[发明专利]基于密集连接的Yolov3网络的井下管道异常目标识别方法及系统

说明书

本发明公开了一种基于密集连接的Yolov3网络的井下管道异常目标识别方法，通过改进的密集连接Yolov3网络进行样本处理，确定管道检测点位置，再对检测点对象分类，结果进行三维度映射输出。其中改进Yolov3网络具体处理过程大致如下，先将输入图像进行多特征层的提取，本发明采用密集串联网络进行特征提取。对图像进行卷积，上采样，特征拼接，及用于输出预测结果。预测结果解码得出边界框坐标，确定管道检测点边界的位置，再对选出的边框按照得分进行筛选，确定故障识别位置。本发明的优点是采用改进的Yolov3网络对井下管道巡检图像进行处理，有效的提升了检测准确度，一定程度上保障了检测实时性，提高特征提取能力。

技术领域

本发明涉及井下管道巡检图像目标识别技术领域，具体来说是基于密集连接的Yolov3网络的井下管道异常目标识别方法及系统。

背景技术

在工业采矿现场，矿井管道承受着非常高的输送压力，随着管道内部的磨损，充填管道不可避免会发生爆裂、跑浆、泄漏等现象，已成为影响矿井充填系统正常运转的最主要的安全问题。由于充填系统的管道工况恶劣，磨损较快，管路磨损破裂事故随机性大，国内外尚无成熟的充填管路泄漏监测预测预控技术，目前主要靠投入大量人力，采用人工巡检的方式检测管道是否泄漏。

申请号为CN202010818527.0公开的一种管道异常识别方法装置及系统，该方法包括：接收检测设备采集的待识别管道的应变数据；将所述应变数据输入预设识别模型，获得所述待识别管道的异常类型，其中预设识别模型是根据不同异常类型管道的应变数据训练得到的；将所述异常类型发送至管道管理平台，以使管理人员根据所述异常类型分析管道异常原因。本发明实施例提供的管道异常识别方法，利用预设识别模型自动的识别管道的异常类型，提高了识别管道异常方法的效率和准确率。该方法虽然能够检测管道的异常，但是前提是管道存在应变情况，对于复杂环境下管道存在异常则不适用。

发明内容

本发明所要解决的技术问题在于针对井下管道处于复杂环境下，提供一种基于密集连接的Yolov3网络的井下管道异常目标识别方。

本发明通过以下技术手段实现解决上述技术问题的：

基于密集连接的Yolov3网络的井下管道异常目标识别方法，包括以下步骤：

步骤1、从井下采集的模糊图像经过TESRGAN网络去噪超分辨率重构预处理；

步骤2、对处理图像输入进行特征提取，其中每个卷积块内部的连续卷积层采用密集串联方式，在主干特征提取网络的中间，中下，底层分别进行三层提取多特征层，分别卷积特征处理之后，进行上采样，相互堆叠拼接，同时另一部分用于结果预测，得到预测结果；

步骤3、对预测结果进行翻译解码，得出最后显示边界框的坐标b_x,b_y，宽高b_w,b_h，得出了边界框的位置；

步骤4、根据生成的若干边界框，将最大概率的框筛选出来，作为最终边界框；得出识别结果。

本发明根据井下图像的特征摒弃传统残差连接，采用密集串联网络进行特征提取，三个特征层位于主干特征提取网络不同位置，中间层，中下层及底层。对图像进行卷积，上采样，特征拼接，及用于输出预测结果。预测结果解码得出边界框坐标b_x,b_y，以及宽高b_w,b_h，共四个参数。确定管道检测点边界的位置，再对选出的边框按照得分进行筛选，确定相对准确的管道巡检点的故障识别位置。本发明的优点是采用改进的Yolov3网络对井下管道巡检图像进行处理，有效的提升了检测准确度，一定程度上保障了检测实时性，提高特征提取能力。

进一步的，所述步骤1的具体执行过程如下：

步骤11.采用过残差模型进行非线性映射，一个残差单元的基本公式表示为：