Page 31 - 202005期

The Management of underground pipeline

图2 基于深度学习的管网数据分析判读

入进入深度学习网络进行参数训练。

（3）特征融合：融合分为两个步骤，第
一步：融合采样得到图像序列F ii=［1，2…k］ 和经
过差分得到的图像序列F jj=［1，2…k］ 得到一个

特征矩阵；第二步：在时间维度上通过最大

池化的方式融合K帧采样图像F ii=［1，2…k］ 和K
帧差分图像序列F jj=［1，2…k］ 的特征得到这个视

频片段的特征F video 。 图3 三种模型的PR曲线图

（4）分类器分类：分为两个步骤，第一 型缺陷的单任务模型（one-task）以及只通过
步：通过对视频片段的特征判断，经过激活 采样图像序列作为单一输入数据的双任务模

函数，输出维度为2的分类结果，判断该视频 型（two-task）进行比较，得出PR（Precision-

片段是正常/异常的概率；第二步：通过激活 Recall）曲线如图3所示。
函数，输出维度为17（按照《城镇排水管道检 从PR曲线可以清晰看出，采用双任务双
[5]
测与评估技术规程》（CJJ_181-2012） 中规 流模型的识别准确率更高，三种模型的识别
定的16中管道缺陷类型加上正常类型）的分 准确率统计表格如表1所示。

类结果，判断出该类型是否异常，以及异常情 2.2 基于人工智能的管网管理系统

况下是属于何种管道缺陷。 2.2.1 管网云平台管理系统功能概述
通 过 将 采 用 的 双 任务 双 流（t wo - 通过将基于深度学习的管网缺陷识别技

[6]
task+two-stream）模型与只分类正常/异常类 术、云计算技术 、GIS技术与管网管理系统

2020年第5期 21