城鎮(zhèn)排水管道檢測影像數(shù)據(jù)智能判讀技術(shù)規(guī)程

缺陷影像數(shù)據(jù)庫、智能判讀依據(jù)及判讀模型構(gòu)建、管道影像智能判讀及成果輸出和檔案管理及安全本標準適用于采用現(xiàn)有城鎮(zhèn)排水管道檢測技術(shù)采集管道的影像數(shù)據(jù)的智能判讀。不適用于檢查2規(guī)范性引用文件下列文件對于本文件的應(yīng)用是必不可少的。凡是注日期的引用文件，僅注日期的版本適用于本GB/T20988信息安全技術(shù)信息系GB/T36344-2018信息技術(shù)數(shù)GB/T37973信息安全技術(shù)大數(shù)智能判讀intelligentjudgment智能判讀是指利用人工智能技術(shù)對采集的管道檢測影像進行分析，自動判別管道缺陷信息（包管道缺陷影像數(shù)據(jù)庫databasesofpipedefect2標準數(shù)據(jù)庫standarddatabas根據(jù)管道缺陷定義篩選出來符合特性要求的標準圖片資料和視頻資料，按照數(shù)據(jù)結(jié)構(gòu)來組織、存儲和管理數(shù)據(jù)的倉庫，用于為各單位智能判讀模型訓(xùn)練提供標準排水管道檢測影像數(shù)據(jù)按照分類存放、管理的數(shù)據(jù)庫，用于對各單位的智能判讀模型性能進行人工智能artificialinte的學(xué)科，主要包括計算機實現(xiàn)智能的原理、制造類似于人腦智能的計算機，使計算機能實現(xiàn)更高層計算機軟件在輸入錯誤、磁盤故障、網(wǎng)絡(luò)過載或有意攻擊情況下，能否不死機、不崩潰，就是精確率-召回率曲線precision-r精確率-召回率（PR）曲線是以精準率為縱坐標，召回率為橫坐標的3接受者操作特性曲線receiveroperatingcharacteristic接受者操作特性曲線是反映敏感性和特異性連續(xù)變量的綜合指標，用構(gòu)圖法揭示敏感性和特異安全認證機制securityauthenti為保證傳輸過程的安全進行，通常通過該機制來驗證各方的真實身份，其涉及到安全管理、加訪問控制策略accesscontr訪問控制是網(wǎng)絡(luò)安全防范和保護的主要策略，保證其資源不被非法使用和非常訪問，也是維護數(shù)據(jù)庫安全為數(shù)據(jù)庫管理系統(tǒng)所存儲、傳輸和處理的信息的保密性、完整性和排水管道檢測檔案drainagepipelineinspectionarchiv排水管道檢測檔案是指在實施城鎮(zhèn)排水管道檢測活動中直接形成的，具有保存價值的文字、圖4.1影像采集4.1.2在進行排水管道檢測前應(yīng)對被檢測管道做疏通、清洗。止管口及疑似缺陷位置做標識的功能，并可記錄鏡頭旋轉(zhuǎn)、變焦、設(shè)備停頓等動作信息，記錄文件4.1.6管道檢測缺陷位置描述方法應(yīng)按照CJJ4.1.7管道檢測影像記錄應(yīng)連續(xù)、完整，錄像畫面上方應(yīng)含有“任務(wù)名稱、起始井及終止井編號、4管徑、管道材質(zhì)、檢測時間、水流方向（順流或逆流）”等內(nèi)容，并宜采用中文顯示。除管道內(nèi)視頻要求連續(xù)外，應(yīng)對機器人進入管道前的拍攝提出要求，建議采用拍攝外景或白板等措施，保證視4.2影像判讀技術(shù)5管道影像數(shù)據(jù)采集55.1.9宜同步開展空間坐標采集工作用于缺陷信息建庫。5.1.11應(yīng)正確判斷異常數(shù)據(jù)是由結(jié)構(gòu)狀態(tài)變化引起還是監(jiān)測系統(tǒng)自身異常引起，應(yīng)剔除由檢測系5.2.4檢測設(shè)備應(yīng)結(jié)構(gòu)堅固、密封良好，能在0℃~+50℃的氣溫條件下和潮濕的環(huán)境中正常工作。6起點與管段起點位置不一致時，應(yīng)做補償設(shè)置。每一管段檢測完成后，應(yīng)根據(jù)電纜上的標記長度對5.3.6在檢測過程中發(fā)現(xiàn)缺陷時，應(yīng)將爬行器在完全能夠解析缺陷的位置至少停止5s，鏡頭進行5.4.2管道潛望鏡僅用于管道內(nèi)部狀況初步判定，單5.5影像數(shù)據(jù)存儲5.5.1數(shù)據(jù)采集后應(yīng)及時存儲，需要進行云服務(wù)器自動判讀時，應(yīng)將數(shù)據(jù)實時傳輸?shù)皆品?wù)器端。5.6影像質(zhì)量要求與分類5.6.1采集的影像數(shù)據(jù)應(yīng)能夠在計算機上進行存儲、回放和截圖等操作。6管道缺陷影像數(shù)據(jù)庫6.1.1錄入智能判讀系統(tǒng)的數(shù)據(jù)應(yīng)8a)管道缺陷樣本標注時，應(yīng)先把視頻轉(zhuǎn)換為圖片，之后再對圖像e)宜選取典型缺陷樣本進行標注，提高智能判讀模型的a)數(shù)據(jù)庫設(shè)計應(yīng)遵循可靠性、先進性、可擴展性和標準性原則，并應(yīng)考慮數(shù)據(jù)結(jié)構(gòu)的整體性、c)數(shù)據(jù)庫應(yīng)模塊化架構(gòu)，可對排水管線信a)宜采用基于多維屬性聚簇存儲模型存儲方法和基于分段融合模糊聚類的信息存儲方式提高6.4.2圖像數(shù)據(jù)中可包含該段管道的標號，直徑，管材等基本文字信息，圖像不6.5.1利用檢測數(shù)據(jù)庫對各單位使用的管道缺陷智能檢測模型6.6.2圖像質(zhì)量應(yīng)包括圖像的逼真度和圖像的可價質(zhì)量；后者依據(jù)模型計算的量化指標，模擬人類視覺系統(tǒng)感知機制衡6.6.5數(shù)據(jù)庫評價指標權(quán)重體系及排237264812339411523125146.6.6管道影像數(shù)據(jù)庫的收錄范圍b)上行網(wǎng)絡(luò)帶寬應(yīng)滿足視頻數(shù)據(jù)共享的必備條件，不宜小于50Md)為實現(xiàn)數(shù)據(jù)信息快速上傳，異地快速訪問平臺數(shù)據(jù)庫b)宜使用小卷積核來代替大卷積核；7.4.1管道缺陷智能判讀模型的構(gòu)建和訓(xùn)練7.4.2.2超參數(shù)優(yōu)化的方法可采用網(wǎng)格搜索、隨機搜索、強化學(xué)習(xí)、貝葉FN將真實正類預(yù)測為負類的數(shù)量；真陰性（TrueNegatives，TN將真實負類預(yù)測為負類的數(shù)b)準確率（accuracy）表示預(yù)測正確的樣本（真陽性和假陽性的和）與所有樣本的比率，如方accuracy=TP+TNTP+FP+FN+TNP=TP+FPNd)面對數(shù)據(jù)不平衡的多分類問題，采用平均精確率Pmacro，平均召回率Rmacro和macro-F1Rmacro==(6)F1macro==(7)Rmacro——平均召回率Pi——各類的精確率Ri——召回率10b)真陽性率(truepositiverate,TPR)，是模型所識別出程（9假正類率(falsepositiverate,FPR)，是模型錯認為正類的TPR=(9)8管道影像智能判讀及成果輸出8.2.2管道缺陷智能判讀模型選擇應(yīng)符合以下性能要b)模型魯棒性8.5.2量化分析宜采用深度學(xué)習(xí)和傳統(tǒng)圖像分析等相結(jié)合的方法完成，總體8.7.1智能判讀完成后，應(yīng)提供智能判讀報告。報告應(yīng)根據(jù)檢測資料及b)智能判讀成果匯總應(yīng)包含管段的基本信息，管道缺陷類型、位置、等級；c)智能判讀輸出結(jié)果應(yīng)包括管道缺陷判讀數(shù)據(jù)表、管9檔案管理及安全防護9.1檔案管理9.1.1歸檔要求b)檢測原始記錄9.2數(shù)據(jù)安全防護9.2.1存儲安全規(guī)定，應(yīng)防止未經(jīng)授權(quán)的檢測資料泄露、修改或破壞，并應(yīng)確保授權(quán)用戶的可用性。應(yīng)對數(shù)據(jù)敏感9.2.2傳輸安全9.2.2.1管道檢測數(shù)據(jù)采集傳輸過程中，9.2.2.2應(yīng)加強網(wǎng)絡(luò)安全管理，宜