[发明专利]一种基于卷积神经网络多尺度特征的管道缺陷检测方法

权利要求书

1.一种基于卷积神经网络多尺度特征的管道缺陷检测方法，其特征在于，包括以下步骤：

S1：构建网络的输入端部分，构建网络的输入端部分包括以下步骤：

S101：在训练阶段使用Mosaic数据增强，随机选取数据集中的4张图片进行随机缩放、随机裁剪、随机排布的方式进行拼接，使用拼接后的图片进行训练；

S102：在训练阶段加入自适应锚框计算方法，将锚框的计算部分整合进网络之中；

S103：在测试阶段使用自适应图片缩放，指的是抛弃以往图片原本的尺寸和比例，全部转换为相同的尺寸大小的图片，并使用黑色像素块填充缺失区域，使用计算缩放比例的方式、自适应的调整图片大小；

S2：构建网络的主干网络部分，所述主干网络主要由CSP DarkNet53网络与denseNet网络融合构成；

构建网络的主干网络部分包括以下步骤：

S201：图像进入网络后首先进入focus结构，将输入的图片进行切片操作；

S202：构建卷积块模块，卷积块由卷积、BN正则化、激活三种操作组成的；

S203：构建主干网络的主体部分，主干网络的主体部分由4个CSP结构与2个密集连接块构成，经过focus结构后，304*304*64的图片经过4个CSP结构与2个密集连接块，所述CSP结构为：首先经过一个卷积块模块，其次将图片分别送入两个分支B1与B2，B1分支经过1个卷积块、X个残差结构、1个卷积块，B2分支经过1个卷积块，然后将经过B1分支与B2分支的图片进行堆叠操作，最后再经过1个卷积块，其中X代表本个CSP结构的B1分支中残差结构的个数，记为CSP_X；所述残差结构分为两部分：一部分由残差边构成，既不进行操作，另一部分由2个连续的卷积块构成，最后将两部分相加得到结果；构建主干网络的主体部分中4个CSP结构依次为CSP_2、CSP_8、CSP_8、CSP_4；

S3：构建网络的多尺度融合特征金字塔部分，并与主干网络部分进行连接融合，为了更好地提取特征融合特征，使用特征金字塔对图片进一步的提取特征，构建网络的多尺度融合特征金字塔部分包括以下步骤：

S301：构建SPP模块，首先将输入进来的图片经过3个卷积块模块，其次使用padding方式进行最大池化，再将4种尺度的特征图进行堆叠；

S302：构建多尺度特征金字塔模块，并与主干网络连接，特征金字塔结构采用FPN结构+PAN结构的方式搭建；

所述特征金字塔模块共有3个分支，定义为b1、b2、b3；

b1分支由主干网络中的第1个CSP_8结构作为起始，图像经过第1个CSP_8结构后同时输入给主干网络中的第1个密集连接块与b2分支中经过上采样的特征层进行堆叠，堆叠后的特征层经过5个卷积块，将结果下采样后分别送入b2分支与输出预测部分；

b2分支由主干网络中的第2个CSP_8结构作为起始，图像经过第2个CSP_8结构后同时输入给主干网络中的第2个密集连接块与b3分支中经过上采样的特征层进行堆叠，堆叠后的特征层经过5个卷积块，然后接收上述从b1分支下采样后的结果，与其进行堆叠操作后再次经过5个卷积块，最后将结果下采样后分别送入b3分支与输出预测部分；

b3分支是由SPP模块作为起始，首先经过3个卷积块，然后其结果：与b2分支经过下采样的结果进行堆叠后在经过5个卷积块，最后送入输出预测部分；上采样送入b2分支；

S4：构建网络的损失函数，目标检测的损失函数包含三部分：回归损失、置信度损失和分类损失，所述构建网络的损失函数包括以下步骤：

S401：构建location_loss部分，location_loss部分需要进行由网络预测得到的锚框与真实锚框的对比操作，使用CIoU损失函数进行回归损失的评价；

S402：构建confidence_loss部分，confidence_loss代表网络的置信度分数损失；

S403：构建class_loss部分，class_loss代表分类损失；

S5：构建网络的输出预测部分，在经过上述主干网络与多尺度融合特征金字塔结构后，对特征层进行卷积操作，最后得到特征层的预测结果，将其进行解码操作得到相关锚框的坐标与置信度分数，设置置信度阈值后进行锚框的挑选任务；

S6：使用数据集对构建网络进行训练得到优先网络权重，即设置网络的训练参数，并使用数据集进行训练；

S7：使用训练完成的检测网络来执行管道内缺陷图片检测的任务，将管道缺陷图片输入本网络进行预测验证，得出缺陷的类别、置信度分数与锚框。