一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法技术

本发明专利技术公开了一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法，首先获取核电站设备表面图片并对其进行预处理；其次利用DLAseg网络对预处理后的图片进行特征提取，得到下采样特征图，再分别使用多种不同卷积核对得到的下采样特征图进行卷积操作，得到设备表面缺陷点的热图、偏移值以及尺寸，再将得到的热图转换成预测框，并根据偏移值和尺寸得到多个缺陷点的检测框，再利用Soft_NMS和置信度阈值去除冗余的检测框，得到设备缺陷的预测结果；最后将得到的预测结果输入神经网络进行训练，得到设备缺陷的检测结果，本方案无需调与锚点框相关的各种超参数，检测模型更加简洁，不需要大量的先验知识，其收敛速度更快，极大节省了训练模型所需要的时间。节省了训练模型所需要的时间。节省了训练模型所需要的时间。

【技术实现步骤摘要】
一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法


[0001]本专利技术涉及，具体涉及一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法。

技术介绍

[0002]核电站是指通过适当的装置将核能转变成电能的设施，核电是非常清洁和低碳的能源，因此核能发电是一种非常重要的电能来源方式。综合考量冷却、排放、区域经济发展等一系列因素，核电站一般都建在海边，而沿海高盐、高湿的恶劣环境给腐蚀创造了非常好的环境，并且核电站设备材料与高温、高压、高热流介质、化学介质、海水介质接触，同时还收到辐照、应力、振动等因素的影响，给核电站的防腐工作提出了更高的要求。核电站设备表面除了腐蚀还会出现其他各种各样的缺陷，比如开裂，脱落，起泡等。为了应对核电站设备的腐蚀问题，在核电站设备选材时，考虑到耐辐照要求，根据设备的重要程度，一般选用不锈钢或碳板作为主体结构，但是这种方式不能够完全避免腐蚀等情况的发生。当设备表面的缺陷不可避免的时候，本方案中要能够及时的发现这些缺陷并对不同缺陷采取不同的补救措施。核电站设备表面的缺陷如果不及时修复，会严重影响设备的使用寿命和降低生产的效率与质量，因此及时检测出核电站设备表面的缺陷问题，对保障核电安全稳定运行具有重要意义。
[0003]如今，核电站设备缺陷检测的常用方法依然是，人工视觉检测，由富有经验的检查人员对缺陷的种类以及位置进行记录，形成检查报告。但是这种方法的效率是很低的，并且人工视觉检测会存在许多困难，比如长时间的检测极易产生视觉疲劳，因此便会相应的遗漏一些缺陷；还有一个困难就是小缺陷的检测，一些非常小的缺陷在一些非常重要的设备上也可能会造成巨大的隐患，如果人工视觉检测的方法没有能够发现这些小缺陷，那么就可能会对本方案中的设备以及生产造成难以估量的损失；最后，不同的检查人员对于缺陷的判断标准可能会有所差异，从而会导致最终的检测结果可能会存在争议性。因此，计算机辅助设备缺陷检测具有重要意义。
[0004]在深度学习出现之前，有许多经典的机器学习算法已经应用到工业领域进行缺陷检测，具体做法主要分为三个阶段：区域选择，特征提取和分类，区域选择这一步是为了对缺陷的位置进行定位，一般采用滑动窗口的策略对整幅图像进行遍历，因为缺陷的大小和长宽比例等均不确定，因此需要设置不同尺度和长宽比的滑动窗口，这种方法虽然包含了各种大小的缺陷以及缺陷所有可能出现的位置，但是时间复杂度太高，并且大多数滑动窗口都是没有必要的，并且这也会影响后面特征提取和分类的速度和性能；特征提取阶段常用的特征有 SIFT、HOG等，好的特征可以极大的提高检测的性能，但是由于缺陷的形态多样，光照强度也各不相同，使得手工设计一个鲁棒的特征并不是一件容易的事情，它需要依靠设计者的先验知识，很难利用大数据的优势；分类阶段常用的分类器有SVM，Adaboost等。综上，传统的基于机器学习的缺陷检测方法主要存在两个问题：1、基于滑动窗口的区域选
择策略时间复杂度高，窗口冗余；2、手工设计特征困难并且没有很好的鲁棒性。
[0005]深度学习出现后，基于深度学习的缺陷检测方法开始广泛应用于工业界，如FasterR
‑
CNN，YOLO,SSD等。这种方法大致可以分为两类：two
‑
stage方法和one
‑
stage方法。其中two
‑
stage方法需要先由算法生成一系列的候选框，然后再通过卷积神经网络进行候选框的分类，如R
‑
CNN、FasterR
‑
CNN等。而one
‑
stage 方法则不需要产生候选框，直接将目标边框的定位问题转化为回归问题进行处理，如YOLO、SSD等。这两种方法在检测性能上会有所差异，two
‑
stage方法在检测准确率和定位精度上更有优势，而one
‑
stage方法在速度上更占有优势。无论是two
‑
stage方法还是one
‑
stage方法，现阶段大部分用于工业界进行缺陷检测的方法都是基于anchor(锚点)机制的检测方法，这种方法存在一个比较明显的缺点，那就是与锚点框相关的超参如锚点框的scale、aspectratio是比较难设计的，在不同的工业应用场景中，本方案中都需要根据本方案中的数据情况去设计anchor的scale和aspectratio，这需要较强的先验知识，在基于anchorbox 进行目标类别分类时，IOU阈值这个超参数的设置同样也是一个问题。并且基于anchor机制的目标检测方法会在一张图像当中产生非常多的冗余框，而一张图像当中的缺陷是有限的，这就会使大量的anchorbox成为不包含缺陷的背景框，从而造成正负样本严重不平衡的问题。

技术实现思路

[0006]针对现有技术中的上述不足，本专利技术提供了一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法。
[0007]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0008]一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法，包括如下步骤：
[0009]S1、获取核电站设备表面图片并对其进行预处理；
[0010]S2、利用DLAseg网络对步骤S1预处理后的图片进行特征提取，得到下采样特征图；
[0011]S3、分别使用多种不同卷积核对步骤S2得到的下采样特征图进行卷积操作，得到设备表面缺陷点的热图、偏移值以及尺寸；
[0012]S4、将步骤S3得到的热图转换成预测框，并根据偏移值和尺寸得到多个缺陷点的检测框；
[0013]S5、利用Soft_NMS和置信度阈值去除冗余的检测框，得到设备缺陷的预测结果；
[0014]S6、将步骤S6得到的预测结果输入神经网络进行训练，得到设备缺陷的检测结果。
[0015]上述方案的有益效果为：
[0016]避免使用传统的基于锚机制的目标检测算法，因此不需要设置基于锚点相关的任何超参数，如锚点框的scale、aspect ratio等。
[0017]进一步的，所述步骤S1中预处理具体为：
[0018]S11、利用图像处理工具对获取的核电站设备表面图片进行翻转、缩放、剪裁和翻转操作；
[0019]S12、通过高斯函数将步骤S11处理后的图片进行高斯核散射。
[0020]上述进一步方案的有益效果是：
[0021]进行数据增强，样本数量越多，模型的训练效果越好，模型的泛化能力越强。高斯函数是为了对标签进行转换。
[0022]进一步的，所述步骤S3具体包括：
[0023]S31、热图输出的张量的通道个数是80个，每个通道表示对应类别的热图，操作如下：
[0024]Sequential(
[0025](0):Conv2d(64,64,kernel_size＝(3,3),stride＝(1,1),padding＝(1,1))
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的CenterNet网络的核电站设备表面缺陷检测方法，其特征在于，包括如下步骤：S1、获取核电站设备表面图片并对其进行预处理；S2、利用DLAseg网络对步骤S1预处理后的图片进行特征提取，得到下采样特征图；S3、分别使用多种不同卷积核对步骤S2得到的下采样特征图进行卷积操作，得到设备表面缺陷点的热图、偏移值以及尺寸；S4、将步骤S3得到的热图转换成预测框，并根据偏移值和尺寸得到多个缺陷点的检测框；S5、利用Soft_NMS和置信度阈值去除冗余的检测框，得到设备缺陷的预测结果；S6、将步骤S5得到的预测结果输入神经网络进行训练，得到设备缺陷的检测结果。2.根据权利要求1所述的基于改进的CenterNet网络的核电站设备表面缺陷检测方法，其特征在于，所述步骤S1中预处理具体为：S11、利用图像处理工具对获取的核电站设备表面图片进行翻转、缩放、剪裁和翻转操作；S12、通过高斯函数将步骤S11处理后的图片进行高斯核散射。3.根据权利要求2所述的基于改进的CenterNet网络的核电站设备表面缺陷检测方法，其特征在于，所述步骤S4具体包括：S41、对步骤S3获取的热图进行最大池化操作，获得缺陷点的多个近邻极大值点，并将得到的多个近邻极大值点按照置信度大小降序排列；S42、根据步骤S41中置信度大小选择排名高于置信度阈值的对应的近邻极大值点以及对应的编号；S43、根据步骤S3得到的偏移值和尺寸，对步骤S42所选择的近邻极大值点规划检测框，得到缺陷点的多个检测框。4.根据权利要求3所述的基于改进的CenterNet网络的核电站设备表面缺陷检测方法，其特征在于，所述步骤S5具体包括：S51、按照置信度大小将步骤S4所得到的检测框降序排列；S52、判定步骤S51中排列好的检测框的物体准确度标准是否大于设定阈值，若是，则降低该检测框的置信度，若不是，则保留该检测框。5.根据权利要求4所述的基于改进的CenterNet网络的核电站设备表面缺陷检测方法，其特征在于，所述步骤S52中，降低检测框的置信度的计算方式为：其中，S
i
为第i个检测框的置信度，d
i
表示第i个检测框，d
m
表示置信度最大的检测框，σ为常量，iou(d
i
，d
m
)表示第i个检测框与置信度最大的检测框的交并比。6.根据权利要求5所述的...

【专利技术属性】
技术研发人员：吕建成，郎九霖，商佳程，汤臣薇，贺喆南，徐褀，赵毅，赵宇翔，高毅，胡宴清，
申请(专利权)人：四川大学，
类型：发明
国别省市：