[发明专利]基于边缘强化图像分割的风机数字孪生特征实时检测方法

权利要求书

1.一种基于边缘强化图像分割的风机数字孪生特征实时检测方法，其特征在于，该方法包括如下步骤：

（1）选取某个特定风机的若干带有表面特征的风机图片，基于选取的风机图片，在虚拟环境中，对该特定风机和风机周边场景进行建模，并增加风机的表面特征；

（2）使用虚拟场景中的相机对虚拟的带有表面特征的风机模型进行仿真拍摄，得到带有表面特征的数字孪生虚拟风机图片；

（3）先对真实风机图片与数字孪生虚拟风机图片进行数据集的扩充和增强，并标注出图片中显示出的所有表面特征的区域以及每个表面特征所属类别，所述类别包括涡流发生器面板、涡流发生器面板缺失、锈蚀三类；

（4）选取Mask RCNN作为图像分割的基础网络，并对其进行边缘识别效果进行增强，得到边缘强化Mask RCNN；将步骤（3）得到的所有风机图片中的风机表面特征的区域以及该表面特征所属类别分别抽象为数字向量和标量，其中，数字向量作为边缘强化Mask RCNN的输入，标量作为边缘强化Mask RCNN分类的对照标签；所述边缘强化Mask RCNN为在Mask RCNN训练时增加损失函数中预测区域边界所占的权重后的深度学习图像分割神经网络；

（5）将步骤（3）中的扩充和增强后的风机图片以及数字向量、对照标签输入到所述边缘强化Mask RCNN中进行训练，得到参数优化后的边缘强化Mask RCNN权重参数；

（6）将待测试的图片输入到参数优化后的边缘强化Mask RCNN中，实时输出该图片上所有表面特征所属类别以及每个表面特征的区域。

2.根据权利要求1所述的基于边缘强化图像分割的风机数字孪生特征实时检测方法，其特征在于，所述边缘强化Mask RCNN由深度卷积神经网络、RPN网络、RoIAlign网络、并联的全连接层和经过改进后的FCN网络四部分依次串联而成；所述深度卷积神经网络用于提取输入图像的不同尺度的信息，所述RPN网络用于生成不同大小的待检测的表面特征的区域，所述RoIAlign网络用于将不同大小的待检测的表面特征的区域生成固定长度的数字特征，所述全连接层用于进行类别检测，所述经过改进后的FCN网络用于表面特征的区域检测。

3.根据权利要求2所述的基于边缘强化图像分割的风机数字孪生特征实时检测方法，其特征在于，所述深度卷积神经网络选用Resnet101。

4.根据权利要求1所述的基于边缘强化图像分割的风机数字孪生特征实时检测方法，其特征在于，所述的步骤（1）中，虚拟场景的构建基于实体照片的三维融合，虚拟风机和风机特征基于真实风机模型与现有的特征图像生成。

5.根据权利要求1所述的基于边缘强化图像分割的风机数字孪生特征实时检测方法，其特征在于，所述的步骤（2）中，虚拟相机的拍摄通过设定围绕风机主体自动旋转，自动拍摄。

6.根据权利要求1所述的基于边缘强化图像分割的风机数字孪生特征实时检测方法，其特征在于，所述的步骤（3）中，首先采用金字塔和修补增强两种图像增强方法对带有表面特征的风机图片进行样本图片扩充，然后再对扩充后的所有图片均通过左右翻转、对比归一化、高斯模糊进一步扩充，然后标注出图片上每个表面特征的区域以及每个表面特征所属类别。

7.根据权利要求1所述的基于边缘强化图像分割的风机数字孪生特征实时检测方法，其特征在于，所述的步骤（3）中，标注每个表面特征的轮廓代表其所在区域，且每个表面特征所属类别定义为整数。

8.根据权利要求3所述的基于边缘强化图像分割的风机数字孪生特征实时检测方法，其特征在于，将深度卷积神经网络输出的特征图作为RPN网络的输入，产生长宽比为1:2，1:1，2:1、以及大小为32、64、128、256、512的多个的候选框，通过RPN网络的检测，保留带有目标物体的候选框。