一种长输管道地面标识损坏检测方法技术

本公开揭示了一种长输管道地面标识损坏检测方法

【技术实现步骤摘要】
一种长输管道地面标识损坏检测方法、装置及电子设备


[0001]本公开属于智能识别
、
图像处理
，具体涉及一种长输管道地面标识损坏检测方法
、
装置及电子设备
。

技术介绍

[0002]施工区域巡检在许多领域均有检测需求，如检测是否存在长输管道地面标识，如建筑工地
、
野外等存在施工的区域检测，随着长输管道的普及，长输管道的安全问题越来越引人注目
。
其中，长输管道地面标识损坏是长输管道常见的安全隐患之一，在施工现场，挖掘车辆在开展挖掘工作时一旦没有注意到长输管道地面标识，将会严重危及管道的安全运行
。
传统的以人工巡检为主的巡检方式作业效率低且存在人为主观臆断误判
、
人力难以长时间监控
、
耗费人力资源等问题，且容易受到天气
、
地理环境的影响
。

技术实现思路

[0003]针对现有技术中的不足，本公开的目的在于提供一种长输管道地面标识损坏检测方法，本公开通过构建长输管道地面标识损坏检测模型，能够提供更高的检测精度，从而减少误报和漏报，同时能够减少了人工劳动力需求，进而提高检测效率
。
[0004]为实现上述目的，本公开提供以下技术方案：
[0005]一种长输管道地面标识损坏检测方法，包括以下步骤：
[0006]S100
：采集待测长输管道地面标识图像；
[0007]S200
：对图像进行预处理，以获得预处理后的图像；
[0008]S300
：构建长输管道地面标识损坏检测模型并训练；
[0009]S400
：将预处理后的图像输入训练好的模型中，以检测图像中的长输管道地面标识是否损坏
。
[0010]优选的，步骤
S200
中，所述对图像进行预处理包括以下步骤：对图像的尺寸进行调整以及对图像的颜色进行调整
。
[0011]优选的，步骤
S300
中，所述长输管道地面标识损坏检测模型通过以下步骤进行训练：
[0012]S201
：获取多张含有长输管道地面标识损坏的图像，并对图像进行标注，以获得标注好的图像数据集；
[0013]S202
：对标注好的图像数据集进行预处理，以获得预处理后的图像数据集；
[0014]S203
：将预处理后的图像数据集划分为训练集和测试集；
[0015]S204
：设置训练参数，利用训练集对模型进行训练，通过线性预测策略对模型进行训练迭代，当达到最大迭代次数，模型训练完成；
[0016]S205
：利用测试集对训练后的模型进行测试，在测试过程中，若模型的输出的置信度达到
0.95
，则模型测试通过；否则调整训练参数重新对模型进行训练
。
[0017]本公开还提供一种长输管道地面标识损坏检测装置，所述装置包括：
[0018]采集单元，用于采集待测长输管道地面标识图像；
[0019]预处理单元，用于对图像进行预处理，以获得预处理后的图像；
[0020]模型构建及训练单元，用于构建长输管道地面标识损坏检测模型并训练；其中，所述模型包括主干网络
、
多尺度特征融合网络和检测头，所述主干网络包括四个层级，第一个层级包括一个图像块嵌入层和一个
FasterNet
模块，第二至第四个层级分别包括一个图像块合并层和一个
FasterNet
模块；所述多尺度特征融合网络中引入了三重注意力机制，用于模型同时捕获通道注意力
、
空间注意力和权重之间的直接关系；
[0021]检测单元，用于将预处理后的图像输入训练好的模型中，以检测图像中的长输管道地面标识是否损坏
。
[0022]优选的，所述模型构建及训练单元包括：
[0023]标注子单元，用于对所获取的多张含有长输管道地面标识损坏的图像进行标注，以获得标注好的图像数据集；
[0024]预处理子单元，用于对标注好的图像数据集进行预处理，以获得预处理后的图像数据集；
[0025]划分子单元，用于将预处理后的图像数据集划分为训练集和测试集；
[0026]训练子单元，用于利用训练集对模型进行训练；
[0027]测试子单元，用于利用测试集对训练后的模型进行测试
。
[0028]本公开还提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如前任一所述的方法
。
[0029]本公开还提供一种电子设备，包括：
[0030]存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，
[0031]所述处理器执行所述程序时实现如前任一所述的方法
。
[0032]与现有技术相比，本公开带来的有益效果为：
[0033]1、
自动化检测：与传统的人工检查方法相比，本公开可以自动采集和处理地面标识图像，并使用训练好的模型进行损坏检测，能够大大减少了人工劳动力需求，并提高检测效率
。
[0034]2、
高精度检测：通过构建和训练专门的地苗标识损坏检测模型，能够提供更高的检测精度，减少误报和漏报，从而提高了管道地面标识损坏检测的可靠性
。
[0035]3、
实时监测：本公开能够及时发现地面标识的损坏情况，从而有助于采取及时的维修措施，降低维护成本和减少潜在的管道问题
。
[0036]4、
数据记录和分析：本公开通过记录和分析采集到的图像和检测结果，能够帮助建立历史记录和趋势，以便进行预测性维护和决策支持
。
附图说明
[0037]图1是本公开一个实施例提供的一种长输管道地面标识损坏检测方法的流程图；
[0038]图2是本公开另一个实施例提供的长输管道地面标识损坏检测模型的结构示意图；
[0039]图3是图2所示模型中主干网络的结构示意图；
[0040]图4是图2所示模型中局部卷积提取块（3×
3PConv
）的结构示意图；
[0041]图5是图2所示模型中三重注意力机制（
Att
）的结构示意图；
[0042]图6是图2所示模型中检测头的结构示意图；
[0043]图7是图2所示模型中多尺度特征融合网络的结构示意图
。
具体实施方式
[0044]下面将参照附图1至图7详细地描述本公开的具体实施例
。
虽然附图中显示了本公开的具体实施例，然而应当理解，可以通过各种形式实现本公开而不应被这里阐述的实施例所限制
。
相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种长输管道地面标识损坏检测方法，其特征在于，所述方法包括以下步骤：
S100
：采集待测长输管道地面标识图像；
S200
：对图像进行预处理，以获得预处理后的图像；
S300
：构建长输管道地面标识损坏检测模型并训练；其中，所述模型包括主干网络
、
多尺度特征融合网络和检测头，所述主干网络包括四个层级，第一个层级包括一个图像块嵌入层和一个
FasterNet
模块，第二至第四个层级分别包括一个图像块合并层和一个
FasterNet
模块；所述多尺度特征融合网络中引入了三重注意力机制，用于模型同时捕获通道注意力
、
空间注意力和权重之间的直接关系；
S400
：将预处理后的图像输入训练好的模型中，以检测图像中的长输管道地面标识是否损坏
。2.
根据权利要求1所述的方法，其特征在于，步骤
S200
中，所述对图像进行预处理包括以下步骤：对图像的尺寸进行调整以及对图像的颜色进行调整
。3.
根据权利要求1所述的方法，其特征在于，步骤
S300
中，所述长输管道地面标识损坏检测模型通过以下步骤进行训练：
S201
：获取多张含有长输管道地面标识损坏的图像，并对图像进行标注，以获得标注好的图像数据集；
S202
：对标注好的图像数据集进行预处理，以获得预处理后的图像数据集；
S203
：将预处理后的图像数据集划分为训练集和测试集；
S204
：设置训练参数，利用训练集对模型进行训练，通过线性预测策略对模型进行训练迭代，当达到最大迭代次...

【专利技术属性】
技术研发人员：贺亮，刘云川，刘云刚，杨在道，周伟，
申请(专利权)人：重庆泓宝科技股份有限公司，
类型：发明
国别省市：