基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法技术

基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法涉及锅炉设备自动化缺陷检测领域。本发明专利技术通过使用改进的Fast‑SCNN训练识别水冷壁表面缺陷的缺陷检测模型，使用该检测模型结合选择性搜索算法，运用一定的视频材料处理手段对视频形式的水冷壁表面资料进行缺陷的检测识别工作。该方法可以有效对水冷壁表面获取的视频文件进行缺陷的检测和识别，具有较高的识别准确率，是实现锅炉水冷壁表面缺陷检测自动化的有效手段途径，帮助解决了人工检测缺陷周期长、耗费多、效率低下等问题。

【技术实现步骤摘要】
基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法
本专利技术涉及锅炉设备自动化缺陷检测领域，尤其涉及一种基于改进的快速分割卷积神经网络(Fast-SCNN)的水冷壁表面缺陷视频识别方法，实现水冷壁表面缺陷视频资源的自动化检测。
技术介绍
随着经济社会的发展，国民对于用电的需求日益提高。在诸多的发电方式中，火力发电占据着不可撼动的地位，并且在未来相当长的一段时间内都会是我国的主要电力来源。在火电厂的非计划停工中，一大半都是由于锅炉事故导致的。而在引发锅炉事故的诸多诱因中，水冷壁的破损缺陷是最主要的原因。因此，想要有效预防锅炉事故的发生，减少生命财产安全的损失，对锅炉的水冷壁进行定期的检测和维修，是十分必要的。目前对水冷壁的检测手段仍然多以人工检测为主，很明显这种方法是效率低下且不安全的。近年来，深度学习方法和理论不断被研究和发展，随着卷积神经网络(CNN)在机器视觉领域的应用，一些更为复杂的检测手法被运用到缺陷检测的工作中。快速分割卷积神经网络(Fast-SCNN)能够提取到图像中的更为深度的层次信息，对于缺陷的捕捉和理解有着出色的表本文档来自技高网...

【技术保护点】
1.一种基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法，其特征在于：/n模型采用视频数据中提取的图片数据进行训练，具体包括模型的构建、样本的采集、图片样本的生成、模型的训练四部分；模型的构建是构建整个快速分割卷积神经网络的结构，包括有输入层、输出层、卷积层、池化层和全连接层；样本的采集是采集水冷壁表面原始视频数据，为下一步图片样本的生成和模型的训练准备数据；图片样本的生成是对原始视频进行处理，视频样本尺寸固定、帧率已知、移动速度固定，将视频按照每秒24帧的帧率逐帧分解为图片，将图片经过固定像素间隔的计算进行裁剪，拼接为一个完整的全局长图像；模型的训练是将生成的图片样本数据输入预先构建好的...

【技术特征摘要】
1.一种基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法，其特征在于：
模型采用视频数据中提取的图片数据进行训练，具体包括模型的构建、样本的采集、图片样本的生成、模型的训练四部分；模型的构建是构建整个快速分割卷积神经网络的结构，包括有输入层、输出层、卷积层、池化层和全连接层；样本的采集是采集水冷壁表面原始视频数据，为下一步图片样本的生成和模型的训练准备数据；图片样本的生成是对原始视频进行处理，视频样本尺寸固定、帧率已知、移动速度固定，将视频按照每秒24帧的帧率逐帧分解为图片，将图片经过固定像素间隔的计算进行裁剪，拼接为一个完整的全局长图像；模型的训练是将生成的图片样本数据输入预先构建好的快速分割卷积神经网络模型进行训练，通过调整模型各节点的参数使其对缺陷具有识别能力，最终得到训练好的神经网络模型；
模型识别部分流程包括视频数据生成图片数据、图像输入训练好的模型、模型输出识别结果、还原视频数据四部分；视频数据生成图片数据是将采集的待检测的水冷壁表面视频数据，按照每秒24帧的帧率逐帧分解为图片，将图片经过固定像素间隔的计算进行裁剪，拼接为一个完整的全局长图像；图像输入训练好的模型是将视频生成的全局长图像输入之前训练好的卷积神经网络识别模型；模型输出结果是训练好的检测模型在输入待检测图像之后，模型采用选择性搜索方法进行检测，输出对应全局长图像的缺陷检测结果；还原视频数据是得到全局图像缺陷检测结果，根据视频数据生成图片数据时同样的固定像素间隔将其分割为不同的图片，将图片按照每...

【专利技术属性】
技术研发人员：马波，韩永明，耿志强，周润东，蔡伟东，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：北京;11