一种基于神经网络的油气管道标志物识别方法技术

本发明专利技术提供了一种基于神经网络的油气管道标志物识别方法，该方法包括步骤：构建模型，获取训练集、验证集和测试集，经过训练得到最优模型，采用测试集进行测试，得到检测结果并计算检测精度。本发明专利技术使用参数少的Mobilenet作为基础网络，在多尺度特征映射上直接回归的SSD算法作为目标检测算法，实现了多尺度的目标检测，且检测模型小、检测速度快，使检测模型部署在移动端，对油气管道的标志物进行实时检测；并通过CBAM注意力机制从全局和局部范围突出标志物的显著特征，获得更好的检测效果；同时注意力机制嵌入在基础网络的每层后面，可以从第一层逐层增强特征表达能力，有效剔除干扰信息，提高检测精度。

An identification method of oil and gas pipeline markers based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的油气管道标志物识别方法
本专利技术属于油气管道安全领域，尤其涉及一种基于神经网络的油气管道标志物识别方法。
技术介绍
石油、天然气等资源具有重要战略作用，其运输具有距离长、范围广的特点，由于油气管道系统自身的磨损、腐蚀以及其他因素，泄漏时有发生，油气泄漏容易引起爆炸、火灾，产生有毒有害气体，因此，加强油气管道的安全管理具有重要意义。在油气管道安全领域，除了耗时耗力的人工巡检外，目前还有基于神经网络训练管道焊缝缺陷数据或管道泄漏时压力波信号进行管道漏检的方法，这些方法都是基于管道内部的特征判断是否泄漏，但管道周边环境的变化同样影响着管道安全，可在管道周边隔一定距离设置标志物，通过对航拍的图片进行标志物检测判断环境是否有异常，实现管道安全管理。随着卷积神经网络在图片分类任务取得成功，由于其能够自动提取高效特征，也被应用在目标检测任务中。目前基于神经网络的目标检测算法主要有两类：一是基于regionproposal的方法，主要的算法有R-CNN，SPP-Net，FastR-CNN，FasterR-CNN；二是基于回归的方法，主要的算法有YOLO和SSD。第一类算法不断进行改进，在精度和速度上都得到较大提升，但是速度无法满足实时检测的需求，所以提出基于回归的算法，直接从图片中回归出目标物体的位置以及种类，大大提升了检测的速度，其中SSD算法不仅速度快，精度也略高于FasterR-CNN。在现代目标检测系统中，通常需要部署基础网络进行特征提取，主要有VGG、Mobilenet、Resnet等网络结构可作为基础网络，在目标检测算法相同时，使用Mobilenet部署可以在计算量更小模型参数更小的情况下，达到与其他网络结构相近的精度。在管道安全管理中，更希望能对航拍的图片进行实时检测判断是否有异常；对于航拍的图片，标志物相对于整个背景比较小，由于场景复杂地形多变，干扰较大，并且随着航拍的高度变化标志物还存在频繁的尺度变化；所以，目前主要挑战是如何用更小更快的模型识别多尺度目标及较小目标。
技术实现思路
针对上述问题，为了实现更小更快的模型检测多尺度目标，尤其是提高小目标检测效果，本专利技术提出了一种基于神经网络的油气管道标志物识别方法。本专利技术提出使用Mobilenet-SSD目标检测模型实现目标检测，利用Mobilenet参数少、SSD算法可直接在多尺度特征映射进行回归的特性，达到目标检测模型速度快、模型小、精度高的目的；在基础网络Mobilenet中嵌入CBAM(ConvolutionalBlockAttentionModule，卷积块注意力模块)，对目标特征显著性进行增强，使得SSD算法能够在特征层上更有效更准确地进行目标检测。一种基于神经网络的油气管道标志物识别方法，包括以下步骤：1)基于神经网络构建目标检测网络结构模型。2)获取油气管道周围环境的航拍图片，从中选取正样本与易干扰的负样本，对正样本与负样本进行数据增广，得到进行数据增广后的航拍图片，将进行数据增广后的航拍图片与原航拍图片混合作为数据集。3)将上述数据集按照预设比例分为训练集、验证集和测试集，并建立数据集中的数据与对应标签之间的一一映射。4)将步骤3)中的训练集输入到目标检测网络结构模型中进行训练，训练的同时对验证集进行评估，得到训练集与验证集表现俱优的目标检测网络结构模型，保存该训练集与验证集表现俱优的目标检测网络结构模型。5)将测试集中的数据输入到步骤4)保存的训练集与验证集表现俱优的目标检测网络结构模型中进行检测，得到检测结果并计算检测精度。所述步骤2)中的数据增广是深度学习中用于增加数据集的方法，它让数据集尽可能的多样化。本专利技术采用旋转、剪切、改变图像色差、改变图像尺寸的方式对数据集进行增广。进一步地，基于神经网络构建的目标检测网络结构模型包含三部分：作为基础网络的Mobilenet网络、CBAM注意力模块和SSD算法。进一步地，Mobilenet-SSD结构的基础网络Mobilenet网络除了第1层为标准卷积层外，之后由13个连续的深度可分离卷积模块构成，然后在基础网络后添加4层标准卷积层组成Mobilenet-SSD结构。进一步地，深度可分离卷积模块由Depthwise卷积与Pointwise卷积串联组成。进一步地，CBAM注意力模块由通道注意力模块和空间注意力模块串联组成。具体地，CBAM注意力模块嵌入在本专利技术中的基础网络Mobilenet的标准卷积层和每个深度可分离卷积模块后。具体地，SSD算法提取基础网络Mobilenet中的第11个和第13个深度可分离卷积模块的特征图，以及后面4层标准卷积层的特征图，在这6个尺度不同的特征图上提取特征回归出目标的位置与分类的置信度。本专利技术的有益效果在于：(1)使用参数少的Mobilenet作为基础网络，在多尺度特征映射上直接回归的SSD算法作为目标检测算法，能够实现多尺度的目标检测，且检测模型小、检测速度快，可以使检测模型部署在移动端，对油气管道的标志物进行实时检测。(2)通过使用CBAM注意力机制，从全局和局部范围突出标志物的显著特征，能够获得更好的检测效果；同时注意力机制嵌入在基础网络的每层后面，可以从第一层逐层增强特征表达能力，有效剔除干扰信息，提高检测精度。附图说明图1为本专利技术基于神经网络构建目标检测网络结构模型图图2为本专利技术的目标检测流程图图3为本专利技术的深度可分离卷积模块图图4为本专利技术的CBAM注意力模块图图5为标准Mobilenet-SSD模型与本专利技术模型检测油气管道图片的结果输出图具体实施方式下面结合附图对本专利技术的具体实施方式以及工作原理作进一步详细说明。如图1所示为本专利技术的基于神经网络构建的目标检测网络结构模型图，即嵌入CBAM的Mobilenet-SSD网络结构图。输入为大小为300×300×3的图片，第1层为标准卷积层，由Conv表示，由32个3×3×3卷积核进行步长为2的卷积，输出为150×150×32的特征图；之后13层代表13个深度可分离卷积模块，由Depthwise表示；第2层的深度可分离卷积模块先由1个3×3×32卷积核进行步长为1的Depthwise卷积输出150×150×32的特征图，然后再由64个1×1×32的卷积核进行步长为1的Pointwise卷积得到150×150×64的特征图；第3层的深度可分离卷积模块先由1个3×3×64卷积核进行步长为2的Depthwise卷积输出75×75×64的特征图，然后再由128个1×1×64的卷积核进行步长为1的Pointwise卷积得到75×75×128的特征图；第4层的深度可分离卷积模块先由1个3×3×128卷积核进行步长为1的Depthwise卷积输出75×75×128的特征图，然后再由128个1×1×128的卷积核进行步长为1的Pointwise卷积得到75×75×128的特征图；第5层的本文档来自技高网...

【技术保护点】
1.一种基于神经网络的油气管道标志物识别方法，其特征在于，该方法包括以下步骤：/n1)基于神经网络构建目标检测网络结构模型；/n2)获取油气管道周围环境的航拍图片，从中选取正样本与易干扰的负样本，对正样本与负样本进行数据增广，得到进行数据增广后的航拍图片，将进行数据增广后的航拍图片与原航拍图片混合作为数据集；/n3)将上述数据集按照预设比例分为训练集、验证集和测试集，并建立数据集中的数据与对应标签之间的一一映射；/n4)将步骤3)中的训练集输入到目标检测网络结构模型中进行训练，训练的同时对验证集进行评估，得到训练集与验证集表现俱优的目标检测网络结构模型；/n5)保存该训练集与验证集表现俱优的目标检测网络结构模型及相关参数；/n6)将测试集中的数据输入到步骤4)保存的训练集与验证集表现俱优的目标检测网络结构模型中进行检测，得到检测结果并计算检测精度。/n

【技术特征摘要】
1.一种基于神经网络的油气管道标志物识别方法，其特征在于，该方法包括以下步骤：
1)基于神经网络构建目标检测网络结构模型；
2)获取油气管道周围环境的航拍图片，从中选取正样本与易干扰的负样本，对正样本与负样本进行数据增广，得到进行数据增广后的航拍图片，将进行数据增广后的航拍图片与原航拍图片混合作为数据集；
3)将上述数据集按照预设比例分为训练集、验证集和测试集，并建立数据集中的数据与对应标签之间的一一映射；
4)将步骤3)中的训练集输入到目标检测网络结构模型中进行训练，训练的同时对验证集进行评估，得到训练集与验证集表现俱优的目标检测网络结构模型；
5)保存该训练集与验证集表现俱优的目标检测网络结构模型及相关参数；
6)将测试集中的数据输入到步骤4)保存的训练集与验证集表现俱优的目标检测网络结构模型中进行检测，得到检测结果并计算检测精度。


2.根据权利要求1所述的基于神经网络的油气管道标志物识别方法，其特征在于，所述步骤1)中基于神经网络构建的目标检测网络结构模型是在基于Python下的Tensorflow框架下构建的嵌入CBAM的Mobilenet-SSD网络结构模型，其输入为大小为300×300×3的图片，第1层为标准卷积层，由Conv表示，由32个3×3×3卷积核进行步长为2的卷积，输出为150×150×32的特征图；之后13层代表13个深度可分离卷积模块，由Depthwise表示；第2层的深度可分离卷积模块先由1个3×3×32卷积核进行步长为1的Depthwise卷积输出150×150×32的特征图，然后再由64个1×1×32的卷积核进行步长为1的Pointwise卷积得到150×150×64的特征图；第3层的深度可分离卷积模块先由1个3×3×64卷积核进行步长为2的Depthwise卷积输出75×75×64的特征图，然后再由128个1×1×64的卷积核进行步长为1的Pointwise卷积得到75×75×128的特征图；第4层的深度可分离卷积模块先由1个3×3×128卷积核进行步长为1的Depthwise卷积输出75×75×128的特征图，然后再由128个1×1×128的卷积核进行步长为1的Pointwise卷积得到75×75×128的特征图；第5层的深度可分离卷积模块先由一个3×3×128卷积核进行步长为2的Depthwise卷积输出38×38×128的特征图，然后再由256个1×1×128的卷积核进行步长为1的Pointwise卷积得到38×38×256的特征图；第6层的深度可分离卷积模块先由一个3×3×256卷积核进行步长为1的Depthwise卷积输出38×38×256的特征图，然后再由256个1×1×256的卷积核进行步长为1的Pointwise卷积得到38×38×256的特征图；第7层的深度可分离卷积模块先由一个3×3×256卷积核进行步长为2的Depthwise卷积输出19×19×256的特征图，然后再由512个1×1×256的卷积核进行步长为1的Pointwise卷积得到19×19×512的特征图；第8～12层深度可分离卷积模块的结构相同，先由一个3×3×512卷积核进行步长为1的Depthwise卷积输出19×19×256的特征图，然后再由512个1×1×256的卷积核进行步长为1的Pointwise卷积得到19×19×512的特征图；第13层的深度可分离卷积模块先由一个3×3×512卷积核进行步长为2的Depthwise卷积输出10×10×256的特征图，然后再由1024个1×1×256的卷积核进行步长为1的Pointwise卷积得到10×10×1024的特征图；第14层的深度可分离卷积模块先由一个3×3×1024卷积核进行步长为1的Depthwise卷积输出10×10×1024的特征图，然后再由1024个1×1×1024的卷积核进行步长为1的Pointwise卷积得到10×10×1024的特征图；在上述的每层后都嵌入了CBAM模块，每层输出的特征图都将被CBAM模块处理，得到与输入CBAM的特征图同样尺寸的特征图；第15层是标准卷积层，由512个3×3×1024卷积核进行步长为2的卷积，得到5×5×512的特征图；第16层是标准卷积层，由256个3×3×512卷积核进行步长为2的卷积，得到3×3×256的特征图；第17层是标准卷积层，由256个3×3×256卷积核进行步长为2的卷积，得到2×2×256的特征图；第18层是标准卷积层，由128个3×3×256卷积核进行步长为2的卷积，得到1×1×128的特征图；然后SSD算法提取第12层和14层的特征图，以及后面4层标准卷积层的特征图，在这6个尺度不同的特征图上提取特征回归出目标的位置与分类的置信度，通过非极大抑制保留最好的检测结果；
具体地，在嵌入CBAM注意力机制前，第1层标准卷积层后接有1层批量归一化层和Relu函数，深度可分离卷积模块的Depthwise卷积和Pointwise卷积后分...

【专利技术属性】
技术研发人员：于永斌，唐倩，彭辰辉，陆瑞军，买峰，汤亦凡，戚敏惠，邓权芯，毛宇涵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51