Specificationforintelligentdetectionandevaluationofurbandrainagepipes目 附錄A管道缺陷智能檢測(cè)成果樣圖、樣 附錄B管周病害智能檢測(cè)成果樣圖、樣 附錄C檢測(cè)影像資料版頭格式和基本內(nèi) 附錄D檢測(cè)與評(píng)估成果 附：條文說(shuō) General Termsand Basic IntelligentDetectionofPipeline General ModelConstructionand DetectionData Detection IntelligentDetectionofPerivascular General ModelConstructionand DetectionData Detection Assessmentand General SoilConditionAssessmentaroundthe Result Image DetectionandEvaluation AppendixASampleFigureandTableofPipelineDefectIntelligentDetection Appendix SampleFigureandTableofIntelligentDetectionofDefectsaround Appendix HeaderFormatandBasicContentofDetected Appendix TableofDetectionandEvaluation ExplanationofWordinginThis Normative AdditionExplanationof 為提高城鎮(zhèn)排水管道治理的經(jīng)濟(jì)效益，推動(dòng)城鎮(zhèn)排水管道檢測(cè)的信息化、智能intelligentrecall精確率-precision-recallreceiveroperatingcharacteristicROC曲線。hyper-F1F1分?jǐn)?shù)；6個(gè)部分：影像輸入、智能檢測(cè)預(yù)處理、影像清應(yīng)記錄訓(xùn)練集及驗(yàn)證集的損失函數(shù)曲線，若最低驗(yàn)證損失出現(xiàn)后經(jīng)過(guò)20輪計(jì)算85%，F(xiàn)10.85Accuracy

TPTPFPFN

TP F12PP

90%以上，則認(rèn)為可選擇該模型進(jìn)行管道缺陷智能檢測(cè)；8TPU，NPU的邊緣計(jì)算，在開(kāi)發(fā)板上進(jìn)行現(xiàn)場(chǎng)檢測(cè)，90%，對(duì)三、四級(jí)缺陷應(yīng)給出缺陷等級(jí)的置信度。3級(jí)及以上管道缺陷檢排水管道檢測(cè)影像數(shù)據(jù)智能檢測(cè)項(xiàng)目應(yīng)歸檔，歸檔資料宜包括紙質(zhì)文件、電子標(biāo)準(zhǔn)》（CJJ/T7-2017）和《城市地下管線探測(cè)技術(shù)規(guī)程》（CJJ61-2017）的規(guī)定。為降低或消除外界因素干擾，應(yīng)對(duì)探地雷達(dá)原始數(shù)據(jù)進(jìn)行預(yù)處理，包括背景去模型訓(xùn)練后，使用測(cè)試集評(píng)估其整體性能，應(yīng)采用下列評(píng)價(jià)指標(biāo)：1準(zhǔn)確率；2精確率；3召回率；4F1分?jǐn)?shù)。 KET，管段修復(fù)等級(jí)劃分，管段的養(yǎng)護(hù)等級(jí)等應(yīng)符合現(xiàn)行行業(yè)標(biāo)準(zhǔn)《城鎮(zhèn)排水管道檢測(cè)與評(píng)估技術(shù)規(guī)程》（CJJ181）中的規(guī)定。術(shù)規(guī)程》（CJJ181）中的規(guī)定。6.1.4管周土體管周土體病害名稱、代碼、等級(jí)劃分及分值應(yīng)符合表6.1.5-16.1.5-16.1.5-2反射信號(hào)能量強(qiáng)，反射信號(hào)的頻率、振 ll k

maxPk

RL RLk

6.2.3-26.2.3-1土體病害程度中等，土體病害比較嚴(yán)重，土體病害很嚴(yán)重，表6.2.3- 對(duì)管道安全運(yùn)行構(gòu)成較大影響，可能引發(fā)次生災(zāi)害，應(yīng)制定處置計(jì)劃并加強(qiáng)監(jiān)測(cè)對(duì)管道安全運(yùn)行構(gòu)成嚴(yán)重影響，易引發(fā)嚴(yán)重次生災(zāi)害，應(yīng)立即進(jìn)行處置影像資料應(yīng)根據(jù)項(xiàng)目要求統(tǒng)一編號(hào)，視頻與同源圖片應(yīng)具有統(tǒng)一的編號(hào)便于檢報(bào)告輸出內(nèi)容應(yīng)符合現(xiàn)行標(biāo)準(zhǔn)《城鎮(zhèn)排水管道檢測(cè)與評(píng)估技術(shù)規(guī)程》（JJ181）檢測(cè)與評(píng)估成果應(yīng)包含管段基本信息、管道缺陷類型、位置、等級(jí)、缺陷可信度、管道缺陷檢測(cè)數(shù)據(jù)表、管道缺陷圖片等內(nèi)容，應(yīng)按本文件附錄D的要求填寫(xiě)排水管10附錄A附錄B附錄C檢測(cè)日期（JCRQ）：年月起始井編號(hào)-結(jié)束井編號(hào)：（號(hào)井~號(hào)井）C.0.1D 第頁(yè)共埋深序號(hào) 檢測(cè)方法附：條文說(shuō)明目基本規(guī) 術(shù)語(yǔ)與符 基本規(guī) 管道缺陷智能檢 管周病害智能檢 1.0.2適用于本文件的城鎮(zhèn)排水管道包括管道本體和附屬構(gòu)筑物，管道本體是指收集、調(diào)蓄輸送污水或雨水，或合流的管道，輸送方式包括重力流及壓力等級(jí)不超過(guò)0.1MPa的壓力流。管道材質(zhì)包括混凝土管、金屬管、塑料管等，斷面形狀包括圓形、矩形及卵形等。附屬構(gòu)筑物是指排水管道系統(tǒng)中除了管渠之外的所有必需構(gòu)筑物，包括檢查井、跌水井、倒虹管、管橋、出水口等。管道缺陷包括管道結(jié)構(gòu)型病害、功能性病害、管周病害，結(jié)構(gòu)性病害主要有：破損、變形、錯(cuò)口、脫節(jié)、橡膠圈脫落等。功能性病害主要有：沉淀、堵塞、泄漏、腐蝕等。管周病害主要有：土地沉降、樹(shù)根侵入、障礙物、管道穿越等。本文件所指的排水管道智能檢測(cè)是指采用CCTV、QV或雷達(dá)等技術(shù)采集排水管道檢測(cè)數(shù)據(jù)，這些數(shù)據(jù)經(jīng)過(guò)傳輸后在電腦上采用人工智能技術(shù)進(jìn)行分析，可以自動(dòng)判讀診斷管道病害，檢測(cè)結(jié)果還可以直觀可視化展示，為管理人員提供依據(jù)，大大提升了管網(wǎng)維護(hù)的科學(xué)性和精準(zhǔn)性。自動(dòng)判別管道缺陷信息包括是否存在缺陷、缺陷位置、缺陷類型、等級(jí)等。接受者操作特征曲線最初用于評(píng)價(jià)雷達(dá)性能，是從混淆矩陣衍生出來(lái)的圖形，以真陽(yáng)性率為縱坐標(biāo)，假陽(yáng)性率為橫坐標(biāo)繪制的曲線。其自變量（檢驗(yàn)項(xiàng)目）一般為連續(xù)性變量，因變量一般為二分類變量。隨著閾值的減小，更多的值歸于正ROC曲線呈遞增趨勢(shì)。45度對(duì)角線是一條參照線，ROC曲線要與之比較。超參數(shù)是機(jī)器學(xué)習(xí)中用于控制模型訓(xùn)練過(guò)程和性能的參數(shù)。它們不像模型參數(shù)那樣通過(guò)數(shù)據(jù)學(xué)習(xí)得到，而是需要在訓(xùn)練前人為設(shè)定。超參數(shù)的設(shè)置直接影響著模型的訓(xùn)練速度、收斂性、容量和泛化能力。超參數(shù)獨(dú)立于模型參數(shù)，可以根據(jù)其作用被分為不同的類別例如網(wǎng)絡(luò)參數(shù)，包括網(wǎng)絡(luò)層之間的交互方式、卷積核數(shù)量和尺寸、網(wǎng)絡(luò)層數(shù)（）及激活函數(shù)等，還有優(yōu)化參數(shù)，包括學(xué)習(xí)率、批樣本數(shù)量、不同優(yōu)化器的參數(shù)等，最后是正則化參數(shù)，包括權(quán)重衰減系數(shù)和丟棄法比率（dropout）等。城鎮(zhèn)排水管道智能檢測(cè)數(shù)據(jù)集包含管道缺陷和管周病害的所有圖像和對(duì)應(yīng)的標(biāo)注數(shù)據(jù)。3.0.1管道電視檢測(cè)（ClosedCircuitTelevisionCCTV）是指采用先進(jìn)的管道內(nèi)窺電視檢測(cè)系統(tǒng)，在管道內(nèi)自動(dòng)爬行，對(duì)管道內(nèi)的銹層、結(jié)垢腐蝕、穿孔、裂紋等狀況進(jìn)行探測(cè)和攝像，同時(shí)記錄管道內(nèi)的狀況，從而將地下隱蔽管線變?yōu)樵陔娔X上可見(jiàn)的內(nèi)部錄像，方便管理部門(mén)根據(jù)管道狀況做出最合理的管道處理方案，依據(jù)檢測(cè)技術(shù)規(guī)程再進(jìn)行評(píng)估，為制定修復(fù)方案提供重要依據(jù)。管道潛望鏡檢測(cè)（PipeQuickViewInspectionQV）是一種采用管道潛望鏡在檢查井內(nèi)對(duì)管道進(jìn)行檢測(cè)的方法，能夠解決攝像距離滿足不了管道長(zhǎng)度以及上傳速率太過(guò)緩慢不能同步的問(wèn)題，而且能夠準(zhǔn)確判斷管道材質(zhì)缺陷、腐蝕程度及具體位置，其檢測(cè)結(jié)果可以作為管道健康狀況的評(píng)估依據(jù)。雷達(dá)檢測(cè)（GroundPenetratingRadarGPR）又稱地質(zhì)雷達(dá)，透地雷達(dá)，是用無(wú)線電波來(lái)確定地下介質(zhì)分布的一種無(wú)損探測(cè)儀器，通過(guò)發(fā)射天線向地下發(fā)射高頻電磁波，通過(guò)接收天線接收反射回地面的電磁波，電磁波在地下介質(zhì)中傳播時(shí)遇到存在電性差異的分界面時(shí)發(fā)生反射，根據(jù)接收到的電磁波的波形、振幅強(qiáng)度和時(shí)間的變化等特征推斷地下介質(zhì)的空間位置、結(jié)構(gòu)、形態(tài)和埋藏深度。主流開(kāi)發(fā)框架降低了編程難度，可以通過(guò)簡(jiǎn)單的模塊搭建復(fù)雜的神經(jīng)網(wǎng)絡(luò)，也可以在已有模型的基礎(chǔ)上增加自定義子網(wǎng)絡(luò)。主要包括TensorFlow、PyTorch、PaddlePaddle、Keras、Caffe等。智能判讀利用人工智能技術(shù)對(duì)采集的管道檢測(cè)影像進(jìn)行分析，自動(dòng)判別管道缺陷信息（包括：是否存在缺陷、缺陷位置、缺陷類型、等級(jí)等）并提取缺陷圖片，包括以下步驟：到服務(wù)器端時(shí)宜采用RTSP實(shí)時(shí)傳輸協(xié)議，影像傳輸宜在檢測(cè)過(guò)程中實(shí)時(shí)傳輸，在不具該工程要求，模型缺陷判讀準(zhǔn)確率達(dá)到90%以上，則認(rèn)為可選擇該模型進(jìn)行管道缺陷智8幀/秒；模型判讀評(píng)估要求應(yīng)符合算法可靠性、CJJ18118190%。依據(jù)現(xiàn)行行業(yè)標(biāo)準(zhǔn)《城鎮(zhèn)排水管道檢測(cè)與評(píng)估技術(shù)規(guī)程》（CJJ181-2012），管道的結(jié)構(gòu)性缺陷是指管體結(jié)構(gòu)本身出現(xiàn)損傷，如破裂、變形、腐蝕、錯(cuò)口、起伏、脫節(jié)、接口材料脫落、支管暗接、異物穿入、滲漏等；管道的功能性缺陷是指影響排水管道過(guò)流能力的缺陷，如沉積、結(jié)垢、障礙物、殘墻壩根、樹(shù)根、浮渣等。管道缺陷所在環(huán)向位置用時(shí)鐘表示的方法。主流的網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過(guò)大量的實(shí)驗(yàn)和實(shí)踐驗(yàn)證，在不同的數(shù)據(jù)集和任務(wù)上都表現(xiàn)出了較好的泛化能力。這些結(jié)構(gòu)的設(shè)計(jì)和工作原理相對(duì)清晰，易于理解和掌握。由于其廣泛的應(yīng)用和研究，對(duì)于主流卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的調(diào)參和優(yōu)化方法也有很多成熟的經(jīng)驗(yàn)和技巧可供參考。因此，推薦使用主流的網(wǎng)絡(luò)結(jié)構(gòu)，如YOLO系列網(wǎng)絡(luò)、SOLO等。通過(guò)堆疊多個(gè)小卷積核層，可以逐步從低層次的邊緣、線條等簡(jiǎn)單特征，構(gòu)建到高層次的復(fù)雜語(yǔ)義特征。這種多層次的特征提取方式有助于網(wǎng)絡(luò)對(duì)數(shù)據(jù)有更深入、更全面的理解，從而提高模型的性能和泛化能力。在訓(xùn)練過(guò)程中，模型可能會(huì)過(guò)度學(xué)習(xí)訓(xùn)練數(shù)據(jù)中的噪聲和細(xì)節(jié)，導(dǎo)致在測(cè)試數(shù)據(jù)上表現(xiàn)不佳。正則化通過(guò)在損失函數(shù)中添加正則項(xiàng)，對(duì)模型的參數(shù)進(jìn)行約束，限制模型的復(fù)雜度，使其不能過(guò)于擬合訓(xùn)練數(shù)據(jù)，從而提高模型的泛化能力。激活函數(shù)是神經(jīng)網(wǎng)絡(luò)中非常關(guān)鍵的一個(gè)組成部分，負(fù)責(zé)在神經(jīng)網(wǎng)絡(luò)中引入非線性因素，使得網(wǎng)絡(luò)可以學(xué)習(xí)和模擬更加復(fù)雜的函數(shù)映射。沒(méi)有激活函數(shù)的神經(jīng)網(wǎng)絡(luò)僅能夠表達(dá)線性映射。常見(jiàn)的激活函數(shù)主要包括ReLUTanh，Sigmod等非線性函數(shù)。管道缺陷智能判讀模型的構(gòu)建和訓(xùn)練應(yīng)包括以下步驟： 設(shè)置不同超參數(shù)時(shí)，應(yīng)在驗(yàn)證集上檢測(cè)模型表現(xiàn)，即準(zhǔn)確率上升曲線的最大值和損失值下降曲線的平穩(wěn)度和收斂性。 當(dāng)一個(gè)判讀模型的精確率-召回率曲線被另一個(gè)模型的精確率-召回率曲線完全包住，則可判斷后者的性能優(yōu)于前者。 智能判讀報(bào)告包括4個(gè)主要內(nèi)容：管道概況包括檢測(cè)任務(wù)的基本情況，檢測(cè)實(shí)施的基本情況和檢測(cè)環(huán)境的基本情智能判讀輸出結(jié)果應(yīng)包括管道缺陷判讀數(shù)據(jù)表、管道缺陷圖片（pngjpg格5.2.3數(shù)據(jù)尺寸應(yīng)根據(jù)病害類型和顯存等設(shè)定，不宜小于256*256。當(dāng)病害圖像的樣