一种针对发电站水下异物的目标检测方法技术

本发明专利技术属于机器视觉相关技术领域，并公开了一种针对发电站水下异物的目标检测方法。该方法包括下列步骤：S1构建发电站水水下异物的二维和三维数据集；S2构建二维预测模型和三维预测模型，分别利用所述二维数据集和三维数据集训练所述二维预测模型和三维预测模型；S3采集实际异物的图像，将该实际异物图像输入至所述二维预测模型中，以此获得实际异物的大致位置和异物类型，根据预测的结果到实际异物所在位置采集三维点云数据，将采集的三维点云数据输入所述三维预测模型中，以此获得实际异物的准确位置和准确类型。通过本发明专利技术，解决发电站水下异物检测无法检测以及检测精度低的问题。水下异物检测无法检测以及检测精度低的问题。水下异物检测无法检测以及检测精度低的问题。

【技术实现步骤摘要】
一种针对发电站水下异物的目标检测方法


[0001]本专利技术属于机器视觉相关
，更具体地，涉及一种针对发电站水下异物的目标检测方法。

技术介绍

[0002]发电站设备与系统运行在水下辐射环境中，发电站水下异物是指与系统或设备设计不符的物品，如碎片、破裂或丢失的零部件、工具、抹布、化学药品、零件磨渣等所有影响系统或设备运行的物品。为了有效防止在发电站生产生活中的异物进入设备和系统，对设备及机组的安全稳定运行产生影响，防异物一直是发电站大修工作中关注的重点，特别是燃料装卸操作。每次堆芯装换料前都必须进行堆芯防异物检查工作，避免堆芯存在异物，导致起堆后造成燃料破损等严重事件的发生。另外，大修装料结束后，需要对堆芯所有燃料组件标识符逐个进行摄像核查和记录来判断堆芯装料工作是否正确，除去准备时间，121组燃料逐个核查与确认过程约占1h大修主线时间。如何快速、全面地查找、定位并识别异物，以及快速进行装料后摄像检查，对于电站安全稳定运行、堆芯防异物管理以及缩短关键路径时间都可起到积极的作用。
[0003]在传统的异物检测方法中，重庆大学的陈文涛(陈文涛.烟草异物在线高速模式识别与剔除技术研究[D].重庆大学,2003.)采用像素点的色调、像素点的修正灰度、判别单元中灰度的一阶中心矩(或标准差)这3个特征可对烟叶和多种异物进行有效的识别；南京航空航天大学的牛犇(牛犇.机场跑道视频异物检测与识别关键技术研究[D].南京航空航天大学,2016.)在巡道车上安装摄像机及信息处理设备,构成一个可移动的、多信息融合的跑道异物视频检测与识别系统,能在较短的时间内完成异物的检测和识别分类；中国矿业大学的郜振国(郜振国.煤矿井下运输异物检测关键技术研究[D].中国矿业大学,2018.)设计并开发了一套煤矿井下皮带异物检测原型系统,实现多摄像头判定下对井下皮带运输异物的实时检测、报警和图像显示；王兴涛等人(王兴涛,李文永,陈亮.用于电力巡检机器人的挂空异物智能检测方法[J].机械与电子,2021,39(12):76
‑
80.)提出一种电路中挂空异物的智能检测方法；杜凯等人(杜凯,朱国荣,陆江华,庞牧野.电动汽车无线充电系统金属异物检测方法[J].浙江大学学报(工学版),2022,56(01):56
‑
62+74.)提出了一种电动汽车无线充电系统金属异物检测的方法。传统的异物检测方法由于鲁棒性较低，在发电站水下极端环境中，检测的精度难以保证。
[0004]在基于深度学习方法的异物检测方法中，北京交通大学的李兴鑫(李兴鑫.基于场景理解的铁路异物入侵检测算法研究[D].北京交通大学,2021.)提出了一种基于深度多任务卷积网络的消隐点和钢轨检测算法；北京交通大学的王玮(王玮.面向铁路异物入侵检测的深度神经网络轻量化算法研究[D].北京交通大学，2021.)研究了面向铁路异物入侵检测的深度神经网络算法；一种基于深度相机的轨枕异物检测方法(中国专利授权公告号：CN202210561931，授权公告日：2022.05.23)通过相机收集不同光照位置条件下的轨枕彩色图像，制作成轨枕数据集进行训练，完成了轨枕的异物检测；卢学明等人(卢学明,于在川,
许升起.基于深度生成模型的煤矿运输皮带异物检测[J].计算机系统应用,2022,31(05):358
‑
363.)提出了一种基于深度生成模型的皮带异物检测方法，能够精准地对煤矿皮带运输机上的异物进行检出；张红民等人(张红民,周豪,李顺远,李萍萍.改进YOLOv3的输电线路异物检测方法[J].激光杂志,2022,43(05):82
‑
87.)采用改进YOLOv3模型完成了输电线路异物的检测。深度学习模型的性能依赖数据集大小，发电站水下环境数据难以大量采集，小型数据集不能充分发挥深度学习的优势。
[0005]综上所述，传统的水下检测方法不满足发电站水下异物的检测要求，基于深度学习的方法目前还没有针对发电站水下异物检测这一细分领域的有效的方法。

技术实现思路

[0006]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种针对发电站水下异物的目标检测方法，解决发电站水下异物检测无法检测以及检测精度低的问题。
[0007]为实现上述目的，按照本专利技术，提供了一种针对发电站水下异物的目标检测方法，该方法包括下列步骤：
[0008]S1构建发电站水水下异物的数据集，该数据集中包括二维的图像数据集和三维点云数据集，分别对所述数据集中每个二维图像数据和三维点云数据赋予二维标签和三维标签；
[0009]S2构建二维预测模型和三维预测模型，分别利用所述二维数据集和三维数据集训练所述二维预测模型和三维预测模型；
[0010]S3采集实际异物的图像，将该实际异物图像输入至所述二维预测模型中，以此获得实际异物的大致位置和异物类型，根据预测的结果到实际异物所在位置采集三维点云数据，将采集的三维点云数据输入所述三维预测模型中，以此获得实际异物的准确位置和准确类型。
[0011]进一步优选地，在步骤S1中，所述数据集通过采集实际的数据集和仿真数据集构成。
[0012]进一步优选地，对于所述仿真的数据集采用CycleGAN模型实现域自适应，以此将仿真的数据转化为于实际数据相接近的风格。
[0013]进一步优选地，所述CycleGAN模型采用的损失函数为Wasserstein Loss。
[0014]进一步优选地，所述二维预测模型为YOLOX模型。
[0015]进一步优选地，所述YOLOX模型中的损失函数L为：
[0016]L＝1.5*L
cl
+L
c
+L
loc
[0017]其中，L
cl
,L
c
,L
loc
分别是分类损失、置信度损失和定位损失。
[0018]进一步优选地，所述YOLOX模型的训练过程中先再ImageNet数据集上进行与训练，然后才利用所述二维数据集进行正式的训练。
[0019]进一步优选地，所述三维预测模型为PointPillars模型。
[0020]进一步优选地，所述PointPillars模型中位置损失权重为1.5。
[0021]进一步优选地，所述PointPillars模型均先利用所述三维点云数据的坐标作为输入，法矢作为输出，进行网络特征提取层的自监督学习训练，然后才利用所述数据集进行正式的训练。
[0022]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具备下列有益效果：
[0023]1.本专利技术中采用了改进的CycleGAN模型，将仿真数据集转换为与实际数据接近的风格，通过适当提升CycleGAN模型中生成器损失函数的权重，可以提升生成数据与实际数据之间的相似性。通过CycleGAN模型的域自适应，大大扩充了目标检测模型所需数据的数量，使目标检测模型的性能得到较大提升；
[0024]2.本专利技术中采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对发电站水下异物的目标检测方法，其特征在于，该方法包括下列步骤：S1构建发电站水水下异物的数据集，该数据集中包括二维的图像数据集和三维点云数据集，分别对所述数据集中每个二维图像数据和三维点云数据赋予二维标签和三维标签；S2构建二维预测模型和三维预测模型，分别利用所述二维数据集和三维数据集训练所述二维预测模型和三维预测模型；S3采集实际异物的图像，将该实际异物图像输入至所述二维预测模型中，以此获得实际异物的大致位置和异物类型，根据预测的结果到实际异物所在位置采集三维点云数据，将采集的三维点云数据输入所述三维预测模型中，以此获得实际异物的准确位置和准确类型。2.如权利要求1所述的一种针对发电站水下异物的目标检测方法，其特征在于，在步骤S1中，所述数据集通过采集实际的数据集和仿真数据集构成。3.如权利要求2所述的一种针对发电站水下异物的目标检测方法，其特征在于，对于所述仿真的数据集采用CycleGAN模型实现域自适应，以此将仿真的数据转化为于实际数据相接近的风格。4.如权利要求3所述的一种针对发电站水下异物的目标检测方法，其特征在于，所述CycleGAN模型采用的损失函数为Wasserstein Loss。5.如权利要求1所述的一种针对发电站水下异物的目标检测方法，其特征...

【专利技术属性】
技术研发人员：李文龙，程育奇，杨文韬，田亚明，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：