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】
本专利技术涉及工业视觉检测,具体涉及一种管道缺陷检测方法及系统。
技术介绍
1、闭路电视检测(cctv)系统获取到的影像资料为管道检查员提供了足够的信息来识别缺陷和生成管道状况评估报告,但由于目前的实践中缺乏相关的图像分析方法,检查员需要以人工的方式来对这些数据进行处理,这不仅导致缺陷检测结果受主观因素的影响较大,而且大大减慢了检查进程,此外,专业检测人员容易因视觉疲劳产生误检和漏检的情况。所以,实现排水管道快速准确的智能化检测,对提高检测效率的同时降低人力成本具有重大意义。
2、近年来发展的深度学习技术为管道缺陷检测提供了新颖的方案,但其中大多数都是计算密集型的,限制了它们在小型移动终端上的应用,计算密集型表示一个任务或应用程序需要大量的计算资源来执行,这通常涉及到大量的数据处理、数值计算、图像处理、模型训练等。计算密集型任务通常需要更多的cpu或gpu计算能力,以便高效地执行任务,例如卷积运算、递归算法等。深度学习通常被认为是计算密集型的任务之一,特别是大型卷积神经网络(convolutional neural networks,cnn),通常包含大量的参数和需要大量的计算资源。如公布号为cn115049600a的专利申请文献及公布号为cn116402748a的专利申请文献所采用的方案均为计算密集型方案,虽然上述现有技术具有快速、精准、可靠等优点,但yolov3、yolov5的检测方法的计算量大特性限制该技术在小型嵌入式设备上应用,模型轻量化、检测精度与效率之间难以实现平衡,一般算法是以提高其中某种特性为主要目的
3、另外,公布号为cn115049600a的专利申请文献中基于cctv的检测方式具有非接触、速度快等优势,利用管道检测机器人搭载采集管道内部图像的摄像头进行图像采集,采集的图像用来后续的数据库构建,但并没有公开的城市排水管道缺陷数据集,也没有相应的缺陷图像的数据标注,需要科研项目成员收集、筛选和标注数据,并需要经过专业人员进行缺陷图片再次审核。
技术实现思路
1、本专利技术所要解决的技术问题在于如何实现模型轻量化、检测精度与效率之间的有效平衡。
2、本专利技术通过以下技术手段解决上述技术问题的:
3、第一方面,采用了一种管道缺陷检测方法,所述方法包括:
4、利用城市排水管道缺陷图像数据库对yolov7-ghost网络进行训练,得到训练好的yolov7-ghost网络;
5、遍历训练好的yolov7-ghost网络的每一层,并按照每层的浮点运算数贡献进行降序排列,确定每一层的最佳剪枝比例;
6、按照每一层的最佳剪枝比例,评估每一层在所设定的最佳剪枝比例下对浮点运算数的压缩贡献,并选择贡献最大的n层进行剪枝,得到管道缺陷智能检测模型;
7、利用所述管道缺陷智能检测模型对实时采集的管道缺陷图像进行处理,预测管道缺陷结果。
8、进一步地,在所述利用城市排水管道缺陷图像数据库对yolov7-ghost网络进行训练之前,所述方法还包括:
9、采用视觉传感器拍摄不同管道条件下的视频;
10、采用相隔固定帧采样的方法对所有视频进行抽帧处理,得到m张管道图像;
11、从m张所述管道图像中选取符合条件的图像并进行标注,组成所述城市排水管道缺陷图像数据库。
12、进一步地,所述遍历训练好的yolov7-ghost网络的每一层,并按照每层的浮点运算数贡献进行降序排列,确定每一层的最佳剪枝比例,包括:
13、设置目标层数l、初始剪枝比例θ、本地性能下降阈值的列表{di}以及保留筛选后的最大数目η,其中,本地性能下降阈值的列表为每层浮点运算数贡献构成;
14、当‖θ||0>η时,从l=1:l循环判断,在满足时,使用θl*更新θ,输出当前层的最佳剪枝比例;
15、其中,‖θ||0表示θ的零范数,s(·)表示显著性标准,g(·)表示由浮点运算数减少率和参数决定的约束向量,l表示第l层,kl表示第l层的筛选编号,表示剪枝比例θ在第k个筛选在第l层的显著性,dl表示第l层的剪枝时的约束边界,di表示第i层的剪枝时的约束边界,θl*表示第l步优化中的局部优化掩膜参数,k表示第k个筛选。
16、进一步地,所述显著性标准与卷积核权重相关。
17、进一步地,在所述得到管道缺陷智能检测模型之后,所述方法还包括:
18、对所述管道缺陷智能检测模型进行微调,得到调整后的检测模型。
19、第二方面,本专利技术采用了一种管道缺陷检测系统,所述系统包括:
20、模型训练模块,用于利用城市排水管道缺陷图像数据库对yolov7-ghost网络进行训练,得到训练好的yolov7-ghost网络;
21、剪枝率确定模块,用于遍历训练好的yolov7-ghost网络的每一层,并按照每层的浮点运算数贡献进行降序排列,确定每一层的最佳剪枝比例;
22、剪枝模块,用于按照每一层的最佳剪枝比例,评估每一层在所设定的最佳剪枝比例下对浮点运算数的压缩贡献,并选择贡献最大的n层进行剪枝,得到管道缺陷智能检测模型;
23、缺陷预测模块,用于利用所述管道缺陷智能检测模型对实时采集的管道缺陷图像进行处理,预测管道缺陷结果。
24、进一步地,所述系统还包括数据库构建模块,具体用于:
25、采用视觉传感器拍摄不同管道条件下的视频;
26、采用相隔固定帧采样的方法对所有视频进行抽帧处理,得到m张管道图像;
27、从m张所述管道图像中选取符合条件的图像并进行标注,组成所述城市排水管道缺陷图像数据库。
28、进一步地,所述剪枝率确定模块,具体用于:
29、设置目标层数l、初始剪枝比例θ、本地性能下降阈值的列表{di}以及保留筛选后的最大数目η,其中,本地性能下降阈值的列表为每层浮点运算数贡献构成;
30、当‖θ||0>η时,从l=1:l循环判断,在满足时,使用θl*更新θ,输出当前层的最佳剪枝比例;
31、其中,||θ||0表示θ的零范数,s(·)表示显著性标准,g(·)表示由浮点运算数减少率和参数决定的约束向量,l表示第l层卷积,kl表示第l层的筛选编号,表示剪枝比例θ在第k个筛选在第l层的显著性,dl表示l层剪枝时的约束边界,di表示第i层剪枝时的约束边界,θl*表示第l步优化中的局部优化掩膜参数,k表示第k个筛选。
32、进一步地,所述显著性标准与卷积核权重相关。
33、进一步地,所述系统还包括模型微调模块,具体用于:
34、对所述管道缺陷智能检测模型进行微调,得到调整后的检测模型。
35、本专利技术的优点在于:
36、(1)本专利技术首先利用数据库对yolov7的改进版本yolov7-ghost网络进行训练,得到训练好的yolov7-ghost网络,遍历训本文档来自技高网...
【技术保护点】
1.一种管道缺陷检测方法,其特征在于,所述方法包括:
2.如权利要求1所述的管道缺陷检测方法,其特征在于,在所述利用城市排水管道缺陷图像数据库对YOLOv7-Ghost网络进行训练之前,所述方法还包括:
3.如权利要求1所述的管道缺陷检测方法,其特征在于,所述遍历训练好的YOLOv7-Ghost网络的每一层,并按照每层的浮点运算数贡献进行降序排列,确定每一层的最佳剪枝比例,包括:
4.如权利要求3所述的管道缺陷检测方法,其特征在于,所述显著性标准与卷积核权重相关。
5.如权利要求1所述的管道缺陷检测方法,其特征在于,在得到管道缺陷智能检测模型之后,所述方法还包括:
6.一种管道缺陷检测系统,其特征在于,所述系统包括:
7.如权利要求6所述的管道缺陷检测系统,其特征在于,所述系统还包括数据库构建模块,具体用于:
8.如权利要求6所述的管道缺陷检测系统,其特征在于,所述剪枝率确定模块,具体用于:
9.如权利要求8所述的管道缺陷检测系统,其特征在于,所述显著性标准与卷积核权重相关。
< ...【技术特征摘要】
1.一种管道缺陷检测方法,其特征在于,所述方法包括:
2.如权利要求1所述的管道缺陷检测方法,其特征在于,在所述利用城市排水管道缺陷图像数据库对yolov7-ghost网络进行训练之前,所述方法还包括:
3.如权利要求1所述的管道缺陷检测方法,其特征在于,所述遍历训练好的yolov7-ghost网络的每一层,并按照每层的浮点运算数贡献进行降序排列,确定每一层的最佳剪枝比例,包括:
4.如权利要求3所述的管道缺陷检测方法,其特征在于,所述显著性标准与卷积核权重相关。
5.如权利要求1所述的管道缺...
【专利技术属性】
技术研发人员:刘瑞昊,陈力萍,孙强,黄磊,于振中,赵修林,
申请(专利权)人:合肥哈工智灵智能科技有限公司,
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。