一种长输管道暴露检测方法与流程-尊龙凯时官方app下载

文档序号:36405614发布日期:2023-12-16 11:55阅读:17来源:国知局
一种长输管道暴露检测方法与流程
一种长输管道暴露检测方法、装置、存储介质及电子设备
技术领域
1.本公开属于长输管道检测领域,具体涉及一种长输管道暴露检测方法

装置

存储介质及电子设备



背景技术:

2.随着长输管道的普及,长输管道的安全问题越来越引人注目

其中,管道暴露是长输管道常见的安全隐患之一,一旦管道暴露,容易被外界物体和环境所损坏,从而严重危及管道的安全运行

在长输管道的安装和使用环节,都可能会产生管道表面缺陷,如果不能及时排查这些表面缺陷,尤其是裂纹类

高温腐蚀凹坑

变形等危险缺陷,将会带来极大安全隐患,严重影响长输管道的使用安全性

目前,拍摄管道表面缺陷的检测方法多为单一视角,只能进行局部拍摄

现有的通过人工巡查的方式对长输管道内壁表面缺陷进行检测存在操作不方便

效率低

精准度较差等不足,因此,改进现有检测方法是非常必要的



技术实现要素:

3.针对现有技术中的不足,本公开的目的在于提供一种长输管道暴露检测方法,该方法能够快速准确地识别出长输管道在其所在区域中是否暴露,提高了管道的安全性和可靠性

4.为实现上述目的,本公开提供以下技术方案:一种长输管道暴露检测方法,包括如下步骤:
s100
:采集待测长输管道所在区域图像;
s200
:构建长输管道暴露检测模型并对模型进行训练;其中,所述长输管道暴露检测模型采用改进后的
yolox-s
网络,改进后的
yolox-s
网络包括主干网络

改进后的特征提取融合模块和改进后的预测输出模块;改进后的特征提取融合模块额外引入了
ghost
模块和注意力机制模块,改进后的预测输出模块额外引入了
auxhead
模块;
s300
:将所采集的待测长输管道所在区域图像输入训练好的长输管道暴露检测模型,以检测图像中的待测长输管道是否暴露

5.优选的,步骤
s200
中,所述长输管道暴露检测模型通过以下步骤进行训练:
s201
:构建含有暴露的长输管道图像数据集;
s202
:对图像数据集进行筛选和标注;
s203
:将标注后的图像数据集划分为训练集和测试集;
s204
:设置训练参数,利用训练集对模型进行训练,当达到最大训练轮数后,模型训练完成;
s205
:利用测试集对训练后的模型进行测试,在测试过程中,当平均查准率达到
0.95
及以上,测试通过,获得训练好的模型;否则调整训练参数重新对模型进行训练

6.本公开还提供一种长输管道暴露检测装置,所述装置包括:
采集模块,用于采集待测长输管道所在区域图像;模型构建及训练模块,用于构建长输管道暴露检测模型并对模型进行训练;其中,所述长输管道暴露检测模型采用改进后的
yolox-s
网络,改进后的
yolox-s
网络包括主干网络

改进后的特征提取融合模块和改进后的预测输出模块;改进后的特征提取融合模块额外引入了
ghost
模块和注意力机制模块,改进后的预测输出模块额外引入了
auxhead
模块;检测模块,用于将所采集的待测长输管道所在区域图像输入训练好的长输管道暴露检测模型,以检测图像中的待测长输管道是否暴露

7.优选的,所述模型构建及训练模块包括:数据集构建子模块,用于构建含有暴露的长输管道图像数据集;筛选和标注子模块,用于对图像数据集进行筛选和标注;划分子模块,用于将标注后的图像数据集划分为训练集和测试集;训练子模块,用于利用训练集对模型进行训练,当达到最大训练轮数后,模型训练完成;测试子模块,用于利用测试集对训练后的模型进行测试

8.本公开还提供一种电子设备,包括:存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现如前任一所述的方法

9.本公开还提供一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,所述计算机可执行指令用于执行如前任一所述的方法

10.与现有技术相比,本公开带来的有益效果为:本公开能够快速准确地识别出长输管道在其所在区域中是否暴露,提高了管道的安全性和可靠性,适用于各种长输管道的检测和维护工作

附图说明
11.图1是本公开一个实施例提供的一种基于无人机的长输管道暴露检测方法流程图;图2是本公开另一个实施例提供的长输管道暴露检测模型的网络结构示意图;图3是本公开另一个实施例提供的图2所示模型中
ghost
模块的结构示意图;图4是本公开另一个实施例提供的图2所示模型中注意力模块的结构示意图;图5是本公开另一个实施例提供的
auxhead
模块的结构示意图

具体实施方式
12.下面将参照附图1至图5详细地描述本公开的具体实施例

虽然附图中显示了本公开的具体实施例,然而应当理解,可以通过各种形式实现本公开而不应被这里阐述的实施例所限制

相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员

13.需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件

本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件

本说明书及权利要求并不以名词的差异作为区分组件的方式,而是以组件在功能上的差异作为区分的准


如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。
说明书后续描述为实施本公开的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本公开的范围

本公开的保护范围当视所附权利要求所界定者为准

14.为便于对本公开实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本公开实施例的限定

15.一个实施例中,如图1所示,本公开提供一种长输管道暴露检测方法,包括如下步骤:
s100
:采集待测长输管道所在区域图像;
s200
:构建长输管道暴露检测模型;
s300
:对所述长输管道暴露检测模型进行训练;
s400
:将所采集的待测长输管道所在区域图像输入训练好的长输管道暴露检测模型,对图像进行特征提取,以检测图像中的待测长输管道是否暴露

16.上述实施例构成了本公开的完整技术方案

本实施例通过构建长输管道暴露检测模型,能够快速准确地识别出长输管道在其所在区域中是否暴露,从而能够提高长输管道的安全性和可靠性

17.另一个实施例中,所述长输管道暴露检测模型采用改进后的
yolox-s
网络

18.本实施例中,改进后的
yolox-s
网络包括主干网络(
backbone


改进后的特征提取融合模块(
neck
)和改进后的预测输出模块(
prediction


19.其中,主干网络由上到下依次包括以下各层:
inputs

640
×
640
×3)(宽度
×
高度
×
通道数);
focus

320
×
320
×
12
);
conv2d_bn_silu

160
×
160
×
128
);
csplayer

160
×
160
×
128
);
conv2d_bn_silu

80
×
80
×
256
);
csplayer

80
×
80
×
256
);
conv2d_bn_silu

40
×
40
×
512
);
csplayer

40
×
40
×
512
);
conv2d_bn_silu

20
×
20
×
1024
);
sppbottleneck

20
×
20
×
1024
);
csplayer

20
×
20
×
1024


20.现有的特征提取融合模块包括两个分支,其中,第一个分支包括以下由下向上依次连接的各层:
conv2d_bn_silu
层;
upsampling2d
层;
concat csplayer
层;
conv2d_bn_silu
层;
upsampling2d
层;
concat csplayer


21.第二分支包括由上向下连接的:
cbs_2
层;
concat csplayer
层;
cbs_2
层;
concat csplayer


22.作为对现有
yolox-s
网络的改进,本公开在特征提取融合模块中引入
ghost
模块以对如前所示的现有
yolox-s
网络的特征提取融合模块中的
cbs_2
模块(由普通卷积
(conv2d)、
批量归一化
(batchnorm)

silu
激活函数组成
)
进行替换,即如图2所示,改进后的特征提取融合模块将现有特征提取融合模块的第二个分支的第一个
concat csplayer
层前面的以及第二个
concat csplayer
层前面的
cbs_2
层替换为了
ghost
模块

相比
cbs_2
层,
ghost
模块可通过利用线性运算扩充图像特征,以及增加通道数,不仅能够通过使用更少的参数生成更多的特征图,而且在不改变特征图大小的条件下,所需的参数总量和浮点数均低于普通卷积

另外,相比
cbs_2
层,
ghost
模块在维持相似识别性能的同时能够降低卷积层的计算成本,进而提升模型的算力

23.图3为
ghost
模块的结构示意图,图3中,输入特征先通过一个由1×1卷积

批量归一化层
bn

relu
激活函数组成的1×1卷积模块(即图3中第一个向下的箭头)进行卷积操作,以将输入特征的通道数减少,再通过廉价操作(图中的即为廉价操作,使用的是深度可分离卷积
(deep-width convolution, dw conv)
)生成相似特征图,其目的在于用成本更低的方式保留有效信息

最后,将1×1卷积模块卷积操作输出的特征图经恒等变换
(identity)
得到的特征图(
intrinsic
)与经廉价操作生成的特征图(
ghost
)拼接生成最终特征图

24.在实际操作中,设输入特征图的尺寸是,输出特征图的尺寸是,普通卷积核大小为,深度卷积核大小为,则普通卷积的参数量和计算量分别为:
[0025][0026]
而在
ghost
模块中,将输入特征图分为s份,则参数量和计算量分别为:
[0027][0028]
ghost
模块与普通卷积操作的参数量rp
和计算量
rf的比值分别为:
[0029][0030]
从上述公式可见,采用
ghost
模块相较于普通卷积可以减少s倍的计算量和缩减s倍的参数量

[0031]
此外,由于采用
ghost
模块替换特征提取融合模块中的
cbs_2
模块仍然会在一定程度上影响网络对关键特征的提取能力,为了降低其带来的负面影响,作为对现有
yolox-s
网络的进一步改进,本公开还在前述改进后的特征提取融合模块中又引入了注意力机制模块
ca
(如图2所示,在特征提取融合模块中共插入3个注意力机制模块
ca
,其中,第一个
ca
位于第一个分支中由下往上数第一个
concat csplayer
层与第二个
conv2d_bn_silu
层之间;第二个
ca
位于第一个分支中最后一个
concat csplayer
层的后面,且与第一个
ghost
模块相连;第三个
ca
位于第二个分支中由上往下数第一个
concat csplayer
层与第二个
ghost
模块之间;第四个
ca
位于第二个分支中第二个
concat csplayer
层的后面)

由于在各级特征融合的过程中容易造成特征混合,因此,将注意力机制模块
ca
嵌入到以上所述的相应位置中,会带来以下优势:在以上所述各位置处通过添加注意力机制模块
ca
,能够更有效地增强对各级特征的关注度,筛选出融合特征的关键区域,并去除其中的背景噪音

[0032]
目前,较主流的通道注意力机制
(squeeze and excite, se)
只考虑了内部通道信息而忽略了位置信息的重要性,仅能够小幅度提升网络的性能

而本实施例所引入的注意力机制模块
ca
不仅能够跨通道捕获信息,还能捕获方向感知和位置感知的信息,这使得本公开所述模型能够更准确地定位并识别到长输管道目标区域

注意力机制模块
ca
的主要思想在于通过精确的位置信息对通道关系和长期依赖进行编码,具体分为坐标信息嵌入和坐标注意力生成两个步骤:首先,在坐标信息嵌入步骤中,设输入特征图的尺寸为,其中,c表示通道数;h表示高度;w表示宽度

输入特征图经残差连接(
residual
)后再利用尺寸分别为和的池化核沿水平坐标方向和竖直坐标方向分别做平均池化
x avg pool

y avg pool
来对每个通道进行编码,然后将这两个变换沿着两个空间方向进行特征聚合,得到一对尺寸分别为和的感知注意力特征图和

[0033]
其次,在坐标注意力生成步骤中,先利用
concat
函数拼接坐标信息嵌入模块生成的两个特征图和,接着使用1×1卷积
(conv2d)
对两个特征图分别进行通道变换,表示如下:
[0034]
其中,表示1×1卷积,
bn
表示批归一化(
batchnorm
),
δ
表示非线性激活函数(
non-linear
),z表示输入的特征图,最后得到的为中间特征图,h表示中间特征图的高,w表示中间特征图的宽,c表示中间特征图的通道数,其含有水平方向和竖直方向的空间信息,r表示下采样比例

将得到的中间特征图f经归一化(
bn
)和非线性(
non-linear
)处理后沿空间维度进行拆分生成张量和,再使用1×1卷积将特征图和分别变换到和输入特征图相同的通道数,再利用
sigmoid
函数进行激活,得到分别利用于输入特征图的水平和竖直方向的和两个注意力权重,最后将和和经残差连接的输入特征图相乘后输出,以获得最终的输出特征图(
re-weight
),表示为:
[0043]
表1中,
ghost
表示用
ghost
模块替换
neck

prediction
模块中的
cbs_2
模块,
ca
表示在
neck
模块中添加
ca
注意力机制,
auxhead
表示在
prediction
模块引用
auxhead
模块

根据表1中所示,相比于原始的
yolox-s
网络,改进后的
yolox-s
网络的
map@0.5

map@0.5:0.95
分别提高了
4.6%

2.2%
,而参数量和模型大小都分别减少了
2.3m

8.7mb。
此外,对于
yolox-s ghost
模型而言,只添加
ca
注意力机制,
map@0.5

map@0.5:0.95
会分别增加
0.9%

1.8%
;只引用
auxhead
模块也会分别增加
3.1%

4.3%
;同时使用
ca
注意力机制和
auxhead
模块则会分别增加
5.9%

4.6%
,且这两处改进对模型的参数量和模型大小没有较大影响,综上结果,表明最后一种改进方案最有效

[0044]
进一步的,本公开对改进后的
yolox-s
网络和其它主流算法的检测结果进行了比对,具体如表2所示:表2[0045]
由表2可知,相较于主流轻量算法,改进后的
yolox-s
网络更加轻量,精度表现更好


yolov5-s
相比,改进后的 yolox-s
网络的
map@0.5
提高了
1.5%
,且参数量和模型大小分别减少
7.8%

7.6%。
另外,对比
yolov4-tiny

yolox-tiny
,改进后的
yolox-tiny

map@0.5
分别比它们高
9.7%

2.5%
,同时参数量

计算量和模型大小分别只有
3.75m、
4.01gflops、14.5mb
,其远低于
yolov4-tiny

yolox-tiny。
因此综合各项指标,改进后
yolox
确实拥有较好性能,占用更少存储资源和计算资源,优于当前主流轻量算法

[0046]
另一个实施例中,所述长输管道暴露检测模型的训练过程包括以下步骤:
s201
:构建含有暴露的长输管道图像数据集;
s202
:对图像数据集进行筛选,即将管道没有暴露在外的图像剔除,只保留管道暴露在外的图像,并且对管道暴露的部分进行标注,具体是对暴露部分上的包括划痕

凹陷

腐蚀和裂纹等特征进行人工手动标注,标注后的图像形成新的图像数据集;
s203
:将标注后的图像数据集划分为训练集和测试集;
s204
:训练轮次设置为
300
,批处理大小设置为8,动量设置为
0.9
,初始学习率为
1.5e-4
,并利用训练集对模型进行训练,当达到最大训练轮数(例如,将最大训练轮数设置为
500
次)后,模型训练完成;
s205
:利用测试集对训练后的模型进行测试,在测试过程中,当平均查准率达到
0.95
及以上(平均查准率
map
是评估目标检测算法性能的重要指标,越高的
map
代表检测效果越好),测试通过,则获得训练好的模型;否则调整训练参数重新训练(例如增加数据集样本或增加训练轮数或修改学利率)

[0047]
本实施例中,正常情况下,管道一般埋于地下或水中,如果管道暴露在空气中,管道表面可能就会因外部因素收到损坏,例如会出现划痕

凹陷

腐蚀和裂纹等缺陷,将包括这些缺陷在内的管道图像作为输入对模型进行训练,使得模型能够学习到一旦从含有管道的待测图像中检测到这些缺陷,即可判定出管道已经暴露了,从而实现对管道是否暴露的检测

[0048]
另一个实施例中,本公开还提供一种长输管道暴露检测装置,所述装置包括:采集模块,用于采集待测长输管道所在区域图像;模型构建及训练模块,用于构建长输管道暴露检测模型并对模型进行训练;其中,所述长输管道暴露检测模型采用改进后的
yolox-s
网络,改进后的
yolox-s
网络包括主干网络

改进后的特征提取融合模块和改进后的预测输出模块;改进后的特征提取融合模块额外引入了
ghost
模块和注意力机制模块,改进后的预测输出模块额外引入了
auxhead
模块;检测模块,用于将所采集的待测长输管道所在区域图像输入训练好的长输管道暴露检测模型,以检测图像中的待测长输管道是否暴露

[0049]
另一个实施例中,所述模型构建及训练模块包括:数据集构建子模块,用于构建含有暴露的长输管道图像数据集;筛选和标注子模块,用于对图像数据集进行筛选和标注;划分子模块,用于将标注后的图像数据集划分为训练集和测试集;训练子模块,用于利用训练集对模型进行训练,当达到最大训练轮数后,模型训练完成;测试子模块,用于利用测试集对训练后的模型进行测试

[0050]
另一个实施例中,本公开还提供一种电子设备,包括:存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现如前任一所述的方法

[0051]
另一个实施例中,本公开还提供一种计算机存储介质,所述计算机存储介质存储
有计算机可执行指令,所述计算机可执行指令用于执行如前任一所述的方法

[0052]
尽管以上结合附图对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,其中验证对象不局限于特定传感器布置角度或分体式叶盘结构,上述的具体实施方案仅仅是示意性的

指导性的,而不是限制性的

本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列

当前第1页1  
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
网站地图