[发明专利]基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法

说明书

基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法涉及锅炉设备自动化缺陷检测领域。本发明通过使用改进的Fast‑SCNN训练识别水冷壁表面缺陷的缺陷检测模型，使用该检测模型结合选择性搜索算法，运用一定的视频材料处理手段对视频形式的水冷壁表面资料进行缺陷的检测识别工作。该方法可以有效对水冷壁表面获取的视频文件进行缺陷的检测和识别，具有较高的识别准确率，是实现锅炉水冷壁表面缺陷检测自动化的有效手段途径，帮助解决了人工检测缺陷周期长、耗费多、效率低下等问题。

技术领域

本发明涉及锅炉设备自动化缺陷检测领域，尤其涉及一种基于改进的快速分割卷积神经网络(Fast-SCNN)的水冷壁表面缺陷视频识别方法，实现水冷壁表面缺陷视频资源的自动化检测。

背景技术

随着经济社会的发展，国民对于用电的需求日益提高。在诸多的发电方式中，火力发电占据着不可撼动的地位，并且在未来相当长的一段时间内都会是我国的主要电力来源。在火电厂的非计划停工中，一大半都是由于锅炉事故导致的。而在引发锅炉事故的诸多诱因中，水冷壁的破损缺陷是最主要的原因。因此，想要有效预防锅炉事故的发生，减少生命财产安全的损失，对锅炉的水冷壁进行定期的检测和维修，是十分必要的。目前对水冷壁的检测手段仍然多以人工检测为主，很明显这种方法是效率低下且不安全的。

近年来，深度学习方法和理论不断被研究和发展，随着卷积神经网络(CNN)在机器视觉领域的应用，一些更为复杂的检测手法被运用到缺陷检测的工作中。快速分割卷积神经网络(Fast-SCNN)能够提取到图像中的更为深度的层次信息，对于缺陷的捕捉和理解有着出色的表现，可以更加有效地提取局部特征。相较于传统的识别分类模型，Fast-SCNN对缺陷图像的识别效果更佳。

选择性搜索(Selective Search)算法是进行目标检测的主流方法。对于某输入图像，由于其对象尺度形状等因素的不确定性，导致直接套用预训练好的模型进行识别效率低下。通过遍历图像得到小尺寸的区域，然后一次次合并得到大尺寸，将每个区域对应的局部图像进行检测，能有效克服尺度、位置、形变等带来的输入异构问题，提升检测效果。

本文提出了一种视频文件的缺陷检测方法，将视频文件逐帧提取，拼接融合成全局图像后利用选择性搜索算法遍历图像使用改进的快速分割卷积神经网络进行全局缺陷检测，是一种有着较高效率和准确率的视频缺陷检测方法。

发明内容

本发明提出了一种基于改进的快速分割卷积神经网络以及选择性搜索算法的水冷壁表面缺陷视频识别方法，通过对需要检测缺陷的视频文件进行逐帧提取、根据视频的基本情况进行帧与帧之间的拼合操作，生成一张全局图像。使用选择性搜索方法在全局图像上用改进的Fast-SCNN模型进行缺陷检测以及标记工作，将处理后的长图像按其拼接规则分割成独立的视频帧，再将视频帧处理成与原视频时长、尺寸等相同的视频。实验结果表明，基于选择性搜索算法的水冷壁表面缺陷视频识别方法可以有效、准确地处理视频材料。因此，本发明能够实现对水冷壁表面获取的视频材料进行缺陷检测和标注，实现水冷壁表面缺陷的自动化检测，提高检测效率。

本发明的实施方案如下：

(1)将原始视频文件逐帧提取，分解为统一大小的帧图像。

(2)根据视频进行帧拼接，将全部的帧拼接为一个长图像。

(3)使用选择性搜索方法，结合改进的快速分割卷积神经网络训练的缺陷识别模型，进行长图像的全局缺陷检测，检测到缺陷则做标记，未检测到则检测下一个窗口，直至遍历整个图像。

(4)将长图像按其拼接的规则分割为视频尺寸的帧图像。

(5)将帧图像还原为视频，即为缺陷检测的结果视频。

说明如下：

(1)Fast-SCNN的改进与应用：