一种基于YOLOv3的管道第三方破坏智能识别方法技术

本发明专利技术提供了一种基于YOLOv3的管道第三方破坏智能识别方法，包括：步骤1、对埋地管道第三方破坏进行分析，确定目标检测对象；步骤2、建立目标检测数据集，并对数据集进行预处理和分类；步骤3、以YOLOv3为基本框架，并引入Attention机制，构建管道第三方破坏检测模型；步骤4、训练并得到权重文件；步骤5、测试并验证模型的有效性；步骤6、现场数据采集模块及云平台部署；步骤7、实时检测并更新训练。本发明专利技术方法为管道的第三方破坏智能识别提供了技术支撑。同时，本发明专利技术基于YOLOv3深度学习框架并引入Attention机制，提高了识别速度与识别精度，进一步提高了管道风险预警的及时性与有效性。进一步提高了管道风险预警的及时性与有效性。进一步提高了管道风险预警的及时性与有效性。

【技术实现步骤摘要】
一种基于YOLOv3的管道第三方破坏智能识别方法


[0001]本专利技术属于深度学习图像智能检测领域，尤其涉及一种基于YOLOv3的管道第三方破坏智能识别方法。

技术介绍

[0002]预计到2025年，全国管网规模将达到24万公里，未来10年，我国将会迎来管道事业的高峰。伴随着管道敷设里程加长、范围扩大，管道安全问题也受到了广泛地关注。导致管道失效的因素有很多，而长期以来第三方破坏是最为关注的。因为受到道路建设、市政建设、违章开挖、野蛮施工、违章占压、人为打孔盗气(油)、自然环境影响等诸多因素的共同作用下，使得管道第三方破坏具有随机性强、不以预测和难以检测的特点。因此，如何利用现有技术手段，针对管道第三方破坏提出一种行之有效检测方法具有重大意义。
[0003]随着计算机技术的发展，目标检测被广泛应用于人脸识别、车辆检测、损伤检测等各个领域，特别是随着深度卷积神经网络在图像识别领域的深入研究，以YOLO算法为代表的的实时目标检测模型在工业智能化方面具备实际应用经验。YOLOv3是通过其主干特征提取网络DarkNetr/>‑
5本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv3的管道第三方破坏智能识别方法，其特征在于，包括以下步骤：步骤1、对埋地管道第三方破坏进行分析，确定目标检测对象；步骤2、对步骤1所确定的目标检测对象，收集图像数据，并进行数据增强，得到样本数据集；对样本数据集进行分类，分为训练集、验证集、测试集；步骤3、引入注意力机制，构建管道第三方破坏检测模型；步骤4、将训练集输入步骤3构建的模型中，训练结束后得到权重参数；步骤5、测试步骤3构建模型的性能，得到查全率Recall、查准率Precision；步骤6、对管道进行风险预警；步骤7、实时检测并更新管道第三方破坏检测模型。2.根据权利要求1所述的一种基于YOLOv3的管道第三方破坏智能识别方法，其特征在于，步骤1包括：将目标检测对象确定为挖掘机、卡车、汽车、人这四个典型对象。3.根据权利要求2所述的一种基于YOLOv3的管道第三方破坏智能识别方法，其特征在于，步骤2包括：步骤2.1、对步骤1确定的四种目标检测对象收集图像数据，得到初始样本数据集；步骤2.2、对步骤2.1得到的初始样本数据集进行扩充数据集，使用平移、旋转、翻转、对比增强的方式，最终得到样本数据集；步骤2.3、对步骤2.2得到的样本数据集进行标注，框选出图像中需要识别的检测目标，并给目标命名为excavator、truck、car、person四种类别，excavator、truck、car、person四种类别分别对应挖掘机、卡车、汽车、人；每张图像都对应生成各自与图像样本相同命名的.xml文件，.xml文件中包括图像名称、图像存储位置、图像尺寸大小、图像通道数、框选待检测目标名称、矩形框左上角点的横坐标、纵坐标以及矩形框右下角点的横坐标、纵坐标；步骤2.4、对.xml文件进行归一化处理，按照VOC2007标准数据集的格式并以txt文档的形式进行保存，将样本数据集按照比例划分训练集和测试集，再将训练集按照比例划分用于训练和验证。4.根据权利要求3所述的一种基于YOLOv3的管道第三方破坏智能识别方法，其特征在于，步骤3包括：步骤3.1、管道第三方破坏检测模型是由5个残差单元进行堆叠构成的，而其中每个残差单元包含两个分支：主干分支和注意力分支；所述主干分支用于对图像进行特征提取，生成与原始图像尺寸相同的特征图；所述注意力分支代替原有残差边，通过下采样层，提取高层特征并增大模型的感受野，下采样通过池化完成，再通过与下采样层层数相同的上采样层，将特征图的尺寸放大为与原始图像尺寸相同的特征图，上采样通过双线性插值完成，最终生成注意力掩码；步骤3.2、将原始图像x输入残差单元，主干分支输出提取到的特征图为T(x)，注意力分支输出注意力掩码M(x)；步骤3.3、在残差单元中加入恒等映射，则残差单元输出的特征图H(x)如下式：H(x)＝(1+M(x))*T(x)式中，M(x)的取值范围为[0，1]，当M(x)近似于0时，H(x)将近似于原始特征图T(x)，主
干分支输出提取到的特征图T(x)与注意力分支输出注意力掩码M(x)进行融合时，主干分支输出提取到的特征图T(x)与注意力分支输出注意力掩码M(x)进行对应像素点的之间相乘，将注意力分支输出注意力掩码M(x)的权重分配到主干分支输出提取到的特征图T(x)上。5.根据权利要求4所述的一种基于YOLOv3的管道第三方破坏智能识别方法，其特征在于，步骤4包括：步骤4.1、使用K
‑
means聚类算法重新设置样本数据集的聚类中心Anchor box，在所有的矩形框中，随机挑选n个聚类中心；步骤4.2、采用n个Anchor box与所有真实目标...

【专利技术属性】
技术研发人员：赵建平，张宇鹏，赵国栋，孙昊天，熊耀强，时中猛，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：