一种长输管道暴露检测方法技术

本公开揭示了一种长输管道暴露检测方法

【技术实现步骤摘要】
一种长输管道暴露检测方法、装置、存储介质及电子设备


[0001]本公开属于长输管道检测领域，具体涉及一种长输管道暴露检测方法
、
装置
、
存储介质及电子设备
。

技术介绍

[0002]随着长输管道的普及，长输管道的安全问题越来越引人注目
。
其中，管道暴露是长输管道常见的安全隐患之一，一旦管道暴露，容易被外界物体和环境所损坏，从而严重危及管道的安全运行
。
在长输管道的安装和使用环节，都可能会产生管道表面缺陷，如果不能及时排查这些表面缺陷，尤其是裂纹类
、
高温腐蚀凹坑
、
变形等危险缺陷，将会带来极大安全隐患，严重影响长输管道的使用安全性
。
目前，拍摄管道表面缺陷的检测方法多为单一视角，只能进行局部拍摄
。
现有的通过人工巡查的方式对长输管道内壁表面缺陷进行检测存在操作不方便
、
效率低
、
精准度较差等不足，因此，改进现有检测方法是非常必要的
。

技术实现思路

[0003]针对现有技术中的不足，本公开的目的在于提供一种长输管道暴露检测方法，该方法能够快速准确地识别出长输管道在其所在区域中是否暴露，提高了管道的安全性和可靠性
。
[0004]为实现上述目的，本公开提供以下技术方案：一种长输管道暴露检测方法，包括如下步骤：
S100
：采集待测长输管道所在区域图像；
S200
：构建长输管道暴露检测模型并对模型进行训练；其中，所述长输管道暴露检测模型采用改进后的
YOLOX
‑
S
网络，改进后的
YOLOX
‑
S
网络包括主干网络
、
改进后的特征提取融合模块和改进后的预测输出模块；改进后的特征提取融合模块额外引入了
Ghost
模块和注意力机制模块，改进后的预测输出模块额外引入了
AuxHead
模块；
S300
：将所采集的待测长输管道所在区域图像输入训练好的长输管道暴露检测模型，以检测图像中的待测长输管道是否暴露
。
[0005]优选的，步骤
S200
中，所述长输管道暴露检测模型通过以下步骤进行训练：
S201
：构建含有暴露的长输管道图像数据集；
S202
：对图像数据集进行筛选和标注；
S203
：将标注后的图像数据集划分为训练集和测试集；
S204
：设置训练参数，利用训练集对模型进行训练，当达到最大训练轮数后，模型训练完成；
S205
：利用测试集对训练后的模型进行测试，在测试过程中，当平均查准率达到
0.95
及以上，测试通过，获得训练好的模型；否则调整训练参数重新对模型进行训练
。
[0006]本公开还提供一种长输管道暴露检测装置，所述装置包括：
采集模块，用于采集待测长输管道所在区域图像；模型构建及训练模块，用于构建长输管道暴露检测模型并对模型进行训练；其中，所述长输管道暴露检测模型采用改进后的
YOLOX
‑
S
网络，改进后的
YOLOX
‑
S
网络包括主干网络
、
改进后的特征提取融合模块和改进后的预测输出模块；改进后的特征提取融合模块额外引入了
Ghost
模块和注意力机制模块，改进后的预测输出模块额外引入了
AuxHead
模块；检测模块，用于将所采集的待测长输管道所在区域图像输入训练好的长输管道暴露检测模型，以检测图像中的待测长输管道是否暴露
。
[0007]优选的，所述模型构建及训练模块包括：数据集构建子模块，用于构建含有暴露的长输管道图像数据集；筛选和标注子模块，用于对图像数据集进行筛选和标注；划分子模块，用于将标注后的图像数据集划分为训练集和测试集；训练子模块，用于利用训练集对模型进行训练，当达到最大训练轮数后，模型训练完成；测试子模块，用于利用测试集对训练后的模型进行测试
。
[0008]本公开还提供一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如前任一所述的方法
。
[0009]本公开还提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如前任一所述的方法
。
[0010]与现有技术相比，本公开带来的有益效果为：本公开能够快速准确地识别出长输管道在其所在区域中是否暴露，提高了管道的安全性和可靠性，适用于各种长输管道的检测和维护工作
。
附图说明
[0011]图1是本公开一个实施例提供的一种基于无人机的长输管道暴露检测方法流程图；图2是本公开另一个实施例提供的长输管道暴露检测模型的网络结构示意图；图3是本公开另一个实施例提供的图2所示模型中
Ghost
模块的结构示意图；图4是本公开另一个实施例提供的图2所示模型中注意力模块的结构示意图；图5是本公开另一个实施例提供的
AuxHead
模块的结构示意图
。
具体实施方式
[0012]下面将参照附图1至图5详细地描述本公开的具体实施例
。
虽然附图中显示了本公开的具体实施例，然而应当理解，可以通过各种形式实现本公开而不应被这里阐述的实施例所限制
。
相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员
。
[0013]需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件
。
本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件
。
本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准
则
。
如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。
说明书后续描述为实施本公开的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本公开的范围
。
本公开的保护范围当视所附权利要求所界定者为准
。
[0014]为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定
。
[0015]一个实施例中，如图1所示，本公开提供一种长输管道暴露检测方法，包括如下步骤：
S100
：采集待测长输管道所在区域图像；
S200
：构建长输管道暴露检测模型；
S300
：对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种长输管道暴露检测方法，其特征在于，所述方法包括如下步骤：
S100
：采集待测长输管道所在区域图像；
S200
：构建长输管道暴露检测模型并对模型进行训练；其中，所述长输管道暴露检测模型采用改进后的
YOLOX
‑
S
网络，改进后的
YOLOX
‑
S
网络包括主干网络
、
改进后的特征提取融合模块和改进后的预测输出模块；改进后的特征提取融合模块额外引入了
Ghost
模块和注意力机制模块，改进后的预测输出模块额外引入了
AuxHead
模块；
S300
：将所采集的待测长输管道所在区域图像输入训练好的长输管道暴露检测模型，以检测图像中的待测长输管道是否暴露
。2.
根据权利要求1所述的方法，其特征在于，步骤
S200
中，所述长输管道暴露检测模型通过以下步骤进行训练：
S201
：构建含有暴露的长输管道图像数据集；
S202
：对图像数据集进行筛选和标注；
S203
：将标注后的图像数据集划分为训练集和测试集；
S204
：设置训练参数，利用训练集对模型进行训练，当达到最大训练轮数后，模型训练完成；
S205
：利用测试集对训练后的模型进行测试，在测试过程中，当平均查准率达到
0.95
，测试通过，获得训练好的模型；否则调整训练参数重新对模型进行训练
...

【专利技术属性】
技术研发人员：贺亮，刘云川，刘云刚，陈凡，
申请(专利权)人：重庆泓宝科技股份有限公司，
类型：发明
国别省市：