CN116958089A - 一种基于双重注意力机制的石油管道裂纹检测方法 - Google Patents
一种基于双重注意力机制的石油管道裂纹检测方法 Download PDFInfo
- Publication number
- CN116958089A CN116958089A CN202310913981.8A CN202310913981A CN116958089A CN 116958089 A CN116958089 A CN 116958089A CN 202310913981 A CN202310913981 A CN 202310913981A CN 116958089 A CN116958089 A CN 116958089A
- Authority
- CN
- China
- Prior art keywords
- crack
- image
- network
- petroleum pipeline
- attention mechanism
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 117
- 239000003208 petroleum Substances 0.000 title claims abstract description 92
- 230000007246 mechanism Effects 0.000 title claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 4
- 238000000354 decomposition reaction Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003708 edge detection Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于双重注意力机制的石油管道裂纹检测方法,包括:采集待检测石油管道的内部图像;基于双重注意力机制和yolov5‑seg网络构建裂纹检测模型;利用裂纹检测模型对内部图像进行裂纹检测,确定裂纹区域;利用密度聚类算法对所述裂纹区域的裂纹图像进行聚类分割,拟合裂纹的几何形态;提取裂纹轮廓和骨架,利用图像拼接算法对所述裂纹图像进行拼接,使用角点检测算法重构裂纹网络;根据所述裂纹网络中裂纹图像对应的位置信息对管道内裂纹进行3D建模。如此,本发明可以通过添加双重注意力机制的卷积神经网络实现管道裂纹的精准检测,并对复杂裂纹进行聚类分解,准确提取裂纹参数,减少了工作量,有效提高了石油管道裂纹识别的准确度。
Description
技术领域
本发明涉及但不限于管道缺陷检测技术领域,尤其涉及一种基于双重注意力机制的石油管道裂纹检测方法。
背景技术
当前,石化工业飞速发展,石油长输管道以其高效率,低成本的优点被广泛使用。然而管道故障时有发生,油气泄露会给国家带来巨大损失。石油管道内的缺陷严重危害管道安全,因此石油管道内部缺陷检测成为了重要研究课题,其中裂纹检测是管道维护中的重要一环。
早期的石油管道裂纹检测,主要采用人眼观察管道裂纹图像,手动收录统计裂纹情况,存在效率低和受主观性影响较大等诸多问题。随着图像处理技术的发展,人工统计管道裂纹的方法已经被淘汰。现有的一种基于传统图像处理技术来实现管道裂纹检测的方法是根据裂纹区域与图片背景区域的不同灰度值,通过图像二值化,图像滤波,图像增强等图像处理技术,对裂纹图像进行处理,得到裂纹检测的结果;但该方法的处理流程繁琐,对细小的裂纹检测准确率低,经常漏检,对裂纹存在区域与背景区域灰度值变化不大的裂纹检测效果较差;且只是对裂纹进行浅层的检测,并没有对裂纹形态,裂纹参数进行深度分析,裂纹检测的准确度相对较低,耗时较长。
发明内容
为了解决上述问题,本发明提供了一种基于双重注意力机制的石油管道裂纹检测方法、装置、终端及存储介质。
本发明的技术方案是这样实现的:
一种基于双重注意力机制的石油管道裂纹检测方法,所述方法包括:
S101:采集待检测石油管道的内部图像,并记录所述内部图像对应的位置信息;
S102:基于双重注意力机制和yolov5-seg网络,构建石油管道的裂纹检测模型;
S103:利用所述裂纹检测模型对待检测石油管道的内部图像进行裂纹检测,确定裂纹区域;
S104:利用密度聚类算法对所述裂纹区域包括的裂纹图像进行聚类分割,拟合裂纹的几何形态;
S105:提取所述裂纹图像中裂纹轮廓和裂纹骨架,并利用图像拼接算法对所述裂纹图像进行拼接,使用角点检测算法重构裂纹网络;
S106:根据所述裂纹网络中裂纹图像对应的位置信息对管道进行3D建模,可视化展示所述裂纹网络形态。
在一些实施例中,所述步骤S102中yolov5-seg网络包括骨干网络、颈部网络和头部网络,所述双重注意力机制包括通道注意力机制和空间注意力机制,所述步骤S102包括:
在所述骨干网络与颈部网络的连接处添加通道注意力机制,并在所述骨干网络后添加空间注意力机制,改进yolov5-seg网络;
采用改进后的yolov5-seg网络作为主体网络,构建所述裂纹检测模型。
在一些实施例中,所述步骤S103,还包括:
获取石油管道内部的裂纹图像构成原始图像集;
通过剪裁、旋转、平移对所述原始图像集中裂纹图像进行扩充;
按照一定比例将扩充后的所述原始图像集划分为所述训练集和测试集;
使用图像标注软件,对所述训练集中所述裂纹图像的裂纹区域进行标注;
使用标注后的所述训练集对所述裂纹检测模型进行训练;
使用所述验证集验证训练后的所述裂纹检测模型;
利用验证后的所述裂纹检测模型对待检测石油管道的内部图像进行裂纹检测,确定所述裂纹区域。
在一些实施例中,所述步骤S104,还包括:
提取所述裂纹区域包括的裂纹图像的像素点信息,并选取合适的灰度阈值对所述裂纹图像进行二值化处理;
利用所述密度聚类算法,将二值化处理后的所述裂纹图像进行聚类分割,拟合裂纹的所述几何形态。
在一些实施例中,所述步骤S105,还包括:
通过高斯滤波过滤所述裂纹区域中的异常像素点;
提取过滤后的所述裂纹区域包括的裂纹图像的裂纹轮廓和裂纹骨架;
基于所述裂纹轮廓和裂纹骨架,利用图像拼接算法,对所述裂纹区域包括的不同裂纹图像上同一裂纹进行拼接,使用角点检测算法重构重构所述裂纹网络。
在一些实施例中,所述提取过滤后的所述裂纹区域包括的裂纹图像的裂纹轮廓和裂纹骨架,包括:
根据所述裂纹区域的中心像素灰度值与周围其他像素灰度值,提取所述裂纹区域的裂纹轮廓;
采用Zhang-Suen细化算法提取所述裂纹区域的所述裂纹骨架。
在一些实施例中,所述步骤S106,包括:
根据所述裂纹图像对应的位置信息,以石油管道外壁与平面相切点作为基准坐标点构建三维空间坐标系,对整个石油管道3D建模,同时在此空间坐标系中对所述裂纹网络在石油管道上的分布进行三维展示。
本发明实施例还提供了一种基于双重注意力机制的石油管道裂纹智能检测装置,包括:
获取模块,用于采集待检测石油管道的内部图像,并记录所述内部图像对应的位置信息;
处理模块,用于基于双重注意力机制和yolov5-seg网络,构建石油管道的裂纹检测模型;
所述处理模型,也用于利用所述裂纹检测模型对待检测石油管道的内部图像进行裂纹检测,确定裂纹区域;
所述处理模块,还用于利用密度聚类算法对所述裂纹区域包括的裂纹图像进行聚类分割,拟合裂纹的几何形态;
所述处理模块模块,还用于提取所述裂纹图像中裂纹轮廓和裂纹骨架,并利用图像拼接算法对所述裂纹图像进行拼接,使用角点检测算法重构裂纹网络;
输出模块,用于根据所述裂纹网络中裂纹图像对应的位置信息对管道进行3D建模,可视化展示所述裂纹网络形态。
本发明实施例还提供了一种终端,所述终端包括处理器和用于存储能够在所述处理器上运行的计算机程序的存储器;其中,所述处理器用于运行计算计算机程序时,实现本发明任一实施例所述基于双重注意力机制的石油管道裂纹检测方法。
本发明实施例还提供了一种存储介质,所述存储介质中有计算机可执行指令,其特征在于,所述计算机可执行指令被处理器执行实现本发明任一实施例所述基于双重注意力机制的石油管道裂纹检测方法。
本发明实施例提供一种基于双重注意力机制的石油管道裂纹检测方法,采集待检测石油管道的内部图像;基于双重注意力机制和yolov5-seg网络构建石油管道的裂纹检测模型;利用裂纹检测模型对内部图像进行裂纹检测,确定裂纹区域;利用密度聚类算法对所述裂纹区域的裂纹图像进行聚类分割,拟合裂纹的几何形态;提取裂纹的轮廓特征,并利用图像拼接算法对所述裂纹图像进行拼接,使用角点检测算法重构裂纹网络;根据所述裂纹网络中裂纹图像对应的位置信息对管道内裂纹在空间分布上进行3D建模。如此,本发明可以通过添加双重注意力机制的卷积神经网络实现管道裂纹的快速且精准的检测,并对复杂裂纹进行聚类分解,准确提取裂纹参数,减少了工作量,有效提高了石油管道裂纹识别的准确度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种基于双重注意力机制的石油管道裂纹检测方法的流程示意图;
图2是本发明实施例中一种基于双重注意力机制的石油管道裂纹检测方法的yolov5-seg网络的结构示意图;
图3是本发明实施例中一种基于双重注意力机制的石油管道裂纹智能检测方法的变形卷积示意图;
图4是本发明实施例中一种基于双重注意力机制的石油管道裂纹智能检测方法的基双重注意力机制的网络结构示意图;
图5是本发明实施例中一种基于双重注意力机制的石油管道裂纹智能检测方法的石油管道裂纹聚类过程示意图;
图6本发明实施例中一种基于双重注意力机制的石油管道裂纹智能检测方法的图像某一像素区域;
图7是本发明实施例中一种基于双重注意力机制的石油管道裂纹智能检测装置示意图;
图8是本发明实施例中一种基于双重注意力机制的石油管道裂纹检测方法的终端硬件结构示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
请参考图1,本发明实施例提供了一种基于双重注意力机制的石油管道裂纹检测方法,具体包括如下步骤:
S101:采集待检测石油运输管道的内部图像,并记录所述内部图像对应的位置信息;
S102:基于双重注意力机制和yolov5-seg网络,构建石油管道的裂纹检测模型;
S103:利用所述裂纹检测模型对待检测石油管道的内部图像进行裂纹检测,确定裂纹区域;
S104:利用密度聚类算法对所述裂纹区域包括的裂纹图像进行聚类分割,拟合裂纹的几何形态;
S105:提取所述裂纹图像中裂纹轮廓和裂纹骨架,并利用图像拼接算法对所述裂纹图像进行拼接,使用角点检测算法重构裂纹网络;
S106:根据所述裂纹网络中裂纹图像对应的位置信息对管道进行3D建模,可视化展示所述裂纹网络形态。
本发明实施例所述方法由终端执行。所述终端可以是各类型的终端;例如,所述终端可以是但不限于是以下至少之一:服务器、计算机、平板电脑或者其他电子设备。
在一些实施例中,所述步骤S101包括:操纵潜望镜在待检测石油管道内匀速采集管道的内部图像,同时记录每张所述内部图像对应的位置信息。
这里,所述潜望镜包括有终端控制***、摄像***、视频转图像软件和图像存储***;通过终端控制***控制潜望镜运行速度,通过摄像***获取石油管道内部影像,使用视频转图像软件将管道内部影像转化为图片,图像存储***由于保存视频图像文件。
这里,所述内部图像包括石油运输管道内部的裂纹图像和正常图像。
这里,所述位置信息包括深度信息和坐标信息;所述深度信息为所述内部图像在管道中所处位置的深度,所述坐标信息为所述内部图像在所处深度的管道管壁上的具***置。
可以理解的是,通过潜望镜可以对出厂的整个石油管道内部图像进行整体采集和归类,进而可以提取每张所述内部图像在管道中对应的位置信息,用于后续质量评级以及建模。
在一些实施例中,所述步骤S102中yolov5-seg网络包括骨干网络、颈部网络和头部网络,所述双重注意力机制包括通道注意力机制和空间注意力机制,所述步骤S102包括:
S102a:在所述骨干网络与颈部网络的连接处添加通道注意力机制,并在所述骨干网络后添加空间注意力机制,改进yolov5-seg网络;
S102b:采用改进后的yolov5-seg网络作为主体网络,构建所述裂纹检测模型。
在一个实施例中,所述步骤S102a包括:
S102a1:在卷积神经网络yolov5网络的基础上增加实例分割功能,得到yolov5-seg网络;所述卷积神经网络yolov5网络包括骨干网络、颈部网络和头部网路;
S102a2:采用Darknet53轻量网络作为所述yolov5-seg网络的骨干网络,并引入Fcous模块到所述骨干网络中,用于对所述内部图像进行切片操作;
S102a3:在步骤102a2得到的yolov5-seg网络Fcous模块后引入空洞卷积模块SPP,用于提取切片后的所述内部图像的特征;
S102a4:在步骤102a3得到的yolov5-seg网络的骨干网络与颈部网络的连接通道处添加通道注意力机制,并在所述骨干网络后添加空间注意力机制,得到改进的yolov5-seg网络。
需要说明的是,yolov5网络可以将整张图像划分为若干个网格,每个网格预测出该网格内物体的种类和位置信息。如此,增加实例分割功能的yolov5网络可以对图像上像素点进行逐个分类。
需要说明的是,yolov5网络可以根据预测框与真实框之间的IOU值进行目标框的筛选,最终输出预测框的类别和位置信息。
在一个实施中,所述yolov5-seg网络的空洞卷积模块SPP用于对不同尺度图像进行特征提取,其边框回归损失函数为GIOU函数,表述为:
其中,A为真实框,B为预测框,Ac为最小闭包区,U为预测框和真实框的并集。
示例性的,如图2所示的yolov5-seg网络结构,包括三部分:骨干网络Darknet53、颈部结构和头部结构。其中,骨干网络Darknet53负责特征提取,包括Fcous模块和SPP模块,Fcous模块每间隔一个像素对图像进行一次取值得到多个图像切片,SPP模块提取得到的图像切片的特征得到4个特征层结构;颈部网络负责特征融合,包含自上向下的FPN模块和自底向上的PAN模块,FPN模块将深层的语义特征传递到浅层,PAN模块将浅层的强定位特征传递到深层;头部网络负责输出检测结果,包括三个检测头,分别输出不同尺度裂纹的检测信息,并最终得到一个检测结果。
如此,本发明实施例可以基于引入的Fcous模块将图像切片得到多个更小的图像切片,在参数量上进行大幅优化,进而增强yolov5-seg网络检测裂纹的准确率;同时,可以基于添加的空洞卷积结构SPP,对得到的图像切片的特征进行提取,得到多个特征层结构,进而扩增了感受野。
在一些实施例中,所述步骤S103还包括:
S103a:获取石油管道内部的裂纹图像构成原始图像集;
S103b:通过剪裁、旋转、平移对所述原始图像集中裂纹图像进行扩充;
S103c:按照一定比例将扩充后的所述原始图像集划分为所述训练集和测试集;
S103d:使用图像标注软件,对所述训练集中裂纹图像的裂纹区域手动进行标注;
S103e:使用标注后的所述训练集对所述裂纹检测模型进行训练;
S103f:使用所述验证集验证训练后的所述裂纹检测模型;
S103g:利用验证后的所述裂纹检测模型对待检测石油管道的内部图像进行裂纹检测,确定所述裂纹区域。
可以理解的是,所述步骤S103a中采集的是裂纹图像,不是正常的没有裂纹的图像。所述步骤S103a具体为,获取石油管道的裂纹图像和每张所述裂纹图像在管道内对应的位置信息,构成原始图像集;所述管道位置信息包括深度信息和坐标信息,所述坐标信息包括横坐标和纵坐标。
在一个实施例中,所述步骤S103b至步骤S103d具体为:通过剪裁、旋转、平移,按照统一尺寸对所述原始图像集中裂纹图像进行数据扩充;按照一定比例将数据扩充和特征增强后的所述原始图像集划分为所述训练集和测试集;使用图像标注软件,对所述训练集中图像的裂纹区域手动进行标注。
这里,所述图像标注软件可以是Labelme。
例如,获取到的所述原始图像集包括400张图像,图像尺寸统一为608*608,通过等步长剪裁、旋转和平移,将所述原始图像集扩充5倍,得到2000张图像;再将包括2000张裂纹图像的原始图像集,按照8:2的比例划分为训练集和测试集;最后,使用Labelme图像标注软件,手动对训练集中的图像的裂纹区域进行标注。
在一个实施例中,所述步骤S103e还包括:在所述骨干网络,即Darknet53网络的最后一个阶段采用变形卷积。
示例性的,如图3所示的变心卷积结构示意图,灰色圆点为原始采样点,箭头为所述偏移量,是一个向量,黑色圆点都是偏移变化后的偏移采样点,所述采样点对应所述内部图像上的一个像素点。所述训练过程可以理解为,给所述原始采样点设置一个偏移量,所述原始采样点通过所述偏移量变化为所述偏移采样点。如此,本发明实施例可以基于所述变形卷积,对每个特征图上的采样点设置一个偏移量,根据所述偏移量针对性的学习特征,充分提取到不同规则形状裂纹的信息,防止细节的丢失。
在一个实施中,所述步骤S103f还包括:使用所述验证集验证训练后的所述裂纹检测模型,以判断所述裂纹检测模型是否收敛,若是,则将验证后的所述裂纹识别模型作为最终的所述裂纹识别模型,用于对检测待检测图像。
需要说明的是,所述判断所述裂纹检测模型是否收敛具体可以是判断所述
如此,本发明实施例可以基于对所述裂纹检测模型进行训练,以及验证所述裂纹检测模型的有效性,优化调参达到裂纹检测模型收敛。
在另一个实施例中,所述步骤S103f还包括:若否,则返回步骤S103e继续进行模型训练。
在一些实施例中,所述步骤S103g还包括:将待检测石油管道的内部图像输入到所述裂纹检测模型中;所述内部图像经过所述裂纹检测模型的双重注意力机制,确定内部图像中有裂纹的裂纹图像;将所述裂纹图像中的裂纹所在位置确定为所述裂纹区域。
可以理解的是,所述裂纹区域所对应的内部图像即为裂纹图像,除裂纹图像以外的内部图像为正常图像,所述正常图像没有裂纹。
可以理解的是,裂纹一般为网状结构,一张图像或者图片无法完全显示完整裂纹,通过所述裂纹检测模型检测到的所述裂纹区域是包括了所有带有裂纹的图像。
示例性的,在图2所示的网络结构中,骨干网络与颈部网络的连接处添加通道注意力机制,骨干网络后添加空间注意机制,对yolov5-seg的特征提取网络进行改进,构成如图4所示的双重注意力机制的网络结构。图4中,输入图片即为所述待检测内部图像,通过空间注意力机制和通道注意力机制可以对所述裂纹区域像素点进行重点强调,并抑制除裂纹区域以外的背景区域像素,完成内部图像的特征提取,同时将检测到的信息向后传递。
如此,本发明实施例可以基于添加双重注意力机制的裂纹检测模型,对所述裂纹图像中的裂纹区域像素点进行重点强调,并抑制背景区域像素,进而可以在对裂纹图像进行特征抽取的同时将检测到的信息向后传递,保留重要信息,抑制无效信息,同时还可以增加检测网络泛化能力,提高检测精度。
需要说明的是,进行管道裂纹检测时,裂纹区域才是重点关注的对象,对整个特征图进行分析会增大计算量,增加耗时,融入注意力机制的裂纹检测模型对待检测石油管道的内部图像进行检测,大大提高了裂纹检测模型的性能。
在一些实施例中,所述步骤S104包括:
S104a:提取所述裂纹区域包括的裂纹图像的像素点信息,并选取合适的灰度阈值对所述裂纹图像进行二值化处理;
S104b:利用所述密度聚类算法,将二值化处理后的所述裂纹图像进行聚类分割,拟合裂纹的所述几何形态。
这里,所述裂纹的几何形态包括但不限于:几何参数信息,长度、宽度。
这里,所述像素点信息为像素点信息。
这里,所述二值化处理后的裂纹图像即为二值化图像。
示例性的,基于所述裂纹区域的像素点信息,选取合适的灰度阈值对所述裂纹区域进行二值化处理,使裂纹区域与背景区域分离,确定所述裂纹图像对应的二值图像;基于分离后的所述裂纹区域中核心点的分布密度,定义核心点与最小半径Eps,同时设定合适的核心点数量阈值MinPts;利用所述密度聚类算法,将所述裂纹区域中的不同裂纹分离成不同的簇,进行聚类分解,拟合每一所述裂纹的几何形态。
在一个实施例中,所述密度聚类算法采用DBSCAN聚类算法,所述步骤S104b还包括:基于像素点对应的坐标信息和二值化处理后的所述二值化图像,利用DBSCAN聚类算法,构建裂纹膨胀聚类模型。
示例性的,如图5所示的石油管道裂纹区域膨胀聚类过程示意图,从左侧的二值化图像,经过构建的所述裂纹膨胀聚类模型,得到右侧的石油管道裂纹区域膨胀聚类后得到的裂纹几何形态,白色区域和灰色区域为裂纹区域,灰色区域为聚类***成的一簇一簇的像素点,黑色区域为背景区域。
如此,本发明实施例可以结合聚类算法与随机采样一致性算法,对复杂粘合裂隙进行聚类分解,提高了裂纹识别的准确性。同时,采用图像拼接方法,结合轮廓检测算法,对现有技术将多张图像同一裂纹判定为多个裂纹的情况进行针对性优化,成功解决了此类问题。
在一些实施例中,所述步骤S105包括:
S105a:通过高斯滤波过滤所述裂纹区域中的异常像素点;
S105b:提取过滤后的所述裂纹区域包括的裂纹图像的裂纹轮廓和裂纹骨架;
S105c:基于所述裂纹轮廓和裂纹骨架,利用图像拼接算法,对所述裂纹区域包括的不同裂纹图像上同一裂纹进行拼接,使用角点检测算法重构所述裂纹网络。
这里,所述高斯滤波采用二维高斯函数,可表述为:
其中,x为像素点对应的横坐标,y为像素点对应的纵坐标,σ为指标差。
在一些实施例中,所述步骤S105b还包括:
S105b1:根据所述裂纹区域的中心像素灰度值与周围其他像素灰度值,提取所述裂纹区域的裂纹轮廓;
S105b2:采用Zhang-Suen细化算法提取所述裂纹区域的所述裂纹骨架。
在一个实施例中,所述步骤S105b1包括:根据所述裂纹区域的像素灰度值与周围其他区域,即背景区域的像素灰度值,确定所述裂纹区域与背景区域的差分信息;根据所述差分信息完成裂纹图像的边缘检测,确定裂纹区域的裂纹轮廓;具体为:
判断裂纹图像的中心像素点的灰度值与周围其他像素点的灰度值,如果中心像素点的灰度值更高,则提升中心像素点的灰度值;反之,则降低中心像素点的灰度值,实现图像锐化操作;
计算中心像素点的领域的四方向梯度或者八方向梯度,并将所述梯度相加进行梯度运算,以判断中心像素点的灰度值与所述领域内其他像素点的灰度值的关系;
通过所述梯度运算的结果对像素点的灰度值进行调整,完成所述裂纹图像的边缘检测。
示例性的,图5所示中右侧的聚类分析后得到的裂纹几何形态,裂纹区域为白色部分,背景区域为黑色部分,白色对应的灰度值为255,黑色对应的灰度值为0,则裂纹区域的像素灰度值与背景区域的像素灰度值的差值很大,构成一个差分信息255,根据这个差分信息,找出裂隙区域的边缘。
示例性的,所述步骤S105b2具体为:假设石油管道裂隙图像中的一个3*3区域,定义中心像素点为P1,则它的八邻域点P2,P3,…,P9位置(参考图6),采用Zhang-Suen细化算法,根据石油管道裂隙二值化图像中P1点邻域的实际情况,确定是否删除P1点,具体步骤如下:
第一步,背景为黑色,值为0,要细化的前景物体像素值为1。循环所有前景像素点,对符合第一条件的像素点标记为删除;所述第一条件包括:2<=N(p1)<=6,S(P1)=1,P2*P4*P6=0,P4*P6*P8=0;且,N(p1)表示跟P1相邻的8个像素点中,像素值为1点的个数,S(P1)表示从P2~P9像素中出现由0到1的累计次数,其中0表示背景,1表示前景;
第二步,将满足第二条件的像素P1则标记为删除;所述第二条件包括:2<=N(p1)<=6,S(P1)=1,P2*P4*P8=0,P2*P6*P8=0;
第三步,循环上述两步骤,直到两步中都没有像素被标记为删除为止,输出的结果即为二值图像细化后的骨架。
在一个实施例中,所述步骤S105c包括:
完成所述裂纹图像的边缘检测后,根据所述裂纹轮廓的曲率确定所述裂纹轮廓的角点;
判断所述裂纹图像中裂纹的角点到图像边缘的距离是否小于25像素点,小于则保留所述角点,大于则删除所述角点;
对裂纹的所述角点间的水平距离进行两两比较,若所述水平距离小于25像素点则保留所述角点,并将角点与角点进行连接,实现对裂纹网络的拼接与重构。
示例性的,所述根据所述裂纹轮廓的曲率提取所述裂纹的轮廓的角点,具体为:根据获得的边缘检测结果,填充二值化边缘轮廓中的细微缺口,并标记边缘轮廓中出现的T型角点;计算边缘上像素点的曲率,如果某点的曲率值超过给定的曲率阈值,且在一定的局部相邻范围内,该曲率绝对值极大,则将该点判定为候选角点;在小尺度下追踪候选角点集中的每一像素点,精确定位角点的位置,提高角点的定位准确度;在第一步标记出的T型角点附近搜索是否存在第三步定位到的角点,若存在,则将该T型角点删除,则其余的角点则为最终选取的角点集。
示例性的,通过高斯滤波过滤裂纹区域一些异常像素点,即噪点,利用特定区域内的像素灰度值产生的差分信息来完成图像的边缘检测;基于轮廓的曲率提取轮廓的角点,利用裂纹轮廓曲率确定裂纹角点,实现裂纹网络的拼接与重构。
在一个实施例中,所述步骤S105c还包括:根据重构后的裂纹轮廓,对裂纹区域每个像素点求取最大内切圆,并将最大内切圆的直径作为裂纹宽度;
将所述裂纹区域的像素点个数与整个待检测管道内部图像的像素点个数的比值确定为裂纹覆盖率;
所述裂纹宽度和裂纹覆盖率构成所述裂纹的参数信息,用于将所述石油管道划分等级和进行3D建模。
这里,所述裂纹覆盖率的计算公式可表述为:
其中,SC指整个管道裂隙区域像素点个数,S指整个管道图像总的像素点个数。
这里,所述石油管道可以划分为优、良、次三个等级,所述等级划分标准表,可以参考表1,如下:
表1管道质量评级标准
如此,本发明实施例可以对裂纹参数如裂纹最大宽度,裂纹覆盖率进行深度提取,并根据裂纹覆盖率对出厂石油管道进行质量评定,给出质量评级,较传统技术只能对裂纹进行浅层的识别有了质的飞跃,极大的丰富了裂纹信息。
在一些实施例中,所述步骤S106包括:根据所述裂纹图像对应的位置信息,以石油管道外壁与平面相切点作为基准坐标点构建三维空间坐标系,对整个石油管道3D建模,同时在此空间坐标系中对所述裂纹网络在石油管道上的分布进行三维展示。
示例性的,通过3D建模技术对管道内裂纹在空间上的分布进行建模,包括:根据重构的所述裂纹网络,以及裂纹网络中裂纹图像及其对应的几何形态和位置信息,对管道内裂纹进行3D建模。如此,本发明实施例可以采用3D建模技术,对整个石油管道以及裂纹区域进行3D建模,更加直观的展示了裂纹区域在整个石油管道空间上的分布形态。
请参考图7,本发明实施例还提供了一种基于双重注意力机制的石油管道裂纹检测装置,所述装置包括:获取模块201,处理模块202,输出模块203;其中,
所述获取模块201,用于采集待检测石油管道的内部图像,并记录所述内部图像对应的位置信息;
所述处理模块202,用于基于双重注意力机制和yolov5-seg网络,构建石油管道的裂纹检测模型;
所述处理模块202,也用于利用所述裂纹检测模型对待检测石油管道的内部图像进行裂纹检测,确定裂纹区域;
所述处理模块202,还用于利用密度聚类算法对所述裂纹区域包括的裂纹图像进行聚类分割,拟合裂纹的几何形态;
所述处理模块202,还用于提取所述裂纹图像中裂纹轮廓和裂纹骨架,并利用图像拼接算法对所述裂纹图像进行拼接,使用角点检测算法重构裂纹网络;
所述输出模块203,用于根据所述裂纹网络中裂纹图像对应的位置信息对管道进行3D建模,可视化展示所述裂纹网络形态。
在一些实施例中,所述方法还包括:
所述处理模块,用于在所述骨干网络与颈部网络的连接处添加通道注意力机制,并在所述骨干网络后添加空间注意力机制,改进yolov5-seg网络;
所述处理模块,用于采用改进后的yolov5-seg网络作为主体网络,构建所述裂纹检测模型。
在一些实施例中,所述方法还包括:
所述处理模块,用于获取石油管道内部的裂纹图像构成原始图像集;
所述处理模块,用于通过剪裁、旋转、平移对所述原始图像集中裂纹图像进行扩充;
所述处理模块,用于按照一定比例将扩充后的所述原始图像集划分为所述训练集和测试集;
所述处理模块,用于使用图像标注软件,对所述训练集中所述裂纹图像的裂纹区域进行标注;
所述处理模块,用于使用标注后的所述训练集对所述裂纹检测模型进行训练;
所述处理模块,用于使用所述验证集验证训练后的所述裂纹检测模型;
所述处理模块,用于利用验证后的所述裂纹检测模型对待检测石油管道的内部图像进行裂纹检测,确定所述裂纹区域。
在一些实施例中,所述方法还包括:
所述处理模块,用于提取所述裂纹区域包括的裂纹图像的像素点信息,并选取合适的灰度阈值对所述裂纹图像进行二值化处理;
所述处理模块,用于利用所述密度聚类算法,将二值化处理后的所述裂纹图像进行聚类分割,拟合裂纹的所述几何形态。
在一些实施例中,所述方法还包括:
所述处理模块,用于通过高斯滤波过滤所述裂纹区域中的异常像素点;
所述处理模块,用于提取过滤后的所述裂纹区域包括的裂纹图像的裂纹轮廓和裂纹骨架;
所述处理模块,用于基于所述裂纹轮廓和裂纹骨架,利用图像拼接算法,对所述裂纹区域包括的不同裂纹图像上同一裂纹进行拼接,使用角点检测算法重构所述裂纹网络。
在一些实施例中,所述方法还包括:
所述处理模块,用于根据所述裂纹区域的中心像素灰度值与周围其他像素灰度值,提取所述裂纹区域的裂纹轮廓;
所述处理模块,用于采用Zhang-Suen细化算法提取所述裂纹区域的所述裂纹骨架。
在一些实施例中,所述方法还包括:
所述输出模块,用于根据所述裂纹图像对应的位置信息,以石油管道外壁与平面相切点作为基准坐标点构建三维空间坐标系,对整个石油管道3D建模,同时在此空间坐标系中对所述裂纹网络在石油管道上的分布进行三维展示。
请参见图8,本发明实施例还提供了一种终端,所述终端包括处理器301及存储器302;其中,所述处理器301用于运行计算机程序时,实现本发明任一实施例所述基于双重注意力机制的石油管道裂纹检测方法,所述存储器302存储指令及数据。
在一些实施例中,本发明实施例中的存储器302可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本文描述的***和方法的存储器302旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器301可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器301中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器301可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器302,处理器301读取存储器302中的信息,结合其硬件完成上述方法的步骤。
在一些实施例中,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(application Specific Integrated Circuits,ASIC)、数字信号处理器(DigitalSignalProcessing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(ProgrammableLogic Device,PLD)、现场可编程门阵列(Field-Programmable Gatearray,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本发明所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本发明又一实施例提供了一种计算机存储介质,该计算机可读存储介质存储有可执行程序,所述可执行程序被处理器301执行时,可实现应用于所述终端中的信息处理方法的步骤。例如,如图1-图6所示的方法中的一个或多个。
在一些实施例中,所述计算机存储介质可以包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是:本发明实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于双重注意力机制的石油管道裂纹检测方法,其特征在于,所述方法包括:
S101:采集待检测石油管道的内部图像,并记录所述内部图像对应的位置信息;
S102:基于双重注意力机制和yolov5-seg网络,构建石油管道的裂纹检测模型;
S103:利用所述裂纹检测模型对待检测石油管道的内部图像进行裂纹检测,确定裂纹区域;
S104:利用密度聚类算法对所述裂纹区域包括的裂纹图像进行聚类分割,拟合裂纹的几何形态;
S105:提取所述裂纹图像中裂纹轮廓和裂纹骨架,并利用图像拼接算法对所述裂纹图像进行拼接,使用角点检测算法重构裂纹网络;
S106:根据所述裂纹网络中裂纹图像对应的位置信息对管道进行3D建模,可视化展示所述裂纹网络形态。
2.根据权利要求1所述的方法,其特征在于,所述步骤S102中yolov5-seg网络包括骨干网络、颈部网络和头部网络,所述双重注意力机制包括通道注意力机制和空间注意力机制,所述步骤S102包括:
在所述骨干网络与颈部网络的连接处添加通道注意力机制,并在所述骨干网络后添加空间注意力机制,改进yolov5-seg网络;
采用改进后的yolov5-seg网络作为主体网络,构建所述裂纹检测模型。
3.根据权利要求1所述的方法,其特征在于,所述步骤S103,还包括:
获取石油管道内部的裂纹图像构成原始图像集;
通过剪裁、旋转、平移对所述原始图像集中裂纹图像进行扩充;
按照一定比例将扩充后的所述原始图像集划分为所述训练集和测试集;
使用图像标注软件,对所述训练集中所述裂纹图像的裂纹区域进行标注;
使用标注后的所述训练集对所述裂纹检测模型进行训练;
使用所述验证集验证训练后的所述裂纹检测模型;
利用验证后的所述裂纹检测模型对待检测石油管道的内部图像进行裂纹检测,确定所述裂纹区域。
4.根据权利要求1所述的方法,其特征在于,所述步骤S104包括:
提取所述裂纹区域包括的裂纹图像的像素点信息,并选取合适的灰度阈值对所述裂纹图像进行二值化处理;
利用所述密度聚类算法,将二值化处理后的所述裂纹图像进行聚类分割,拟合裂纹的所述几何形态。
5.根据权利要求1所述的,其特征在于,所述步骤S105,包括:
通过高斯滤波过滤所述裂纹区域中的异常像素点;
提取过滤后的所述裂纹区域包括的裂纹图像的裂纹轮廓和裂纹骨架;
基于所述裂纹轮廓和裂纹骨架,利用图像拼接算法,对所述裂纹区域包括的不同裂纹图像上同一裂纹进行拼接,使用角点检测算法重构所述裂纹网络。
6.根据权利要求5所述的方法,其特征在于,所述提取过滤后的所述裂纹区域包括的裂纹图像的裂纹轮廓和裂纹骨架,包括:
根据所述裂纹区域的中心像素灰度值与周围其他像素灰度值,提取所述裂纹区域的裂纹轮廓;
采用Zhang-Suen细化算法提取所述裂纹区域的所述裂纹骨架。
7.根据权利要求1所述的方法,其特征在于,所述步骤S106,包括:
根据所述裂纹图像对应的位置信息,以石油管道外壁与平面相切点作为基准坐标点构建三维空间坐标系,对整个石油管道3D建模,同时在此空间坐标系中对所述裂纹网络在石油管道上的分布进行三维展示。
8.一种基于双重注意力机制的石油管道裂纹智能检测装置,其特征在于,所述装置包括:
获取模块,用于采集待检测石油管道的内部图像,并记录所述内部图像对应的位置信息;
处理模块,用于基于双重注意力机制和yolov5-seg网络,构建石油管道的裂纹检测模型;
所述处理模块,也用于利用所述裂纹检测模型对待检测石油管道的内部图像进行裂纹检测,确定裂纹区域;
所述处理模块,还用于利用密度聚类算法对所述裂纹区域包括的裂纹图像进行聚类分割,拟合裂纹的几何形态;
所述处理模块,还用于提取所述裂纹图像中裂纹轮廓和裂纹骨架,并利用图像拼接算法对所述裂纹图像进行拼接,使用角点检测算法重构裂纹网络;输出模块,用于根据所述裂纹网络中裂纹图像对应的位置信息对管道进行3D建模,可视化展示所述裂纹网络形态。
9.一种终端,其特征在于,所述终端包括处理器和用于存储能够在所述处理器上运行的计算机程序的存储器;其中,所述处理器用于运行计算计算机程序时,实现权利要求1-7任一项所述基于双重注意力机制的石油管道裂纹检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质中有计算机可执行指令,其特征在于,所述计算机可执行指令被处理器执行实现权利要求1-7任一项所述基于双重注意力机制的石油管道裂纹检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913981.8A CN116958089A (zh) | 2023-07-24 | 2023-07-24 | 一种基于双重注意力机制的石油管道裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913981.8A CN116958089A (zh) | 2023-07-24 | 2023-07-24 | 一种基于双重注意力机制的石油管道裂纹检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958089A true CN116958089A (zh) | 2023-10-27 |
Family
ID=88457820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310913981.8A Pending CN116958089A (zh) | 2023-07-24 | 2023-07-24 | 一种基于双重注意力机制的石油管道裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958089A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
-
2023
- 2023-07-24 CN CN202310913981.8A patent/CN116958089A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
CN117557460B (zh) * | 2024-01-12 | 2024-03-29 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112017189B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN110490212B (zh) | 钼靶影像处理设备、方法和装置 | |
CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
CN111899246B (zh) | 玻片数字化信息质量检测方法、装置、设备及介质 | |
CN109146832B (zh) | 一种视频图像的拼接方法、装置、终端设备及存储介质 | |
CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
CN116958089A (zh) | 一种基于双重注意力机制的石油管道裂纹检测方法 | |
CN116539619B (zh) | 产品缺陷检测方法、***、装置及存储介质 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN113065551A (zh) | 利用深度神经网络模型执行图像分割的方法 | |
CN112330594A (zh) | 一种纸筒缺陷检测方法、装置、电子设备及存储介质 | |
CN114821350B (zh) | 多阶段信息融合的高分辨率遥感图像建筑物变化检测方法 | |
CN106469293A (zh) | 快速检测目标的方法及*** | |
Yu | YOLO V5s-based deep learning approach for concrete cracks detection | |
Adu-Gyamfi et al. | Functional evaluation of pavement condition using a complete vision system | |
CN115497092A (zh) | 图像处理方法、装置及设备 | |
CN115082909A (zh) | 一种肺部病变识别方法及*** | |
CN115294489B (zh) | 一种灾害视频数据的语义分割方法和*** | |
CN117649415B (zh) | 基于光流图检测的细胞均衡度分析方法 | |
CN111553925B (zh) | 一种基于fcn的端对端农作物影像分割方法及*** | |
CN114372994B (zh) | 视频浓缩中背景图像的生成方法 | |
Lin et al. | P‐2.23: Deep Learning‐based System for Processing Complex Floorplans | |
Wang et al. | Prediction of PD-L1 tumor positive score in lung squamous cell carcinoma with H&E staining whole slide images and deep learning | |
Pellicanò | Tackling pedestrian detection in large scenes with multiple views and representations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |