CN111339858A

CN111339858A - 一种基于神经网络的油气管道标志物识别方法

Info

Publication number: CN111339858A
Application number: CN202010096021.3A
Authority: CN
Inventors: 于永斌; 唐倩; 彭辰辉; 陆瑞军; 买峰; 汤亦凡; 戚敏惠; 邓权芯; 毛宇涵
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2020-02-17
Filing date: 2020-02-17
Publication date: 2020-06-26
Anticipated expiration: 2040-02-17
Also published as: CN111339858B

Abstract

本发明提供了一种基于神经网络的油气管道标志物识别方法，该方法包括步骤：构建模型，获取训练集、验证集和测试集，经过训练得到最优模型，采用测试集进行测试，得到检测结果并计算检测精度。本发明使用参数少的Mobilenet作为基础网络，在多尺度特征映射上直接回归的SSD算法作为目标检测算法，实现了多尺度的目标检测，且检测模型小、检测速度快，使检测模型部署在移动端，对油气管道的标志物进行实时检测；并通过CBAM注意力机制从全局和局部范围突出标志物的显著特征，获得更好的检测效果；同时注意力机制嵌入在基础网络的每层后面，可以从第一层逐层增强特征表达能力，有效剔除干扰信息，提高检测精度。

Description

一种基于神经网络的油气管道标志物识别方法

技术领域

本发明属于油气管道安全领域，尤其涉及一种基于神经网络的油气管道标志物识别方法。

背景技术

石油、天然气等资源具有重要战略作用，其运输具有距离长、范围广的特点，由于油气管道系统自身的磨损、腐蚀以及其他因素，泄漏时有发生，油气泄漏容易引起爆炸、火灾，产生有毒有害气体，因此，加强油气管道的安全管理具有重要意义。

在油气管道安全领域，除了耗时耗力的人工巡检外，目前还有基于神经网络训练管道焊缝缺陷数据或管道泄漏时压力波信号进行管道漏检的方法，这些方法都是基于管道内部的特征判断是否泄漏，但管道周边环境的变化同样影响着管道安全，可在管道周边隔一定距离设置标志物，通过对航拍的图片进行标志物检测判断环境是否有异常，实现管道安全管理。

随着卷积神经网络在图片分类任务取得成功，由于其能够自动提取高效特征，也被应用在目标检测任务中。目前基于神经网络的目标检测算法主要有两类：一是基于region propos al的方法，主要的算法有R-CNN，SPP-Net，Fast R-CNN，Faster R-CNN；二是基于回归的方法，主要的算法有YOLO和SSD。第一类算法不断进行改进，在精度和速度上都得到较大提升，但是速度无法满足实时检测的需求，所以提出基于回归的算法，直接从图片中回归出目标物体的位置以及种类，大大提升了检测的速度，其中SSD算法不仅速度快，精度也略高于Faster R-CNN。在现代目标检测系统中，通常需要部署基础网络进行特征提取，主要有V GG、Mobilenet、Resnet等网络结构可作为基础网络，在目标检测算法相同时，使用Mobilen et部署可以在计算量更小模型参数更小的情况下，达到与其他网络结构相近的精度。

在管道安全管理中，更希望能对航拍的图片进行实时检测判断是否有异常；对于航拍的图片，标志物相对于整个背景比较小，由于场景复杂地形多变，干扰较大，并且随着航拍的高度变化标志物还存在频繁的尺度变化；所以，目前主要挑战是如何用更小更快的模型识别多尺度目标及较小目标。

发明内容

针对上述问题，为了实现更小更快的模型检测多尺度目标，尤其是提高小目标检测效果，本发明提出了一种基于神经网络的油气管道标志物识别方法。

本发明提出使用Mobilenet-SSD目标检测模型实现目标检测，利用Mobilenet参数少、S SD算法可直接在多尺度特征映射进行回归的特性，达到目标检测模型速度快、模型小、精度高的目的；在基础网络Mobilenet中嵌入CBAM(Convolutional Block AttentionModule，卷积块注意力模块)，对目标特征显著性进行增强，使得SSD算法能够在特征层上更有效更准确地进行目标检测。

一种基于神经网络的油气管道标志物识别方法，包括以下步骤：

1)基于神经网络构建目标检测网络结构模型。

2)获取油气管道周围环境的航拍图片，从中选取正样本与易干扰的负样本，对正样本与负样本进行数据增广，得到进行数据增广后的航拍图片，将进行数据增广后的航拍图片与原航拍图片混合作为数据集。

3)将上述数据集按照预设比例分为训练集、验证集和测试集，并建立数据集中的数据与对应标签之间的一一映射。

4)将步骤3)中的训练集输入到目标检测网络结构模型中进行训练，训练的同时对验证集进行评估，得到训练集与验证集表现俱优的目标检测网络结构模型，保存该训练集与验证集表现俱优的目标检测网络结构模型。

5)将测试集中的数据输入到步骤4)保存的训练集与验证集表现俱优的目标检测网络结构模型中进行检测，得到检测结果并计算检测精度。

所述步骤2)中的数据增广是深度学习中用于增加数据集的方法，它让数据集尽可能的多样化。本发明采用旋转、剪切、改变图像色差、改变图像尺寸的方式对数据集进行增广。

进一步地，基于神经网络构建的目标检测网络结构模型包含三部分：作为基础网络的Mo bilenet网络、CBAM注意力模块和SSD算法。

进一步地，Mobilenet-SSD结构的基础网络Mobilenet网络除了第1层为标准卷积层外，之后由13个连续的深度可分离卷积模块构成，然后在基础网络后添加4层标准卷积层组成M obilenet-SSD结构。

进一步地，深度可分离卷积模块由Depthwise卷积与Pointwise卷积串联组成。

进一步地，CBAM注意力模块由通道注意力模块和空间注意力模块串联组成。

具体地，CBAM注意力模块嵌入在本发明中的基础网络Mobilenet的标准卷积层和每个深度可分离卷积模块后。

具体地，SSD算法提取基础网络Mobilenet中的第11个和第13个深度可分离卷积模块的特征图，以及后面4层标准卷积层的特征图，在这6个尺度不同的特征图上提取特征回归出目标的位置与分类的置信度。

本发明的有益效果在于：

(1)使用参数少的Mobilenet作为基础网络，在多尺度特征映射上直接回归的SSD算法作为目标检测算法，能够实现多尺度的目标检测，且检测模型小、检测速度快，可以使检测模型部署在移动端，对油气管道的标志物进行实时检测。

(2)通过使用CBAM注意力机制，从全局和局部范围突出标志物的显著特征，能够获得更好的检测效果；同时注意力机制嵌入在基础网络的每层后面，可以从第一层逐层增强特征表达能力，有效剔除干扰信息，提高检测精度。

附图说明

图1为本发明基于神经网络构建目标检测网络结构模型图

图2为本发明的目标检测流程图

图3为本发明的深度可分离卷积模块图

图4为本发明的CBAM注意力模块图

图5为标准Mobilenet-SSD模型与本发明模型检测油气管道图片的结果输出图

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

如图1所示为本发明的基于神经网络构建的目标检测网络结构模型图，即嵌入CBAM的Mobilenet-SSD网络结构图。输入为大小为300×300×3的图片，第1层为标准卷积层，由Co nv表示，由32个3×3×3卷积核进行步长为2的卷积，输出为150×150×32的特征图；之后13层代表13个深度可分离卷积模块，由Depthwise表示；第2层的深度可分离卷积模块先由1个3×3×32卷积核进行步长为1的Depthwise卷积输出150×150×32的特征图，然后再由64个1×1×32的卷积核进行步长为1的Pointwise卷积得到150×150×64的特征图；第3层的深度可分离卷积模块先由1个3×3×64卷积核进行步长为2的Depthwise卷积输出75×75×64的特征图，然后再由128个1×1×64的卷积核进行步长为1的Pointwise卷积得到75×75×128的特征图；第4层的深度可分离卷积模块先由1个3×3×128卷积核进行步长为1的Dept hwise卷积输出75×75×128的特征图，然后再由128个1×1×128的卷积核进行步长为1的P ointwise卷积得到75×75×128的特征图；第5层的深度可分离卷积模块先由一个3×3×128卷积核进行步长为2的Depthwise卷积输出38×38×128的特征图，然后再由256个1×1×128的卷积核进行步长为1的Pointwise卷积得到38×38×256的特征图；第6层的深度可分离卷积模块先由一个3×3×256卷积核进行步长为1的Depthwise卷积输出38×38×256的特征图，然后再由256个1×1×256的卷积核进行步长为1的Pointwise卷积得到38×38×256的特征图；第7层的深度可分离卷积模块先由一个3×3×256卷积核进行步长为2的Depthwise卷积输出19×19×256的特征图，然后再由512个1×1×256的卷积核进行步长为1的Pointwise卷积得到19×19×512的特征图；第8～12层深度可分离卷积模块的结构相同，先由一个3×3×512卷积核进行步长为1的Depthwise卷积输出19×19×256的特征图，然后再由512个1×1×256的卷积核进行步长为1的Pointwise卷积得到19×19×512的特征图；第13层的深度可分离卷积模块先由一个3×3×512卷积核进行步长为2的Depthwise卷积输出10×10×256的特征图，然后再由1024个1×1×256的卷积核进行步长为1的Pointwise卷积得到10×10×1024的特征图；第14层的深度可分离卷积模块先由一个3×3×1024卷积核进行步长为1的Depth wise卷积输出10×10×1024的特征图，然后再由1024个1×1×1024的卷积核进行步长为1的Pointwise卷积得到10×10×1024的特征图；在上述的每层后都嵌入了CBAM模块，每层输出的特征图都将被CBAM模块处理，得到与输入CBAM的特征图同样尺寸的特征图。第15层是标准卷积层，由512个3×3×1024卷积核进行步长为2的卷积，得到5×5×512的特征图；第16层是标准卷积层，由256个3×3×512卷积核进行步长为2的卷积，得到3×3×256的特征图；第17层是标准卷积层，由256个3×3×256卷积核进行步长为2的卷积，得到2×2×256的特征图；第18层是标准卷积层，由128个3×3×256卷积核进行步长为2的卷积，得到1×1×128的特征图；然后SSD算法提取第12层和14层的特征图，以及后面4层标准卷积层的特征图，在这6个尺度不同的特征图上提取特征回归出目标的位置与分类的置信度，通过非极大抑制保留最好的检测结果。

如图2所示，为本发明实现的基于神经网络的油气管道标志物识别方法流程图：

S1：在基于Python下的Tensorflow框架构建嵌入CBAM的Mobilenet-SSD网络结构模型，即基于神经网络构建目标检测网络结构模型。

S2：获取油气管道周围环境的航拍图片，从中选取正样本与易干扰的负样本，对正样本与负样本进行数据增广，得到进行数据增广后的航拍图片，将进行数据增广后的航拍图片与原航拍图片混合作为数据集，使用LabelImage对数据集中的每一幅航拍图片分别进行图片标注，即建立数据集中的数据与对应标签之间的一一映射，并将标注好的航拍图片按照6:2:2的比例分为训练集，验证集，测试集。

S3：将训练集的数据输入所述嵌入CBAM的Mobilenet-SSD网络结构模型进行训练，并同时在验证集上进行评估，得到训练并评估后的嵌入CBAM的Mobilenet-SSD网络结构模型。

S4：保存训练并评估后的嵌入CBAM的Mobilenet-SSD网络结构模型及其相关参数。

S5：将步骤S2中测试集数据输入到步骤S4中保存的训练并评估后的嵌入CBAM的Mobilenet-SSD网络结构模型中，输出目标检测的位置信息，以及目标的分类结果，并计算目标检测结果的平均精度(Mean Average Precision，mAP)。

步骤S1所构建的嵌入CBAM的Mobilenet-SSD网络结构模型如图1所示，输入大小为300×300×3的图片，将Mobilenet网络结构作为基础网络，并在基础网络的标准卷积层和每个可分离卷积模块后面添加CBAM注意力模块增强特征表达，SSD算法提取Mobilenet中第11个和13个深度可分离卷积模块及后面4层标准卷积层作为特征图，在6个尺度不同的特征图上回归目标的位置及类别的置信度。

具体地，在嵌入CBAM注意力机制前，第1层标准卷积层后接有1层批量归一化层和Relu函数，深度可分离卷积模块的Depthwise卷积和Pointwise卷积后分别接有1层批量归一化层和Relu函数。图3所示为深度可分离卷积模块的结构图，深度可分离卷积将一个标准的卷积核分成Depthwise卷积核和1×1的Pointwise卷积核分别进行Depthwise卷积和Pointwis e卷积，假设输入是D_F×D_F×M的特征图，D_F是特征图的宽高，M是特征图的通道数，卷积核大小为D_K×D_K，输出通道为N，那么在标准卷积中需要N个D_K×D_K×M的卷积核，这N个标准卷积核可以如图3所示分解为M个D_K×D_K×1的Depthwise卷积核和N个1×1×M的Pointwise卷积核，首先进行Depthwise卷积，相当于在输入的特征图的M个通道上，分别用一个D_K×D_K×1的卷积核进行标准卷积，输出的特征图通道数为M，然后进行Pointwise卷积，相当于将Depthwise卷积输出的特征图用N个D_K×D_K×1卷积核进行标准卷积，这两步卷积构成了深度可分离卷积模块，其作用等同于标准卷积，但标准卷积的计算量为D_F×D_F×D_K×D_K×M×N，深度可分离卷积模块的计算量为D_F×D_F×D_K×D_K×M+D_F×D_F×M×N，深度可分离卷积模块的计算量比标准卷积计算量少了

倍。

具体地，如图4所示，CBAM注意力模块由通道注意力模块和空间注意力模块串联组成，给定一个特征图F∈R^C×H×W作为输入，其中R为实数域，C为特征图的通道数，H为特征图高度，W为特征图的宽度，CBAM通过通道注意力模块产生一维通道注意力映射Mc∈R^C×1×1，与原特征图F作点乘得到F₁∈R^C×H×W，然后F₁通过空间注意力模块产生二维通道注意力映射Ms∈R^1×H×W，与F₁点乘得到显著特征图F₂∈R^C×H×W。注意力模块的整个过程可以描述为：

其中，

代表点乘，即特征图对应像素相乘。在通道注意力机制和空间注意力机制后得到的映射都与最初的输入进行点乘进行了尺度变化，得到F₁∈R^C×H×W，F₂∈R^C×H×W。

具体地，通道注意力机制先对输入的特征图F同时进行全局最大池化和全局平均池化压缩图像信息，然后通过共享的多层感知机(MLP)减少参数，再使用点和操作合并两个输出的特征图，过程可以描述为：

Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))

＝σ(W1(W0(AvgPool(F))))+W1(W0(MaxPool(F))))

其中σ代表激活函数，W0∈R^C/r×C，W1∈R^C×C/r，全局最大池化和全局平均池化输出的结果输入MLP，共享MLP的权重参数W0和W1，r是减少参数的减速比，C是特征图的通道数。

空间注意力机制先对输入的特征图F₁在通道的方向进行全局最大池化和全局平均池化，并将输出的特征图拼接，然后对拼接的特征图进行卷积，卷积核大小为7×7，个数为1，得到Ms(F₁)，过程可描述为：

Ms(F₁)＝σ(f^7×7([AvgPool(F)；MaxPool(F)]))，

其中f^7×7代表作卷积核大小为7×7的卷积。

具体地，在基础网络进行特征提取并进行CBAM增强特征表达后，如图1所示，SSD算法提取基础网络的第12层和14层的特征图，以及最后4层标准卷积的特征图作为回归目标位置和分类信息的特征层，得到位置信息和分类置信度。更具体的可参考现有技术，本实例不再赘述。

步骤S2通过旋转、剪切、改变图像色差、改变图像尺寸的方式对数据集进行增广，并使用LabelImage工具以VOC格式标注图片，得到具有航拍图片名称、目标位置及目标类别信息的文件，并将标注文件转换为tensorflow可以读取的文件作为模型输入。

步骤S3训练时，batchsize设置为4，学习率设置为0.004，权重衰减率为0.0001，迭代步数不少于15000步；对提取的6个尺度特征图设置5个比例的默认框{1.0,2.0，0.5，3.0，0.3333}，以应对不同尺度的目标；训练中使用的momentum优化，损失函数是分类损失和位置损失之和，位置损失是预测框和真实框之间的Smooth L1 loss，分类损失是softmaxloss；评估指标使用目标检测最常用的Mean Average Precision，采用Interpolatedaverage precisio n方法计算mAP。训练时每隔10分钟保存模型并在验证集上评估模型，当验证集和训练集的loss都很小并趋于一致且评估的mAP高时，得到最优模型。

步骤S4，导出步骤S3中最优的模型，保存模型参数。

步骤S5，使用步骤S4保存的模型检测测试集图片，输出检测带有目标位置及目标类别信息的图片，并计算mAP结果。

基于Python的学习库Tensorflow搭建网络模型，在计算机CPU型号i5-9700f、显卡GT X-1080、内存大小16GB的实验环境下，使用上述数据集，对标准Mobilenet-SSD与上述网络模型训练和测试，得到的模型mAP如下表1所示：

表1：Mobilenet-SSD与本文提出模型的测试结果

模型	mAP
		标准Mobilenet-SSD	97.92％
本文提出的模型	99.98％

本发明识别油气管道标志物的方法与标准的Mobilenet-SSD识别标志物相比，本发明的标志物检测精度提高2.06％。图5为两种模型检测标志物输出结果对比，图5(a)是标准Mo bilenet-SSD模型检测结果，从第二行可以看出它不仅存在漏检还存在错检情况，图5(b)是本发明模型的检测结果，从图上可以看出图中既无错检也无漏检，精度高。所以本发明不仅能检测不同尺度的标志物，还能有效剔除无用信息，减少漏检错减情况，提高检测精度。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围。凡采用等同替换或等效替换，这些变化是显而易见，一切利用本发明构思的发明创造均在保护之列。

Claims

1.一种基于神经网络的油气管道标志物识别方法，其特征在于，该方法包括以下步骤：

1)基于神经网络构建目标检测网络结构模型；

2)获取油气管道周围环境的航拍图片，从中选取正样本与易干扰的负样本，对正样本与负样本进行数据增广，得到进行数据增广后的航拍图片，将进行数据增广后的航拍图片与原航拍图片混合作为数据集；

3)将上述数据集按照预设比例分为训练集、验证集和测试集，并建立数据集中的数据与对应标签之间的一一映射；

4)将步骤3)中的训练集输入到目标检测网络结构模型中进行训练，训练的同时对验证集进行评估，得到训练集与验证集表现俱优的目标检测网络结构模型；

5)保存该训练集与验证集表现俱优的目标检测网络结构模型及相关参数；

6)将测试集中的数据输入到步骤4)保存的训练集与验证集表现俱优的目标检测网络结构模型中进行检测，得到检测结果并计算检测精度。

2.根据权利要求1所述的基于神经网络的油气管道标志物识别方法，其特征在于，所述步骤1)中基于神经网络构建的目标检测网络结构模型是在基于Python下的Tensorflow框架下构建的嵌入CBAM的Mobilenet-SSD网络结构模型，其输入为大小为300×300×3的图片，第1层为标准卷积层，由Conv表示，由32个3×3×3卷积核进行步长为2的卷积，输出为150×150×32的特征图；之后13层代表13个深度可分离卷积模块，由Depthwise表示；第2层的深度可分离卷积模块先由1个3×3×32卷积核进行步长为1的Depthwise卷积输出150×150×32的特征图，然后再由64个1×1×32的卷积核进行步长为1的Pointwise卷积得到150×150×64的特征图；第3层的深度可分离卷积模块先由1个3×3×64卷积核进行步长为2的Depthwise卷积输出75×75×64的特征图，然后再由128个1×1×64的卷积核进行步长为1的Pointwise卷积得到75×75×128的特征图；第4层的深度可分离卷积模块先由1个3×3×128卷积核进行步长为1的Depthwise卷积输出75×75×128的特征图，然后再由128个1×1×128的卷积核进行步长为1的Pointwise卷积得到75×75×128的特征图；第5层的深度可分离卷积模块先由一个3×3×128卷积核进行步长为2的Depthwise卷积输出38×38×128的特征图，然后再由256个1×1×128的卷积核进行步长为1的Pointwise卷积得到38×38×256的特征图；第6层的深度可分离卷积模块先由一个3×3×256卷积核进行步长为1的Depthwise卷积输出38×38×256的特征图，然后再由256个1×1×256的卷积核进行步长为1的Pointwise卷积得到38×38×256的特征图；第7层的深度可分离卷积模块先由一个3×3×256卷积核进行步长为2的Depthwise卷积输出19×19×256的特征图，然后再由512个1×1×256的卷积核进行步长为1的Pointwise卷积得到19×19×512的特征图；第8～12层深度可分离卷积模块的结构相同，先由一个3×3×512卷积核进行步长为1的Depthwise卷积输出19×19×256的特征图，然后再由512个1×1×256的卷积核进行步长为1的Pointwise卷积得到19×19×512的特征图；第13层的深度可分离卷积模块先由一个3×3×512卷积核进行步长为2的Depth wise卷积输出10×10×256的特征图，然后再由1024个1×1×256的卷积核进行步长为1的P ointwise卷积得到10×10×1024的特征图；第14层的深度可分离卷积模块先由一个3×3×1024卷积核进行步长为1的Depthwise卷积输出10×10×1024的特征图，然后再由1024个1×1×1024的卷积核进行步长为1的Pointwise卷积得到10×10×1024的特征图；在上述的每层后都嵌入了CBAM模块，每层输出的特征图都将被CBAM模块处理，得到与输入CBAM的特征图同样尺寸的特征图；第15层是标准卷积层，由512个3×3×1024卷积核进行步长为2的卷积，得到5×5×512的特征图；第16层是标准卷积层，由256个3×3×512卷积核进行步长为2的卷积，得到3×3×256的特征图；第17层是标准卷积层，由256个3×3×256卷积核进行步长为2的卷积，得到2×2×256的特征图；第18层是标准卷积层，由128个3×3×256卷积核进行步长为2的卷积，得到1×1×128的特征图；然后SSD算法提取第12层和14层的特征图，以及后面4层标准卷积层的特征图，在这6个尺度不同的特征图上提取特征回归出目标的位置与分类的置信度，通过非极大抑制保留最好的检测结果；

具体地，在嵌入CBAM注意力机制前，第1层标准卷积层后接有1层批量归一化层和R elu函数，深度可分离卷积模块的Depthwise卷积和Pointwise卷积后分别接有1层批量归一化层和Relu函数。图3所示为深度可分离卷积模块的结构图，深度可分离卷积将一个标准的卷积核分成Depthwise卷积核和1×1的Pointwise卷积核分别进行Depthwise卷积和Pointwise卷积，假设输入是D_F×D_F×M的特征图，D_F是特征图的宽高，M是特征图的通道数，卷积核大小为D_K×D_K，输出通道为N，那么在标准卷积中需要N个D_K×D_K×M的卷积核，这N个标准卷积核分解为M个D_K×D_K×1的Depthwise卷积核和N个1×1×M的Pointwise卷积核，首先进行Depthwise卷积，相当于在输入的特征图的M个通道上，分别用一个D_K×D_K×1的卷积核进行标准卷积，输出的特征图通道数为M，然后进行Pointwise卷积，相当于将Depth wise卷积输出的特征图用N个D_K×D_K×1卷积核进行标准卷积，这两步卷积构成了深度可分离卷积模块，其作用等同于标准卷积，但标准卷积的计算量为D_F×D_F×D_K×D_K×M×N，深度可分离卷积模块的计算量为D_F×D_F×D_K×D_K×M+D_F×D_F×M×N，深度可分离卷积模块的计算量比标准卷积计算量少了

倍；

具体地，CBAM注意力模块由通道注意力模块和空间注意力模块串联组成，给定一个特征图F∈R^C×H×W作为输入，其中R为实数域，C为特征图的通道数，H为特征图高度，W为特征图的宽度，CBAM通过通道注意力模块产生一维通道注意力映射Mc∈R^C×1×1，与原特征图F作点乘得到F₁∈R^C×H×W，然后F₁通过空间注意力模块产生二维通道注意力映射Ms∈R^1×H×W，与F₁点乘得到显著特征图F₂∈R^C×H×W。注意力模块的整个过程可以描述为：

其中，

代表点乘，即特征图对应像素相乘。在通道注意力机制和空间注意力机制后得到的映射都与最初的输入进行点乘进行了尺度变化，得到

F₁∈R^C×H×W，F₂∈R^C×H×W；

Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))

＝σ(W1(W0(AvgPool(F))))+W1(W0(MaxPool(F))))

其中σ代表激活函数，W0∈R^C/r×C，W1∈R^C×C/r，全局最大池化和全局平均池化输出的结果输入MLP，共享MLP的权重参数W0和W1，r是减少参数的减速比，C是特征图的通道数；

Ms(F₁)＝σ(f^7×7([AvgPool(F)；MaxPool(F)]))，

其中f^7×7代表作卷积核大小为7×7的卷积。

3.根据权利要求2所述的基于神经网络的油气管道标志物识别方法，其特征在于，所述步骤2)中进行数据增广是通过旋转、剪切、改变图像色差、改变图像尺寸的方式对数据集进行增广，并使用LabelImage工具以VOC格式标注原航拍图片，得到具有航拍图片名称、目标位置及目标类别信息的文件，并将标注文件转换为tensorflow可读取的文件作为所述目标检测网络结构模型的输入。

4.根据权利要求3所述的基于神经网络的油气管道标志物识别方法，其特征在于，所述步骤4)中对所述目标检测网络结构模型进行训练时，batchsize设置为4，学习率设置为0.004，权重衰减率为0.0001，迭代步数不少于15000步；对提取的6个尺度特征图设置5个比例的默认框{1.0,2.0，0.5，3.0，0.3333}，以应对不同尺度的目标；训练中使用的momentum优化，损失函数是分类损失和位置损失之和，位置损失是预测框和真实框之间的Smooth L1loss，分类损失是softmax loss；评估指标使用目标检测最常用的Mean AveragePrecision，采用Interpolated average precision方法计算mAP；训练时每隔10分钟保存模型并在验证集上评估模型，当验证集和训练集的loss都很小并趋于一致且评估的mAP高时，得到最优的目标检测网络结构模型。

5.根据权利要求4所述的基于神经网络的油气管道标志物识别方法，其特征在于，所述步骤6)中得到检测结果并计算检测精度具体为输出检测带有目标位置及目标类别信息的图片，并计算mAP结果。

6.根据权利要求1-5任意一项所述的基于神经网络的油气管道标志物识别方法，其特征在于，所述步骤6)中的检测是在计算机CPU型号i5-9700f、显卡GTX-1080、内存大小16GB的实验环境下，使用所述测试集，对所述目标检测网络结构模型进行测试的。