CN115200784B - 基于改进ssd网络模型的漏粉检测方法、装置及可读介质 - Google Patents

基于改进ssd网络模型的漏粉检测方法、装置及可读介质 Download PDF

Info

Publication number
CN115200784B
CN115200784B CN202211126941.0A CN202211126941A CN115200784B CN 115200784 B CN115200784 B CN 115200784B CN 202211126941 A CN202211126941 A CN 202211126941A CN 115200784 B CN115200784 B CN 115200784B
Authority
CN
China
Prior art keywords
convolution
network
improved
model
powder leakage
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.)
Active
Application number
CN202211126941.0A
Other languages
English (en)
Other versions
CN115200784A (zh
Inventor
王政
李瑞峰
连超铭
赵紫阳
汤思榕
张陈涛
梁培栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Quanzhou HIT Research Institute of Engineering and Technology
Original Assignee
Fujian Quanzhou HIT Research Institute of Engineering and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujian Quanzhou HIT Research Institute of Engineering and Technology filed Critical Fujian Quanzhou HIT Research Institute of Engineering and Technology
Priority to CN202211126941.0A priority Critical patent/CN115200784B/zh
Publication of CN115200784A publication Critical patent/CN115200784A/zh
Application granted granted Critical
Publication of CN115200784B publication Critical patent/CN115200784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • 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
    • G06V10/77—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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进SSD网络模型的漏粉检测方法、装置及可读介质，涉及漏粉检测领域，通过构建漏粉检测模型，漏粉检测模型包括改进SSD网络模型，其中，改进SSD网络模型包括改进VGG基础网络、改进额外卷积层、多尺度检测层和非极大值抑制层，改进VGG基础网络为在VGG16网络的每个卷积块中增加ASPP网络所构成，改进额外卷积层为在四个卷积层均插入即插即用模块并构建成特征金字塔结构所构成；对漏粉检测模型进行训练，得到经训练的漏粉检测模型；获取待检测图像，将待检测图像输入经训练的漏粉检测模型，得到检测结果。该方法识别精度更高，模型泛化能力更强，实时性更强，并且可降低人工成本，可解决现有技术中漏粉检测人工成本高、精度低等问题。

Description

基于改进SSD网络模型的漏粉检测方法、装置及可读介质
技术领域
本发明涉及漏粉检测领域，具体涉及一种基于改进SSD网络模型的漏粉检测方法、装置及可读介质。
背景技术
为保证高炉送风平台安全可靠的运行，在高炉运行过程中需要工人对设备进行巡检，工人日常巡检的项目之一便是查看高炉设备在运行过程是否存在漏粉的现象，并以此判断设备是否存在破损。传统方式需要巡检人员抵达现场并且围绕运行的高炉设备进行检测，不仅耗费人力，还无法满足实时的监测需求，并且高炉附近温度较大，巡检人员只能在相距高炉数米以外通过肉眼进行漏粉检测，难以做到准确的检测，并且巡检难以做到实时性检测。
现有主流方式是采用人工巡检方法，人工巡检效率低，耗费人力成本，一般数小时巡检一次，无法做到实时的全天候的巡检读数。另一类使用传统视觉检测方法对漏煤进行检测，首先根据预设图像特征识别模型对目标感兴趣区域进行特征识别，获得图像特征信息；将图像特征信息与基准特征信息进行对比，获得对比结果，根据对比结果判断是否存在堵煤漏煤故障，该方法需要与基准图像做对比才能获得检测效果，而实际检测场景下，单一依靠基准模板只会降低模型检测的方法能力，影响模型检测精度。
发明内容
针对上述提到的上述问题。本申请的实施例的目的在于提出了一种基于改进SSD网络模型的漏粉检测方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本申请的实施例提供了一种基于改进SSD网络模型的漏粉检测方法，包括以下步骤：
S1，构建漏粉检测模型，漏粉检测模型包括改进SSD网络模型，其中，改进SSD网络模型包括改进VGG基础网络、改进额外卷积层、多尺度检测层和非极大值抑制层，改进VGG基础网络为在VGG16网络的每个卷积块中增加ASPP网络所构成，改进额外卷积层为在四个卷积层均插入即插即用模块并构建成特征金字塔结构所构成；
S2，构建训练数据，采用训练数据对漏粉检测模型进行训练，得到经训练的漏粉检测模型；
S3，获取待检测图像，将待检测图像输入经训练的漏粉检测模型，得到检测结果。
作为优选，改进VGG基础网络包括依次连接的第一卷积块、第二卷积块、第三卷积块、第四卷积块和第五卷积块，其中，第一卷积块、第二卷积块、第四卷积块和第五卷积块中的最后一个卷积后面分别连接一个ASPP网络，第三卷积块中的第二个卷积与第三个卷积之间连接一个ASPP网络。
作为优选，改进VGG基础网络中每个卷积块后采用Mish激活函数。
作为优选，即插即用模块为DAnet网络。
作为优选，改进额外卷积层包括依次连接的第一卷积层、第二卷积层、第三卷积层和第四卷积层，每个卷积层的末尾均添加有DAnet网络，第四卷积层得到的特征图经过上采样，与第三卷积层得到的特征图进行融合，融合后的特征图采用标准卷积进行降维，降维后的特征图再经过上采样，与第二卷积层得到的特征图进行融合，融合后的特征图采用标准卷积进行降维，降维后的特征图再经过上采样，与第一卷积层得到的特征图进行融合，融合后的特征图采用标准卷积进行降维。
作为优选，步骤S2中的构建训练数据，具体包括：
采集不同漏粉情况下的原始数据集，对原始数据集中的图像进行数据增强，得到数据增强数据集，对数据增强数据集进行标注，得到训练数据。
作为优选，对图像进行数据增强，具体包括：
对原始数据集中的图像进行图片亮度的变化，得到不同光照条件下的第一数据集；
对原始数据集中的图像进行高斯模糊，高斯模糊因子设定为3，得到第二数据集；
对原始数据集中的图像进行高斯模糊，高斯模糊因子设定为5，得到第三数据集；
将原始数据集和第一数据集、第二数据集、第三数据集合并为数据增强数据集。
第二方面，本申请的实施例提供了一种基于改进SSD网络模型的漏粉检测装置，包括：
模型构建模块，被配置为构建漏粉检测模型，漏粉检测模型包括改进SSD网络模型，其中，改进SSD网络模型包括改进VGG基础网络、改进额外卷积层、多尺度检测层和非极大值抑制层，改进VGG基础网络为在VGG16网络的每个卷积块中增加ASPP网络所构成，改进额外卷积层为在四个卷积层均插入即插即用模块并构建成特征金字塔结构所构成；
训练模块，被配置为构建训练数据，采用训练数据对漏粉检测模型进行训练，得到经训练的漏粉检测模型；
检测模块，被配置为获取待检测图像，将待检测图像输入经训练的漏粉检测模型，得到检测结果。
第三方面，本申请的实施例提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术，本发明具有以下有益效果：
（1）本发明利用机器视觉计算，可实现全天候的、无人的、实时的高炉送风场景下的漏粉检测，可降低人工巡检工作强度，降低企业人工成本。
（2）本发明可采用基于改进SSD网络模型的漏粉检测模型直接对高炉送风平台的漏粉进行实时检测，算法稳定性好、泛化能力高、抗干扰性强，读数精度高。
（3）本发明的漏粉检测模型在原有的SSD网络模型上进行优化改进，改进逻辑清晰，鲁棒性强，精度高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本发明的实施例的基于改进SSD网络模型的漏粉检测方法的流程示意图；
图3为本发明的实施例的基于改进SSD网络模型的漏粉检测方法的改进SSD网络模型的示意图；
图4为本发明的实施例的基于改进SSD网络模型的漏粉检测方法的改进VGG基础网络的示意图；
图5为本发明的实施例的基于改进SSD网络模型的漏粉检测方法的改进额外卷积层的示意图；
图6为本发明的实施例的基于改进SSD网络模型的漏粉检测装置的示意图；
图7是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于改进SSD网络模型的漏粉检测方法或基于改进SSD网络模型的漏粉检测装置的示例性装置架构100。
如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块（例如用来提供分布式服务的软件或软件模块），也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的基于改进SSD网络模型的漏粉检测方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，基于改进SSD网络模型的漏粉检测装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种基于改进SSD网络模型的漏粉检测方法，包括以下步骤：
S1，构建漏粉检测模型，漏粉检测模型包括改进SSD网络模型，其中，改进SSD网络模型包括改进VGG基础网络、改进额外卷积层、多尺度检测层和非极大值抑制层，改进VGG基础网络为在VGG16网络的每个卷积块中增加ASPP网络所构成，改进额外卷积层为在四个卷积层均插入即插即用模块并构建成特征金字塔结构所构成。
在具体的实施例中，参考图3，改进VGG基础网络包括依次连接的第一卷积块、第二卷积块、第三卷积块、第四卷积块和第五卷积块，其中，第一卷积块、第二卷积块、第四卷积块和第五卷积块中的最后一个卷积后面分别连接一个ASPP网络，第三卷积块中的第二个卷积与第三个卷积之间连接一个ASPP网络。改进VGG基础网络中每个卷积块后采用Mish激活函数。
具体的，本申请的实施例的改进SSD网络模型在原有SSD网络结构的基础上进行改进优化。首先对原始SSD网络结构中的特征提取网络VGG16进行修改，VGG16作为特征提取网络，整个卷积网络结构采用3x3的卷积核进行特征提取，感受野固定，特征提取能力不足，因此，通过在VGG16的每个卷积块中添加ASPP网络，获取不同感受野下的特征信息，有助于提高漏粉检测模型的识别能力。参考图4，VGG16包含了5个卷积块，ASPP添加的具体位置如下：第一个ASPP网络添加到第一卷积块的第二个卷积后面；第二个ASPP网络添加到第二卷积块的第二个卷积后面；第三个ASPP网络添加到第三卷积块的第二个卷积和第三个卷积之间，即Conv3-256与Conv1-256中间；第四个ASPP网络及第五个ASPP网络分别添加在第四卷积块和第五卷积块的末端，即第四卷积块的第三个卷积后面以及第五卷积块的第三个卷积后面。
进一步的，对特征提取网络中激活函数进行修改，原始VGG16网络结构每个卷积块后采用ReLu激活函数，该函数在负值区域存在死区现象，即在负值区域所有数值为0，并且该处网络回传梯度为0。因此，本申请的实施例中在改进VGG基础网络的每个卷积块后，采用Mish激活函数代替原有的ReLu激活函数。
在具体的实施例中，改进额外卷积层包括依次连接的第一卷积层、第二卷积层、第三卷积层和第四卷积层，每个卷积层的末尾均添加有DAnet网络，第四卷积层得到的特征图经过上采样，与第三卷积层得到的特征图进行融合，融合后的特征图采用标准卷积进行降维，降维后的特征图再经过上采样，与第二卷积层得到的特征图进行融合，融合后的特征图采用标准卷积进行降维，降维后的特征图再经过上采样，与第一卷积层得到的特征图进行融合，融合后的特征图采用标准卷积进行降维。
具体的，在改进SSD网络模型中通过嵌入即插即用模块提升网络结构的特征提取能力，即插即用模块为DAnet网络，DANet网络的插入点为SSD网络结构中的额外卷积层，并构建金字塔结构，提升网络的检测精度。
具体的，参考图5，构建特征金字塔包括上采样（upsampling）、融合（concat）、1x1的标准卷积核，并且构建的特征金字塔结构有4层，构建4层金字塔结构想比较于三层金字塔结构，能够融合多一层的特征信息，对于检查任务中较小的漏粉区域的识别有很大的好处。特征金字塔结构，首先，在改进SSD网络模型的第四卷积层通过上采样操作，使得特征图大小增加了一倍，通道数量没有改变，上采样后的特征图和第三卷积层进行concat操作，此时通道数增加一倍（通道数为512）。为保证融合后的特征通道与原始输出网络结构通道一样，采用1x1的标准卷积进行特征通道的降维，降维后的特征通道为256。然后，对融合降维后的特征再进行上采样操作，使得特征图大小再变大一倍，将上采样后的特征图与第二卷积层进行concat操作，此时通道数增加一倍（变成512），为保证融合后的特征通道与原始输出网络结构通道一样，采用1x1的标准卷积进行特征通道的降维，降维后的特征通道为256。最后，对融合降维后的特征再进行上采样操作，使得特征图大小再变大一倍，将上采样后的特征图与第一卷积层进行concat操作，此时通道数变为768，为保证融合后的特征通道与原始输出网络结构通道一样，采用1x1的标准卷积进行特征通道的降维，降维后的特征通道为512。
S2，构建训练数据，采用训练数据对漏粉检测模型进行训练，得到经训练的漏粉检测模型。
在具体的实施例中，步骤S2中的构建训练数据，具体包括：
采集不同漏粉情况下的原始数据集，对原始数据集中的图像进行数据增强，得到数据增强数据集，对数据增强数据集进行标注，得到训练数据。
具体的，对图像进行数据增强，具体包括：
对原始数据集中的图像进行图片亮度的变化，得到不同光照条件下的第一数据集；
对原始数据集中的图像进行高斯模糊，高斯模糊因子设定为3，得到第二数据集；
对原始数据集中的图像进行高斯模糊，高斯模糊因子设定为5，得到第三数据集；
将原始数据集和第一数据集、第二数据集、第三数据集合并为数据增强数据集。
在具体的实施例中，调用机器人采集不同漏粉情况下的图像，采集时尽可能保证图像样本的多样性，例如在不同光照条件、不同拍摄角度、不同距离、不同相机焦距下采集样本。不同种场景时间段下的图像数据集归纳为原始数据集。对采集到原始数据集中的图像做进一步的数据增强，以提高训练模型的检测精度和模型的泛化能力。采用以下3种方式进行数据增强：
（1）对原始数据集中的图像进行图片亮度的变化，以进一步模拟不同光照条件下的数据集；
（2）对原始数据集中的图像进行高斯模糊，高斯模糊因子设定为3，模拟图像没拍清楚时的检测；
（3）对原始数据集中的图像进行高斯模糊，高斯模糊因子设定为5，进一步模拟在图像模糊时检测的能力。
将原始数据集和以上3种增强方式得到的3种图像数据集合并为一个数据集：数据增强数据集。使用labelImg软件对上述步骤中获得的数据增强数据集中的数据进行标注，标注漏粉位置保存至xml文件中，得到训练数据。使用该训练数据对漏粉检测模型进行训练，得到经训练的漏粉检测模型，训练方式为常规方式，在此不再赘述。
S3，获取待检测图像，将待检测图像输入经训练的漏粉检测模型，得到检测结果。
具体的，将经训练的漏粉检测模型部署到巡检机器人平台上，实时获取待检测图像，将该待检测图像输入经训练的漏粉检测模块，即可得到检测结果。本发明能够对高炉送风平台的漏粉进行实时检测，算法稳定性好、泛化能力高、抗干扰性强，读数精度高。使用深度学习检测方法直接漏粉粉末进行检测，算法改进逻辑清晰，鲁棒性强。
本申请的实施例为基于机器视觉的高炉送风场景下的漏粉检测，可实现非接触式的、全天候的设备漏粉检测。通过巡检机器人或者现场监控相机采集现场漏粉图像，通过深度学习训练一个漏粉检测模型，然后将训练好的模型部署到巡检小车上，并巡检小车按照预定轨迹对高炉送风平台进行视频实时检测，通过事先训练好的模型对视频中的每一帧图片进行检测，完成高炉送风场景下的漏粉检测任务，可替代人工巡检对对漏粉的检测，减轻人工巡检压力、节省人工成本还能满足实时的全天候的巡检检测。相比较与使用基准图像对比的检测方法而言，本申请的实施例使用基于深度学习的目标检测方法，该方法识别精度更高，模型泛化能力更强。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种基于改进SSD网络模型的漏粉检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于改进SSD网络模型的漏粉检测装置，包括：
模型构建模块1，被配置为构建漏粉检测模型，漏粉检测模型包括改进SSD网络模型，其中，改进SSD网络模型包括改进VGG基础网络、改进额外卷积层、多尺度检测层和非极大值抑制层，改进VGG基础网络为在VGG16网络的每个卷积块中增加ASPP网络所构成，改进额外卷积层为在四个卷积层均插入即插即用模块并构建成特征金字塔结构所构成；
训练模块2，被配置为构建训练数据，采用训练数据对漏粉检测模型进行训练，得到经训练的漏粉检测模型；
检测模块3，被配置为获取待检测图像，将待检测图像输入经训练的漏粉检测模型，得到检测结果。
下面参考图7，其示出了适于用来实现本申请实施例的电子设备（例如图1所示的服务器或终端设备）的计算机装置700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机装置700包括中央处理单元（CPU）701和图形处理器（GPU）702，其可以根据存储在只读存储器（ROM）703中的程序或者从存储部分709加载到随机访问存储器（RAM）704中的程序而执行各种适当的动作和处理。在RAM 704中，还存储有装置700操作所需的各种程序和数据。CPU 701、GPU702、ROM 703以及RAM 704通过总线705彼此相连。输入/输出（I/O）接口706也连接至总线705。
以下部件连接至I/O接口706：包括键盘、鼠标等的输入部分707；包括诸如、液晶显示器（LCD）等以及扬声器等的输出部分708；包括硬盘等的存储部分709；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分710。通信部分710经由诸如因特网的网络执行通信处理。驱动器711也可以根据需要连接至I/O接口706。可拆卸介质712，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器711上，以便于从其上读出的计算机程序根据需要被安装入存储部分709。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分710从网络上被下载和安装，和/或从可拆卸介质712被安装。在该计算机程序被中央处理单元（CPU）701和图形处理器（GPU）702执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，也可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：构建漏粉检测模型，漏粉检测模型包括改进SSD网络模型，其中，改进SSD网络模型包括改进VGG基础网络、改进额外卷积层、多尺度检测层和非极大值抑制层，改进VGG基础网络为在VGG16网络的每个卷积块中增加ASPP网络所构成，改进额外卷积层为在四个卷积层均插入即插即用模块并构建成特征金字塔结构所构成；构建训练数据，采用训练数据对漏粉检测模型进行训练，得到经训练的漏粉检测模型；获取待检测图像，将待检测图像输入经训练的漏粉检测模型，得到检测结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种基于改进SSD网络模型的漏粉检测方法，其特征在于，包括以下步骤：
S1，构建漏粉检测模型，所述漏粉检测模型包括改进SSD网络模型，其中，所述改进SSD网络模型包括改进VGG基础网络、改进额外卷积层、多尺度检测层和非极大值抑制层，所述改进VGG基础网络为在VGG16网络的每个卷积块中增加ASPP网络所构成，所述改进VGG基础网络包括依次连接的第一卷积块、第二卷积块、第三卷积块、第四卷积块和第五卷积块，其中，所述第一卷积块、第二卷积块、第四卷积块和第五卷积块中的最后一个卷积后面分别连接一个所述ASPP网络，所述第三卷积块中的第二个卷积与第三个卷积之间连接一个所述ASPP网络，所述改进额外卷积层为在四个卷积层均插入即插即用模块并构建成特征金字塔结构所构成，所述即插即用模块为DAnet网络，所述改进额外卷积层包括依次连接的第一卷积层、第二卷积层、第三卷积层和第四卷积层，每个卷积层的末尾均添加有DAnet网络，所述第四卷积层得到的特征图经过上采样，与所述第三卷积层得到的特征图进行融合，融合后的特征图采用标准卷积进行降维，降维后的特征图再经过上采样，与所述第二卷积层得到的特征图进行融合，融合后的特征图采用标准卷积进行降维，降维后的特征图再经过上采样，与所述第一卷积层得到的特征图进行融合，融合后的特征图采用标准卷积进行降维；
S2，构建训练数据，采用所述训练数据对所述漏粉检测模型进行训练，得到经训练的漏粉检测模型；
S3，获取待检测图像，将所述待检测图像输入所述经训练的漏粉检测模型，得到检测结果。
2.根据权利要求1所述的基于改进SSD网络模型的漏粉检测方法，其特征在于，所述改进VGG基础网络中每个卷积块后采用Mish激活函数。
3.根据权利要求1所述的基于改进SSD网络模型的漏粉检测方法，其特征在于，所述步骤S2中的构建训练数据，具体包括：
采集不同漏粉情况下的原始数据集，对所述原始数据集中的图像进行数据增强，得到数据增强数据集，对所述数据增强数据集进行标注，得到所述训练数据。
4.根据权利要求3所述的基于改进SSD网络模型的漏粉检测方法，其特征在于，所述对所述图像进行数据增强，具体包括：
对所述原始数据集中的图像进行图片亮度的变化，得到不同光照条件下的第一数据集；
对所述原始数据集中的图像进行高斯模糊，高斯模糊因子设定为3，得到第二数据集；
对所述原始数据集中的图像进行高斯模糊，高斯模糊因子设定为5，得到第三数据集；
将所述原始数据集和第一数据集、第二数据集、第三数据集合并为数据增强数据集。
5.一种基于改进SSD网络模型的漏粉检测装置，其特征在于，包括：
模型构建模块，被配置为构建漏粉检测模型，所述漏粉检测模型包括改进SSD网络模型，其中，所述改进SSD网络模型包括改进VGG基础网络、改进额外卷积层、多尺度检测层和非极大值抑制层，所述改进VGG基础网络为在VGG16网络的每个卷积块中增加ASPP网络所构成，所述改进VGG基础网络包括依次连接的第一卷积块、第二卷积块、第三卷积块、第四卷积块和第五卷积块，其中，所述第一卷积块、第二卷积块、第四卷积块和第五卷积块中的最后一个卷积后面分别连接一个所述ASPP网络，所述第三卷积块中的第二个卷积与第三个卷积之间连接一个所述ASPP网络，所述改进额外卷积层为在四个卷积层均插入即插即用模块并构建成特征金字塔结构所构成，所述即插即用模块为DAnet网络，所述改进额外卷积层包括依次连接的第一卷积层、第二卷积层、第三卷积层和第四卷积层，每个卷积层的末尾均添加有DAnet网络，所述第四卷积层得到的特征图经过上采样，与所述第三卷积层得到的特征图进行融合，融合后的特征图采用标准卷积进行降维，降维后的特征图再经过上采样，与所述第二卷积层得到的特征图进行融合，融合后的特征图采用标准卷积进行降维，降维后的特征图再经过上采样，与所述第一卷积层得到的特征图进行融合，融合后的特征图采用标准卷积进行降维；
训练模块，被配置为构建训练数据，采用所述训练数据对所述漏粉检测模型进行训练，得到经训练的漏粉检测模型；
检测模块，被配置为获取待检测图像，将所述待检测图像输入所述经训练的漏粉检测模型，得到检测结果。
6.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN202211126941.0A 2022-09-16 2022-09-16 基于改进ssd网络模型的漏粉检测方法、装置及可读介质 Active CN115200784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211126941.0A CN115200784B (zh) 2022-09-16 2022-09-16 基于改进ssd网络模型的漏粉检测方法、装置及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211126941.0A CN115200784B (zh) 2022-09-16 2022-09-16 基于改进ssd网络模型的漏粉检测方法、装置及可读介质

Publications (2)

Publication Number Publication Date
CN115200784A CN115200784A (zh) 2022-10-18
CN115200784B true CN115200784B (zh) 2022-12-02

Family

ID=83572655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211126941.0A Active CN115200784B (zh) 2022-09-16 2022-09-16 基于改进ssd网络模型的漏粉检测方法、装置及可读介质

Country Status (1)

Country Link
CN (1) CN115200784B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520219A (zh) * 2018-03-30 2018-09-11 台州智必安科技有限责任公司 一种卷积神经网络特征融合的多尺度快速人脸检测方法
CN112085148A (zh) * 2020-09-17 2020-12-15 西安多普多信息科技有限公司 一种基于蚁群算法的密闭容器气体泄漏检测方法
CN112580664A (zh) * 2020-12-15 2021-03-30 哈尔滨理工大学 一种基于ssd网络的小目标检测方法
CN114612883A (zh) * 2022-03-17 2022-06-10 重庆大学 一种基于级联ssd和单目深度估计的前向车辆距离检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021081250A1 (en) * 2019-10-22 2021-04-29 Eog Resources, Inc. Anomaly detection in pipelines and flowlines

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520219A (zh) * 2018-03-30 2018-09-11 台州智必安科技有限责任公司 一种卷积神经网络特征融合的多尺度快速人脸检测方法
CN112085148A (zh) * 2020-09-17 2020-12-15 西安多普多信息科技有限公司 一种基于蚁群算法的密闭容器气体泄漏检测方法
CN112580664A (zh) * 2020-12-15 2021-03-30 哈尔滨理工大学 一种基于ssd网络的小目标检测方法
CN114612883A (zh) * 2022-03-17 2022-06-10 重庆大学 一种基于级联ssd和单目深度估计的前向车辆距离检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种改进的用于服装解析的自监督网络学习方法;白美丽等;《纺织高校基础科学学报》;20191230;第32卷(第04期);第385-392页 *
巡检机器人输煤栈桥智能识别应用;蒋新强;《工业控制计算机》;20210824;第34卷(第08期);第83-86页 *
改进SSD的交通标志目标检测算法;肖丹东等;《软件导刊》;20200515;第19卷(第05期);第48-51页 *

Also Published As

Publication number Publication date
CN115200784A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN111476309B (zh) 图像处理方法、模型训练方法、装置、设备及可读介质
CN108427939B (zh) 模型生成方法和装置
CN110378222B (zh) 一种输电线路防震锤目标检测与缺陷识别方法及装置
CN108337505B (zh) 信息获取方法和装置
CN109389096B (zh) 检测方法和装置
CN112116594B (zh) 一种基于语义分割的风飘异物识别方法和装置
CN111507262B (zh) 用于检测活体的方法和装置
CN109285181B (zh) 用于识别图像的方法和装置
CN114049356B (zh) 一种结构表观裂缝检测方法、装置及系统
CN112419179B (zh) 修复图像的方法、装置、设备和计算机可读介质
CN113222949B (zh) 一种电力设备导体插接位置的x射线影像自动检测方法
CN113963251A (zh) 一种海洋生物检测方法、系统和设备
CN115905622A (zh) 视频标注方法、装置、设备、介质及产品
CN114529462A (zh) 一种基于改进YOLO V3-Tiny的毫米波图像目标检测方法及系统
CN115170932A (zh) 门店终端识别方法、装置、系统及计算机可读存储介质
CN113379006B (zh) 图像识别方法、装置、电子设备和计算机可读介质
Shit et al. An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection
CN115200784B (zh) 基于改进ssd网络模型的漏粉检测方法、装置及可读介质
CN115656189A (zh) 基于光度立体与深度学习算法的缺陷检测方法及装置
CN113963167B (zh) 应用于目标检测的方法、装置及计算机程序产品
Yang et al. Intelligent overheating fault diagnosis for overhead transmission line using semantic segmentation
CN114399696A (zh) 一种目标检测方法、装置、存储介质及电子设备
CN114140879A (zh) 基于多头级联注意网络与时间卷积网络的行为识别方法及装置
CN117274253B (zh) 基于多模态Transformer的零配件检测方法、装置及可读介质
CN112434674B (zh) 基于标注框虚拟扩增的微小人脸检测方法、系统及设备

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
GR01 Patent grant
GR01 Patent grant