(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210872779.0 (22)申请日 2022.07.21 (71)申请人 郑州大学 地址 450001 河南省郑州市高新 技术开发 区科学大道100号 (72)发明人 方宏远　王念念　庞高兆　梁静　 杜雪明　 (74)专利代理 机构 长沙市岳麓慧专利代理事务 所(普通合伙) 43270 专利代理师 邹剑峰 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/13(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 113/14(2020.01) (54)发明名称 一种面向混凝土管道损伤识别的数据建模 扩增方法 (57)摘要 本发明公开一种面向混凝土管道损伤识别 的数据建模扩增方法。 该方法包括： 混凝土管道 损伤模型建立、 数据处理、 ShapContextNet模型 搭建、 模型训练、 模型调参、 模型测试以及实时检 测。 本发明提出的一种面向混凝土管道损伤识别 的数据建模扩增方法， 研发适用于混凝土管道损 伤检测的ShapContextNet神经网络算 法， 在真实 混凝土管道损伤数据量稀少的情况下使用数据 建模的方法进行数据扩增， 提高方法的鲁棒性和 泛化能力， 从而实现 混凝土管道损伤自动识别。 权利要求书2页 说明书6页 附图4页 CN 115114860 A 2022.09.27 CN 115114860 A 1.一种面向混凝 土管道损伤 识别的数据建模 扩增方法， 其特 征在于， 包括： 基于分数布 朗运动理论中随机中点位移法， 建立混凝土管道损伤粗糙内表面， 将所述 混凝土管道损伤粗 糙内表面结合到混凝 土管道模型， 得到混凝 土管道损伤模型； 将使用深度相机采集到的真实混凝土管道损伤数据与 所述混凝土管道损伤模型结合， 分类标注混凝土管道损伤数据集， 将所述混凝土管道损伤数据集使用数据增强方法进 行扩 增， 并按比例分为训练集、 验证集和 测试集， 构建得到扩增后的混凝 土管道损伤数据集； 搭建ShapContextNet神经网络模型， 所述ShapContextNet神经网络模型主要包括 ShapContext层、 MLP层以及最大池化层； 采用泽维尔初始化的方法对所述ShapContextNet神经网络模型进行初始化， 设置超参 数， 将训练集 导入ShapCo ntextNet神经网络模型， 进行模型的训练； 设置不同的超参数， 引入验证集对ShapContextNet神经网络模型进行验证， 对比不同 超参数下ShapCo ntextNet神经网络模型的损失值及准确率的变化曲线， 寻找最优 超参数； 根据测试集对最优超参数下的ShapContextNet神经网络模型进行测试， 输出各项数值 评价指标， 判断是否 达到预期值； 将使用管道机器人进行混凝土管道损伤病害拍摄得到的图像输入达到预期值的 ShapContextNet神经网络模型， 判断输出的评价指标能否 达到所需要求。 2.如权利要求1所述的一种面向混凝土管道损伤识别的数据建模扩增方法， 其特征在 于， 基于分数布朗运动理论中随机中点位移法， 建立混凝土管道损伤粗糙内表 面， 将所述混 凝土管道损伤粗 糙内表面结合到混凝 土管道模型， 得到混凝 土管道损伤模型， 包括： 根据随机中点 位移法， 利用matlab建立混凝 土管道损伤粗 糙内表面； 使用comsol建立混凝 土管道模型； 将生成的混凝 土管道损伤粗 糙内表面 点云嵌入混凝 土管道模型。 3.如权利要求1所述的一种面向混凝土管道损伤识别的数据建模扩增方法， 其特征在 于， 将使用深度相 机采集到的真实混凝土管道损伤数据与所述混凝土管道损伤模型结合， 分类标注混凝土管道损伤数据集， 将所述混凝土管道损伤数据集使用数据增强方法进 行扩 增， 并按比例分为训练集、 验证集和测试集， 构建得到扩增后的混凝土管道损伤数据集， 包 括： 使用CloudCompare将混凝 土管道损伤模型均匀采样生成三维点云数据； 将混凝土管道损伤模型点云与混凝 土管道真实损伤点云以3:1的比例建立数据集； 使用CloudCompare 标注程序分类标注混凝 土管道损伤， 分为 正常和破损； 将标注后的数据集使用数据增强方法进行扩增； 使用编写pytho n分类程序将数据集按6： 3： 1的比例分为训练集， 验证集和 测试集。 4.如权利要求3所述的一种面向混凝土管道损伤识别的数据建模扩增方法， 其特征在 于， 将标注后的数据集使用数据增强方法进行扩增的步骤中， 所述数据增强方法包括平移 变换， 尺度缩放， 旋转变换， 对称变换， 拉伸变换， 抖动变换。 5.如权利要求3所述的一种面向混凝土管道损伤识别的数据建模扩增方法， 其特征在 于， 使用编写python分类程序将数据集按6： 3： 1的比例分为训练集， 验证集和测试集的步骤 中， 所述训练集， 验证集和 测试集的图像互不交叉重合。 6.如权利要求1所述的一种面向混凝土管道损伤识别的数据建模扩增方法， 其特征在权　利　要　求　书 1/2 页 2 CN 115114860 A 2于， 搭建ShapContextNet神经网络模型， 所述ShapContextNet神经网络模型主要包括 ShapContext层、 MLP层以及最大池化层的步骤中， 所述ShapNet层用于整合三维点云的局部 与整体信息， 并将特征向高维映射， MLP层用于将高维特征提取降维， 最大池化层使用对称 函数保证提取三维点云的特 征不变的基础下， 对三维点云特 征进行降维处 理。 7.如权利要求1所述的一种面向混凝土管道损伤识别的数据建模扩增方法， 其特征在 于， 采用泽维尔初始化的方法对所述ShapContextNet神经网络模型进行初始化， 设置超参 数， 将训练集导入ShapContextNet神经网络模 型， 进行模型的训练的步骤中， 泽维尔初始化 应用统计原理来 解决参数 方差减小， 梯度随层加深而消失的问题。 8.如权利要求1所述的一种面向混凝土管道损伤识别的数据建模扩增方法， 其特征在 于， 设置不同的超参数， 引入验证集对ShapContextNet神经网络模型进行验证， 对比不同超 参数下ShapContextNet神经网络模 型的损失值及准确率的变化曲线， 寻找 最优超参数的步 骤中， 所述超参数包括学习率， 总迭代次数， 三维点云数目， 衰减率。 9.如权利要求1所述的一种面向混凝土管道损伤识别的数据建模扩增方法， 其特征在 于， 根据测试集对最优超参数下的ShapContextNet神经网络模型进行测试， 输出各项数值 评价指标， 判断是否达到预期值的步骤中， 所述各项数值评价指标包括精度、 准确率、 召回 率。 10.如权利要求1所述的一种面向混凝土管道损伤识别的数据建模扩增方法， 其特征在 于， 将使用管道机器人进行混凝土管道损伤病害拍摄得到的图像输入达到预期值的 ShapContextNet神经网络模型， 判断输出的评价指标能否达到所需要求的步骤中， 所述评 价指标包括 准确率、 检测效率、 IOU值。权　利　要　求　书 2/2 页 3 CN 115114860 A 3