[发明专利]一种基于多尺度SSD网络的管道漏磁图像检测方法

说明书

本发明属于漏磁图像处理技术领域，公开了一种基于多尺度SSD网络的管道漏磁图像检测方法，步骤为S1：通过漏磁探测器获取管道内的漏磁信号；S2：采用伪彩色处理技术进行图像增强，采用密度分割进行伪彩色增强；S3：在SSD网络中加入多孔卷积和注意力残差模块，得到新的SSD网络模型；S4：通过改进后的SSD网络进行漏磁图像检测。本发明设计科学合理，多孔卷积用于提取小目标更丰富的低层和高层语义信息特征，然后通过融合这些特征可以有效地学习图像细节和上下文语义信息，可有效提高对小目标缺陷的检测精度，对高效、准确的检测漏磁信号具有重大的指导作用。

技术领域

本发明属于漏磁图像处理技术领域，具体涉及一种基于多尺度SSD网络的管道漏磁图像检测方法。

背景技术

腐蚀、磨损、意外损坏等管道泄漏事故的频繁发生，造成了巨大的生命财产损失和环境污染，漏磁检测技术在长距离油气开采中起着重要作用。目前，漏磁的识别与分析大多数采用人工，但漏磁图像数据量大，类型多，因此存在一些问题，如耗时、泄漏判断、误判等。因此，如何高效、准确的检测漏磁信号是当前亟需解决的问题。目标检测是计算机视觉领域的重要研究方向之一，传统的目标检测方法使用分类器对特征描述符之后的特征进行分类，进而实现特征提取。在特征提取阶段，需要人工干预以获得目标所对应的原始图像中的特征信息。该算法在很大程度上依赖于特征设计、效率低、错误率高。针对传统检测方法的不足，基于深度学习的目标检测算法已成为计算机视觉领域的一个新方向。

SSD网络模型能够准确、快速地检测多个不同尺度的目标物体，然而，SSD模型存在对小目标检测能力差的问题，仍有进步的空间。

基于此，本发明提出一种基于SSD模型的改良的漏磁图像检测算法。

发明内容

为克服上述技术问题，本发明提供了一种基于多尺度SSD网络的管道漏磁图像检测方法，解决当前SSD模型存在的对小目标检测能力差的问题。

本发明采用下述技术方案：

一种基于多尺度SSD网络的管道漏磁图像检测方法，包括如下步骤：

S1：通过漏磁探测器获取管道内的漏磁信号；

S2：采用伪彩色处理技术进行图像增强，采用密度分割进行伪彩色增强；

S3：在SSD网络中加入多孔卷积和注意力残差模块，得到新的SSD网络模型；

S4：通过改进后的SSD网络进行漏磁图像检测。

在S3中，SSD网络由VGG-16网络的前五层和四个附加卷积层组成，多孔卷积添加到SSD网络中的Conv4_3层，并将其更改为多尺度扩展卷积层，然后注意两个卷积层生成的特征图，添加裁剪层以适应任何大小的输入，从而使空卷积特征图的大小与前一个相同，两个特征图逐像素相乘，得到底层和高层语义信息的融合特征图。

在S3中，多孔卷积在原始卷积的基础上增加了一个r参数，通过控制r参数的大小得到不同大小的卷积视野，新的网络通过4种不同r参数的卷积作用于同一输入以感受不同视野的特征。

在S3中，每个注意力残差模块包含面具分支和主干分支，主干分支可以是任何当前的卷积神经网络模型，面具分支处理特征图并输出具有相同维度的注意力特征图，然后通过使用点乘法运算来组合两个分支的特征图，以获得最终的输出特征图。

在S3中，在浅层结构中，网络的注意力集中在背景和其他区域，而在深层结构中，网络的注意力特征图集中在要检测的对象上。

在面具分支中，对特征图的处理包括下采样和上采样，下采样用于快速编码和获取特征图的全局特征，上采样将下采样后提取的全局高维特征与之前未采样的特征相结合，以制作上下文和高低纬度特征。