[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

本發明提供的一種管道缺陷識別的方法，在管道機器人實時傳送管道內視頻的同時，將視頻采樣為關鍵幀圖像，并對圖像中的管道缺陷進行有效的識別和抓取，將提取到的缺陷圖像定位標記保存，本發明以DefectNet的基本思想將目標缺陷檢測作為回歸問題解決，首先通過卷積神經元網絡進行特征提取得到一定尺寸的特征圖，然后多尺度預測把不同尺度特征圖劃分為若干網格，缺陷目標的中心落在哪個網格，哪個網格就負責預測該缺陷目標，最后就是目標分類和邊框回歸，每個網格判定缺陷目標所屬的類別以及對邊框位置進行調整，與現有的技術相比，提高了檢測精度和檢測效率，具有較高的創新性和實用價值，適宜推廣。

技術領域

本發明屬于計算機視覺與機器學習領域，尤其涉及一種管道缺陷識別方法。

背景技術

傳統的管道缺陷識別方法采用人工實時檢測，或采用傳統的典型缺陷檢測算法Haar特征+Adaboost算法、Hog特征+Svm算法、DPM算法等進行缺陷檢測。人工檢測工作量大，采用傳統算法也存在一些問題：傳統的缺陷檢測算法使用滑動窗口選擇候選區域時沒有針對性，同時，使用滑動窗口遍歷一張圖片時，所有的窗口都要分別進行一次計算，時間復雜度高，窗口冗余。這嚴重影響了后面的特征提取以及分類的效率。窗口的大小需要手工設定，需要設置不同的尺度以致魯棒性不高。此外，在進行特征提取時，由于缺陷形態特征的多樣性，光照強度以及背景變化的影響使得特征提取沒有很好地魯棒性，這也直接影響了分類的準確率。

發明內容

為解決上述背景技術中存在的缺陷，本發明提供的一種管道缺陷識別方法，通過Defect_Net智能檢測模型進行目標檢測，解決了現在技術中傳統缺陷識別算法存在分類效率低，準確率不高的問題，適用于對管道內壁缺陷的檢測，為實現上述目的，本發明技術解決方案如下：

一種管道缺陷識別方法，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。

優選地，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；