Page 30 - 202005期

专论综述

识别领域具有重要应用价值。将深度学习技 管网检测数据需要大量的专业人员进行数据
术应用于管网检测数据（视频/图像）的分析 分析，存在分析效率低、容易出现误检以及分

处理，对于提升内业人员数据分析效率具有 析成本高等情况。通过基于深度学习的图像

重要意义。 智能分析技术，能够解决目前管网检测数据
将人工智能技术应用于城镇排水管网系 分析存在的难点，通过双任务+双输入流的模

统研究中，能够进一步提升系统的智能化、信 型（two-task+two-stream）训练方式实现了
息化水平，逐步提升水生态环境综合指标，为 更加准确的数据分析判读，具体算法实现过

我国水生态环境建设以及海绵城市建设提供 程分为以下几个步骤：

强有力的技术支撑。 （1）视频分割：通过将采集的管网检测
视频，根据视频的长度大小，将视频按照预
2 人工智能排水管网系统
先设置的长度阈值T进行等间距分割成N个片
2.1 基于深度学习的管网检测数据分析 段V ii=［1，2…N］ ，这样可以对视频进行并行多任

[4]
传统的机器学习 技术往往使用原始形 务处理，提升处理速度；
式来处理自然数据，模型的学习能力受到很 特征提出：对分割完后的每个视频片
大的局限，构成一个模式识别或机器学习系 段，按照固定采样间隔进行图像采样，获得采

统往往需要相当的专业知识来从原始数据中 样后K帧图像序列F ii=［1，2…k］ ，同时对这K帧
（如图像的像素值）提取特征，并转换成一个 图像序列与其下一帧的图像进行差分，得到

适当的内部表示。而深度学习则具有自动提 K帧的差分图像序列F jj=［1，2…k］ ，并通过归一

取特征的能力，它是一种针对表示的学习。深 化的方式将等到的差分图像序列F jj=［1，2…k］
度学习允许多个处理层组成复杂计算模型， 进行归一化，将这两组图像序列作为特征输

从而自动获取数据的表示与多
个抽象级别。这些方法大大推

动了语音识别、视觉识别物体、

物体检测、药物发现和基因组
学等领域的发展。通过使用深

度学习算法，有能力发现在大

的数据集的隐含的复杂结构。
由于管网检测数据存在数

据量大、需要分类种类多以及
对数据分析人员专业水平要求

较高等特点，目前对于海量的 图1 视频分割

20 地下管线管理