基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113192018A(43)申请公布日2021.07.30(21)申请号202110440898.4G06N3/04(2006.01)(22)申请日2021.04.23(71)申请人北京化工大学地址100029北京市朝阳区北三环东路15号(72)发明人马波韩永明耿志强周润东蔡伟东(74)专利代理机构北京思海天达知识产权代理有限公司11203代理人刘萍(51)Int.Cl.G06T7/00(2017.01)G06T3/40(2006.01)G06T7/10(2017.01)G06T5/00(2006.01)权利要求书1页说明书6页附图1页(54)发明名称基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法(57)摘要基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法涉及锅炉设备自动化缺陷检测领域。本发明通过使用改进的Fast‑SCNN训练识别水冷壁表面缺陷的缺陷检测模型，使用该检测模型结合选择性搜索算法，运用一定的视频材料处理手段对视频形式的水冷壁表面资料进行缺陷的检测识别工作。该方法可以有效对水冷壁表面获取的视频文件进行缺陷的检测和识别，具有较高的识别准确率，是实现锅炉水冷壁表面缺陷检测自动化的有效手段途径，帮助解决了人工检测缺陷周期长、耗费多、效率低下等问题。CN113192018ACN113192018A权利要求书1/1页1.一种基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法，其特征在于：模型采用视频数据中提取的图片数据进行训练，具体包括模型的构建、样本的采集、图片样本的生成、模型的训练四部分；模型的构建是构建整个快速分割卷积神经网络的结构，包括有输入层、输出层、卷积层、池化层和全连接层；样本的采集是采集水冷壁表面原始视频数据，为下一步图片样本的生成和模型的训练准备数据；图片样本的生成是对原始视频进行处理，视频样本尺寸固定、帧率已知、移动速度固定，将视频按照每秒24帧的帧率逐帧分解为图片，将图片经过固定像素间隔的计算进行裁剪，拼接为一个完整的全局长图像；模型的训练是将生成的图片样本数据输入预先构建好的快速分割卷积神经网络模型进行训练，通过调整模型各节点的参数使其对缺陷具有识别能力，最终得到训练好的神经网络模型；模型识别部分流程包括视频数据生成图片数据、图像输入训练好的模型、模型输出识别结果、还原视频数据四部分；视频数据生成图片数据是将采集的待检测的水冷壁表面视频数据，按照每秒24帧的帧率逐帧分解为图片，将图片经过固定像素间隔的计算进行裁剪，拼接为一个完整的全局长图像；图像输入训练好的模型是将视频生成的全局长图像输入之前训练好的卷积神经网络识别模型；模型输出结果是训练好的检测模型在输入待检测图像之后，模型采用选择性搜索方法进行检测，输出对应全局长图像的缺陷检测结果；还原视频数据是得到全局图像缺陷检测结果，根据视频数据生成图片数据时同样的固定像素间隔将其分割为不同的图片，将图片按照每秒24张的帧率的拼接回同样尺寸、帧率、时长的视频文件，视频内容即包含标注缺陷位置信息。2.根据权利要求1所述的一种基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法，其特征在于：快速分割卷积神经网络由输入层、输出层、6个卷积层、2个全连接层组成：输入层大小为256*256，对应待检测图片的尺寸；第1层为卷积层，卷积核大小为2*2，设有32个卷积核，由6个特征图构成，每个特征图的大小28*28；第2层到第3层为卷积池化层，卷积核大小为4*4，卷积核个数分别为128、256，采用2*2最大池化；第4层至第5层为金字塔池化层，卷积核大小为4*4,将卷积层特征映射分成16份；第6层为卷积层，卷积核大小为3*3，总共256个卷积核；第7层至第8层为全连接层，对应的神经元个数分别为512和1024个；最后一层为输出层，对应缺陷种类及其概率，选择其中最大值作为结果。3.根据权利要求1所述的一种基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法，其特征在于：对于输入到系统中的待检测对象，通过使用选择性搜索算法，对输入的图像进行全局扫描操作，遍历图像中的每个位置，将图像分割成多个的小块；使用贪心策略计算每两个相邻的区域的相似度，每次合并最相似的两块直至最终只剩下一块完整的图片；在计算过程中保存每次产生的图像块包括合并的图像块，得到图像的分层表示；将全局图像划分为部分区域进行局部检测，将每个区域作为样本输入到训练好的神经网络模型进行检测。2CN113192018A说明书1/6页基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法技术领域[0001]本发明涉及锅炉设备自动化缺陷检测领域，尤其涉及一种基于改进的快速分割卷积神经网络(Fast‑SCNN)的水冷壁表面缺陷视频识别方法，实