一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于YOLO算法的核电厂混凝土缺陷识别方法


[0001]本专利技术涉及核电站安全评估
，尤其涉及一种基于
YOLO
算法的核电厂混凝土缺陷识别方法
。

技术介绍

[0002]核电厂构筑物在核电厂运行过程中起着包容
、
支撑
、
保护的作用，由于设计建造不合理
、
环境侵蚀
、
材料老化
、
维护欠佳
、
过荷载作用等原因，核电厂的构筑物不可避免的出现不同程度的劣化
、
失效现象，削弱其长期服役性能，降低了核安全构筑物在长期服役过程中承受劣化因素作用的能力，严重危害着构筑物的可靠性，直接影响核电厂的持续
、
安全运行
。
混凝土结构在服役过程中，开裂是其最为常见的老化失效行为之一，因此核电厂定期开展混凝土裂缝目视检查，及时跟踪
、
评估混凝土的老化状态，确保混凝土结构的完整性
、
安全性
。
然而拍摄图片由于环境限制，导致图片模糊
、
不清晰，算法识别效果差，准确度低，容易出现漏检
、
误检等情况；核电厂混凝土结构服役环境复杂，目视检查效率低，部分区域由于高辐照剂量及空间结构的限制而难以到达，存在检测风险高
、
效率低，无法形成有效的检测与评估等问题
。
[0003]以上
技术介绍
内容的公开仅用于辅助理解本专利技术的专利技术构思及技术方案，其并不必然属于本专利申请的现有技术，也不必然会给出技术教导；在没有明确的证据表明上述内容在本专利申请的申请日之前已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性
。

技术实现思路

[0004]为了克服现有技术存在的不足，本专利技术提供一种基于
YOLO
算法的核电厂混凝土缺陷识别方法，具体技术方案如下：
[0005]本专利技术提供了一种基于
YOLO
算法的核电厂混凝土缺陷识别方法，包括以下步骤：
[0006]获取核电厂混凝土表面缺陷图像数据集，对数据集内的图像进行预处理，再将处理后的图像分割为
n
个预设尺寸的子图像；
[0007]根据每张子图像中出现裂缝的位置，划定对应预选框，以完成子图像的标注，所述子图像上的每条裂缝被对应的预选框所包围；将标注后的子图像按预设比例划分为训练集和测试集；
[0008]采用
YOLO
算法，并基于卷积神经网络不同的深度和宽度，建立多个
YOLO
模型，并利用所述训练集分别进行训练，以对应获得多个模型权重文件；
[0009]使用所述测试集对所述模型权重文件分别进行测试，并基于
Giou loss、Precision、Recall
和
mAP
值中的一种或多种检测指标对所述多个
YOLO
模型进行评价，以获取最优的
YOLO
模型；将最优的
YOLO
模型作为混凝土表面缺陷图像检测模型，以实现对混凝土表面裂缝位置的自动识别
。
[0010]进一步地，所述预选框为矩形，所述预选框恰好将对应的裂缝包围，并记录所述预
选框对角线两端的坐标；所述
YOLO
模型以预测框的形式将识别出的裂缝进行标记，所述预测框为矩形，并记录所述预测框对角线两端的坐标；若同一子图像对应的预选框和预测框两者之间对应坐标的距离大于预设阈值，则需重新训练所述
YOLO
模型
。
[0011]进一步地，将待检测的混凝土表面图像进行图像分割后输入所述混凝土表面缺陷图像检测模型，所述混凝土表面缺陷图像检测模型将所述混凝土表面图像上出现的裂缝以预测框的形式进行标记，将所述预测框一条对角线的长度作为对应裂缝的基础长度并进行求和，以初步得到所述混凝土表面图像上出现裂缝的总长度，然后除以所述混凝土表面图像的面积，进而得到所述混凝土表面图像的裂缝密度，若所述混凝土表面图像的裂缝密度超出第一安全值，则进行警报，并将关联的图像发送至工作人员进行校核
。
[0012]进一步地，按预设频率实时拍摄核电厂混凝土表面，并通过所述混凝土表面缺陷图像检测模型计算并记录所述混凝土表面图像的裂缝密度，若所述混凝土表面图像的裂缝密度在第一预设时间内增长的幅度超出第一阈值，则进行警报，并将关联的图像发送至工作人员进行校核
。
[0013]进一步地，根据所述预测框的坐标信息，若发现两个预测框紧靠，则将所述两个预测框内的裂缝归类到同一个裂缝集群，若同一裂缝集群内所有裂缝的基础长度之和超出第二安全值，则进行警报，并将关联的图像发送至工作人员进行校核
。
[0014]进一步地，若同一裂缝集群内所有裂缝的基础长度之和在第二预设时间内增长的幅度超出第二阈值，则进行警报，并将关联的图像发送至工作人员进行校核
。
[0015]进一步地，所述预处理包括：将一张图片分别通过随机高斯噪声
、
随机高斯模糊以及镜像处理，以变换出多张新图片，进而实现对所述数据集的扩充
。
[0016]进一步地，所述数据集内的图像的比例尺相同，待检测的混凝土表面图像的比例尺预先调整到与训练时图像的比例尺相同，然后再经过图像分割后输入所述混凝土表面缺陷图像检测模型
。
[0017]进一步地，采用抗辐射摄像头对辐射危险区域内的混凝土进行图像采集
。
[0018]进一步地，所述
YOLO
算法为
YOLOv5
算法，所述预处理采用
opencv
算法对图片进行数据增强
。
[0019]与现有技术相比，本专利技术具有下列优点：实现了混凝土表面裂缝缺陷的自动识别，并具有较高的准确性，大大减少了人工
。
附图说明
[0020]图1是本专利技术实施例提供的核电厂混凝土缺陷识别方法的预选框示意图；
[0021]图2是本专利技术实施例提供的核电厂混凝土缺陷识别方法的流程示意图；
[0022]图3是本专利技术实施例提供的核电厂混凝土缺陷识别方法中模型训练指标曲线示意图；
[0023]图4是本专利技术实施例提供的核电厂混凝土缺陷识别方法中不同训练轮数结果示意图
。
具体实施方式
[0024]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的
附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围
。
[0025]需要说明的是，本专利技术的说明书和权利要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
YOLO
算法的核电厂混凝土缺陷识别方法，其特征在于，包括以下步骤：获取核电厂混凝土表面缺陷图像数据集，对数据集内的图像进行预处理，再将处理后的图像分割为
n
个预设尺寸的子图像；根据每张子图像中出现裂缝的位置，划定对应预选框，以完成子图像的标注，所述子图像上的每条裂缝被对应的预选框所包围；将标注后的子图像按预设比例划分为训练集和测试集；采用
YOLO
算法，并基于卷积神经网络不同的深度和宽度，建立多个
YOLO
模型，并利用所述训练集分别进行训练，以对应获得多个模型权重文件；使用所述测试集对所述模型权重文件分别进行测试，并基于
Giou loss、Precision、Recall
和
mAP
值中的一种或多种检测指标对所述多个
YOLO
模型进行评价，以获取最优的
YOLO
模型；将最优的
YOLO
模型作为混凝土表面缺陷图像检测模型，以实现对混凝土表面裂缝位置的自动识别
。2.
根据权利要求1所述的核电厂混凝土缺陷识别方法，其特征在于，所述预选框为矩形，所述预选框恰好将对应的裂缝包围，并记录所述预选框对角线两端的坐标；所述
YOLO
模型以预测框的形式将识别出的裂缝进行标记，所述预测框为矩形，并记录所述预测框对角线两端的坐标；若同一子图像对应的预选框和预测框两者之间对应坐标的距离大于预设阈值，则需重新训练所述
YOLO
模型
。3.
根据权利要求2所述的核电厂混凝土缺陷识别方法，其特征在于，将待检测的混凝土表面图像进行图像分割后输入所述混凝土表面缺陷图像检测模型，所述混凝土表面缺陷图像检测模型将所述混凝土表面图像上出现的裂缝以预测框的形式进行标记，将所述预测框一条对角线的长度作为对应裂缝的基础长度并进行求和，以初步得到所述混凝土表面图像上出现裂缝的总长度，然后除以所述混凝土表面图像的面积，进而得到所述混凝土...

【专利技术属性】
技术研发人员：王鹏，马骏，汤志杰，李毅，
申请(专利权)人：苏州热工研究院有限公司，
类型：发明
国别省市：