CN115049600A - 一种小样本管道缺陷智能识别系统及方法 - Google Patents
一种小样本管道缺陷智能识别系统及方法 Download PDFInfo
- Publication number
- CN115049600A CN115049600A CN202210611308.4A CN202210611308A CN115049600A CN 115049600 A CN115049600 A CN 115049600A CN 202210611308 A CN202210611308 A CN 202210611308A CN 115049600 A CN115049600 A CN 115049600A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- picture
- defects
- data set
- small sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 23
- 239000013598 vector Substances 0.000 description 12
- 238000012795 verification Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种小样本管道缺陷智能识别系统及方法,获得管道图片;对图片进行预处理和增强图片对比度,得到图片数据集;对图片中管道缺陷分类,在包含缺陷的图片中标记真实框,将管道缺陷对应区域标记并打上缺陷类别对应标签;设定初始学习率和batch‑size,利用图片数据集对网络进行训练,网络的Darknet‑53中加入关联注意力机制,用GIoU损失函数替代YOLOv3中MSE损失函数;判断损失函数是否收敛,若收敛,则模型训练收敛,输出网络模型;否则,重新设定batch‑size,继续对网络进行训练;将待识别图像输入训练好的网络模型,输出缺陷识别结果。本发明可以减少人工、设备成本,提高检测速率和效率。
Description
技术领域
本发明属于目标检测领域,涉及一种小样本管道缺陷智能识别系统及方法,特别是一种基于改进YOLOv3的小样本管道缺陷智能识别系统及方法。
背景技术
管道作为运输物质最主要的方式,在人类的生活、工作中担负了重要的任务。因此管道的安全问题是管道管理的重要内容,但是大部分管道所处的位置在地下、海底或墙壁等特殊环境下,这就给管道检测带来了巨大的困难。管道检测是维护管道安全的中的重要方式,因此,如何高效、准确地对管道进行检测是重要研究方向之一。
目前,常见的管道检测方式是通过机器人搭载传感器进入管道中或者在管道外通过超声探测等方式进行检测。管道外的检测方式大部分需要人工手持检测工具,适用于地面上管道的检测,但是对于地下管道等环境恶劣的场所,人力难以企及。所以管道机器人检测逐渐兴起。大部分管道内检测机器人会搭载摄像头、超声探测等传感器。虽然部分机器人搭载了摄像头,但是大部分都没有将摄像头用于识别管道内缺陷,而是仅仅将其用于管道内部环境的可视化,这不仅浪费了硬件资源还错过了目标识别等高精度的检测方式。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种小样本管道缺陷智能识别系统及方法,可以检测出管道缺陷并识别管道缺陷的种类,减少人工、设备成本,提高检测速率和效率。
为解决上述技术问题,本发明的一种小样本管道缺陷智能识别系统,包括运动装置、控制装置和数据处理装置;运动装置搭载有用于采集管道内部图像的摄像头;控制装置控制运动装置在管道内的移动并控制摄像头拍摄图像,控制装置内设置有存储部件用于存储摄像头拍摄图像;数据处理装置对接收的图像进行处理并根据图像进行管道缺陷识别。
本发明还包括一种小样本管道缺陷智能识别方法,应用于上述小样本管道缺陷智能识别系统,包括以下步骤:
步骤1、通过摄像头获得管道图片;
步骤2、对图片进行预处理和增强图片对比度,得到图片数据集;
步骤3、对图片中管道缺陷进行分类,然后在包含缺陷的图片中标记真实框,将管道缺陷对应区域标记并打上缺陷类别对应标签;
步骤4、设定初始学习率和batch-size,利用步骤3得到的图片数据集对改进的YOLOv3网络进行训练,所述改进的YOLOv3网络的Darknet-53中加入关联注意力机制,用GIoU损失函数替代YOLOv3中的MSE损失函数;
步骤5、判断损失函数是否满足小于给定阈值,若满足,则模型训练收敛,输出改进的YOLOv3网络模型,执行步骤6;否则,重新设定batch-size,返回步骤4利用步骤3得到的图片数据集对改进的YOLOv3网络进行训练;
步骤6、将待识别图像输入训练好的改进的YOLOv3网络模型,输出缺陷识别结果。
进一步的,通过摄像头获得管道图片包括:摄像头以录像格式采集信息,对视频每隔10秒做分帧处理,获得RGB格式图片。
进一步的,对图片进行预处理包括:统一图片尺寸、数据集扩充和高斯滤波。
进一步的,数据集扩充包括对图片信息执行翻转、调整对比度、增取像素点或局部放大中的一项操作或几项操作以扩充数据集。
进一步的,对图片增强图片对比度包括:对图片执行信息线性变化、直方图正规化、全局直方图均衡化以及限制对比度的自适应直方图均衡化中的一项或几项操作。
本发明的有益效果:本发明的一种一种基于改进YOLOv3的小样本管道缺陷智能识别系统及方法,是一种管道缺陷识别技术,可以检测出管道缺陷并识别管道缺陷的种类,有利于管道的日常维护以及检修。本发明检测设备可以是管道机器人,也可以是内窥镜等,使得适用的场景更加广泛,并且本设备仅需一个人对设备操作即可得出管道缺陷种类,大大减少了人工成本,提高效率。本发明适用于地下、墙壁等环境之中的管道中,适用于多种管道材质,不仅可以有效地识别出管道缺陷,还可以识别出管道缺陷的种类,提高了效率并节省检测成本。
第一,本设备最少仅需连接一个摄像头即可工作,对于传感器的种类、数量等要求都大大降低,节约成本。
第二,本模型中采用优化的YOLOv3模型,其检测准确度优于传统的YOLOv3算法,对目标的的识别更加迅速。
第三,本模型不仅可以检测出管道缺陷,还可以识别出管道缺陷的种类,有利于维修人员对于缺陷种类采取相应的维修方式。
第四,本模训练完成后不需要重复训练,可直接使用,方便快捷。
附图说明
图1为检测识别系统框图;
图2为道缺陷数据集建立与处理流程图;
图3为标注流程图;
图4为关联注意力示意图;
图5为训练环境搭建;
图6为训练流程图;
图7为模型验证评估流程;
图8为模型示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明做进一步说明。
本发明的目的是这样实现的:
步骤一,通过管道检测机器人进入管道内部采集管道缺陷图片,获取得到管道缺陷数据信息;
步骤二,将采集得到的数据进一步出处理,统一图片大小为416×416,并保存为RGB图片数据,对采集得到的图片信息进行翻转、调整对比度、增取像素点、局部放大等方法扩充数据集。对图片进行模糊化处理。通过线性化、直方图正规化、全局直方图均衡化、限制对比度的自适应直方图均衡化等步骤再优化图片数据,经过扩充和再优化等操作得到数据集;
步骤三将变焦距摄像头下获取的照片中管道缺陷种类分为斑痕、轧入氧化皮、夹杂物、划痕、细小裂纹、表面凹痕几种。并在pyhon环境下用labeling标注真实框;
步骤四,在YOLOv3框架中的Darknet-53中加入关联注意力机制以对网络进行优化;
步骤五,用GIoU损失函数替代YOLOv3中的MSE损失函数;
步骤六,通过预先处理好的管道缺陷数据集以及改进的YOLOv3网络进行训练,观察训练的结果,直至模型训练收敛。当损失函数较稳定,没有较大的上下波动时,提前结束训练;
步骤七,通过验证集对训练后的模型进行批量测试,得到焊缝、错位、腐蚀、裂痕、斑痕、轧入氧化皮、夹杂物、划痕、细小裂纹、表面凹痕几种管道缺陷的模型标记的区域位置结果,根据真实框与预测框面积之间的关系计算出交并比,绘制出mAP曲线;
步骤八,将设备运用于多种管道环境以检测管道缺陷;
在步骤一中,管道检测机器人由控制箱、电缆线以及机器人三部分组成,机器人上面搭载摄像头以及探照灯,探照灯用于给管道内黑暗环境补充光线,本发明是一种对图像信息识别处理的方法,能够检测管道的多种缺陷;
在步骤二中,采集的图片信息为录像格式,通过MATLAB程序将视频每隔10秒做分帧处理,输出RGB格式图片并用高斯滤波处理图片。在数据集再优化的过程中,为了使管道缺陷缺陷数据集对比度更强,使用的线性变化以及直方图正规化的公式如下所示:
O(r,c)=a*I(r,c)+b,0≤r<H,0≤c<W
其中,Imin以及Imax分别表示图片中的最小以及最大灰度值,Omin以及Omax表示输出图片灰度值最小以及最大值。I(r,c)表示第r行c列的灰度值。
在步骤三中,通过labeling软件在图片中标记真实框,将焊缝、错位、腐蚀、裂痕、斑痕、轧入氧化皮、夹杂物、划痕、细小裂纹、表面凹痕几种管道缺陷对应区域标记并打上标签,将标记的图片保存到xml文件中,并将标记好的数据集挑选出80%作为训练集,剩余的20%作为验证集。
在步骤四中,YOLOv3加入关联注意力机制后由及备份组成,分别为:骨干网络、分割模块、物体特证聚合模块等。
在步骤四中,在YOLOv3框架中的Darknet-53中加入关联注意力机制,当输入图片时,骨干网络会提取提取输入图像中的语义特征向量,语义特征向量根据其空间位置组成特征图并经过分割模块计算出空间位置所属某物体的概率。再讲特征向量与所属物体概率想乘并加权平均以计算出特征向量的表达;关联注意力模块根据每个物体的特征向量表达与其他物体的特征向量表达,基于神经网络以及余弦相似度的计算方法计算出每个物体特征向量之间的关系特征表达,并拼接在自身的向量表达之中,组成关联感知特征。关联感知特征计算公式如下所示:
ψs(xi)=ReLU(Wψxi)
ai=Sigmoid(W2ReLU(W1y1))
在步骤四中,YOLOv3加入关联注意力机制,使得模型更加灵敏,使用物体特征聚合模块检测输入图像上的特征的方法,能够更准确的图像中所包含的信息。
在步骤五中,使用了GIoU替代了YOLOv3中的MSE损失函数,GIoU的计算公式如下所示:
其中,A表示锚框面积,B表示真实框面积,C表示最小外接矩形面积。
在步骤六中,在windows10系统下搭建训练环境,编译器选用VScode,改进的YOLOv3模型训练、验证均在TensorFlow的深度学习框架keras中进行。显卡选用NvidiaGeForce RTX3060(12GB),处理器选用英特尔corei5-10400F,在搭建好的环境下运行程序,模型将自动调整学习率。
在步骤七中,当损失函数稳定后选出最终权值函数。通过预测框面积与真实框面积计算交并比。设置0.5为阈值,当预测框与真实框交并比小于0.5时标记为负样本,反之则标记为正样本。绘制出mAP曲线。mAP可以反映出模型的检测精度,mAP值越高模型检测的效果越好。
在步骤七中,通过交并比进一步得到精确度(Precision)和召回(Recall)两个指标。认为模型正确标记正样本的正样本为TP,标记为负样本的正样本为FP,标记为正样本的负样本为FN。精确度以及召回的计算如下所示:
通过精确度以及召回可以算出一类标签的的平均精度(AP),通过所有类别标签的平均精度可以计算出平均精度均值即为mAP。
下面结合具体参数给出实施例。
结合图1,本发明一种基于改进YOLOv3的小样本管道缺陷智能识别系统,包括运动装置、控制装置和数据处理装置;所述运动装置搭载有用于采集管道内部图像的摄像头;所述控制装置控制运动装置在管道内的移动并控制摄像头拍摄图像,控制装置内设置有存储部件用于存储摄像头拍摄图像;数据处理装置对接收的图像进行处理并根据图像进行管道缺陷识别,采用系统的识别方法具体步骤包括:
步骤1、调试机器人等设备,其中机器人可以进入小径管道内部,搭载的摄像头可以采集管道内部图像,控制箱用于控制机器人在管道内的前后移动,内置的储存卡可以保存摄像头采集的图片信息。控制箱与机器人通过电缆相连接;
步骤2、将控制箱中内存卡存储的图片信息输入电脑中,对图像处理以制作数据集,步骤如图2所示;
具体的,步骤2中先使用MATLAB软件对图片信息进行处理,将视频转换成RGB图片格式,在预处理部分,主要步骤包括,统一图片尺寸、数据集扩充以及高斯滤波等方式处理。高斯滤波会将图片的RGB三通道一维平滑处理,一维高斯滤波公式如下所示:
其中μ表示平均值,σ表示方差,在计算平均值是,中心点和原点重合,μ等于0。
具体的,步骤2中数据集经过统一图片尺寸、数据集扩充以及高斯滤波等方式预处理后还会增强图片对比度,包括线性变化、直方图正规化、全局直方图均衡化以及限制对比度的自适应直方图均衡化;
步骤3、将管道缺陷分为焊缝、错位、腐蚀、裂痕、斑痕、轧入氧化皮、夹杂物、划痕、细小裂纹、表面凹痕几种,再对数据集中管道缺陷标注真实框,标注过程参阅图3;
具体的,利用labeling软件对数据集标记真实框,对管道缺陷打上相应的标签。最后将其保存在xml文件中;
具体的,xml文件包含主要参数:size:图片大小,object:图片中包含的管道缺陷,name:标记的管道缺陷种类,bodbox:物体真实框,different:识别是否困难;
具体的,制作的数据集中需要分离出80%用于模型的训练学习,剩下20%用于对训练结果的验证;
步骤4、YOLOv3中包含卷积神经网络Darknet-53,包含批标准化(BatchNormalization)和LeakyReLU激活函数层。其中DarkNet-53网络包含53层卷积层,其中第一层由32个3×3卷积核组成,后面的卷积层包括5组重复的残差单元,最后一层卷积核大小为1×1用于全连接。卷积神经网络会在得到目标物(管道缺陷)的候选区域后标记候选区域的位置以及类别;
步骤5、YOLOv3中的卷积神经网络加入关联注意力机制,关联注意力机制示意图参阅图4;
具体的,与传统注意力模块相比,关联注意力模块采用条状深度卷积的方法联系没有位置关系的物体特征。该模块通过条状深度卷积聚合每个通道中物体的信息。聚合信息后计算出每个物体的特征向量。特征向量由空间位置特征与所属物体的概率计算后得出,即为物体的原始特征;
在关联注意力模块中,物体的原始特征会被用基于神经网络和余弦相似度的方法来计算不同物体之间的关系,得出关联特征。关联特征与原始特征输入全局关联聚合模块中聚合物体间的关系。得出所有物体的关联感知特征。最后将关联感知特征输入全链层;
步骤6、用GIoU函数替代YOLOv3中的MSE损失函数;
相比于IoU作为损失函数,GIoU作为损失函数不仅准确度得以提高,而且可以解决预测框与真实框不相重叠时出现的梯度回传消失的情况;
步骤7、搭建训练环境,如图5所示,操作系统为Windows10,编译平台为VScode,深度学习框架选择TensorFlow-Keras,加速器选用CUDA和CUDNN,硬件设备显卡使用NvidiaGeForce RTX 3060,处理器选择Corei5-10400F;
步骤8、如图6所示,网络模型的学习率初始设置为0.001、batch-size设置为16,然后是模型会在训练的过程中自动调整学习率;
具体的,当模型的的损失函数趋于稳定后标志模型训练结束,可以终止程序。判断损失函数稳定后数值大小,如果不满足要求重新设定batch-size的值,重新训练;
步骤9、输入验证集计算模型的mAP值;
具体的,批量标记验证集,得到具有网络模型所标记的管道缺陷预测框的图片集,再计算预测框与真实框的交并比IoU;
mAP计算过程参数设置如图7,设置IoU阈值为0.5,认为正确标记为正样本的正样本为TP,错误的标记为负样本的正样本为FP,正确标记为负样本的负样本为TN,错误标记为正样本的负样本为FN。通过这些参数计算出精确率以及召回率,进而计算出所有管道缺陷种类的平均精度,进而计算出平均精度均值,即为mAP。
如图8所示,本发明具体流程包括:通过管道机器人进入管道中进行采集视频,将采集到的图片数据存储在控制箱中的内存卡上后导入电脑中,调整录像格式成RGB图片信息,并对图片进行调整大小、扩充、高斯滤波等手段制作数据集,将数据集分成两部分一部分用于训练一部分用于验证,对YOLOv3进行修改,在神经网络部分加入关联注意力机制,用GIoU作为损失函数替换到YOLOv3中的MSE损失函数。搭建训练平台对网络模型参数进行调整,冰冻一部分数据并对管道缺陷识别模型进行训练。得到最终的训练结果,用验证集进行验证,计算出预测框与真实框的交并比,绘制管道缺陷精度值的平均值(mean AveragePrecision,mAP)是否满足条件,用训练好的模型识别出管道缺陷以及种类。
Claims (6)
1.一种小样本管道缺陷智能识别系统,其特征在于,包括运动装置、控制装置和数据处理装置;所述运动装置搭载有用于采集管道内部图像的摄像头;所述控制装置控制运动装置在管道内的移动并控制摄像头拍摄图像,控制装置内设置有存储部件用于存储摄像头拍摄图像;数据处理装置对接收的图像进行处理并根据图像进行管道缺陷识别。
2.一种小样本管道缺陷智能识别方法,其特征在于,应用于权利要求1所述的小样本管道缺陷智能识别系统,包括以下步骤:
步骤1、通过摄像头获得管道图片;
步骤2、对图片进行预处理和增强图片对比度,得到图片数据集;
步骤3、对图片中管道缺陷进行分类,然后在包含缺陷的图片中标记真实框,将管道缺陷对应区域标记并打上缺陷类别对应标签;
步骤4、设定初始学习率和batch-size,利用步骤3得到的图片数据集对改进的YOLOv3网络进行训练,所述改进的YOLOv3网络的Darknet-53中加入关联注意力机制,用GIoU损失函数替代YOLOv3中的MSE损失函数;
步骤5、判断损失函数是否满足小于给定阈值,若满足,则模型训练收敛,输出改进的YOLOv3网络模型,执行步骤6;否则,重新设定batch-size,返回步骤4利用步骤3得到的图片数据集对改进的YOLOv3网络进行训练;
步骤6、将待识别图像输入训练好的改进的YOLOv3网络模型,输出缺陷识别结果。
3.根据权利要求2所述的一种小样本管道缺陷智能识别方法,其特征在于:所述通过摄像头获得管道图片包括:摄像头以录像格式采集信息,对视频每隔10秒做分帧处理,获得RGB格式图片。
4.根据权利要求2所述的一种小样本管道缺陷智能识别方法,其特征在于:所述对图片进行预处理包括:统一图片尺寸、数据集扩充和高斯滤波。
5.根据权利要求4所述的一种小样本管道缺陷智能识别方法,其特征在于:所述数据集扩充包括对图片信息执行翻转、调整对比度、增取像素点或局部放大中的一项操作或几项操作以扩充数据集。
6.根据权利要求2所述的一种小样本管道缺陷智能识别方法,其特征在于:所述对图片增强图片对比度包括:对图片执行信息线性变化、直方图正规化、全局直方图均衡化以及限制对比度的自适应直方图均衡化中的一项或几项操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210611308.4A CN115049600A (zh) | 2022-05-31 | 2022-05-31 | 一种小样本管道缺陷智能识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210611308.4A CN115049600A (zh) | 2022-05-31 | 2022-05-31 | 一种小样本管道缺陷智能识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049600A true CN115049600A (zh) | 2022-09-13 |
Family
ID=83158698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210611308.4A Pending CN115049600A (zh) | 2022-05-31 | 2022-05-31 | 一种小样本管道缺陷智能识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049600A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115265669A (zh) * | 2022-09-19 | 2022-11-01 | 博格达智能装备(南通)有限公司 | 一种基于二分类器的管材切削热熔工艺质量检测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528922A (zh) * | 2020-12-21 | 2021-03-19 | 广东爱科环境科技有限公司 | 一种地下排水管道缺陷图像采集分类系统及方法 |
CN113189111A (zh) * | 2021-04-28 | 2021-07-30 | 西南交通大学 | 一种钢结构网架外观缺陷视觉检测系统及检测方法 |
CN113780111A (zh) * | 2021-08-25 | 2021-12-10 | 哈尔滨工程大学 | 一种基于优化YOLOv3算法的管道连接器及缺陷精确识别方法 |
CN114088726A (zh) * | 2021-12-08 | 2022-02-25 | 西安石油大学 | 管道焊缝表面缺陷检测平台 |
-
2022
- 2022-05-31 CN CN202210611308.4A patent/CN115049600A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528922A (zh) * | 2020-12-21 | 2021-03-19 | 广东爱科环境科技有限公司 | 一种地下排水管道缺陷图像采集分类系统及方法 |
CN113189111A (zh) * | 2021-04-28 | 2021-07-30 | 西南交通大学 | 一种钢结构网架外观缺陷视觉检测系统及检测方法 |
CN113780111A (zh) * | 2021-08-25 | 2021-12-10 | 哈尔滨工程大学 | 一种基于优化YOLOv3算法的管道连接器及缺陷精确识别方法 |
CN114088726A (zh) * | 2021-12-08 | 2022-02-25 | 西安石油大学 | 管道焊缝表面缺陷检测平台 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115265669A (zh) * | 2022-09-19 | 2022-11-01 | 博格达智能装备(南通)有限公司 | 一种基于二分类器的管材切削热熔工艺质量检测系统 |
CN115265669B (zh) * | 2022-09-19 | 2023-10-13 | 博格达智能装备(南通)有限公司 | 一种基于二分类器的管材切削热熔工艺质量检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102166458B1 (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
WO2020038389A1 (zh) | 一种焊缝底片缺陷识别方法 | |
CN110264444B (zh) | 基于弱分割的损伤检测方法及装置 | |
CN117593304B (zh) | 基于交叉局部全局特征的半监督工业品表面缺陷检测方法 | |
CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN111553950A (zh) | 一种钢卷对中判断方法、系统、介质及电子终端 | |
CN112215203A (zh) | 一种基于深度学习的路面病害检测方法和装置 | |
CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
CN112580515A (zh) | 一种基于高斯热图回归的轻量级人脸关键点检测方法 | |
CN115311618A (zh) | 一种基于深度学习和对象匹配的装配质量检查方法 | |
CN115049600A (zh) | 一种小样本管道缺陷智能识别系统及方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN116309292A (zh) | 一种基于视觉转换层与实例分割的焊缝缺陷智能识别方法 | |
CN113780111B (zh) | 一种基于优化YOLOv3算法的管道连接器的缺陷精确识别方法 | |
CN113205507B (zh) | 一种视觉问答方法、系统及服务器 | |
CN114332083A (zh) | 一种基于PFNet的工业品伪装瑕疵识别方法 | |
CN111368637B (zh) | 一种基于多掩模卷积神经网络的搬运机器人识别目标方法 | |
CN117152094A (zh) | 基于计算机视觉的钢板表面缺陷分析方法、装置及系统 | |
CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
CN115546099A (zh) | 一种基于卷积神经网络的锻件探伤缺陷检测方法及装置 | |
CN115359091A (zh) | 一种用于移动机器人的装甲板检测跟踪方法 | |
CN114092766A (zh) | 一种基于特征注意力机制的机器人抓取检测方法 | |
CN112270370A (zh) | 一种车辆表观毁伤评估方法 | |
CN117218606B (zh) | 一种逃生门检测方法、装置、存储介质及电子设备 | |
CN115908952B (zh) | 一种基于改进YOLOv5算法的高铁隧道卡具检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |