一种基于改进U-Net的换热器管口图像识别算法制造技术

本发明专利技术设计一种基于改进U

【技术实现步骤摘要】
一种基于改进U
‑
Net的换热器管口图像识别算法


[0001]本专利技术涉及换热器工业清洗领域，具体涉及一种基于改进U
‑
Net的换热器管口图像识别算法。

技术介绍

[0002]换热器在使用过程中管道内表面会产生堆积物形成结垢，致使换热效率降低，长期使用造成管道内部堵塞影响正常运作。换热器传热管道内表面每形成1mm的结垢，就会多损耗8％～30％的能源，每年由于换热器表面结垢给国家造成的经济损失高达100亿元以上，部分管道内表面污垢相互作用管束之间会有腐蚀和爆炸的风险，因此需要定期对换热器进行清洗，而人工清洗的方式存在着成本高、污染大的问题，于是出现了机器人辅助清洗方式，由于换热器有成百上千个圆管通道需要清理，且排布紧密，在机器人清洗过程中，深度学习配合机器人清洗换热器管道，能够对管口进行更准确的定位，提高清洗效率。所以换热器管口识别研究对于换热器的清洗和使用有着重要的理论与现实意义，实现管口图像的高效识别成为行业关注研究的重点。
[0003]如公开号为CN111833305A的中国专利文献公开了一种基于机器视觉的板翅式换热器翅片加工质量在线检验方法，采用机器视觉、图像处理、模式识别和深度学习技术，构建与翅片几何形状、尺寸、切口毛刺的形态和分布等相关的特征参数集，进而建立特征参数集与表征翅片切口加工质量的f
‑
Re阻力特性曲线之间映射关系的模型，据此在线检验翅片切口的加工质量。
[0004]如公开号为CN108613460A的中国专利文献公开了一种基于图像识别测霜技术的空气源热泵控霜方法，使用摄像探头按时间间隔对室外换热器翅片表面进行拍摄，并将图像信号传输到图像处理控制器中；对图像信号进行像素点灰度识别；对图像结霜像素点进行程度识别；对输出结果进行乘积处理；图像处理控制器向机组控制器传达除霜信号，机组控制器控制机组进行除霜操作；将图像信号传输到图像处理控制器中，图像处理控制器对接收的图像进行滤波、锐化以及灰度处理；对图像信号进行像素点灰度识别。
[0005]然而，这些专利技术都不能完美应用于换热器识别，识别的精度和速度都有待提高。

技术实现思路

[0006]针对换热器清洗行业存在的效率低、安全度不高等问题，本专利技术提出一种基于改进U
‑
Net的换热器管口图像识别算法，该方法通过使用深度学习搭建神经网络训练模型的方法，选择U
‑
Net网络框架减少其网络层数降低识别过程中对非特征区域错误分类的效果。然后在U
‑
Net网络的部分卷积层中使用空洞卷积替换普通卷积，增大神经元的感受野，用来提高图像检测的识别效果，同时保持空间分辨率提升算法的精准度。
[0007]本专利技术的技术方案为：一种基于改进U
‑
Net的换热器管口图像识别算法，通过如下技术方案来实现：
[0008](1)收集不同换热器图像作为图像集，对训练集的图像进行预处理；
[0009](2)将图像集分为训练集、验证集和测试集，生成数据文件，进行数据扩增等操作；
[0010](3)搭建U
‑
Net网络结构，在此基础上加入深度可分离卷积、残差结构和注意力机制；
[0011](4)使用训练集对网络模型进行训练，使用验证集对形成的网络模型进行分析测试，根据结果对参数进行调整，经过反复训练得到最好的训练模型；
[0012](5)将测试集中待识别图像输入训练模型中，识别出换热器管口图像的管口特征，得到识别算法的准确度和速度；
[0013]本专利技术的有益效果如下：
[0014]本专利技术提出了一种基于改进U
‑
Net网络模型的改进算法，对换热器管口图像进行识别提取，对比传统的简单圆提取等机器学习算法，使用深度学习的方式得到的换热器图像识别准确度有了很大提升。
[0015]进一步地，步骤(1)包括以下步骤：
[0016](1)训练集和测试集都包含换热器原图、手工标注的管口图像、换热器轮廓边缘图像三种图像。
[0017](2)为消除采集的图片中原有的噪点等质量问题对实验造成影响，对图像进行灰度化、标准化等简单的预处理，保证图像的通道数以及颜色一致。
[0018](3)增强图像的对比度使用自适应直方图均衡化以及伽马变换技术，提亮暗部矫正图像曝光强度。
[0019]进一步地，步骤(2)包括以下步骤：将准备好的训练集和测试集中的换热器图像、人工标注的换热器管口图像和换热器外部轮廓生成hdf5数据文件，为增大训练数据的数据量，对原有训练集的数据模型进行切块扩增处理。
[0020]进一步地，步骤(3)包括以下步骤：
[0021]常规卷积操作卷积层的参数个数计算为：
[0022]N_s＝Filter*kernel*kernel_w*kernel_h；
[0023]其中Filter表示卷积层，kernel表示卷积核，kernel_w和kernel_h表示卷积核的尺寸。
[0024]深度可分离卷积操作分为两个步骤，首先是对卷积层进行逐通道卷积(逐深度卷积)，完成后的特征层数量和原输入层的通道数量相同，卷积层的参数个数为N_depthwise＝kernel*kernel_w*kernel_h；然后进行逐点卷积将逐通道卷积输出的特征层重新组合生成新的特征层，此时的卷积核尺寸为1x1xN，N为上一层通道数，N_pointwise＝1
×1×
N
×
Filter。使模型参数量大大降低，减少模型训练计算量从而达到加快速度的目的，将深度可分离卷积模块与U
‑
Net网络模型中的对应的卷积层部分进行替换，并与上采样进行跳跃连接。
[0025]接着在残差模块Res Block的基础上修改残差块，先采用1x1的卷积核进行降维，减少非特征提取参数量并扩大感受野，再通过批量标准化BN层以及ReLU激活函数，加大特征提取的传播力度，避免梯度消失，接着采用3x3的卷积核对特征进行提取，再通过批量标准化BN层以及ReLU激活函数，最后使用1x1的卷积核还原到原来的通道数，再通过批量标准化BN层，得到改进的残差块，ReLU是非线性激活函数，其公式为：
[0026][0027]BN层的算法引入了两个参数γ和β，其输出y表示如下：
[0028][0029]最后加入注意力模块，注意力机制模块包括两个部分，通道注意力和空间注意力。首先对输入的特征图分别进行最大池化和平均池化，之后经过多层全连接层(MLP)，将得到的特征图进行加和，再通过Sigmoid函数校准处理后得到通道注意力，其表达式为：
[0030]Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))
[0031]其中Mc(F)表示通道注意力模块，σ表示Sigmoid函数，MLP()表示多层全连接层，AvgPool()、MaxPool()表示平均池化和最大池化。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进U
‑
Net的换热器管口图像识别算法，其特征在于，具体算法步骤如下：(1)收集不同换热器图像作为图像集，对训练集的图像进行预处理；(2)将图像集分为训练集、验证集和测试集，生成数据文件，进行数据扩增等操作；(3)搭建U
‑
Net网络结构，在此基础上加入深度可分离卷积、残差结构和注意力机制；(4)使用训练集对网络模型进行训练，使用验证集对形成的网络模型进行分析测试，根据结果对参数进行调整，经过反复训练得到最好的训练模型；(5)将测试集中待识别图像输入训练模型中，识别出换热器管口图像的管口特征，得到识别算法的准确度和速度。2.根据权利要求1所述的基于改进U
‑
Net的换热器管口图像识别算法，其特征在于，所述步骤(1)包括以下步骤：(1)训练集和测试集都包含换热器原图、手工标注的管口图像、换热器轮廓边缘图像三种图像。(2)为消除采集的图片中原有的噪点等质量问题对实验造成影响，对图像进行灰度化、标准化等简单的预处理，保证图像的通道数以及颜色一致。(3)增强图像的对比度使用自适应直方图均衡化以及伽马变换技术，提亮暗部矫正图像曝光强度。3.根据权利要求1所述的基于改进U
‑
Net的换热器管口图像识别算法，其特征在于，所述步骤(2)如下：将准备好的训练集和测试集中的换热器图像、人工标注的换热器管口图像和换热器外部轮廓生成hdf5数据文件，为增大训练数据的数据量，对原有训练集的数据模型进行切块扩增处理。4.根据权利要求1所述的基于改进U
‑
Net的换热器管口图像识别算法，其特征在于，所述步骤(3)包括以下步骤：(1)将通用卷积替换为深度可分离卷积，减少模型参数量，对特征识别十分有利；(2)利用残差结构，能够使特征更快的向前传播以及残差函数更易优化，避免过拟合；(3)加入注意力机制，充分保留卷积层提取的细节特征。5.根据权利要求1所述的基于改进U
‑
Net的换热器管口图像识别算法，其特征在于，所述步骤(3)中所述的深度可分离卷积步骤如下：常规卷积操作卷积层的参数个数计算为：N_s＝Filter*kernel*kernel_w*kernel_h；其中Filter表示卷积层，kernel表示卷积核，kernel_w和kernel_h表示卷积核的尺寸。深度可分离卷积操作分为两个步骤，首先是对卷积层进行逐通道卷积(逐深度卷积)，完成后的特征层数量和原输入层的通道数量相同，卷积层的参数个数为N_depthwise＝kernel*kernel_w*kernel_h；然后进行逐点卷积将逐通道卷积输出的特征层重新组合生成新的特征层，此时的卷积核尺寸为1x1xN，N为上一层通道数，N_pointwise＝1
×1×
N
×
Filter。使模型参数量大大降低，减少模型训练计算量从...

【专利技术属性】
技术研发人员：邹冰玉，代峰燕，赵奥，弓海凌，胡志宇，王维浩，白永康，
申请(专利权)人：北京石油化工学院，
类型：发明
国别省市：