给水排水 一文读懂YOLO v5在排水管道健康状况评估中的应用

1.1 健康影响因素分析

图1汇总了近15年国内外污水管道评估模型相关研究中关于管道系统的影响因素，建立基于环境因素U1/排水能力U2/适应及修复能力U3 三个层面，包括29个影响因子的排水管道系统健康状况评估体系。

图1 排水管道健康状况评估指标体系

1.2 健康度影响分析及赋分标准

对于可量化性指标，以研究区域内CCTV检测报告为数据基础进行统计分析，根据指标因子与管道缺陷相关性规律，判定健康状况最优条件，从而进行指标量化与健康度赋分。对于其他不可量化指标，结合现有排水管道相关的技术规程、国家标准及行业规范中对排水管道安全与风险的评判标准进行合理赋分，排水管道系统各指标健康度标准见图2。

图2 排水管道健康评估指标体系

本文采用北京城市排水集团2012年5月发布的《排水管道功能等级评定标准》（Q/BDG JS002-GW05-2012）作为管道病害功能评级的依据，以下对该标准涉及的指标予以简单介绍。

2.1 功能病害评级指标

排水管道的建设或使用过程中，进入或残留在管道内的杂物以及水中泥沙沉淀、油脂附着等，使过水断面减小，影响其正常排水能力的缺陷状态。包括积泥、洼水、结垢、树根、杂物、封堵等。

2.2 管道功能评级

根据排水管道功能病害的类型、程度和数量，结合排水管道的社会和功能属性，按一定公式计算得到的数值。其区间为 0～100，数值越大表明养护紧迫性越大。排水管道的功能等级根据式(1)计算的养护指数MI按表1进行评定。

式中 G——评定段的功能性缺陷参数；

E——评定段的管道重要性参数；

K——评定段的地区重要性参数。

从式（1）可以看到管道功能健康状况由G、E、K决定，E由管径、材质、土层等参数决定，可查阅北京排水集团企业标准（后面统称企标）；地区重要性参数K由区域重要性决定，可查阅企标；管道负荷状况系数G计算过程，首先功能病害类型的识别，接着病害程度的判定，然后根据病害轻中重的个数或面积来计算G，管道功能健康状况评估流程如图3所示。

表1 功能病害程度分级

图3 管道功能健康状况评估流程

2.3 管道养护等级及评价

管道养护等级及评价见表2。

表2 管道养护等级及评价

2.4 技术路线

对管段的功能评级，本文采取的研究路线如图4所示。管段的功能评级大体分为三个部分：①病害的智能识别。采用人工智能识别技术，首先对样本进行清洗，然后将用于训练的数据集进行人工标注，接着进行训练模型，然后进行验证和测试。测试时判断它属于六类病害中的哪一类，无六类病害特征的归到其他。②对病害进行程度判别。识别类型后，根据评级标准的病害面积占过水面积以及病害直径占管道直径的之比来判断病害的轻中重。③对管段进行定级.根据评级标准的管段的病害情况以及管段的年限、土层、重要程度等信息对管段进行评定。

图4 本文研究路线

3.1 采集设备

目前的采集设备主要分为两种：爬行机器人和手持管道检测设备。爬行机器人可深入管道内部，对局部感兴趣区域进行详细采集，管道内壁图像基本全覆盖，极大地降低了病害信息遗漏的情况。缺点是辅助设备较多，增加了采集作业的后勤保障难度。手持设备轻便快速，降低了采集的后勤保障，提高了采集作业效率。在本研究中，我们采用手持CCTV采集的数据。

3.2 管道图像数据

本文的研究对象为北京地下管段数据，主要来源于我集团采集的本市的排水管道CCTV检测数据。通过计算图像质量参数进行评估，评估参考值为：图像尺寸（1 280×720），平均灰度（≥120），标准差（≥39.5），平均梯度（≥8.25），评估结果如表3所示。

表3 样本的图像质量评价

3.3 检测模型

在管道病害检测工程应用中，检测范围广，工程量大，因此在满足检测精度的同时也要注重检测速度，进而网络结构需要轻量化。YOLO网络不同基于区域的深度学习方法，如Faster R-CNN虽检测精度高，但检测速度慢。YOLO网络将分类回归问题直接转换为一个回归问题，而不需要预先检测感兴趣的区域，从而提高了检测速度。YOLO v5作为当前最先进的版本，是目标检测系列中深度和特征图宽度最小的网络，准确度与YOLO v4 相当，但是模型比YOLO v4小近 90%，可以以较高的精度和速度检测目标，由于卷积神经网络可以更好地保留小目标的信息,在检测杂物树根等小目标有不错表现。故采用一种最新的用于目标检测的深度学习网络YOLO v5对完成标注的训练集影像进行检测,YOLO v5总体架构如图5所示。YOLO v5在多个数据集上快速收敛，模型可定制性强，是一种非常优秀的轻量级网络。相关源代码可在https://github.com/ultralytics/YOLO v5上找到。我们实现了基于Pytorch框架的YOLO v5，新增Focus操作是YOLO v5是将图像切片后变成特征图，主干提取网络中使用了两种CSP结构。以YOLO v5s网络为例，CSP1_X结构应用于Backbone主干网络，另一种CSP2_X结构则应用于Neck中。对于neck部分，选择了采用FPN+PAN的结构。采用借鉴CSPnet设计的CSP2结构，加强网络特征融合的能力。

图5 YOLO v5的架构图

使用300组样本进行模型训练，其中210组用于训练样本，45组用于验证，45组用于测试，即总数据的70%用于训练，30%用于验证和测试。以典型病害封堵为例，说明具体识别流程。首先根据封堵的特征，识别管道内径圆，然后根据封堵的面积来判断其属于轻度、中度、重度封堵。具体步骤如下：

步骤1：筛选符合要求的图片，软件筛选。

步骤2：将选出的图片分组，将选出的图片分为训练组和测试组。

步骤3：训练组中图片用于提取正、负样本。

步骤4：正负样本用于提取特征，特征用于训练模型。

（1）分割：一张输入图像首先被分成了S×S个均等大小的栅格，每一个格子都称作一个grid cell。

（2）预测：分割后的图像分成两路来处理，最后用NMS(非极大抑制)选出合适的预选框：

首先bounding boxes+confidence。在这一步中，YOLO为每一个栅格给出了两个预测框，这里有点像faster rcnn(快速卷积神经网络)的anchor，但不完全相同。YOLO给出的预测框，是基于栅格中心点的，大小自定义。每一个栅格预测 B个bounding boxes，每个bounding boxes有四个坐标和一个置信度，所以最终的预测结果是 S×S×(B*5+C)个向量。

其次第二个class probablity map，这一路的工作其实是和上一部一同进行的，负责的是栅格的类别，预测的结果一样是放在 最后的7×7×30的结果中。

步骤5：利用模型对测试组进行识别。

训练好模型后，对测试组进行识别，然后对识别效果进行评判，根据评判结果调整样本数量以及正负样本提取。对积泥、洼水、结垢、树根、杂物、封堵等6种典型病害进行了检测，检测结果如图6所示。

图6 识别结果

4.1 精度评价结果

为了评估YOLO v5检测病害的性能，本文所有的实验结果采用召回率（R）、精度（P）及综合两者的平均精度（AP）用来评估单一病害检测性能，采用平均精度均值（mAP）进行评估多种病害检测整体性能。召回率，管道病害目标总体中被预测准确的概率。精度，预测的结果中准确预测管道病害目标的概率。平均精度，即对不同召回率点上的精度进?平均。平均精度均值，多个管道病害类别的AP的平均，用来衡量不同网络模型模型在所有病害类别上的好坏。

在本文中，Everingham等报道的Pascal VOC矩阵被用作评估方案来验证假阳性（FP），真阳性（TP）和假阴性（FN）。当预测边界框对应于唯一实边界框时，当它具有最大IOU和特定实边界框并达到IOU阈值（0.8）时，该边界框将计为TP。否则，预测的边界框将被视为FP。当IOU达到IOU阈值（0.8）时，如果实际边界框无法与预测边界框组合，则将其视为FN。研究中对各类病害的预测基于召回率（R）和精度（P）进行评估，定义见式（2）和式（3）：

召回率提供了对各类病害的预测覆盖范围的见解，而准确性则评估了预测总量的准确性。由于召回率和精度仅反映模型性能的一个方面，因此使用平均精度（AP）和F1分数来全面评估结果。AP可以简单地视为精确召回曲线下的面积，也可以在数学上表示为式（4）：

全类的平均精度代表了全类mAP的平均值，它显示了目标检测模型区分不同病害的能力，见式（5）。

该算法的分数阈值设置为0.8以抑制低分预测。将高分预测与表面事实进行比较，以产生一组TP，FP，FN，精度，召回率和AP，mAP。

本文运用准确率（P）、召回率(R)、平均精度（AP）及平均精度均值（mAP）五项指标分别对Faster-RCNN、SSD、YOLO v3以及YOLO v5模型生成的检测结果进行精度比较，如表4所示。结果显示YOLO v5模型的mAP达到了79%，整体表现最优。

表4 精度评价结果

其中，APFD、APJG、APWS、APZW、APSG和APJN分别表示封堵、结垢、洼水、积泥、树根以及杂物六种病害的平均精度。

4.2 功能评级结果

为了同人工识别病害结果评级效果进行比较，本文采用上一节200个管道的病害自动识别结果，依据第2节给出的评级标准进行人工评级和功能评级，系统测评记录部分结果如图7所示。

图7 人工与算法比对散点图

通过散点图可以看出，人工评级与算法评级的散点基本重合，其中200个管段评级的算法评级与人工评级一致率为96.5%，因此可以认为利用算法识别管段功能病害并对其评级能够起到较好作用。

未来的工作重点在对6类基础病害自动识别的基础上，通过深度挖掘不同级别同类别病害的语义特征，进一步优化现有识别算法，提高病害识别分级的自动化水平。

（1）本文结合国内外管道缺陷评价方法和评级体系介绍了本文管道病害评级和功能评级所采用的标准，建立了管道功能健康评估方法。

（2）通过构建GA优化的YOLO神经网络模型，对评估指标与管道缺陷参数进行非线性函数拟合，得出最优权重组合。经过不断迭代训练，YOLO v5网络模型精度达到89%。

（3）利用深度学习视觉模型YOLO v5对北京某区地下管段数据进行自动病害识别及程度判别并进行管段自动评级。与其他深度学习识别模型比较，YOLO v5能够获得更好的准确率和精度。与人工进行比较，算法评级与人工评定基本一致，一致率达到96.5%。

（4）本研究提出的YOLO v5模型可用于管道评估，并对其人工审核结果，可为内业检评提供针对性的指导，算法在效率上远高于人工检评，可节省大量人力及时间成本。