機(jī)以求得真實(shí)的深度。

參考文獻(xiàn)：

[1] 余洪山，王耀南.一種改進(jìn)型Canny邊緣檢測(cè)算法[J].計(jì)算機(jī)工程與應(yīng)用，2004，40（20）：27-29.

[2] Ojala T，Pietikainen M，Harwood D.Performance evaluation of texture measures with classification based on Kullback discrimination of distributions[C]//Proceedings of 12th International Conference on Pattern Recognition.October 9-13，1994，Jerusalem，Israel.IEEE，1994：582-585.

[3] Vapnik V N.Statistical Learning Theory[J].Annals of the Institute of Statistical Mathematics，2003，55（2）：371-389.

[4] Huang K Z，Zheng D N，Sun J，et al.Sparse learning for support vector classification[J].Pattern Recognition Letters，2010，31（13）：1944-1951.

[5] Bochkovskiy A，Wang C Y，Liao H Y M.YOLOv4：optimal speed and accuracy of object detection[EB/OL].[2021-05-26].https：//arxiv.org/abs/2004.10934.

[6] Liu H，Zhang G，Bao H.A survey of monocular simultaneous localization and mapping[J]. Journal of Computer-Aided Design & Computer Graphics， 2016，28（6）：855-868.

[7] Rublee E，Rabaud V，Konolige K，et al.ORB：an efficient alternative to SIFT or SURF[C]//2011 International Conference on Computer Vision.November 6-13，2011，Barcelona，Spain.IEEE，2011：2564-2571.

[8] Rosten E，Drummond T.Machine learning for high-speed corner detection[M]//Computer Vision – ECCV 2006.Berlin，Heidelberg：Springer Berlin Heidelberg，2006：430-443.

[9] Calonder M，Lepetit V，Strecha C，et al.BRIEF：binary robust independent elementary features [C]//European Conference on Computer Vision.Springer，Berlin，Heidelberg，2010.

[10] Hartley R，Zisserman A.Multiple view geometry in computer vision[M].2nd ed.Cambridge University Press，2003.

[11] Li H，Hartley R.Five-Point Motion Estimation Made Easy[C]//18th International Conference on Pattern Recognition （ICPR'06）.IEEE，2006.

[12] Nister D.An efficient solution to the five-point relative pose problem[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2004，26（6）：756-770.

【通聯(lián)編輯：謝媛媛】