[发明专利]一种锅炉水冷壁管缺陷识别系统、方法和存储介质

权利要求书

1.一种锅炉水冷壁管缺陷识别系统，其特征在于，包括数据采集模块、训练模块、检测模块，所述数据采集模块用于收集锅炉水冷壁管图像数据，并对图像数据中的缺陷进行定位标注和类别标注，形成训练集；所述训练模块用于采用训练集训练网络模型，所述检测模块用于将待检测图片输入训练后的网络模型并输出锅炉水冷壁管缺陷识别结果；

所述网络模型包括主干网络和下游检测网络，所述主干网络用于提取图像数据的特征信息，所述下游检测网络用于对特征信息进行定位分类并输出缺陷位置和缺陷类别；所述主干网络包括特征提取网络和复合特征金字塔，所述特征提取网络用于提取图像数据的局部特征和全局特征，所述复合特征金字塔与下游检测网络连接；所述复合特征金字塔包括特征拼接层、第一特征金字塔、第二特征金字塔和自适应细化模块，所述第一特征金字塔、第二特征金字塔的输入分别为局部特征和全局特征，所述第一特征金字塔、第二特征金字塔分别与特征拼接层连接，所述特征拼接层用于将第一特征金字塔、第二特征金字塔的同尺度特征信息融合并生成多项融合特征金字塔；所述自适应细化模块包括特征相乘层、特征相加层、全局平均池化层以及S型生长曲线函数层；所述第一特征金字塔通过全局平均池化层与S型生长曲线函数层连接，所述特征拼接层和S型生长曲线函数层的输出端分别与特征相乘层连接，用于去除冗余信息，所述特征拼接层和特征相乘层的输出端分别与特征相加层连接，用于增强贡献度大的特征点，抑制不重要的特征点。

2.根据权利要求1所述的一种锅炉水冷壁管缺陷识别系统，其特征在于，所述特征提取网络包括并行设置的卷积神经网络和变形神经网络，所述卷积神经网络的输入为原始样本图像，且输出为局部特征，用于获取图像的局部细节信息；所述变形神经网络的输入为原始样本图像下采样的图像，且输出为全局特征，用于准确获取图像的全局上下文信息。

3.根据权利要求2所述的一种锅炉水冷壁管缺陷识别系统，其特征在于，所述卷积神经网络采用从前至后依次设置的卷积层、批归一化层、激活函数层按照残差网络结构进行搭建；所述变形神经网络包括从前至后依次设置的区域分割层、线性变换层、基于窗口的变形自注意力模块。

4.根据权利要求1所述的一种锅炉水冷壁管缺陷识别系统，其特征在于，所述下游检测网络包括从前至后依次设置的建议区域生成网络、感兴趣区域池化层、检测器；所述建议区域生成网络用于生成候选建议区域集合，所述检测器用于对提取的候选建议区域的特征信息进行定位分类，并输出缺陷位置和缺陷类别。

5.根据权利要求4所述的一种锅炉水冷壁管缺陷识别系统，其特征在于，所述网络模型的损失函数包括类别损失函数和定位回归损失函数，所述类别损失函数采用二元交叉熵损失函数，用于计算预测类别值与预测概率值之间的损失值；所述定位回归损失函数采用平滑L1损失函数，用于计算候选区域与真实边界框之间的损失值。

6.一种锅炉水冷壁管缺陷识别方法，采用权利要求1-5任一项所述的系统进行，其特征在于，包括以下步骤：

步骤S100：拍摄锅炉水冷壁管图片或视频，并对图像数据中的缺陷进行定位标注和类别标注，生成训练集和测试集；

步骤S200：搭建网络模型，利用特征提取网络提取训练集的样本图像的全局特征和局部特征，将全局特征和局部特征分别输入不同的特征金字塔，并拼接融合得到多项融合特征金字塔，对特征信息进行细化提取；然后，采用下游检测网络对特征信息进行类别分类和定位回归；

步骤S300：采用训练集对网络模型进行训练，采用损失函数计算预测值和真实值之间的差值，进而优化网络模型的权重参数；

步骤S400：设置最大迭代次数、学习率、预热迭代次数的相关参数，然后，迭代计算前向传播损失值，再反向传播优化权重参数，达到缩小损失值直至收敛的目的，最后，得到训练后的网络模型；

步骤S500：将待检测图片输入训练后的网络模型并输出锅炉水冷壁管的缺陷位置和缺陷类别。