System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请属于图像处理,特别是涉及一种危化园储罐支架裂缝识别方法、装置、设备及介质。
技术介绍
1、目前,加能站(例如加液站、油气站等)、危化园的卸液区储罐支架开裂识别的方法主要分为两类:一类是巡检人员在现场巡检时肉眼判断,另一类是通过已有智能平台部署的传统深度学习模型进行目标识别。其中,肉眼判断存在人力成本高和漏检率高的问题,而传统深度学习模型则存在计算资料消耗高的问题。
2、所以,目前亟需一种加能站(例如加液站、油气站等)、危化园储罐支架裂缝识别方法,在保证目标识别的准确性的前提下,可以在训练过程中节约大量的人力资源和时间成本。
技术实现思路
1、本申请提供一种加能站(例如加液站、油气站等)、危化园储罐支架裂缝识别方法、装置、设备及介质,旨在解决如何在训练过程中节约大量的人力资源和算力资源的问题。
2、依据本申请的第一方面,提供了一种加能站(例如加液站、油气站等)、危化园储罐支架裂缝识别方法,包括:
3、获取图片数据集,所述图片数据集中的每张图像为卸液区储罐支架区域图像;
4、将所述图片数据集划分为第一数据集和第二数据集,并对所述第一数据集中的所有图像进行标注处理;
5、基于所述第一数据集和所述第二数据集对初始识别模型进行训练,得到目标识别模型,其中,所述第一数据集用于对所述初始识别模型进行训练确定第一识别模型,所述第二数据集用于基于所述第一识别模型对所述第二数据集的预测结果扩充所述第一数据集;所述目标识别模型为在训练终点
6、基于所述目标识别模型,对所述卸液区储罐支架区域的实时图像进行检测,输出检测结果,所述检测结果用于表征所述卸液区储罐支架是否存在裂缝。
7、可选地,所述基于所述第一数据集和所述第二数据集对初始识别模型进行训练,得到目标识别模型,包括:
8、利用所述第一数据集对所述初始识别模型进行训练,得到所述第一识别模型;
9、利用所述第一识别模型对所述第二数据集进行预测,得到所述预测结果,基于所述预测结果筛选出填充数据集,所述填充数据集包括满足第一预设条件的所述第二数据集中的数据;
10、将所述填充数据集中的数据添加至所述第一数据集中,得到所述扩充的第一数据集以及更新的第二数据集;
11、利用所述扩充的第一数据集对所述第一识别模型进行多次重复训练,并基于每个训练轮次中的所述更新的第二数据集对应的预测结果确定所述训练终点;
12、将在所述训练终点训练得到的第一识别模型作为所述目标识别模型。
13、可选地,所述利用所述第一识别模型对所述第二数据集进行预测,得到所述预测结果,基于所述预测结果筛选出填充数据集,包括:
14、利用所述第一识别模型对所述第二数据集中每个数据进行预测,得到所述第二数据集中每个数据对应的数据预测结果,将所述第二数据集中所有数据对应的数据预测结果组合为所述预测结果;
15、将所述第二数据集中每个数据对应的数据预测结果与预设阈值进行比较,将所述数据预测结果大于或等于所述预设阈值所对应的数据确定为作为所述满足第一预设条件的数据;
16、为所述满足第一预设条件的数据添加对应的识别标签,并基于所述满足第一预设条件的数据以及每个所述满足第一预设条件的数据对应的识别标签,构建所述填充数据集。
17、可选地,所述数据预测结果为所述第二数据集中每个数据对应的置信度,所述预设阈值为预设置信度阈值。
18、可选地,所述基于每个训练轮次中的所述更新的第二数据集对应的预测结果确定所述训练终点,包括:
19、在所述每个训练轮次中,确定不满足所述第一预设条件的所述更新的第二数据集对应的预测结果的数量,作为第一数量;
20、将不满足第二预设条件的所述第一数量对应的训练轮次,作为所述训练终点,所述第二预设条件为所述第一数量大于0。
21、可选地,所述获取图片数据集,包括:
22、获取初始视频;
23、对所述初始视频进行抽帧处理,得到多张初始图片,所述初始图片为至少包含储罐支架区域图像的图片;
24、对所述初始图片进行目标识别,确定所述初始图片中所述储罐支架区域图像的位置信息;
25、依据所述位置信息,对所述初始图片进行裁剪,得到目标图片,所述目标图片为仅包含所述储罐支架区域图像的图片;
26、对所述目标图片进行亮度增强和颜色增强,得到所述图片数据集。
27、可选地,所述对所述目标图片进行亮度增强和颜色增强,得到所述图片数据集,包括:
28、将每张所述目标图片的颜色空间由第一颜色空间转换为第二颜色空间;
29、对处于所述第二颜色空间的所述目标图片的第一通道进行增强,得到增强第一通道,所述第一通道用于控制所述目标图片的统一亮度;
30、将所述增强第一通道与处于所述第二颜色空间的所述目标图片的其它通道合并,得到亮度增强图片,将所述亮度增强图片的颜色空间由所述第二颜色空间转换为所述第一颜色空间;
31、获取所述亮度增强图片中各个颜色通道分别对应的第一强度分布;
32、对所述各个颜色通道分别对应的第一强度分布进行均匀化处理,得到颜色增强图片;
33、将所述颜色增强图片加入到所述图片数据集。
34、依据本申请的第二方面,提供了一种加能站(例如加液站、油气站等)、危化园储罐支架裂缝识别装置,该装置可以包括:
35、获取模块,用于获取图片数据集,所述图片数据集中的每张图像为卸液区储罐支架区域图像;
36、标注模块,用于将所述图片数据集划分为第一数据集和第二数据集,并对所述第一数据集中的所有图像进行标注处理;
37、训练模块,用于基于所述第一数据集和所述第二数据集对初始识别模型进行训练,得到目标识别模型,其中,所述第一数据集用于对所述初始识别模型进行训练确定第一识别模型,所述第二数据集用于基于所述第一识别模型对所述第二数据集的预测结果扩充所述第一数据集;所述目标识别模型为在训练终点时,基于扩充的第一数据集训练得到的第一识别模型;
38、检测模块,用于基于所述目标识别模型,对所述卸液区储罐支架区域的实时图像进行检测,输出检测结果,所述检测结果用于表征所述卸液区储罐支架是否存在裂缝。
39、可选地,所述训练模块,包括:
40、第一训练子模块,用于利用所述第一数据集对所述初始识别模型进行训练,得到所述第一识别模型;
41、数据筛选子模块,用于利用所述第一识别模型对所述第二数据集进行预测,得到所述预测结果,基于所述预测结果筛选出填充数据集,所述填充数据集包括满足第一预设条件的所述第二数据集中的数据;
42、数据集更新子模块,用于将所述填充数据集中的数据添加至所述第一数据集中,得到所述扩充的第一数据集以本文档来自技高网...
【技术保护点】
1.一种危化园储罐支架裂缝识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种危化园储罐支架裂缝识别方法,其特征在于,所述基于所述第一数据集和所述第二数据集对初始识别模型进行训练,得到目标识别模型,包括:
3.根据权利要求2所述的一种危化园储罐支架裂缝识别方法,其特征在于,所述利用所述第一识别模型对所述第二数据集进行预测,得到所述预测结果,基于所述预测结果筛选出填充数据集,包括:
4.根据权利要求3所述的一种危化园储罐支架裂缝识别方法,其特征在于,所述数据预测结果为所述第二数据集中每个数据对应的置信度,所述预设阈值为预设置信度阈值。
5.根据权利要求2所述的一种危化园储罐支架裂缝识别方法,其特征在于,所述基于每个训练轮次中的所述更新的第二数据集对应的预测结果确定所述训练终点,包括:
6.根据权利要求1所述的一种危化园储罐支架裂缝识别方法,其特征在于,所述获取图片数据集,包括:
7.根据权利要求6所述的一种危化园储罐支架裂缝识别方法,其特征在于,所述对所述目标图片进行亮度增强和颜色增强,得到所述图
8.一种危化园储罐支架裂缝识别装置,其特征在于,所述危化园储罐支架裂缝识别装置包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的危化园储罐支架裂缝识别方法。
...【技术特征摘要】
1.一种危化园储罐支架裂缝识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种危化园储罐支架裂缝识别方法,其特征在于,所述基于所述第一数据集和所述第二数据集对初始识别模型进行训练,得到目标识别模型,包括:
3.根据权利要求2所述的一种危化园储罐支架裂缝识别方法,其特征在于,所述利用所述第一识别模型对所述第二数据集进行预测,得到所述预测结果,基于所述预测结果筛选出填充数据集,包括:
4.根据权利要求3所述的一种危化园储罐支架裂缝识别方法,其特征在于,所述数据预测结果为所述第二数据集中每个数据对应的置信度,所述预设阈值为预设置信度阈值。
5.根据权利要求2所述的一种危化园储罐支架裂缝识别方法,其特征在于,所述基于...
【专利技术属性】
技术研发人员:陈友明,陈思竹,李烽,
申请(专利权)人:四川弘和数智集团有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。