(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 202210598987.6 (22)申请日 2022.05.30 (71)申请人 常州工学院 地址 213031 江苏省常州市新北区辽河路 666号 (72)发明人 王晨　左繁宇　孙余杰　陆佳鹏　 华国栋　吴峰　吴泉英　孙文卿　 (51)Int.Cl. G01N 21/88(2006.01) G01N 21/01(2006.01) G06T 7/00(2017.01) (54)发明名称 一种基于深度学习的地下管道裂缝检测装 置及识别方法 (57)摘要 本发明涉及地下管道施工行业中的检测领 域， 特别涉及一种基于深度学习的地下管道裂缝 检测装置及识别方法； 包括主轴( 1)、 步进电机 (2)、 滚珠丝杠(3)、 弹簧支撑曲柄(4)和履带轮 (5)， 所述步进电机(2)安装在主轴(1)的一端， 步 进电机(2)的输出端通过滚珠丝杠(3)与弹簧支 撑曲柄(4)连接， 所述弹簧支 撑曲柄(4)上安装有 履带轮(5)， 所述主轴(1)上还安装有传感器模组 (6)， 履带轮(5)内内置有电池组； 可有效降低了 对管道检测的人工成本， 为电力和通信提供安全 的传输环 境； 通过深度学习算法对 管道裂缝进行 识别， 作为判断管道裂缝的手段， 有效降低了人 工误判、 漏判的概 率， 大大提高了 检测效率。 权利要求书2页 说明书6页 附图11页 CN 115096892 A 2022.09.23 CN 115096892 A 1.一种基于深度学习的地下管道裂缝检测装置， 其特征在于， 包括主轴(1)、 步进电机 (2)、 滚珠丝杠(3)、 弹簧支撑曲柄(4)和履带轮(5)， 所述步进电机(2)安装在主轴(1)的一 端， 步进电机(2)的输出端通过滚珠丝杠(3)与弹簧支撑曲柄(4)连接， 所述弹簧支撑曲柄 (4)上安装有履带轮(5)， 所述主轴(1)上还安装有传感器模组(6)， 履带轮(5)内内置有电池 组。 2.根据权利要求1所述的基于深度学习的地下管道裂缝检测装置， 其特征在于， 履带轮 (5)为三个， 每个履带轮(5)分别由独立电机驱动， 履带采用双面齿履带， 履带轮(5)围绕主 轴(1)呈径向均匀分布。 3.根据权利要求1所述的基于深度学习的地下管道裂缝检测装置， 其特征在于， 所述传 感器模组(6)还包括IMU模组、 摄像头模组(7)， AI摄像头(8)、 双目摄像头和MCU核心控制板， AI摄像头用于视觉AI 感知， 双目摄像头用于3D成像和深度信息采集， IMU模组用于运动角度 及加速度的检测， M CU核心板用于 视频算法及逻辑处 理。 4.根据权利要求3所述的基于深度学习的地下管道裂缝检测装置， 其特征在于， 所述主 轴(1)内安装有6轴IMU， 具体包括1个3轴加速度计和1个3轴陀螺 仪。 5.一种基于深度学习的地下管道裂缝检测装置的识别方法， 其特征在于， 包括如下步 骤： 步骤1， 创建视频流输入， 通过Opencv提供的VideoCapture()函数从AI摄像头读 取视频 流； 步骤2， 加载检测模型， 将已经训练好的裂缝关键点标记模型加载进MCU， 检测模型搭建 的具体步骤如下： (1)将输入的图片转换成Tensor格式， 以HyperNet作为backbo ne， 获取特征图； (2)轻量化网络实现候选区域生成， 定义损失函数， 计算分类损失和边界框回归损失并 保存， 损失函数如下： pi表示第i个anc hor预测为真实标签的概 率。 当为正样本时为1， 当为负 样本时为0 。 ti表示预测第i个anc hor的边界框回归参数。 表示第i个anc hor对应的GTBox。 Ncls表示一个mini‑batch中的所有样本数量。 Nreg表示anchor位置的个数。 (3)接入全连接层完成最后的分类与回归； 步骤3， 对每一帧进行评分预测以获取 标签和坐标； 步骤4， 在检测到的对象上绘制预测框； 步骤5， 将处 理后的帧写入输出视频流； 步骤6， 当检测到存在预测框时， 小车停止前行， 并将数据传输到人机交互PAD， 由人工 进行二次确认。 6.根据权利要求5所述的基于深度学习的地下管道裂缝检测装置的识别方法， 其特征权　利　要　求　书 1/2 页 2 CN 115096892 A 2在于， 包括如下步骤： 其中 为分类损失， 使用二值交叉熵损失计算， 公式如 下： 其中 为边界框回归损失， 损失函数 具体参数如下： tx＝(x‑xa)/wa， ty＝(y‑ya)/ha tw＝log(w/wa)， th＝log(h/ha)(7) 权　利　要　求　书 2/2 页 3 CN 115096892 A 3