[发明专利]基于深度学习注意力机制的核电管道缺陷检测系统在审
申请号: | 202010622553.6 | 申请日: | 2020-06-30 |
公开(公告)号: | CN111899224A | 公开(公告)日: | 2020-11-06 |
发明(设计)人: | 夏黎黎;高忠科;许文达;安建鹏;张文伟 | 申请(专利权)人: | 烟台市计量所;天津大学 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06K9/34;G06K9/40;G06K9/62;G06N3/04;F17D5/02 |
代理公司: | 天津市北洋有限责任专利代理事务所 12201 | 代理人: | 杜文茹 |
地址: | 264000 山*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 学习 注意力 机制 核电 管道 缺陷 检测 系统 | ||
1.一种基于深度学习注意力机制的核电管道缺陷检测系统,其特征在于,包括如下步骤:
1)对射线探伤底片图像进行预处理;
2)构建全卷积神经网络,包括依次连接的编码器模块、注意力机制模块和解码器模块,其中编码器模块用于提取特征图,注意力机制模块用于获取全局特征,根据空间特征来聚合有效特征,解码器模块用于输出最终缺陷区域的结果,选取Adam优化器对构建的全卷积神经网络进行梯度更新,再使用Focal Loss损失函数对梯度更新后的全卷积神经网络进行训练;
3)对训练好的全卷积神经网络进行测试,将需要提供检测的射线底片图像进行预处理后输入到训练好的全卷积神经网络中,全卷积神经网络输出概率图,所述概率图大小与预处理前射线探伤底片图像大小相同,设置阈值0.5,对所述的概率图进行阈值二值化处理,得到缺陷区域的二值化图像,作为核电管道缺陷检测结果。
2.根据权利要求1所述的基于深度学习注意力机制的核电管道缺陷检测系统,其特征在于,步骤1)包括:
(1)获得射线探伤底片图像数据集后,对每一张射线探伤底片图像进行灰度处理;
(2)对每一张射线探伤底片图像使用中值滤波算法来处理射线探伤底片图像中的噪声;
(3)由专业评片人员对射线探伤底片图像Xi进行缺陷区域的手工标注,然后根据手工标注的结果生成与射线探伤底片图像Xi对应的掩膜图像Yi。
3.根据权利要求2所述的基于深度学习注意力机制的核电管道缺陷检测系统,其特征在于,第(1)步所述的灰度处理是利用加权平均法对射线探伤底片图像的RGB的三个分量加权平均,得到最终灰度值Gray:
Gray=0.3R+0.6G+0.1B
其中,R、G和B分别表示射线探伤底片图像的三个分量。
4.根据权利要求2所述的基于深度学习注意力机制的核电管道缺陷检测系统,其特征在于,第(2)步所述的中值滤波算法,是采用一个活动窗口沿射线底片图像移动,将活动窗口内各点灰度值按照逐渐增大或者减小方式排列,最后用活动窗口内灰度值排列顺序的中间值代替活动窗口中心位置的像素灰度值,修正噪声点处的像素值,实现射线探伤底片图像的噪声滤除。
5.根据权利要求1所述的基于深度学习注意力机制的核电管道缺陷检测系统,其特征在于,步骤2)中:
所述的编码器模块选取了ResNet50的前四级结构,第一级输出为C1,第二级的输出为C2,第三级的输出为C3,第四级输出的特征作为编码器的输出;
所述注意力模块的输入为特征其中C表示输入通道的数量,H和W分别为特征F的高度和宽度,在注意力模块中对特征F应用一个1×3卷积核的卷积层生成新的特征图以获取特征F垂直方向的边缘信息,同时对特征F应用一个3×1卷积核的卷积层生成新的特征图以获取特征F垂直方向的边缘信息,然后分别将特征图Q和特征图K的维度都变换为C×N大小,其中N=H×W;特征图K与特征图Q的转置进行矩阵相乘结果的空间关联通过应用softmax层来实现:
其中,S(x,y)表示x位置的像素对y位置像素的影响大小,是权重矩阵S中的一个点;
将特征F输入1×1卷积核的卷积层后输出特征图然后将权重矩阵S的维度变换为C×H×W;将特征图V与权重矩阵S进行矩阵相乘后得到矩阵最后将特征F和矩阵M进行求和作为注意力模块的输出;
所述解码器模块的输入为注意力模块的输出,选取U-net结构中解码部分的前四层作为解码器模块的结构,编码器模块的第一级输出C1与解码器模块的第一层输出U1连接相加,编码器模块的第二级输出C2与解码器模块的第二层输出U2连接相加,编码器模块的第三级输出C3与解码器模块的第三层输出U3连接相加,最终解码器模块的输出为最终的缺陷区域概率图。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于烟台市计量所;天津大学,未经烟台市计量所;天津大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010622553.6/1.html,转载请声明来源钻瓜专利网。