基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法.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CN111462046A(43)申请公布日2020.07.28(21)申请号202010151935.5G01N21/88(2006.01)(22)申请日2020.03.06(71)申请人国家能源集团谏壁发电厂地址212006江苏省镇江市京口区谏壁镇申请人北京化工大学(72)发明人王煜伟鲁立韩永明马波张禹杨佳丁永三朱红彬吕一仕徐忠峰(74)专利代理机构北京太兆天元知识产权代理有限责任公司11108代理人王宇(51)Int.Cl.G06T7/00(2017.01)G06T5/20(2006.01)G06N3/04(2006.01)权利要求书1页说明书5页附图2页(54)发明名称基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法(57)摘要本发明提供一种基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法，通过对水冷壁的表面图像进行分析处理，生成可以作为卷积神经网络模型的输入数据，使用滑动窗口自动检测水冷壁的表面缺陷，弥补了传统水冷壁检测方法效率低、安全性差、对操作人员的专业要求较高的问题。因此，本发明提供的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法，对锅炉水冷壁表面缺陷的检测和识别具有很好的实用性和有效性，能够有效提高检测的准确率和效率。CN111462046ACN111462046A权利要求书1/1页1.一种基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法，其特征在于，包括：获取所述水冷壁的表面图像；对所述表面图像进行图像预处理，所述图像预处理包括灰度化处理、滤波降噪处理和图像增强处理；将图像预处理之后的表面图像作为所述卷积神经网络的输入数据；在所述卷积神经网络之中进行迭代训练，每次迭代结果根据损失函数进行优化；获得训练之后的卷积神经网络模型；根据所述卷积神经网络模型结合滑动窗口对所述水冷壁的表面缺陷进行检测；对当前窗口对应的目标图像进行检测，若检测到缺陷，对所述缺陷进行标记，若未检测到缺陷，对下一个窗口对应的目标图像进行检测，直至遍历整个表面图像。2.根据权利要求1所述的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法，其特征在于，所述对所述表面图像进行图像预处理的步骤包括：使用计算公式(1)进行灰度化处理，所述计算公式(1)为I(i，j)＝0.299R(i，j)+0.586G(i，j)+0.115B(i，j)(1)其中，I(i，j)为灰度图像的每个像素的灰度值，i和j表示第i行第j列的像素坐标，R(i，j)、G(i，j)、B(i，j)分别为每个彩色图像点的三个分量值；使用计算公式(2)进行滤波降噪处理，所述计算公式(2)为g(x，y)＝Med[f(i，j)，(i，j∈X)](2)使用计算公式(3)和计算公式(4)图像增强处理，所述计算公式(3)和所述计算公式(4)为I(i，j)＝T[f(i，j)](3)其中，f(i，j)为灰度拉伸之前图像(i，j)的灰度值，I(i，j)为灰度拉伸之后图像(i，j)的灰度值，T[]为灰度拉伸的方式，[fmin，fmax]为图像在灰度拉伸之前像素的灰度值变化范围，[Imin，Imax]为图像在灰度拉伸之后像素的灰度值变化范围。3.根据权利要求1所述的基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法，其特征在于，所述对所述表面图像进行图像预处理的步骤之前包括：统计标记缺陷数据，统一图像尺寸格式。2CN111462046A说明书1/5页基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法技术领域[0001]本发明涉及锅炉设备检测的技术领域，尤其涉及一种基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法。背景技术[0002]现在人工智能浪潮席卷全球，人工智能技术与工业技术两方面交叉融合。在工业方面，随着智能化和工业化的融合互补，工业检测工作逐渐地由传统人工操作检测转变为人工结合机器检测，到现在通过人工智能技术实现无人化全自动检测。目前，在锅炉检修工作中，水冷壁缺陷检测作为重要的一环，需要花费大量人力物力和时间，因此使用科学手段来实现水冷壁的系统化、自动化检测十分重要。发明内容[0003]为解决现有技术存在的局限和缺陷，本发明提供一种基于卷积神经网络和滑动窗口的水冷壁缺陷检测方法，包括：[0004]获取所述水冷壁的表面图像；[0005]对所述表面图像进行图像预处理，所述图像预处理包括灰度化处理、滤波降噪处理和图像增强处理；[0006]将图像预处理之后的表面图像作为所述卷积神经网络的输入数据；[0007]在所述卷积神经网络之中进行迭代训练，每次迭代结果根据损失函数进行优化；[0008]获得训练之后的卷积神经网络模型；[0009]根据所述卷积神经网络模型结合滑动窗口对所述水冷壁的表面缺陷进行检测；[0010]对当前窗口对应的目标图像进行检测，若检测到缺陷