[发明专利]基于循环生成对抗网络的石化装置管道数据样本均衡方法

说明书

一种基于循环生成对抗网络的石化装置管道数据样本均衡方法，包括：对管道内检测机器人拍摄的管道内壁视频图像进行图像展开；对管道内检测机器人拍摄的管道内壁视频图像采用Retinex算法衍生的带色彩恢复的多尺度视网膜增强算法对光照不均匀图像进行光照校正；对管道内检测机器人拍摄的管道内壁视频图像进行图像拼接；基于Cycle‑GAN网络在拼接的管道内壁图像的基础上随机生成损伤区域伪样本，扩充损伤样本图像集。本发明使得检测人员可以获得完整连贯、平铺的管道内壁图像，并且提高各类样本数量、均衡不同类别缺陷的数量，建立无畸变、样本数量均衡充足的管道内壁图像数据集。

技术领域

本发明涉及一种石化装置管道数据样本均衡方法。特别是涉及一种基于循环生成对抗网络的石化装置管道数据样本均衡方法。

背景技术

目前的管道数据处理方式大多是在原始拍摄数据的基础上采用图像增强等方法对图像质量进行改善。此类方法无法处理因拍摄视角等原因带来的图像畸变问题。对于样本增强策略，现有数据增强策略大多在原图像基础上进行裁剪、旋转、缩放等操作，仅增加了样本数量，未增加样本多样性。

当数据的拍摄相机是从管口向内进行拍摄，拍摄的管道内壁图像会发生一定程度上的畸变。同时，管道深处的缺陷因尺度过小，难以检测。由于样本数量有限且存在严重的类别数量不均匀现象，为建立一个充足、平衡的数据集，需采用数据增强方法。现有数据增强策略大多在原图像基础上进行裁剪、旋转、缩放等操作，仅增加了样本数量，未增加样本多样性。

发明内容

本发明所要解决的技术问题是，为克服现有技术的不足，提供一种即保证了新生成样本的真实性，又能达到均衡样本数量目的的基于循环生成对抗网络的石化装置管道数据样本均衡方法。

本发明所采用的技术方案是：一种基于循环生成对抗网络的石化装置管道数据样本均衡方法，包括如下步骤：

1)对管道内检测机器人拍摄的管道内壁视频图像进行图像展开；

2)对管道内检测机器人拍摄的管道内壁视频图像采用Retinex算法衍生的带色彩恢复的多尺度视网膜增强算法对光照不均匀图像进行光照校正；

3)对管道内检测机器人拍摄的管道内壁视频图像进行图像拼接；

4)基于Cycle-GAN网络在拼接的管道内壁图像的基础上随机生成损伤区域伪样本，扩充损伤样本图像集。

步骤1)包括：

使用阈值分割法对管道内壁、中心和四角进行划分，通过形态学方法去除部分噪声；通过霍夫变化方法对分割后环形图像U，以图像中心点O为原点，建立像素坐标系uOv，以管道实际中心坐标O₁(u₀,v₀)为中心，向右为0°，逆时针对管道内壁图像进行展开，得到对应的矩形图像，以矩形左下角A为原点建立坐标系xAy；设管道内壁上任意一点C，在展开图像中坐标为C(x,y)，对应原图像素坐标为C'(u,v)，建立函数关系：f:C'(u,v)∈U→C(x,y)∈S，其中，U表示分割后环形图像；S表示U展开的矩形图像；并设定图像中对应管道的圆环半径为其中l为每帧图像的长度。

步骤2)包括：

管道内检测机器人拍摄的管道内壁视频图像进行图像展开后的图像S是光照图像B乘以反射图像R构成，关系式如下：

S(x,y)＝B(x,y)·R(x,y) (1)

其中，S(x,y)为S的二维平面表示，L(x,y)为光照图像B的二维平面表示，R(x,y)反射图像R的二维平面表示；

使用带色彩恢复的多尺度视网膜增强算法从原始图像中计算出光照图像B，从而提取反射图像R，去除其中的光照度不一致的现象达到增强图像的目的。