【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。