[發明專利]一種基于神經網絡的油氣管道標志物識別方法

有效

• 申請號: 202010096021.3
• 申請日: 2020-02-17
• 公開（公告）號: CN111339858B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 于永斌;唐倩;彭辰輝;陸瑞軍;買峰;湯亦凡;戚敏惠;鄧權芯;毛宇涵
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V20/17;G06K9/62;G06N3/04
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 周劉英

本發明提供了一種基于神經網絡的油氣管道標志物識別方法，該方法包括步驟：構建模型，獲取訓練集、驗證集和測試集，經過訓練得到最優模型，采用測試集進行測試，得到檢測結果并計算檢測精度。本發明使用參數少的Mobilenet作為基礎網絡，在多尺度特征映射上直接回歸的SSD算法作為目標檢測算法，實現了多尺度的目標檢測，且檢測模型小、檢測速度快，使檢測模型部署在移動端，對油氣管道的標志物進行實時檢測；并通過CBAM注意力機制從全局和局部范圍突出標志物的顯著特征，獲得更好的檢測效果；同時注意力機制嵌入在基礎網絡的每層后面，可以從第一層逐層增強特征表達能力，有效剔除干擾信息，提高檢測精度。

技術領域

本發明屬于油氣管道安全領域，尤其涉及一種基于神經網絡的油氣管道標志物識別方法。

背景技術

石油、天然氣等資源具有重要戰略作用，其運輸具有距離長、范圍廣的特點，由于油氣管道系統自身的磨損、腐蝕以及其他因素，泄漏時有發生，油氣泄漏容易引起爆炸、火災，產生有毒有害氣體，因此，加強油氣管道的安全管理具有重要意義。

在油氣管道安全領域，除了耗時耗力的人工巡檢外，目前還有基于神經網絡訓練管道焊縫缺陷數據或管道泄漏時壓力波信號進行管道漏檢的方法，這些方法都是基于管道內部的特征判斷是否泄漏，但管道周邊環境的變化同樣影響著管道安全，可在管道周邊隔一定距離設置標志物，通過對航拍的圖片進行標志物檢測判斷環境是否有異常，實現管道安全管理。

隨著卷積神經網絡在圖片分類任務取得成功，由于其能夠自動提取高效特征，也被應用在目標檢測任務中。目前基于神經網絡的目標檢測算法主要有兩類：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；二是基于回歸的方法，主要的算法有YOLO和SSD。第一類算法不斷進行改進，在精度和速度上都得到較大提升，但是速度無法滿足實時檢測的需求，所以提出基于回歸的算法，直接從圖片中回歸出目標物體的位置以及種類，大大提升了檢測的速度，其中SSD算法不僅速度快，精度也略高于Faster R-CNN。在現代目標檢測系統中，通常需要部署基礎網絡進行特征提取，主要有V GG、Mobilenet、Resnet等網絡結構可作為基礎網絡，在目標檢測算法相同時，使用Mobilen et部署可以在計算量更小模型參數更小的情況下，達到與其他網絡結構相近的精度。

在管道安全管理中，更希望能對航拍的圖片進行實時檢測判斷是否有異常；對于航拍的圖片，標志物相對于整個背景比較小，由于場景復雜地形多變，干擾較大，并且隨著航拍的高度變化標志物還存在頻繁的尺度變化；所以，目前主要挑戰是如何用更小更快的模型識別多尺度目標及較小目標。

發明內容

針對上述問題，為了實現更小更快的模型檢測多尺度目標，尤其是提高小目標檢測效果，本發明提出了一種基于神經網絡的油氣管道標志物識別方法。

本發明提出使用Mobilenet-SSD目標檢測模型實現目標檢測，利用Mobilenet參數少、S SD算法可直接在多尺度特征映射進行回歸的特性，達到目標檢測模型速度快、模型小、精度高的目的；在基礎網絡Mobilenet中嵌入CBAM(Convolutional Block AttentionModule，卷積塊注意力模塊)，對目標特征顯著性進行增強，使得SSD算法能夠在特征層上更有效更準確地進行目標檢測。

一種基于神經網絡的油氣管道標志物識別方法，包括以下步驟：

1)基于神經網絡構建目標檢測網絡結構模型。

2)獲取油氣管道周圍環境的航拍圖片，從中選取正樣本與易干擾的負樣本，對正樣本與負樣本進行數據增廣，得到進行數據增廣后的航拍圖片，將進行數據增廣后的航拍圖片與原航拍圖片混合作為數據集。

3)將上述數據集按照預設比例分為訓練集、驗證集和測試集，并建立數據集中的數據與對應標簽之間的一一映射。