[發(fā)明專利]基于自注意力網(wǎng)絡(luò)的長(zhǎng)輸管道射線影像缺陷智能識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210090694.7
• 申請(qǐng)日: 2022-01-26
• 公開(kāi)（公告）號(hào): CN114445366A
• 公開(kāi)（公告）日: 2022-05-06
• 發(fā)明（設(shè)計(jì)）人: 左逢源;張照旭;毛建;王子;丁疆強(qiáng);閆海龍;趙祥
• 申請(qǐng)（專利權(quán)）人: 沈陽(yáng)派得林科技有限責(zé)任公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06N3/04;G06N3/08
• 代理公司: 沈陽(yáng)新科知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 21117
• 代理人: 鄭瑤

1.基于自注意力網(wǎng)絡(luò)的長(zhǎng)輸管道射線影像缺陷智能識(shí)別方法，其特征在于，包括以下步驟：

步驟1：基于NEU-ZD-2工業(yè)底片掃描儀對(duì)工業(yè)底片進(jìn)行數(shù)字化獲得焊縫缺陷數(shù)字化圖像后，基于無(wú)損檢測(cè)工程師進(jìn)行缺陷樣本標(biāo)注，制作數(shù)據(jù)集；

步驟2：圖像預(yù)處理，采用改進(jìn)的均值濾波方法去除原始X射線圖像所包含的大量干擾信號(hào)，完成去除噪聲預(yù)處理；

步驟3：設(shè)計(jì)主干網(wǎng)絡(luò)實(shí)現(xiàn)缺陷特征提取，將制作的焊縫缺陷圖像與其相對(duì)應(yīng)的缺陷標(biāo)簽的輸入到網(wǎng)絡(luò)中，提取紋理和語(yǔ)義特征；

步驟4：設(shè)計(jì)改進(jìn)的自注意力網(wǎng)絡(luò)層增強(qiáng)主干網(wǎng)絡(luò)提取到的缺陷深層特征；自注意力層用于計(jì)算特征中不同位置之間的權(quán)重，從而達(dá)到更新特征的效果，通過(guò)連接層進(jìn)行特征的映射，得到增強(qiáng)后的特征。

步驟5：對(duì)多級(jí)特征進(jìn)行特征融合，實(shí)現(xiàn)深層淺層特征增強(qiáng)；

步驟6：模型預(yù)測(cè)機(jī)制：在預(yù)測(cè)頭部對(duì)頸部網(wǎng)絡(luò)所提出的三個(gè)特征圖進(jìn)行推理預(yù)測(cè)，使用三種不同尺度的特征圖來(lái)預(yù)測(cè)不同大小的對(duì)象；在預(yù)測(cè)過(guò)程中，輸入圖像被分成幾個(gè)在回歸時(shí)通過(guò)預(yù)先在特征圖上設(shè)置Anchors，檢測(cè)頭中的每個(gè)網(wǎng)格分配三種類型的錨：

步驟7：分類及回歸損失函數(shù)設(shè)計(jì)：損失函數(shù)用于評(píng)估預(yù)測(cè)值與真實(shí)值之間的差值，將訓(xùn)練集分批次送入網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)最小化公式損失函數(shù)訓(xùn)練檢測(cè)器從而優(yōu)化參數(shù)，該損失函數(shù)包括兩部分，分別是分類損失函數(shù)與回歸損失函數(shù)。

2.根據(jù)權(quán)利要求1所述的基于自注意力網(wǎng)絡(luò)的長(zhǎng)輸管道射線影像缺陷智能識(shí)別方法，其特征在于：步驟1具體包括如下步驟：

步驟1-1，標(biāo)注缺陷數(shù)據(jù)集，按照矩形框的形式給出缺陷的像素坐標(biāo)；對(duì)于給定訓(xùn)練集圖像{X_L,Y_L}，任意圖像x_i中的缺陷實(shí)例集可以表示為每張圖像的實(shí)例標(biāo)簽記作

步驟1-2：進(jìn)行數(shù)據(jù)增強(qiáng)，擴(kuò)充訓(xùn)練樣本來(lái)增加訓(xùn)練樣本的多樣性，提高模型泛化能力，本文采取平移，翻折，尺度縮放，圖像拼接方式并對(duì)標(biāo)簽采取同樣操作從而大量擴(kuò)充了數(shù)據(jù)集，獲得{X_L,Y_L}_DA。

3.根據(jù)權(quán)利要求1所述的基于自注意力網(wǎng)絡(luò)的長(zhǎng)輸管道射線影像缺陷智能識(shí)別方法，其特征在于：步驟2所述的圖像預(yù)處理具體包括以下步驟：

步驟2-1：對(duì)原始的焊縫缺陷圖像中的每個(gè)通道進(jìn)行均值濾波，消除了由于掃描儀硬件生成的干擾。

步驟2-2：設(shè)置幅值截?cái)嗪途禐V波器：首先將圖像矩陣中的像素的最大值被限制為低于一個(gè)閾值；然后應(yīng)用一個(gè)中值濾波器到每個(gè)通道；設(shè)計(jì)的改進(jìn)中值濾波器算法實(shí)現(xiàn)如下：假設(shè)信號(hào)序列為x(j),j∈n，定義一個(gè)奇數(shù)長(zhǎng)度為L(zhǎng)＝2N+1的滑動(dòng)窗口，其中N是一個(gè)正整數(shù)；對(duì)于每個(gè)整數(shù)i，L個(gè)樣本，即x(i-N)x(i),Λx(i+N)，按升序排列，然后將中值定義為中值濾波器的輸出；

步驟2-3：梯度分?jǐn)?shù)計(jì)算：圖像的梯度被寫(xiě)成X方向和Y方向上的梯度之和，如下式所示：這里f(i,j)表示位置(i,j)處的像素值，x_num是x軸方向上的數(shù)據(jù)點(diǎn)總數(shù)，N_X是用于計(jì)算每個(gè)位置上的梯度分?jǐn)?shù)的數(shù)據(jù)點(diǎn)數(shù)；在y軸方向上的梯度分?jǐn)?shù)的計(jì)算過(guò)程與上述計(jì)算過(guò)程相似。

4.根據(jù)權(quán)利要求1所述的基于自注意力網(wǎng)絡(luò)的長(zhǎng)輸管道射線影像缺陷智能識(shí)別方法，其特征在于：步驟3所述的設(shè)計(jì)主干網(wǎng)絡(luò)實(shí)現(xiàn)缺陷特征提取，具體包括以下步驟：

步驟3-1：輸入圖像到特征提取網(wǎng)絡(luò)中，提取紋理和語(yǔ)義特征；輸入模型圖像的大小必須是32的倍數(shù)，這里輸入圖像參數(shù)選取640*640*3；

步驟3-2：逐層特征提?。簩⑤斎雸D像依次送入主干網(wǎng)絡(luò)各層，提取缺陷特征；

步驟3-3：多層特征提?。喊凑丈鲜鰴C(jī)制重復(fù)多次進(jìn)行深層特征提取，得到多階段特征圖。