目前，管道缺陷检测中最常用的方法就是CCTV（Closed Circuit Television）视频探损法，该方法在过去 20多年中一直是管道缺陷检测的主要手段。通过搭载摄像头的爬行器在管线中行走拍摄管壁四周的视频图像，作为后续缺陷检测与定期维护的依据。然而这种方法的缺陷在于人工依赖程度过高，即依靠经验丰富的检测员用肉眼排查视频图像，实现定损。一方面，上述的检测手段的主观性较强；另一方面，管道密闭狭长，检测员容易产生视觉疲劳从而出现误检、漏检等情况。 项目创新性地提出以人工智能算法为核心，海量管道缺陷数据为基础的“人工智能 大数据”的方式来解决上述问题。目前，在视觉领域，人工智能算法中的卷积神经网络以其强大的特征表征能力已成为当前图像识别领域最重要的手段，例如，在人脸识别领域，卷积神经网络方法已取得了超越人类识别能力的效果。另外，海量的管道缺陷数据也有助于构建识别能力较强的视觉模型。因此，本项目的目的在于依靠人工智能算法和管道缺陷大数据构建一款自动化和智能化程度较高的缺陷检测视觉模型。构建后的视觉模型不但可以高效精准的完成多类缺陷的识别与检测，而且该模型还可以通过新的数据完成“自我学习”并实现自动更新迭代。,目前，管道缺陷检测中最常用的方法就是CCTV（Closed Circuit Television）视频探损法，该方法在过去 20多年中一直是管道缺陷检测的主要手段。通过搭载摄像头的爬行器在管线中行走拍摄管壁四周的视频图像，作为后续缺陷检测与定期维护的依据。然而这种方法的缺陷在于人工依赖程度过高，即依靠经验丰富的检测员用肉眼排查视频图像，实现定损。一方面，上述的检测手段的主观性较强；另一方面，管道密闭狭长，检测员容易产生视觉疲劳从而出现误检、漏检等情况。 项目创新性地提出以人工智能算法为核心，海量管道缺陷数据为基础的“人工智能 大数据”的方式来解决上述问题。目前，在视觉领域，人工智能算法中的卷积神经网络以其强大的特征表征能力已成为当前图像识别领域最重要的手段，例如，在人脸识别领域，卷积神经网络方法已取得了超越人类识别能力的效果。另外，海量的管道缺陷数据也有助于构建识别能力较强的视觉模型。因此，本项目的目的在于依靠人工智能算法和管道缺陷大数据构建一款自动化和智能化程度较高的缺陷检测视觉模型。构建后的视觉模型不但可以高效精准的完成多类缺陷的识别与检测，而且该模型还可以通过新的数据完成“自我学习”并实现自动更新迭代。 2100433B