CN112686882A - 用于已架设在管道支撑架上的管道的稳定情况的检测方法 - Google Patents

Abstract

本申请公开了一种用于已架设在管道支撑架上的管道的稳定情况的检测方法，其包括：获取已架设在支撑架上的管道的图像和所述管道在所述支撑架的支撑面上的形状因素数据；将所述管道图像通过深度卷积神经网络，以获得检测特征图；对所述形状因素数据进行矢量化处理，以获得形状因素向量；将所述检测特征图与所述形状因素向量进行矩阵相乘，以获得形状特征向量；将所述检测特征图通过空间注意力机制模块，以获得注意力特征图；将所述注意力特征图通过一个或多个全连接层，以获得注意力特征向量；将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果。

Description

用于已架设在管道支撑架上的管道的稳定情况的检测方法

技术领域

本发明涉及深度学习和神经网络技术领域，且更为具体地，涉及一种用于已架设在管道支撑架上的管道的稳定情况的检测方法、用于已架设在管道支撑架上的管道的稳定情况的检测系统和电子设备。

背景技术

为消除水害和开发利用水资源而修建的工程被称为水利工程，管道是水利工程中必不可少的设备之一。在现有的水利工程施工作业中，管道的架设需要用到管道支撑架。在对管道进行架设的时候，由于管道较重，在放置在支架上之后进行施工时，管道容易产生震动，且由于管道呈圆柱结构，容易滑动，这可能导致管道架设不稳，甚至可能从支撑架掉落，导致工作者受到伤害，并使得管道破损，给施工方增加成本。

因此，期待一种用于已架设在管道支撑架上的管道的稳定情况检测的技术方案。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为已架设在管道支撑架上的管道的稳定情况检测提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于已架设在管道支撑架上的管道的稳定情况的检测方法、用于已架设在管道支撑架上的管道的稳定情况的检测系统和电子设备，其基于深度神经网络对管道的图像进行特征提取，结合空间注意力机制来提取反映源图像的局部特征的注意力特征图，并且，进一步考虑管道在支撑架上的支撑面的形状因素的特征，以充分利用源图像空间和特征空间中的支撑面的形状因素特征，再进行分类，通过这样的方式，提高分类结果的准确性。

根据本申请的一个方面，提供了一种用于已架设在管道支撑架上的管道的稳定情况的检测方法，其包括：

获取已架设在支撑架上的管道的图像和所述管道在所述支撑架的支撑面上的形状因素数据，其中，所述形状因素数据，包括：支撑面的曲率半径、弧度、扇面角度和关键点的坐标；

将所述管道图像通过深度卷积神经网络，以获得检测特征图；

对所述形状因素数据进行矢量化处理，以获得形状因素向量；

将所述检测特征图与所述形状因素向量进行矩阵相乘，以将所述形状因素向量中的特征映射到所述检测特征图所在的高维特征空间中，以获得形状特征向量；

将所述检测特征图通过空间注意力机制模块，以获得注意力特征图；

将所述注意力特征图通过一个或多个全连接层，以获得注意力特征向量；

将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果，所述分类结果用于表示所述已架设在管道支撑架上的管道的稳定情况是否满足预设要求。

在上述用于已架设在管道支撑架上的管道的稳定情况的检测方法中，对所述形状因素数据进行矢量化处理，以获得形状因素向量，包括：将所述扇面角度转化为扇面弧度值；以及，对所述扇面弧度值、弧度、曲率半径和关键点的坐标进行归一化处理，以获得所述形状因素向量。

在上述用于已架设在管道支撑架上的管道的稳定情况的检测方法中，将所述检测特征图通过空间注意力机制模块，以获得注意力特征图，包括：将所述检测特征图通过多个卷积层，以获得卷积特征图；以及，将所述卷积特征图与所述检测特征图进行按像素位置点乘，以获得所述注意力特征图。

在上述用于已架设在管道支撑架上的管道的稳定情况的检测方法中，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果，包括：将所述注意力特征向量与所述形状特征向量按向量长度方向进行拼接，以获得拼接特征向量；以及，将所述拼接特征向量通过Softmax分类函数，以获得所述分类结果。

在上述用于已架设在管道支撑架上的管道的稳定情况的检测方法中，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果，包括：将所述注意力特征向量与所述形状特征向量调整为统一维度；将调整为统一维度后的所述注意力特征向量与所述形状特征向量进行按元素计算加权和，以获得拼接特征向量；以及，将所述拼接特征向量通过Softmax分类函数，以获得所述分类结果。

在上述用于已架设在管道支撑架上的管道的稳定情况的检测方法中，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果，所述分类结果用于表示所述已架设在管道支撑架上的管道的稳定情况是否满足预设要求，包括：将所述分类特征图通过一个或多个全连接层，以获得分类特征向量；以及，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。

在上述用于已架设在管道支撑架上的管道的稳定情况的检测方法中，所述深度卷积神经网络为深度残差网络。

根据本申请的另一方面，一种用于已架设在管道支撑架上的管道的稳定情况的检测系统，其包括：

信息获取单元，用于获取已架设在支撑架上的管道的图像和所述管道在所述支撑架的支撑面上的形状因素数据，其中，所述形状因素数据，包括：支撑面的曲率半径、弧度、扇面角度和关键点的坐标；

检测特征图生成单元，用于将所述信息获取单元获得的所述管道图像通过深度卷积神经网络，以获得检测特征图；

形状因素向量生成单元，用于对所述信息获取单元获得的所述形状因素数据进行矢量化处理，以获得形状因素向量；

形状特征向量生成单元，用于将所述检测特征图生成单元获得的所述检测特征图与所述形状因素向量生成单元获得的所述形状因素向量进行矩阵相乘，以将所述形状因素向量中的特征映射到所述检测特征图所在的高维特征空间中，以获得形状特征向量；

注意力特征图生成单元，用于将所述检测特征图生成单元获得的所述检测特征图通过空间注意力机制模块，以获得注意力特征图；

注意力特征向量生成单元，用于将所述注意力特征图生成单元获得的所述注意力特征图通过一个或多个全连接层，以获得注意力特征向量；以及

分类结果生成单元，将所述注意力特征向量生成单元获得的所述注意力特征向量与所述形状特征向量生成单元获得的所述形状特征向量进行拼接并通过分类函数，以获得分类结果，所述分类结果用于表示所述已架设在管道支撑架上的管道的稳定情况是否满足预设要求。

在上述用于已架设在管道支撑架上的管道的稳定情况的检测系统中，所述形状因素向量生成单元，包括：扇面弧度值转化子单元，用于将所述扇面角度转化为扇面弧度值；以及，归一化处理子单元，用于对所述扇面弧度值转化子单元获得的所述扇面弧度值、弧度、曲率半径和关键点的坐标进行归一化处理，以获得所述形状因素向量。

在上述用于已架设在管道支撑架上的管道的稳定情况的检测系统中，所述注意力特征图生成单元，包括：卷积特征图生成子单元，用于将所述检测特征图通过多个卷积层，以获得卷积特征图；以及，点乘子单元，用于将所述卷积特征图生成子单元获得的所述卷积特征图与所述检测特征图进行按像素位置点乘，以获得所述注意力特征图。

在上述用于已架设在管道支撑架上的管道的稳定情况的检测系统中，所述分类结果生成单元，包括：第一拼接特征向量生成子单元，用于将所述注意力特征向量与所述形状特征向量按向量长度方向进行拼接，以获得拼接特征向量；以及，第一分类子单元，用于将所述第一拼接特征向量生成子单元获得的所述拼接特征向量通过Softmax分类函数，以获得所述分类结果。

在上述用于已架设在管道支撑架上的管道的稳定情况的检测系统中，所述分类结果生成单元，包括：维度调整子单元，用于将所述注意力特征向量与所述形状特征向量调整为统一维度；第二拼接特征向量生成子单元，用于将调整为统一维度后的所述注意力特征向量与所述形状特征向量进行按元素计算加权和，以获得拼接特征向量；以及，第二分类子单元，用于将所述第二拼接特征向量生成子单元获得的所述拼接特征向量通过Softmax分类函数，以获得所述分类结果。

在上述用于已架设在管道支撑架上的管道的稳定情况的检测系统中，所述深度卷积神经网络为深度残差网络。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于已架设在管道支撑架上的管道的稳定情况的检测方法。

根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于已架设在管道支撑架上的管道的稳定情况的检测方法。

与现有技术相比，本申请提供的用于已架设在管道支撑架上的管道的稳定情况的检测方法、用于已架设在管道支撑架上的管道的稳定情况的检测系统和电子设备，其基于深度神经网络对管道的图像进行特征提取，结合空间注意力机制来提取反映源图像的局部特征的注意力特征图，并且，进一步考虑管道在支撑架上的支撑面的形状因素的特征，以充分利用源图像空间和特征空间中的支撑面的形状因素特征，再进行分类，通过这样的方式，提高分类结果的准确性。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法的应用场景图；

图2图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法的流程图；

图3图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法的系统架构示意图；

图4图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法中，对所述形状因素数据进行矢量化处理以获得形状因素向量的流程图；

图5图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法中，将所述检测特征图通过空间注意力机制模块以获得注意力特征图的流程图；

图6图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法中，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数以获得分类结果的流程图；

图7图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法中，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数以获得分类结果的另一流程图；

图8图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测系统的框图。

图9图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测系统中形状因素向量生成单元的框图。

图10图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测系统中注意力特征图生成单元的框图。

图11图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测系统中分类结果生成单元的框图。

图12图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测系统中分类结果生成单元的另一框图。

图13图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如前所述，在现有的水利工程施工作业中，管道的架设需要用到管道支撑架。在对管道进行架设的时候，由于管道较重，在放置在支架上之后进行施工时，管道容易产生震动，且由于管道呈圆柱结构，容易滑动，这可能导致管道架设不稳，甚至可能从支撑架掉落，导致工作者受到伤害，并使得管道破损，给施工方增加成本。

针对上述问题，本申请的发明人期望能够对已经架设在管道支撑架上的管道的稳定情况进行预测，从而避免在不稳定架设的情况下进行施工而导致如上所述的问题。并且，本申请的发明人发现这在技术上可以通过对已经架设在管道支撑架上的管道的图像进行特征提取且然后进行分类的方式实现。

但是，在实践过程中，如果仅是使用卷积神经网络对已经架设在管道支撑架上的管道的图像进行特征提取并然后进行分类，由于约束条件过少，使得训练过程困难，且分类精度不高。因此，本申请的发明人进一步考虑到稳定情况很大程度上由管道在支撑架上的支撑面的形状因素决定，期望从源图像空间和特征空间两方面加强对于图像信息的利用。

具体地，在本申请的方案中，在获取已经架设在管道支撑架上的管道图像之后，同时获取管道在支撑架上的支撑面的形状因素数据，比如支撑面的曲率半径、弧度、扇面角度，包括关键点的坐标等，并将其转换为形状因素向量。然后，将管道图像通过卷积神经网络提取到特征图，并通过将该形状因素向量与特征图相乘的方式使得该形状因素向量中的特征映射到卷积神经网络提取出的高维特征空间中，以获得形状特征向量。

同时，对于所述特征图通过空间注意力机制，尽可能提取到反映源图像的局部特征的注意力特征图，并将所述注意力特征图通过多个全连接层获得注意力特征向量。然后，将所述注意力特征向量与所述形状特征向量拼接，以充分利用源图像空间和特征空间中的支撑面的形状因素特征，再进行分类，以便提高分类结果的准确性。这里，分类结果用于表示已经架设在管道支撑架上的管道的稳定情况是否符合后续施工作业所需的稳定性标准。

基于此，本申请提出了一种用于已架设在管道支撑架上的管道的稳定情况的检测方法，其包括：获取已架设在支撑架上的管道的图像和所述管道在所述支撑架的支撑面上的形状因素数据，其中，所述形状因素数据，包括：支撑面的曲率半径、弧度、扇面角度和关键点的坐标；将所述管道图像通过深度卷积神经网络，以获得检测特征图；对所述形状因素数据进行矢量化处理，以获得形状因素向量；将所述检测特征图与所述形状因素向量进行矩阵相乘，以将所述形状因素向量中的特征映射到所述检测特征图所在的高维特征空间中，以获得形状特征向量；将所述检测特征图通过空间注意力机制模块，以获得注意力特征图；将所述注意力特征图通过一个或多个全连接层，以获得注意力特征向量；以及，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果，所述分类结果用于表示所述已架设在管道支撑架上的管道的稳定情况是否满足预设要求。

图1图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法的应用场景图。

如图1所示，在该应用场景中，通过摄像头(例如，如图1中所示意的C)获取已架设在支撑架上的管道的图像和所述管道在所述支撑架的支撑面上的形状因素数据；然后，将所述图像和形状因素数据输入至部署有用于已架设在管道支撑架上的管道的稳定情况的检测算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够用于已架设在管道支撑架上的管道的稳定情况的检测算法对所述图像和形状因素数据进行处理，以生成所述已架设在管道支撑架上的管道的稳定情况是否满足预设要求的检测结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图2图示了用于已架设在管道支撑架上的管道的稳定情况的检测方法的流程图。如图2所示，根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法，包括：S110，获取已架设在支撑架上的管道的图像和所述管道在所述支撑架的支撑面上的形状因素数据，其中，所述形状因素数据，包括：支撑面的曲率半径、弧度、扇面角度和关键点的坐标；S120，将所述管道图像通过深度卷积神经网络，以获得检测特征图；S130，对所述形状因素数据进行矢量化处理，以获得形状因素向量；S140，将所述检测特征图与所述形状因素向量进行矩阵相乘，以将所述形状因素向量中的特征映射到所述检测特征图所在的高维特征空间中，以获得形状特征向量；S150，将所述检测特征图通过空间注意力机制模块，以获得注意力特征图；S160，将所述注意力特征图通过一个或多个全连接层，以获得注意力特征向量；以及，S170，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果，所述分类结果用于表示所述已架设在管道支撑架上的管道的稳定情况是否满足预设要求。

图3图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法的架构示意图。如图3所示，在所述用于已架设在管道支撑架上的管道的稳定情况的检测方法的网络架构中，首先，将获取的已架设在支撑架上的管道的图像(例如，如图3中所示意的IN1)输入深度卷积神经网络(例如，如图3中所示意的CNN)以获得检测特征图(例如，如图3中所示意的F1)，接着，对获取的所述管道在所述支撑架的支撑面上的形状因素数据进行矢量化处理，以获得形状因素向量(例如，如图3中所示意的V1)；接着，将所述检测特征图与所述形状因素向量进行矩阵相乘(例如，如图3中所示意的

)，以获得形状特征向量(例如，如图3中所示意的V2)；接着，将所述检测特征图通过空间注意力机制模块(例如，如图3中所示意的ATN)，以获得注意力特征图(例如，如图3中所示意的Fa)；接着，将所述注意力特征图通过一个或多个全连接层(例如，如图3中所示意的Fcl)，以获得注意力特征向量(例如，如图3中所示意的Va)；接着，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数(例如，如图3中所示意的圈S)，以获得分类结果。

在步骤S110中，获取已架设在支撑架上的管道的图像和所述管道在所述支撑架的支撑面上的形状因素数据，其中，所述形状因素数据，包括：支撑面的曲率半径、弧度、扇面角度和关键点的坐标。如前所述，对已经架设在管道支撑架上的管道的稳定情况进行预测的问题，在技术上可以通过对已经架设在管道支撑架上的管道的图像进行特征提取然后进行分类的方式实现。但是如果仅是使用卷积神经网络对已经架设在管道支撑架上的管道的图像进行特征提取并然后进行分类，由于约束条件过少，使得训练过程困难，且分类精度不高。

因此，本申请的发明人进一步考虑到稳定情况很大程度上由管道在支撑架上的支撑面的形状因素决定，也就是，在本申请的方案中，获取已架设在支撑架上的管道的图像和所述管道在所述支撑架的支撑面上的形状因素数据，以从源图像空间和特征空间两方面加强对于图像信息的利用。具体地，在本申请的方案中，在获取已经架设在管道支撑架上的管道图像之后，同时获取管道在支撑架上的支撑面的形状因素数据，比如支撑面的曲率半径、弧度、扇面角度和关键点的坐标等。在具体实施中，可通过测绘工具来测量所述支撑面的曲率半径、弧度、扇面角度和关键点的坐标等。

在步骤S120中，将所述管道图像通过深度卷积神经网络，以获得检测特征图。也就是，以深度卷积神经网络提取出管道图像中的各高维特征。

具体地，在本申请实施例中，所述深度卷积神经网络为深度残差神经网络，例如，ResNet 50。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。

在步骤S130中，对所述形状因素数据进行矢量化处理，以获得形状因素向量。也就是，通过将所述形状因素数据进行矢量化处理以将所述形状因素数据转化为形状因素向量，使得形状因素数据转化为计算机可以便于计算的数据格式，即，形状因素向量。

具体地，在本申请实施例中，对所述形状因素数据进行矢量化处理，以获得形状因素向量的过程，包括：首先，将所述扇面角度转化为扇面弧度值，应可以理解，将角度值转化为弧度值是为了同一量纲，以让相关联的量纲以同一量纲表示，在数据域实现统一，提高数据的表征能力。然后，对所述扇面弧度值、弧度、曲率半径和关键点的坐标进行归一化处理，以获得所述形状因素向量。应可以理解，通过归一化处理，可消除不同参数之间的量纲影响，使得不同参数之间具有可比性。并且，通过归一化处理可避免在梯度反向传播中的梯度消失问题。

图4图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法中，对所述形状因素数据进行矢量化处理，以获得形状因素向量的流程图。如图4所示，对所述形状因素数据进行矢量化处理，以获得形状因素向量，包括：S210，将所述扇面角度转化为扇面弧度值；以及，S220，对所述扇面弧度值、弧度、曲率半径和关键点的坐标进行归一化处理，以获得所述形状因素向量。

在步骤S140中，将所述检测特征图与所述形状因素向量进行矩阵相乘，以将所述形状因素向量中的特征映射到所述检测特征图所在的高维特征空间中，以获得形状特征向量。应可以理解，通过将该形状因素向量与特征图相乘的方式使得该形状因素向量中的特征映射到卷积神经网络提取出的高维特征空间中，以获得形状特征向量。

应可以理解，所述形状因素向量由所述管道在所述支撑架的支撑面上的形状因素数据转化而言，也就是，所述形状因素向量为所述支撑面在源图像域级别的特征表示。因此，将所述检测特征图与所述形状因素向量进行矩阵相乘，可将所述支撑面在源图像域级别的特征映射到高维特征空间中，以获得所述形状特征向量。也就是，所述形状特征向量能够表示所述支撑面的形状因素在图像源域级别的形状因素特征。

在步骤S150中，将所述检测特征图通过空间注意力机制模块，以获得注意力特征图。应可以理解，通过空间注意力机制对所述检测特征图进行处理，以更为聚焦所述检测特征图中的局部特征。这里，受关注的局部特征为表示所述支撑面的形状因素特征。

具体地，在本申请实施例中，将所述检测特征图通过空间注意力机制模块，以获得注意力特征图的过程，包括：首先，将所述检测特征图通过多个卷积层，以获得卷积特征图，也就是，空间注意力机制模块包括多个卷积层，通过卷积层提取出图像的高维特征以获得卷积特征图。所述卷积特征图相当于掩码其表征所述检测特征图中不同区域应该被注意的权重。然后，将所述卷积特征图与所述检测特征图进行按像素位置点乘，以获得所述注意力特征图。

图5图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法中，将所述检测特征图通过空间注意力机制模块，以获得注意力特征图的流程图。如图5所示，在本申请实施例中，将所述检测特征图通过空间注意力机制模块，以获得注意力特征图，包括：S310，将所述检测特征图通过多个卷积层，以获得卷积特征图；以及，S320，将所述卷积特征图与所述检测特征图进行按像素位置点乘，以获得所述注意力特征图。

在步骤S160中，将所述注意力特征图通过一个或多个全连接层，以获得注意力特征向量。应可以理解，通过全连接层将学到的“分布式特征表示”映射到样本标记空间，也就是，将该注意力特征图编码为预定长度的注意力特征向量。这里，所述注意力特征向量为所述支撑面的形状因素特征在特征空间中的表示。

在步骤S170中，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果，所述分类结果用于表示所述已架设在管道支撑架上的管道的稳定情况是否满足预设要求。应可以理解，将所述注意力特征向量与所述形状特征向量拼接，以充分利用源图像空间和特征空间中的支撑面的形状因素特征，再进行分类，以便提高分类结果的准确性。这里，分类结果用于表示已经架设在管道支撑架上的管道的稳定情况是否符合后续施工作业所需的稳定性标准。

具体地，在本申请实施例中，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果的过程，包括：首先，将所述注意力特征向量与所述形状特征向量按向量长度方向进行拼接，以获得拼接特征向量，也就是，在拼接过程中，不对源图像空间和特征空间中的支撑面的形状因素特征做进一步地处理，直接以向量的长度方向进行拼接。然后，将所述拼接特征向量通过Softmax分类函数，以获得所述分类结果。应可以理解，将所述注意力特征向量与所述形状特征向量进行拼接后通过分类函数，能充分保留源图像空间中支撑面的形状因素特征，以及，特征空间中的支撑面的形状因素特征。当然，在本申请的其他示例中，也可以通过将两个向量进行级联，再通过分类函数，也能够充分保留两个向量的特征。

图6图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法中，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果的流程图。如图6所示，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果，包括：S410，将所述注意力特征向量与所述形状特征向量按向量长度方向进行拼接，以获得拼接特征向量；以及，S420，将所述拼接特征向量通过Softmax分类函数，以获得所述分类结果。

值得一提的是，在本申请的其他示例中，还可以通过其他方式将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果。例如，在该方案中，将源图像空间和特征空间中的支撑面的形状因素特征进行融合。具体融合方式为：先调整维度；接着，将两个向量对齐；然后，计算两者的加权和。其中，加权权重可作为超参数参与到训练过程中。

具体地，在该另一示例中，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果的过程，包括：首先，将所述注意力特征向量与所述形状特征向量调整为统一维度；接着，将调整为统一维度后的所述注意力特征向量与所述形状特征向量进行按元素计算加权和，以获得拼接特征向量，也就是，将调整为统一维度后的所述注意力特征向量与所述形状特征向量进行融合，融合后的所述拼接特征向量具有跨域特征。然后，将所述拼接特征向量通过Softmax分类函数，以获得所述分类结果。应可以理解，融合源图像空间和特征空间中的支撑面的形状因素特征，可使得所述拼接特征向量具有跨域特征，以提高分类效果。同时，还有利于降低计算量。

图7图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法中，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果的另一流程图。如图7所示，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果，包括：S510，将所述注意力特征向量与所述形状特征向量调整为统一维度；S520，将调整为统一维度后的所述注意力特征向量与所述形状特征向量进行按元素计算加权和，以获得拼接特征向量；以及，S530，将所述拼接特征向量通过Softmax分类函数，以获得所述分类结果。

综上，本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法被阐明，其基于深度神经网络对管道的图像进行特征提取，结合空间注意力机制来提取反映源图像的局部特征的注意力特征图，并且，进一步考虑管道在支撑架上的支撑面的形状因素的特征，以充分利用源图像空间和特征空间中的支撑面的形状因素特征，再进行分类，通过这样的方式，提高分类结果的准确性。

示例性系统

图8图示了根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测系统的框图。

如图8所示，根据本申请实施例的用于已架设在管道支撑架上的管道的稳定情况的检测系统800，包括：信息获取单元810，用于获取已架设在支撑架上的管道的图像和所述管道在所述支撑架的支撑面上的形状因素数据，其中，所述形状因素数据，包括：支撑面的曲率半径、弧度、扇面角度和关键点的坐标；检测特征图生成单元820，用于将所述信息获取单元810获得的所述管道图像通过深度卷积神经网络，以获得检测特征图；形状因素向量生成单元830，用于对所述信息获取单元810获得的所述形状因素数据进行矢量化处理，以获得形状因素向量；形状特征向量生成单元840，用于将所述检测特征图生成单元820获得的所述检测特征图与所述形状因素向量生成单元830获得的所述形状因素向量进行矩阵相乘，以将所述形状因素向量中的特征映射到所述检测特征图所在的高维特征空间中，以获得形状特征向量；注意力特征图生成单元850，用于将所述检测特征图生成单元820获得的所述检测特征图通过空间注意力机制模块，以获得注意力特征图；注意力特征向量生成单元860，用于将所述注意力特征图生成单元850获得的所述注意力特征图通过一个或多个全连接层，以获得注意力特征向量；以及，分类结果生成单元870，用于将所述注意力特征向量生成单元860获得的所述注意力特征向量与所述形状特征向量生成单元840获得的所述形状特征向量进行拼接并通过分类函数，以获得分类结果，所述分类结果用于表示所述已架设在管道支撑架上的管道的稳定情况是否满足预设要求。

在一个示例中，在上述用于已架设在管道支撑架上的管道的稳定情况的检测系统800中，如图9所示，所述形状因素向量生成单元830，包括：扇面弧度值转化子单元831，用于将所述扇面角度转化为扇面弧度值；以及，归一化处理子单元832，用于对所述扇面弧度值转化子单元831获得的所述扇面弧度值、弧度、曲率半径和关键点的坐标进行归一化处理，以获得所述形状因素向量。

在一个示例中，在上述用于已架设在管道支撑架上的管道的稳定情况的检测系统800中，如图10所示，所述注意力特征图生成单元850，包括：卷积特征图生成子单元851，用于将所述检测特征图通过多个卷积层，以获得卷积特征图；以及，点乘子单元852，用于将所述卷积特征图生成子单元851获得的所述卷积特征图与所述检测特征图进行按像素位置点乘，以获得所述注意力特征图。

在一个示例中，在上述用于已架设在管道支撑架上的管道的稳定情况的检测系统800中，如图11所示，所述分类结果生成单元870，包括：第一拼接特征向量生成子单元871，用于将所述注意力特征向量与所述形状特征向量按向量长度方向进行拼接，以获得拼接特征向量；以及，第一分类子单元872，用于将所述拼接特征向量生成子单元871获得的所述拼接特征向量通过Softmax分类函数，以获得所述分类结果。

在另一个示例中，在上述用于已架设在管道支撑架上的管道的稳定情况的检测系统800中，如图12所示，所述分类结果生成单元870，包括：维度调整子单元873，用于将所述注意力特征向量与所述形状特征向量调整为统一维度；第二拼接特征向量生成子单元874，用于将调整为统一维度后的所述注意力特征向量与所述形状特征向量进行按元素计算加权和，以获得拼接特征向量；以及，第二分类子单元875，用于将所述第二拼接特征向量生成子单元874获得的所述拼接特征向量通过Softmax分类函数，以获得所述分类结果。

在一个示例中，在上述用于已架设在管道支撑架上的管道的稳定情况的检测系统800中，所述深度卷积神经网络为深度残差网络。

这里，本领域技术人员可以理解，上述检测系统800中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的用于已架设在管道支撑架上的管道的稳定情况的检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的检测系统800可以实现在各种终端设备中，例如用于已架设在管道支撑架上的管道的稳定情况检测的的服务器等。在一个示例中，根据本申请实施例的检测系统800可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该检测系统800可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该检测系统800同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该检测系统800与该终端设备也可以是分立的设备，并且该检测系统800可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面，参考图13来描述根据本申请实施例的电子设备。

图13图示了根据本申请实施例的电子设备的框图。

如图13所示，电子设备包括10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的用于已架设在管道支撑架上的管道的稳定情况的检测方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如注意力特征图、分类结果等各种内容。

在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入系统13可以包括例如键盘、鼠标等等。

该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图13中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

Claims (10)

1.一种用于已架设在管道支撑架上的管道的稳定情况的检测方法，其特征在于，包括：

获取已架设在支撑架上的管道的图像和所述管道在所述支撑架的支撑面上的形状因素数据，其中，所述形状因素数据，包括：支撑面的曲率半径、弧度、扇面角度和关键点的坐标；

将所述管道图像通过深度卷积神经网络，以获得检测特征图；

对所述形状因素数据进行矢量化处理，以获得形状因素向量；

将所述检测特征图与所述形状因素向量进行矩阵相乘，以将所述形状因素向量中的特征映射到所述检测特征图所在的高维特征空间中，以获得形状特征向量；

将所述检测特征图通过空间注意力机制模块，以获得注意力特征图；

将所述注意力特征图通过一个或多个全连接层，以获得注意力特征向量；

将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果，所述分类结果用于表示所述已架设在管道支撑架上的管道的稳定情况是否满足预设要求。

2.根据权利要求1所述的用于已架设在管道支撑架上的管道的稳定情况的检测方法，其中，对所述形状因素数据进行矢量化处理，以获得形状因素向量，包括：

将所述扇面角度转化为扇面弧度值；以及

对所述扇面弧度值、弧度、曲率半径和关键点的坐标进行归一化处理，以获得所述形状因素向量。

3.根据权利要求1所述的用于已架设在管道支撑架上的管道的稳定情况的检测方法，其中，将所述检测特征图通过空间注意力机制模块，以获得注意力特征图，包括：

将所述检测特征图通过多个卷积层，以获得卷积特征图；以及

将所述卷积特征图与所述检测特征图进行按像素位置点乘，以获得所述注意力特征图。

4.根据权利要求1所述的用于已架设在管道支撑架上的管道的稳定情况的检测方法，其中，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果，包括：

将所述注意力特征向量与所述形状特征向量按向量长度方向进行拼接，以获得拼接特征向量；以及

将所述拼接特征向量通过Softmax分类函数，以获得所述分类结果。

5.根据权利要求1所述的用于已架设在管道支撑架上的管道的稳定情况的检测方法，其中，将所述注意力特征向量与所述形状特征向量进行拼接并通过分类函数，以获得分类结果，包括：

将所述注意力特征向量与所述形状特征向量调整为统一维度；

将调整为统一维度后的所述注意力特征向量与所述形状特征向量进行按元素计算加权和，以获得拼接特征向量；以及

将所述拼接特征向量通过Softmax分类函数，以获得所述分类结果。

6.根据权利要求1所述的用于已架设在管道支撑架上的管道的稳定情况的检测方法，其中，所述深度卷积神经网络为深度残差网络。

7.一种用于已架设在管道支撑架上的管道的稳定情况的检测系统，其特征在于，包括：

信息获取单元，用于获取已架设在支撑架上的管道的图像和所述管道在所述支撑架的支撑面上的形状因素数据，其中，所述形状因素数据，包括：支撑面的曲率半径、弧度、扇面角度和关键点的坐标；

检测特征图生成单元，用于将所述信息获取单元获得的所述管道图像通过深度卷积神经网络，以获得检测特征图；

形状因素向量生成单元，用于对所述信息获取单元获得的所述形状因素数据进行矢量化处理，以获得形状因素向量；

形状特征向量生成单元，用于将所述检测特征图生成单元获得的所述检测特征图与所述形状因素向量生成单元获得的所述形状因素向量进行矩阵相乘，以将所述形状因素向量中的特征映射到所述检测特征图所在的高维特征空间中，以获得形状特征向量；

注意力特征图生成单元，用于将所述检测特征图生成单元获得的所述检测特征图通过空间注意力机制模块，以获得注意力特征图；

注意力特征向量生成单元，用于将所述注意力特征图生成单元获得的所述注意力特征图通过一个或多个全连接层，以获得注意力特征向量；以及

分类结果生成单元，将所述注意力特征向量生成单元获得的所述注意力特征向量与所述形状特征向量生成单元获得的所述形状特征向量进行拼接并通过分类函数，以获得分类结果，所述分类结果用于表示所述已架设在管道支撑架上的管道的稳定情况是否满足预设要求。

8.根据权利要求7所述的用于已架设在管道支撑架上的管道的稳定情况的检测系统，其中，所述形状因素向量生成单元，包括

扇面弧度值转化子单元，用于将所述扇面角度转化为扇面弧度值；以及

归一化处理子单元，用于对所述扇面弧度值转化子单元获得的所述扇面弧度值、弧度、曲率半径和关键点的坐标进行归一化处理，以获得所述形状因素向量。

9.根据权利要求7所述的用于已架设在管道支撑架上的管道的稳定情况的检测系统，其中，所述注意力特征图生成单元，包括：

卷积特征图生成子单元，用于将所述检测特征图通过多个卷积层，以获得卷积特征图；以及

点乘子单元，用于将所述卷积特征图生成子单元获得的所述卷积特征图与所述检测特征图进行按像素位置点乘，以获得所述注意力特征图。

10.一种电子设备，包括：

处理器；以及

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的用于已架设在管道支撑架上的管道的稳定情况的检测方法。

Images