【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。