一种基于对比学习的漏液分割检测方法技术

一种基于对比学习的漏液分割检测方法，具体步骤如下：S1、基于对比学习的编码器训练；S2、基于对比学习的语义分割的解码器训练；S3、使用最终模型实现漏液分割检测。该发明专利技术的优点在于：基于对比的自监督方法可以有效的进行进行特征提取，无需标注数据，可以更好的提取图片不同维度的特征，用来进行漏液分割检测，同时基于自监督检测可以提高模型训练收敛速度。时基于自监督检测可以提高模型训练收敛速度。时基于自监督检测可以提高模型训练收敛速度。

【技术实现步骤摘要】
一种基于对比学习的漏液分割检测方法


[0001]本专利技术涉及漏液分割检测的
，尤其涉及一种基于对比学习的漏液分割检测方法。

技术介绍

[0002]漏液分割检测的现有技术如下：
[0003]1.(201510392423.7)一种基于神经网络和热像图的蓄电池漏液检测方法
[0004]该专利技术公开了一种基于神经网络和热像图的蓄电池漏液检测方法.包括图像采集设备,包括以下步骤:S1)所述红外摄像头设置拍摄位置和拍摄角度；S2)所述图像处理器控制红外摄像头采集不同位置的多张图像；S3)对步骤S2)获得的图像用中值滤波的方法进行去噪,并按照有无漏液对图像进行分类；S4)建立denseNet神经网络模型,用步骤S3)的训练集标准化后,进行训练；S5)用训练好的denseNet模型对标准化后的步骤S3)的测试集,进行识别标记.本专利技术采用denseNet神经网络和热像图的方法检测漏液。该模型使用的是DenseNet非常消耗大量的内存，同时仅仅根据热力图进行识别往往过分依赖于液体与周围温度差，有一定的局限性。
[0005]2.(CN201611157221.5)漏液检测系统
[0006]该专利技术是一种隧道渗水检测的图像处理方法，属于图像处理
其特征是包括下列步骤：对黑色渗水区域检测时，首先对原图像进行高斯滤波；对所得到结果中的规则线条所在的区域进行去除；再对其进行基于均值的黑色区域检测和基于亮度值和对比度的特征测量，并去除无效区域；最后，对整幅图像进行横向和纵向测量得到标记黑色渗水区域的隧道图像。对反光渗水区域检测时，首先对高斯滤波后的图像进行显著性区域检测；再根据梯度值进行闽值分割，求取显著性区域和梯度较大区域的重合部分；最后从重合区域中去除包含显著性像素较少的区域得到标记反光渗水区域的隧道图像。这里的检测方法仅仅只能对黑色渗水区域进行检测，且运用传统的图像识别算法对不同光照条件下的检测有一定的错误率，识别效果相对较差。
[0007]3.(201110390007.5)基于红外图像处理的渗漏检测系统及方法
[0008]该检测方法首先把连接在可折叠软管上的微型红外摄像仪通过管线之间的缝隙深入到待检测管线的内部或底部，然后利用微型红外摄像仪上的红外探测器探测管线的红外能，并由探测器将红外辐射能转换成电信号，通过软管将信号传输给显示器，经放大处理、转换，由监测器显示红外热像图，通过观看热图像判断管线的好坏，从而实现渗漏点的精准定位；本专利技术能够快速找到层叠或交错的内部和底部管线的渗漏源，从而实现管线的全面检查与维护。该检测方法仅仅通过热力图方法进行判断渗漏检测，对常温液体检测效果较差，以及无法对较长时间渗漏液体恢复常温无法有效检测。

技术实现思路

[0009]为了解决了上述技术问题，本专利技术提出了一种基于对比学习的漏液分割检测方
法，具体技术方案如下：
[0010]一种基于对比学习的漏液分割检测方法，具体步骤如下：
[0011]S1、基于对比学习的编码器训练；
[0012]S2、基于对比学习的语义分割的解码器训练；
[0013]S3、使用最终模型实现漏液分割检测。
[0014]具体地说，步骤S1具体为：
[0015]S11、收集数据；首先需要对漏液的数据集进行采集，并相对应的其分成训练集，验证集以及对应的测试集；这里需要同时标注出漏液部位的RGB三通道图片以及对应红外图片对应的语义标注文件；训练阶段对于模型数据的训练会采用一定的增广模式，对训练图片进行颜色抖动、随机裁剪、增加随机高斯噪音进行一定的增广；
[0016]S12、如图1所示，将红外图以及对应的RGB图片进行合并得到I
in
并将其输入到三个串联的SD
‑
Block模块中，三次SD
‑
Block模块分别得到特征F
sd1
，F
sd2
以及特征F
sd3
，另外，将输入I
in
分别输入到深度可分离卷积以及空间可分离卷积得到特征F
cd
以及特征F
cs
，并将两者进行concate得到特征F
csd
，将该特征输入到注意力机制CBAM中得到特征F
CBAM
，之后将特征F
CBAM
特征通过DAPPM机制得到特征F
DAPPM1
；将特征F
DAPPM1
与特征F
sd1
相加后获得的特征通过DAPPM机制得到F
DAPPM2
；特征F
DAPPM2
与特征F
sd2
相加后得到特征F
dsp
；
[0017]S13、将F
sd3
通过1x1卷积得到特征F
dsc
；将特征F
dsp
与特征F
dsc
分别作为输入输入到UAFM中得到特征F
UAFM
；
[0018]S14、通过卷积以及上采样得到图I
out
。
[0019]具体地说，所述SD
‑
Block模块分别由SSAM模块与FAB模块串联构成；
[0020]所述SSAM模块具体为：将输入F
i
分别通过平均池化以及最大池化得到特征F
ap
以及特征F
mp
，并将两者特征分别输入到1x1卷积中得到特征F
apc
以及特征F
mc
，之后将这两个特征进行concate合并得到特征F
am
并通过激活函数softmax得到特征F
cs
；将特征F
apc
与特征F
cs
相乘得到特征F
acs
，将特征F
cs
与特征F
mc
得到特征F
ms
；将特征F
acs
与特征F
ms
进行相加在通过scale操作进行放大得到特征F
sf
；对于输入F
i
通过卷积操作得到特征F
c
，最终特过公式F
SSAM
＝αF
sf
+(1
‑
α)F
c
得到特征F
SSAM
，α为可训练的模型参数；
[0021]所述FAB模块具体为：将输入特征F
SSAM
通过深度可分离卷积得到特征F
dve
，通过SynBN得到特征F
SB
以及激活函数Relu得到特征F
RL
,最后通过Dropout操作得到特征F
dp
。
[0022]具体地说，所述DDPPM具体为：将输入分别通过3x3卷积得到特征F
c1
、通过卷积核为5、st本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对比学习的漏液分割检测方法，其特征在于，具体步骤如下：S1、基于对比学习的编码器训练；S2、基于对比学习的语义分割的解码器训练；S3、使用最终模型实现漏液分割检测。2.根据权利要求1所述的一种基于对比学习的漏液分割检测方法，其特征在于，步骤S1具体为：S11、收集数据；首先需要对漏液的数据集进行采集，并相对应的其分成训练集，验证集以及对应的测试集；这里需要同时标注出漏液部位的RGB三通道图片以及对应红外图片对应的语义标注文件；训练阶段对于模型数据的训练会采用一定的增广模式，对训练图片进行颜色抖动、随机裁剪、增加随机高斯噪音进行一定的增广；S12、将红外图以及对应的RGB图片进行合并得到I
in
并将其输入到三个串联的SD
‑
Block模块中，三次SD
‑
Block模块分别得到特征F
sd1
，F
sd2
以及特征F
sd3
，另外，将输入I
in
分别输入到深度可分离卷积以及空间可分离卷积得到特征F
cd
以及特征F
cs
，并将两者进行concate得到特征F
csd
，将该特征输入到注意力机制CBAM中得到特征F
CBAM
，之后将特征F
CBAM
特征通过DAPPM机制得到特征F
DAPPM1
；将特征F
DAPPM1
与特征F
sd1
相加后获得的特征通过DAPPM机制得到F
DAPPM2
；特征F
DAPPM2
与特征F
sd2
相加后得到特征F
dsp
；S13、将F
sd3
通过1x1卷积得到特征F
dsc
；将特征F
dsp
与特征F
dsc
分别作为输入输入到UAFM中得到特征F
UAFM
；S14、通过卷积以及上采样得到图I
out
。3.根据权利要求2所述的一种基于对比学习的漏液分割检测方法，其特征在于，所述SD
‑
Block模块分别由SSAM模块与FAB模块串联构成；所述SSAM模块具体为：将输入F
i
分别通过平均池化以及最大池化得到特征F
ap
以及特征F
mp
，并将两者特征分别输入到1x1卷积中得到特征F
apc
以及特征F
mc
，之后将这两个特征进行concate合并得到特征F
am
并通过激活函数softmax得到特征F
cs
；将特征F
apc
与特征F
cs
相乘得到特征F
acs
，将特征F
cs
与特征F
mc
得到特征F
ms
；将特征F
acs
与特征F
ms
进行相加在通过scale操作进行放大得到特征F
sf
；对于输入F
i
通过卷积操作得到特征F
c
，最终特过公式F
SSAM
＝αF
sf
+(1
‑
α)F
c
得到特征F
SSAM
，α为可训练的模型参数；所述FAB模块具体为：将输入特征F
SSAM
通过深度可分离卷积得到特征F
dve
，通过SynBN得到特征F
SB
以及激活函数Relu得到特征...

【专利技术属性】
技术研发人员：胡懋成，王秋阳，郑博超，汪玉冰，凤阳，刘丹，
申请(专利权)人：合肥赛为智能有限公司，
类型：发明
国别省市：