[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

说明书

本发明公开了一种基于卷积神经网络多尺度特征的管道缺陷检测方法，属于缺陷检测技术领域，包括以下步骤：S1：构建网络的输入端部分；S2：构建网络的主干网络部分；S3：构建网络的多尺度融合特征金字塔部分；S4：构建网络的损失函数；S5：构建网络的输出预测部分；S6：使用数据集对构建网络进行训练得到优先网络权重；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。将卷积神经网络作为缺陷检测的主要方法，实现检测过程的智能化以及实时性。

技术领域

本发明涉及缺陷检测技术领域，特别涉及一种基于卷积神经网络多尺度特征的管道缺陷检测方法。

背景技术

管道运输不仅是一个国家国民经济综合运输的重要组成部分，也是衡量这个国家运输业和能源是否发达的特征之一。由于受自然条件，运输介质以及人为破坏等因素的影响，管道极易出现腐蚀，裂纹等损伤问题，因此定期对管路进行检查就显得十分重要了。

缺陷检测方法的最终目的是获取目标缺陷的类别和位置。早期的传统方法是使用不同方法提取手工特征，例如HOG(Histogram of Or iented Gradient，方向梯度直方图)和LBP(Local Binary Pattern，局部二值模式)，然后利用滑窗法获取目标的大致位置，最后基于这些区域使用分类器进行分类，如SVM(Support Vector Machine，支持向量机)。此类的方法所执行的并不是完整的缺陷检测，由于它们所获得的只是缺陷的大致位置，而且方法的选择过于主观，检测结果主要取決于手工特征的选择。CNN(Convolutional NeuralNetworks，卷积神经网络)以自动特征学习和端到端高性能分类能力引起了人们的高度关注。CNN首先被应用于手写字符识别，后来扩展到其他应用，如对象识别，人脸检测，图像分类，语音识别等等。经过几年的发展，深度学习在机器视觉领域发展迅速，且大量方法在工程应用领域得到较好的结果。目前主流的机器视觉技术在管道内壁缺陷检测领域的应用大致分为两个步骤：(1)使用机器人携带工业摄像机采集图像，并进行预处理。(2)选择适当的分类器提取图像特征并进行分类。由于在实际环境中，管道内壁缺陷存在不连续、缺陷尺度变化大等特点，导致目前的分类器算法检测精度不能达到理想效果。另外，部分得到图像后，由于不同角度得到的图像的光源情况不同，目前算法在分离研究区域与背景这一块仍存在较大困难，即无法很好解决小目标检测，且训练得到的分类器常面临检测速度慢、识别精度低等问题，距实现精准的、实时处理的工业应用目标有一定的差距。

发明内容

本发明的目的在于提供一种基于卷积神经网络多尺度特征的管道缺陷检测方法，将卷积神经网络作为缺陷检测的主要方法，以实现检测过程的智能化以及实时性，具有重要的应用价值，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于卷积神经网络多尺度特征的管道缺陷检测方法，包括以下步骤：

S1：构建网络的输入端部分；

S2：构建网络的主干特征提取网络部分，所述主干特征提取网络主要由CSPDarkNet53网络与DenseNet(Densely Connected Convolutional Networks，密集连接型卷积网络)网络融合构成；

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；

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；

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；