一种基于SSD算法的管道周边机械设备识别方法技术

本发明专利技术公开了一种基于SSD算法的管道周边机械设备识别方法，其涉及管道周边机械识别技术领域，旨在解决目标检测网络SSD并没有实际运用到工程机械检测的问题，其技术方案要点是其步骤如下：将工地上获得的原始工程机械的图片进行清洗分类；通过网络获取不含有工程机械的背景图片，并生成对应的.xml文件，加入数据集；使用多张数据集内部图片拼凑成单张包含工程机械的图片，并生成对应的.xml文件加入数据集；搭建目标检测的骨干网络；搭建基于SSD算法的神经网络模型；使用反向传播算法对神经网络进行训练；使用保存的最优模型对测试集进行测试。达到了使目标的规模更具鲁棒性、使得网络可达到实时检测性能和快速判定待识别图像中工程机械类别的效果。工程机械类别的效果。工程机械类别的效果。

【技术实现步骤摘要】
一种基于SSD算法的管道周边机械设备识别方法


[0001]本专利技术涉及管道周边机械识别
，尤其是涉及一种基于SSD算法的管道周边机械设备识别方法。

技术介绍

[0002]西气东输管道工程是国家实施西部大开发战略的标志性工程之一,该工程横贯我国东西9个省市,途径我国几大主要水系、荒漠戈壁、黄土高原、太行山、江南水网,沿线人文和自然环境差异较大，全线穿越等级以上公路、铁路和大中型河流704次，工程战线广阔,施工周期长,技术性较强,工艺复杂，西气东输管道沿线需密切监控工程机械设备的工作及运行情况。
[0003]西气东输管道沿线中最需要监控的工程机械有：挖掘机械、铲运机械、压实机械、凿岩机械和桩工机械五大类设备，近年来，深度学习尤其是卷积神经网络(Convolutional Neural Network，CNN)在计算机视觉领域取得了巨大进展，随之产生了基于卷积神经网络的目标检测方法，例如：何两阶段目标检测网络Faster R
‑
CNN，为了提高目标检测网络的检测速度而提出的YOLO系列网络以及综合了速度和检测精度的目标检测网络SSD。
[0004]上述中的现有技术方案存在以下缺陷：工程机械在管道沿线施工过程中，时常发生因施工导致管道损坏的情况，会影响到施工人员安全，并导致天然气分输中断甚至爆炸，降低了整体的安全性，目标检测网络SSD也只能基于公共的数据集进行了训练和测试，并没有实际运用到工程机械检测。

技术实现思路

[0005]本专利技术的目的是提供一种快速准确识别视频和图像中的工程机械及其类别的基于SSD算法的管道周边机械设备识别方法。
[0006]为实现上述目的，本专利技术提供了如下技术方案：
[0007]一种基于SSD算法的管道周边机械设备识别方法，其步骤如下：
[0008]S1：将工地上获得的原始工程机械的图片进行清洗，并根据它对应的机械类别进行分类；
[0009]S2：对数据集中的图片统一缩放到800*800规格，并对缩放后的图片进行标注，获得标注后的.xml标注文件；
[0010]S3：通过网络获取不含有工程机械的背景图片，并生成对应的.xml文件，加入数据集；
[0011]S4：使用多张数据集内部图片拼凑成单张包含工程机械的图片，并生成对应的.xml文件加入数据集；
[0012]S5：将数据集划分为训练集测试集和验证集，划分比例为9:1:1，并对训练集中的数据进行数据增强；
[0013]S6：搭建目标检测的骨干网络，采用的SSD骨干网络为MobileNet，MoblieNet由普
通的卷积层、批标准化层和深度可分离卷积组成，其中深度可分离卷积层采用将单个滤波器应用于每个输入通道，然后逐点卷积应用1
×
1卷积以组合输出深度卷积的方式减小了普通卷积层的参数，该网络的每个卷积层后面都跟有批标准化层和Relu激活函数；
[0014]S7：搭建基于SSD算法的神经网络模型。使用SSD算法的模型结构，对MobileNet提取的特征层从6个不同尺度进行深层次的特征提取,并从6个不同尺度信息中检测目标的位置,这样可以更好的预测目标的位置及分类,最后使用非极大值抑制算法对重复的结果进行过滤,得到最终的检测结果；
[0015]S8：使用反向传播算法对神经网络进行训练，在训练过程中进行验证，当训练损失和验证损失最低时保存网络训练的最优模型；
[0016]S9：使用保存的最优模型对测试集进行测试，就可以得到工程机械图片的检测结果。
[0017]优选的，所述S1中的原始工程机械类别分为：挖掘机械、铲运机械、凿岩机械、压实机械和桩工机械五类。
[0018]优选的，所述S5中数据增强方法有图像镜像、高斯模糊、随机旋转和随机去掉一些像素点。
[0019]优选的，所述S7中模型总体骨干结构如下所示：
[0020]第一卷积层，卷积核大小为3*3，总共32个滤波器，步幅stride＝2；
[0021]第一深度可分离卷积层，卷积核大小为3*3，输出特征图为64个通道；
[0022]第二深度可分离卷积层，卷积核大小为3*3，输出特征图为128个通道；
[0023]第三深度可分离卷积层，卷积核大小为3*3，输出特征图为128个通道；
[0024]第四深度可分离卷积层，卷积核大小为3*3，输出特征图为256个通道；
[0025]第五深度可分离卷积层，卷积核大小为3*3，输出特征图为256个通道；
[0026]第六深度可分离卷积层，卷积核大小为3*3，输出特征图为512个通道；
[0027]第七深度可分离卷积层，卷积核大小为3*3，输出特征图为512个通道；
[0028]第八深度可分离卷积层，卷积核大小为3*3，输出特征图为512个通道；
[0029]第九深度可分离卷积层，卷积核大小为3*3，输出特征图为512个通道；
[0030]第十深度可分离卷积层，卷积核大小为3*3，输出特征图为512个通道；
[0031]第十一深度可分离卷积层，卷积核大小为3*3，输出特征图为512个通道；
[0032]第十二深度可分离卷积层，卷积核大小为3*3，输出特征图为1024个通道；
[0033]第十三深度可分离卷积层，卷积核大小为3*3，输出特征图为1024个通道；
[0034]第二卷积层，卷积核大小为1*1，输出特征图为256个通道；
[0035]第三卷积层，卷积核大小为3*3，输出特征图为512个通道；
[0036]第四卷积层，卷积核大小为1*1，输出特征图为128个通道；
[0037]第五卷积层，卷积核大小为3*3，输出特征图为256个通道；
[0038]第六卷积层，卷积核大小为1*1，输出特征图为128个通道；
[0039]第七卷积层，卷积核大小为3*3，输出特征图为256个通道；
[0040]第八卷积层，卷积核大小为1*1，输出特征图为64个通道；
[0041]第九卷积层，卷积核大小为3*3，输出特征图为128个通道。
[0042]综上所述，本专利技术的有益技术效果为：
[0043]1、采用了SSD算法对工程机械的图片进行识别，在获取到待识别图像之后，无需用户手动定义特征再对图中机械进行分类和定位，直接利用预先训练得到的深度学习网络即可判定待识别图像中工程机械的类别和位置；
[0044]2、采用了不含工程机械的背景图片，使得工程机械的误判情况减少，多张图片拼接而成的数据的加入使得网络模型对于检测目标的规模更具鲁棒性；
[0045]3、采用了MobileNet改进后的SSD模型大大减小了网络的规模，使得网络可达到实时检测性能，可以加载在摄像头中直接使用，具有良好的应用价值。
附图说明
[0046]图1为本专利技术算法总体流程示意图。
具体实施方式
[0047]以下结合附图对本专利技术作进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SSD算法的管道周边机械设备识别方法，其特征在于：其步骤如下：S1：将工地上获得的原始工程机械的图片进行清洗，并根据它对应的机械类别进行分类；S2：对数据集中的图片统一缩放到800*800规格，并对缩放后的图片进行标注，获得标注后的.xml标注文件；S3：通过网络获取不含有工程机械的背景图片，并生成对应的.xml文件，加入数据集；S4：使用多张数据集内部图片拼凑成单张包含工程机械的图片，并生成对应的.xml文件加入数据集；S5：将数据集划分为训练集测试集和验证集，划分比例为9:1:1，并对训练集中的数据进行数据增强；S6：搭建目标检测的骨干网络，采用的SSD骨干网络为MobileNet，MoblieNet由普通的卷积层、批标准化层和深度可分离卷积组成，其中深度可分离卷积层采用将单个滤波器应用于每个输入通道，然后逐点卷积应用1
×
1卷积以组合输出深度卷积的方式减小了普通卷积层的参数，该网络的每个卷积层后面都跟有批标准化层和Relu激活函数；S7：搭建基于SSD算法的神经网络模型，使用SSD算法的模型结构，对MobileNet提取的特征层从6个不同尺度进行深层次的特征提取,并从6个不同尺度信息中检测目标的位置,这样可以更好的预测目标的位置及分类,最后使用非极大值抑制算法对重复的结果进行过滤,得到最终的检测结果；S8：使用反向传播算法对神经网络进行训练，在训练过程中进行验证，当训练损失和验证损失最低时保存网络训练的最优模型；S9：使用保存的最优模型对测试集进行测试，就可以得到工程机械图片的检测结果。2.根据权利要求1所述的一种基于SSD算法的管道周边机械设备识别方法，其特征在于：所述S1中的原始工程机械类别分为：挖掘机械、铲运机械、凿岩机械、压实机械和桩工机械五类。3.根据权利要求1所述的一种基于SSD算法的管道周边机械设备识别方法，其特征在于：所述S5中数据增强方...

【专利技术属性】
技术研发人员：李洪烈，李智文，严密，顾清林，冯伟，程艳，郑大海，毛建，李德明，刘会斌，沈飞军，舒亮，
申请(专利权)人：国家石油天然气管网集团有限公司，
类型：发明
国别省市：