面向机器人 sewer 检测的可解释深度异常检测与序列假设检验
机器人学
2025-07-31 v1
摘要
Sewer 管道故障，如泄漏和堵塞，可导致严重后果，包括地下水污染、财产损失和服务中断。传统检查方法依赖人工审查机器人收集的 CCTV 录像，这种方法效率低下且易受人为错误影响。为自动化此过程，我们提出了一种新型系统，集成了可解释深度学习异常检测与序列概率比检验（SPRT）。异常检测器处理单个图像帧，提供异常的可解释空间定位，而 SPRT 引入了时间证据聚合，增强了对图像序列中噪声的鲁棒性。实验结果表明，组合时空分析系统在异常检测性能方面取得了改善，凸显了该方法在可靠且稳健的 sewer 检测中的优势。
引用
@article{arxiv.2507.22546,
title = {Explainable Deep Anomaly Detection with Sequential Hypothesis Testing for Robotic Sewer Inspection},
author = {Alex George and Will Shepherd and Simon Tait and Lyudmila Mihaylova and Sean R. Anderson},
journal= {arXiv preprint arXiv:2507.22546},
year = {2025}
}