管道修复人的圈子

排水系统是收集、输送、处理和排放城市污水和雨水的工程设施系统，是城市基础设施的重要组成部分，承担着城市污水的收集输送职能，其运行状况直接影响到城市的生产和生活环境。

随着国民经济水平提升背景下，整体污水排放量持续增长，截止2020年我国污水排放已达到571.4亿立方米，而排水管道的建立是污水排放的基本设施，随着待处理运输污水持续增长，我国排水管道整体需求将持续增长。

就我国城市排水管道长度而言，随着国家推动基建逐步完善，加之老旧小区改造等持续推进驱动，我国城市排水管道长度保持持续增长趋势。根据数据显示，我国排水管道长度从2012年的43.9万公里增长至2020年的80.3万公里。

2009-2021年全国排水管网规模及增速

CCTV检测技术已经普遍用于管道状态检测，贯穿于管道施工、验收、运营等各个阶段，可用于雨水管道、污水管道、检查井等的检测。

该技术无法检测出被水和淤泥覆盖的地方，检测开始之前，需要对排水管道进行必要的封堵，抽水和清洗工作，确保管内积水、积泥均不大于管道直径的 20%，且水位、淤泥厚度均小于200mm。CCTV收集到的影像资料的质量及评估的准确性，在很大程度上取决于摄像机的规格、拍摄方向和位置，以及下水道的光照条件和背景噪声。基于拍摄图片和视频的质量，一些微小裂缝并不能被判读人员捕捉到，且缺陷检测与判读实践的准确性很大程度上会受到工作人员的经验和技能水平的影响。

激光管道检测技术是近几年来新出现的一种管道无损检测技术，从激光检测技术延伸出了很多新的检测方法，包括激光全息、激光超声、激光散斑和激光轮廓测量技术。

激光检测技术主要用于检测管道的几何形变、表面裂纹、断裂等结构性缺陷，能够相对准确地定位管线和识别管道缺陷的基本形状。

激光传感器在完全黑暗的环境中工作效率最高，因为黑暗条件下激光束可以保持较高的对比度，但也为操作人员操纵和控制机器带来了困难。在黑暗环境中，一些微小裂缝很容易被忽略，而且激光检测不到水的流入或流出。此外，表面粗糙度会降低光信号，从而影响检测结果。

潜望镜检测技术又称QV(quickview)检测，是一种快速检测技术。QV检测是利用可调节长度的操作杆携带高清探头放入检查井中，通过变焦和俯仰调节功能，能够清晰地捕捉管道内部信息并形成录像。

QV检测的探测距离较短，且不能检测水面以下的管道状况，但可以识别排水管道水面以上的大部分缺陷。在实际应用中，QV检测多与CCTV检测技术配合使用，用于检测短距离管道或独立的检查井等管道附属构筑物。

红外热成像检测技术是利用管道内的红外线源和红外线扫描器来产生管道的温度图，因此，它主要根据管道的内表面温度来收集缺陷信息。用红外热成像技术检测管道时，红外线源会使管道内的温度升高，由于排水管道内物质较为复杂，管道温度升高容易引发管道事故。

超声波检测通过产生高频，短波长的超声波脉冲来检测管道缺陷，管道材料与缺陷之间存在声学上的差异，通过观察反射波的波形特征可以判断管道缺陷的尺寸和形状。超声波检测技术主要被用来检测压力管道的焊缝问题，但与激光检测一样，当检测物表面较粗糙时，反射波信号就会被减弱，从而影响检测结果。

探地雷达是利用电磁穿透地面，探测埋在地下的管道和周围土层。探地雷达是一种无损检测技术，主要用于浅层地下管线的普查，可以探查排水管道是否存在暗管和暗沟问题。由于制造污水管的黏土、混凝土和塑料等材料的相对介电常数接近空气，这就导致探地雷达技术在检测此类管道时有难度。

随着CCTV机器人、QV等基础设施视觉检测技术的广泛发展和应用，在检测过程中会产生大量的检测图像或视频，用人工来分类和判读这些影像资料，效率低且不准确。目前，很多研究学者基于计算机视觉和图像处理技术提出了自动化缺陷判读技术，尤其是最新提出的深度学习技术，在管道缺陷识别及分析方面具有较好的应用前景。

计算机视觉是指计算机或机器像人类一样从数字图像中获取信息。计算机视觉方法的应用一般包括图像预处理、图像分割、特征提取、目标识别和结构分析等。传统的计算机视觉技术被用于CCTV图像的自动判读，这一过程需要大量的图像预处理和复杂特征提取器的设计，如对污水管道图像进行特征提取和分类。

传统计算机视觉技术也遇到了很多问题，如低分辨率和噪声视频的处理，图像失真与结构运动及光照和拍摄距离的影响。在管道缺陷识别领域，传统的计算机视觉技术面临两个最主要的问题，其一是需要设计一个特定任务的复杂特征提取器;其二是在准备训练数据集时需要大量的图像预处理，训练过程烦琐。此外，目前的研究主要集中在识别和检索单个缺陷(如裂纹)，对其他常见的缺陷(如树根入侵和渗透)的自动识别与定位的研究很有限。

近年来，出现了一种图像分类的深度学习算法，其中卷积神经网络(convolutional neural net-works，CNNs)的应用最为广泛。

CNNs模型通常是通过输入图像的卷积、激活和极化等网络层进行特征提取，然后通过完全连接层进行分类，之后输出每个类的预测分数。每个网络层有不同的功能，并使用前一层的结果作为输入端。

CNNs的运行程序一般包括:①从原始图像中提取特征;②使用初始随机权重和偏差分配的过滤器来预测类别，将特征向前传递;③计算预测分数与真实值之间的误差;④通过反向传播不断调整滤波器的权值和偏置，最终得到最优类别。

与传统的计算机视觉和图像处理技术相比，CNNs是通过训练学习提取图像的特征，因此需要较少的图像预处理，不需要用专业人员设计复杂的特征提取器。近年来，CNNs在图像分类、目标识别和定位等方面具有良好的应用前景。然而，CNNs在管道检测方面的应用还处于初始阶段，使用CNNs进行排水管道缺陷检测的研究也很有限。

“十四五”时期，我国已进入“后黑臭河道时代”，管网问题亦成为“十四五”污水治理的重点，可以预见，此后我国排水管网检测诊断工作项目数量与投入金额将会出现持续增长的现象。随着与海绵城市建设、黑臭水体治理、污水处理提质增效、内涝治理等相关政策的陆续发布，排水管网评估、检测、诊断工作拥有广阔的发展前景。

CCTV管道机器人检测方法已经相对成熟，其后期图像资料的判读可以借助于计算机视觉和深度学习等图像处理技术。结合CCTV与自动化缺陷识别技术，将可能实现排水管道检测领域的全自动化，为排水管网资产管理与状态评估奠定坚实的基础，这也将成为排水管道检测领域的主要发展方向。

但目前管道缺陷的自动化缺陷识别仍处于发展阶段，技术还不是十分成熟。利用计算机视觉和深度学习等图像处理技术检测管道缺陷的准确性与前期训练模型的数据类型和参数息息相关，虽然已有一些建立好的数据库用于模型训练，但由于排水管道缺陷类型的相似性和复杂性，数据库仍然要不断扩大和优化，建立全面的用于模型训练的数据库将是实现排水管网缺陷自动化检测的主要难点。

此外，目前提出的自动化缺陷检测方法仅适用于静态图像的处理，考虑到大量检测视频的积累，在未来的研究中，对视频资料的转化和处理也将成为实现管道缺陷自动化检测的另一个重点和难点。