窑炉表面缺陷检测方法、系统和介质技术方案

本申请涉及化工和人工智能技术领域，公开了一种窑炉表面缺陷检测方法、系统和介质，其中，窑炉表面缺陷检测方法包括：构建窑炉外表面的第一热成像图；将所得到的第一热成像图通过缺陷检测模型，得出缺陷检测结果。相对于现有技术而言，本申请的窑炉表面缺陷检测方法能够自动化地得出窑炉的表面缺陷，具有效率高，误检率低的优点。误检率低的优点。误检率低的优点。

【技术实现步骤摘要】
窑炉表面缺陷检测方法、系统和介质


[0001]本申请涉及化工和人工智能
，特别地涉及一种窑炉表面缺陷检测方法、窑炉表面缺陷检测系统和一种计算机可读存储介质。

技术介绍

[0002]窑炉是用耐火材料砌成的用以烧成制品的设备，在陶瓷、水泥、玻璃、冶金化工等诸多领域中都得到了广泛的应用。
[0003]窑炉的表面状态检测是窑炉使用过程中十分重要的一项日常任务。如果窑炉的表面发生缺陷，高热的内容物一旦发出溢出或喷出，不但会破坏生产环境，而且可能引起操作事故，威胁工作人员的人身安全。
[0004]现有技术中，对窑炉的表面缺陷，往往是通过人工质检来发现的。由于窑炉表面温度很高，通过人眼难以近距离观察。而且通过人眼观察的方式效率极低，误检率高。

技术实现思路

[0005]为了解决或至少部分地解决上述技术问题，本申请提供了一种窑炉表面缺陷检测方法，包括：构建窑炉外表面的第一热成像图；将所得到的第一热成像图通过缺陷检测模型，得出缺陷检测结果；其中，所述缺陷检测模型通过如下步骤获得：记录第一热成像图上的缺陷信息，根据所述缺陷信息构建窑炉缺陷检测数据集，所述窑炉缺陷检测数据集包括训练集和验证集；基于所述窑炉缺陷检测数据集计算先验框参数；以及，利用所述窑炉缺陷检测数据集训练和验证深度学习模型，得到所述缺陷检测模型；其中，利用所述窑炉缺陷检测数据集训练和验证深度学习模型的步骤包括：（1）构建算法网络模型，包括：构建主干特征提取网络，并将该主干网络预先在公开的ImageNet图像数据集上进行分类任务预训练，保存预训练网络模型和模型权重文件；（2）构建增加感受野网络；（3）构建特征聚合网络，在特征聚合网络的每一个卷积层后，添加交叉小批量归一化，激活函数Mish，组成卷积模块；以及（4）使用所述窑炉缺陷检测数据集的训练集对所构建的算法网络模型进行训练；其中，在使用所述窑炉缺陷检测数据集的训练集对所构建的算法网络模型进行训练的步骤中，加入损失函数，所述损失函数包括回归损失、目标类别分类损失、置信度损失；其中，对缺陷位置回归损失使用CIoU损失，对缺陷类别损失和置信度损失使用交叉熵损失函数；计算出总的损失值后进行误差反向传播，使用交叉小批量归一化和Mish激活函数，并保存所有训练中验证集中平均精度均值最高的模型，得到训练好的改进的YOLOv4网络模型。
[0006]本申请的另一实施方式提供了一种计算机可读存储介质，存储有计算器程序，所述计算机程序在被处理器执行时，能够实现上述的方法。
[0007]本申请的又一实施方式提供了一种窑炉表面缺陷检测系统，所述系统包括：红外
热像仪，其正对所述窑炉设置；上位机，其与所述红外热像仪通信连接；所述红外热像仪拍摄所述窑炉的第一热成像图并发送给所述上位机；所述上位机用于将所得到的第一热成像图通过缺陷检测模型，得出缺陷检测结果。
[0008]本申请中，通过缺陷检测模型，能够自动化地对窑炉的表面缺陷进行检测，具有效率高，误检率低的优势。具体来说，本申请对YOLOv4网络模型的骨干特征网络和特征聚合网络进行了改进。对骨干特征网络的改进之处在于：首先Backbone71中采用的残差单元是“Denseblock”，该残差单元是借鉴DenseNet中特征复用的思想并结合Mish激活函数而设计的，这样设计能够提升网络参数效率和非线性表达能力；其次，与原YOLOv4骨干网络利用卷积层进行下采样不同，Backbone71下采样层由“过渡层”完成，更加快速。对特征聚合网络的改进之处在于：首先，本文所述的特征聚合网络与原YOLOv4中PANet输入不同，原特征聚合网络输入为骨干网络8倍、16倍和32倍下采样特征图不同。本专利特征聚合网络输入为骨干网络4倍、8倍和16倍下采样特征图，这样的特征图分辨率更高，可提升小缺陷检出率。当然缺点在于该输入特征图含有弱语义特征，这一点可由两次自下而上的特征聚合路径，使得输入到聚合网络的高分辨率特征图整合高维语义信息。此外，本文所述的特征聚合网络与原YOLOv4中PANet特征聚合路径不同，原特征聚合网络采用一次自上而下和自下而上的特征聚合路径，本专利特征聚合网络不仅采用一次自上而下和自下而上的特征聚合，同时为了加强高分辨率弱语义特征图，额外采用了一次自上而下的特征聚合路径，对提升小缺陷的检测率和定位精度提升明显。
附图说明
[0009]为了更清楚地说明本申请的实施方式，下面将对相关的附图做出简单介绍。可以理解，下面描述中的附图仅用于示意本申请的一些实施方式，本领域普通技术人员还可以根据这些附图获得本文中未提及的许多其他的技术特征和连接关系等。
[0010]图1是窑炉表面缺陷检测系统的示意图。
[0011]图2是窑炉表面缺陷检测方法的一种算法网络模型的示意图。
[0012]图3是图2中一些参数的解释。
[0013]附图标记：1、窑炉；2、红外热像仪；3、上位机；21、骨干网络71（Backbone71）；22、改进的PANet（Modified PANet）；23、输入（416,416,3）；24、CBM
×
3（416,416,32）；25、稠密块（Denseblock）（208,208,64）
×
4；26、稠密块（104,104,128）
×
8；27、稠密块（52,52,256）
×
8；28、稠密块（26,26,512）
×
8；
29、稠密块（13,13,1024）
×
4；30、过渡层（Transition Layer）；31、卷积（Conv）；32、卷积
×
2（Conv
×
2）；33、串联+卷积
×
3（Concat+ Conv
×
3）；34、串联+卷积
×
5（Concat+ Conv
×
5）；35、卷积+上采样（Conv+Upsampling）；36、下采样（Downsampling）37、第1个分类和边框预测结果（YOLO Head1）；38、第2个分类和边框预测结果（YOLO Head2）；39、第3个分类和边框预测结果（YOLO Head3）；300、平均池化2
×
2，步长=2；301、卷积k
×
k；302、CmBN；303、Mish函数；304、稠密单元；305、稠密块
×
X；306、最大池化5（Maxpooling5）；307、最大池化9（Maxpooling9）；308、最大池化13（Maxpooling13）；以及309、串联（Concat）。
具体实施方式
[0014]下面结合附图，对本申请进行详细说明。
[0015]下面将描述根据本申请的第一实施方式。在现有技术中，对窑炉的表面缺陷，往往是通过人工质检来发现的。由于窑炉表面温度很高，通过人眼难以近距离观察。
[0016]本申请的专利技术人还发现，即便是通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种窑炉表面缺陷检测方法，其特征在于，包括：构建窑炉外表面的第一热成像图；以及，将所得到的第一热成像图通过缺陷检测模型，得出缺陷检测结果；其中，所述缺陷检测模型通过如下步骤获得：记录第一热成像图上的缺陷信息，根据所述缺陷信息构建窑炉缺陷检测数据集，所述窑炉缺陷检测数据集包括训练集和验证集；基于所述窑炉缺陷检测数据集计算先验框参数；以及，利用所述窑炉缺陷检测数据集训练和验证深度学习模型，得到所述缺陷检测模型；其中，利用所述窑炉缺陷检测数据集训练和验证深度学习模型的步骤包括：（1）构建算法网络模型，包括：构建主干特征提取网络，并将该主干网络预先在公开的ImageNet图像数据集上进行分类任务预训练，保存预训练网络模型和模型权重文件；（2）构建增加感受野网络；（3）构建特征聚合网络，在特征聚合网络的每一个卷积层后，添加交叉小批量归一化，激活函数Mish，组成卷积模块；以及（4）使用所述窑炉缺陷检测数据集的训练集对所构建的算法网络模型进行训练；其中，在使用所述窑炉缺陷检测数据集的训练集对所构建的算法网络模型进行训练的步骤中，加入损失函数，所述损失函数包括回归损失、目标类别分类损失、置信度损失；其中，对缺陷位置回归损失使用CIoU损失，对缺陷类别损失和置信度损失使用交叉熵损失函数；计算出总的损失值后进行误差反向传播，使用交叉小批量归一化和Mish激活函数，并保存所有训练中验证集中平均精度均值最高的模型，得到训练好的改进的YOLOv4网络模型。2.根据权利要求1所述窑炉表面缺陷检测方法，其特征在于，所述窑炉为回转窑，所述窑炉外表面的第一热成像图，通过如下步骤构建：将所述窑炉的外表面按照窑炉转角均匀分割为N块，所述N为大于或等于3的正整数；利用固定设置于所述窑炉侧面的红外热像仪，对所述窑炉的侧壁拍摄，获得所述窑炉各个角度的侧壁的热成像图；将所述热成像图先后顺序依次拼接，获得所述窑炉外表面的第一热成像图。3.根据权利要求1所述窑炉表面缺陷检测方法，其特征在于，所述第一热成像图为待检测的窑炉外表面的热像图转化而成的灰度图；然后将所述灰度图输入到所述训练好的改进的YOLOv4模型中进行计算，得到缺陷检测结果；所述缺陷检测结果包括故障判断结果，以及基于所述故障判断结果的故障详细信息。4.根据权利要求1所述窑炉表面缺陷检测方法，其特征在于，根据所述缺陷信息构建窑炉缺陷检测数据集的步骤包括：针对所述第一热成像图是否含有缺陷进行标记；将所标记的含有缺陷目标的图片分类，记录所有缺陷目标的真实边框位置、目标类别信息；针对不同类型的缺陷，构建不同的窑炉缺陷检测数据集，最后按照一定比例将所述窑炉缺陷检测数据集划分为训练集和验证集。5.根据权利要求1所述的窑炉表面缺陷检测方法，其特征在于，所述计算先验框参数的步骤包括：确定每个聚类中心所属的特征图层，根据特征图层对应的预设点计算样本权重，根据所述样本权重，对训练集中所有缺陷目标真实边框的宽、高进行聚类，得到先验框的宽、高，并记录到先验框参数中。6.根据权利要求5所述的窑炉表面缺陷检测方法，其特征在于，所述计算先验框参数的
步骤包括如下步骤：收集所有真实框的坐标，其中，是真实框的中心点，是真实框的宽和高，N是所有真实框的个数；给定k个聚类中心点；其中W
j
和H
j
分别是先验框的宽和高；假设每个真实框的中心点都与聚类中心重合，计算每个真实框和每...

【专利技术属性】
技术研发人员：丁顺意，席林，何慧钧，曾旭，许毅，
申请(专利权)人：飞础科智慧科技上海有限公司，
类型：发明
国别省市：