[發明專利]一種管道缺陷識別方法

在審

• 申請號: 202010502444.0
• 申請日: 2020-06-04
• 公開（公告）號: CN111695482A
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 孫志剛;劉傳水;趙毅;張恕孝;藍夢瑩;鄒志忠;孫少卿;于振寧;劉晶晶;王艷云;魏婷
• 申請（專利權）人: 華油鋼管有限公司;上海圣堯智能科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06T7/00;G06T7/11;G06T7/13;G06N3/04;G06N3/08;G01N21/954;G01N21/88
• 代理公司: 宿遷市永泰睿博知識產權代理事務所(普通合伙) 32264
• 代理人: 喜歡

1.一種管道缺陷識別方法，其特征在于，包括以下步驟：

步驟一，檢測模型的訓練，首先由管道機器人攜帶高清攝像頭進入管道內部進行采集圖像，將采集到的圖像運用DefectNet方法中的目標缺陷檢測模型進行訓練；

步驟二，將訓練好的模型應用于后續的缺陷檢測；

步驟三，缺陷檢測，具體缺陷檢測方法采用管道機器人攜帶高清攝像頭進入管道內部，將實時回傳的視頻進行采樣為關鍵幀圖像，并對圖像中的管道缺陷進行有效的識別，其缺陷檢測步驟為：

1.1)、分割圖像和邊界框的預測，分割圖像采用超像素分割方法，提取圖像前景和背景信息，主要檢測圖像前景信息，從而提高檢測效率，DefectNet將輸入圖像分割成若干個格子，每個格子在不同的尺度預測邊界框及其置信度和缺陷屬于某種類別的概率信息，其中邊界框信息為缺陷的中心位置相對于格子位置的偏移量、寬度和高度，置信度反映是否包含缺陷以及包含缺陷情況下位置的準確性；DefectNet對每個邊界框通過邏輯回歸預測一個缺陷的得分，然后根據此得分獲取缺目標陷部位狀況；

1.2)、卷積神經元網絡提取網格中的特征，卷積神經元網絡對整個圖像進行系列卷積運算，得到特征圖，取出特征圖上每個邊框內的特征形成高維特征向量；

1.3)、圖像中缺陷的識別分類，每個網格預測若干個邊界框，根據計算得到的分類誤差，置信度以及類別概率等判別缺陷；

步驟四，將識別的結果進行分類保存。

2.如權利要求1所述的一種管道缺陷識別方法，其特征在于：步驟一中的對目標缺陷檢測模型的訓練包括以下幾個步驟：

2.1)、將輸入圖像分成若干個網格，每個網格負責檢測‘落入’該網格的管道內壁缺陷；

2.2)、對每個網格用卷積神經元網絡提取特征，形成高維特征向量，所述卷積神經元網絡為訓練好的ImageNet網絡；

2.3)、利用邊框和提取出的特征對卷積神經元網絡進行調優，調優依據標準的反向傳播算法進行，從特征圖開始向后調整各層權重；

2.4)、以特征圖輸出的高維特征向量和缺陷類別標簽為輸入，訓練對目標邊框和目標類別進行精細回歸的回歸器。

3.如權利要求1所述的一種管道缺陷識別方法，其特征在于：步驟三中具體為步驟1.1)中的所述的分割圖像采用超像素分割(SLIC)算法并結合圖和流形排序的顯著性檢測算法，其具體實現的步驟如下：

3.1)、由SLIC算法生成超像素，構造一個以超像素為節點的閉環圖；

3.2)、利用流形排序的顯著性檢測算法對圖像背景先驗的流行排序和前景上的流行排序，即使用圖像每一側的節點作為標記的背景種子點來開拓邊界先驗，從每個標記結果中，根據節點與這些種子點的相關性計算節點的顯著性作為背景標簽，將四個標記的圖集成以生成一幅顯著性圖；將前面的結果進行二值分割，并將標記的前景節點作為顯著種子點；基于每個節點與最終映射的前景種子點的相關性來計算每個節點的顯著性，以獲得最終的顯著性圖。

4.如權利要求1所述的一種管道缺陷識別方法，其特征在于：步驟三具體為步驟1.1)中DefectNet設定的閾值是0.5，如果預測的邊界框與真實的邊框值大部分重合且比其他所有預測的要好，那么所述得分值為1，如果重合度沒有達到此閾值，預測的邊界框將會被忽略，顯示成沒有損失值。

5.如權利要求4所述的一種管道缺陷識別方法，其特征在于：步驟三中缺陷檢測采取的檢測框架由VGG16內核和DefectNet的檢測框架組成，所述DefectNet借鑒了Faster R-卷積神經元網絡中的Anchor box的思想，在公開的COCO數據集上，使用了K-means聚類的方法來對Anchor box的大小進行初始化，按圖像輸入尺寸416*416得到了9中不同尺度的Anchorbox聚類結果，其大小分別是(10*13)，(16*30)，(33*23)，(30*61)，(62*45)，(59*119)，(116*90)，(156*198)，(373*362)。