【技术实现步骤摘要】
一种基于改进孪生网络的小样本储油罐底板缺陷检测方法，属于储油罐检测。
技术介绍
1、储油罐是存储石油及各种衍生石油化工材料的重要储存设备，更是各油田储存石油资源的重要基础设施。储油罐在长期的使用过程中，罐底不可避免的会形成各种杂质的沉积，同时由于杂质中含有不同类型的硫酸盐、碳酸盐、硫化物等化学成分，会导致底板由于电解质之间的运动产生电化学腐蚀。因此，对在役储油罐进行定期使用状况检测对石油化工行业至关重要。
2、利用机器人对储油罐罐底进行检测是目前常见的检测手段，相比较传统的人工检测方式，能够及时的得到缺陷信息，并发现需要进行紧急维护的重大缺陷，目前机器人主要采用超声波检测方式进行检测，将数据传到后端进行识别，采用的具体技术方案主要有以下几种：
3、1、基于传统计算机视觉的缺陷检测：
4、基于传统机器视觉的图像识别主要是利用检测设备获取钢材表面图像，通过计算机对图像进行检测的方法。该方法的设备主要分为光源、摄像头、计算机和待检测表面等，装置通过光源照射到待检测表面，给予摄像头采集图像的良好条件，最后将采集到的图像传输到计算机中进行处理，计算机通过提取图像中的特征进行缺陷的检测。主要包括如下方案：
5、(1)jia h，murphey y l，shi j，et al.an intelligent real-time visionsystem for surface defect detection[c].proceedings of the 17th internationalconf
6、(2)周神特，王宇宇，张潇等.基于机器视觉的金属板材表面缺陷光学检测技术[j].无损检测，2020，42(09):39_44.在该文献中，提出一种bp算法级联svm结合的分类器检测方法，利用sift算子提取缺陷特征向量来检测金属板材表面缺陷。
7、(3)黄广俊，邓元龙.融合改进lbp和svm的偏光片外观缺陷检测与分类[j].计算机工程与应用，2020，v.56；no.965(22):257-261.在该文献中，提出利用局部梯度的haar与hog特征，并结合局部频率gabor方法提取特征信息，然后使用朴素贝叶斯与支持向量机实现分类的金属板缺陷检测方法。
8、包括上述方案在内的计算机视觉的缺陷检测方案，利用形态学图像处理识别缺陷的方式只适用于缺陷图像样本少且缺陷特征明显的情况，只能用来判断是否存在缺陷不能满足缺陷分类。传统机器学习分类技术虽然解决了图像处理提取特征后不能分类的缺点，但由于在提取特征环节易受到主观条件影响，很难构造出最具有代表性和普遍性的特征，存在时间复杂度高等问题，同时也不能满足复杂的应用场景。
9、2、基于深度学习的缺陷检测。
10、随着机器视觉进一步的发展，传统的检测方法提取图像特征的能力有限，并且检测速度不能满足工业现场的需求。含有大量参数的卷积神经网络可以通过数据集训练模型特征提取的能力，并取得了显著的效果。在现有技术中：
11、(1)soukupd，huber-r.convolutional neural networks for steelsurface defect detection from photometric stereo images[c].internationalsymposium on visual computing.springer，cham，las vegas，nv，usa，2014:668-677.在该文献中提出基于yolo的缺陷检测算法对钢材表面进行缺陷检测，并对钢材数据集进行扩充，以减少过拟合。
12、(2)gai x，ye p，wang j，et al.research on defect detection method forsteel metal surface based on deep learning[c].2020ieee 5th informationtechnology and mechatronics engineering conference(itoec).ieee，chongqing，china，2020:637-641.在该文献中提出了一种基于掩码的cnn模型，用于识别x射线图像中缺陷检测和分割任务。
13、(3)damacharla p，rao a，ringenberg j，et al.tlu-net:a deep learningapproach for automatic steel surface defect detection[c].2021internationalconference on applied artificial intelligence(icapai).ieee，halden，norway，2021:1-6.在该文献中利用迁移学习的u-net检测模型对钢材表面缺陷进行检测，并探索以resnet和densenet为主干网络对结果的影响。
14、(4)常海涛，苟军年，李晓梅.faster－rcnn在工业ct图像缺陷检测中的应用[j].中国图象图形学报，2018，23(07)：1061-1071.在该文献中利用faster r-cnn算法对工业ct图像进行缺陷检测，该算法对于气泡、夹渣和裂纹的检测准确率高达96％。
15、(5)defix zhang，kechen songjing xu，yu he，yunhui yan.unified detectionmethod of aluminium profile surface defectsr；common and rare defectcategories[j].optics and lasers in engineering，2020，126.在该文献中针对铝制型材料表面缺陷种类繁多、形状不规则、分布随机且样品不平衡等问题，提出了利用注意力机制检测铝制型材常见缺陷和特殊缺陷。
16、然而目前基于深度学习的模型在图像分类上能取得优异的性能，但大部分模型都基于大量样本进行学习，严重依赖于带注释的数据集，当有少量样本时，模型就会陷入过拟合，影响分类精度。由于储油罐停工检修需要消耗大量的时间，并且进罐采集样本危险性较大，所以获取储油罐底板缺陷图像非常困难，并且各种缺陷之间大小可能不同。因此，研究小样本学习对储油罐底板缺陷检测至关重要。
17、3、基于元学习的小样本图像识别；
18、随着机器视觉进一步的发展，传统的检测方法提取图像特征的能力有限，并且检测速度不能满足工业现场的需求。含有大量参数的卷积神经网络可以通过数据集训练模型特征提取的能力，并取得了显著的效果。本文档来自技高网...
【技术保护点】
1.一种基于改进孪生网络的小样本储油罐底板缺陷检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于改进孪生网络的小样本储油罐底板缺陷检测方法，其特征在于：在步骤2中，对孪生网络结构的改进包括多尺度特征融合和相似度计算。
3.根据权利要求2所述的基于改进孪生网络的小样本储油罐底板缺陷检测方法，其特征在于：多尺度特征融合的过程为：
4.根据权利要求2或3所述的基于改进孪生网络的小样本储油罐底板缺陷检测方法，其特征在于：相似度的计算公式为：
5.根据权利要求1所述的基于改进孪生网络的小样本储油罐底板缺陷检测方法，其特征在于：小样本储油罐底板缺陷检测模型的训练过程为：
6.根据权利要求5所述的基于改进孪生网络的小样本储油罐底板缺陷检测方法，其特征在于：在采用随机梯度下降法对数据集进行学习时，选用Adam优化器进行训练，前1/2epoch学习率设置为0.001，后1/2epoch学习率设置为0.0001，weight_decay设置为0.0005，采用StepLR调整学习率，step_size设为1，gamma设为0
7.根据权利要求5所述的基于改进孪生网络的小样本储油罐底板缺陷检测方法，其特征在于：在步骤4中，在进行罐底缺陷的定位时，首先输入无缺陷图片作为模板图片，并接收来自检测探头的传输数据，设置相似度阈值，如果相似度大于阈值则为无缺陷位置，如果相似度小于阈值则为有缺陷位置，并记录缺陷的位置(x，y)：
...【技术特征摘要】
1.一种基于改进孪生网络的小样本储油罐底板缺陷检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于改进孪生网络的小样本储油罐底板缺陷检测方法，其特征在于：在步骤2中，对孪生网络结构的改进包括多尺度特征融合和相似度计算。
3.根据权利要求2所述的基于改进孪生网络的小样本储油罐底板缺陷检测方法，其特征在于：多尺度特征融合的过程为：
4.根据权利要求2或3所述的基于改进孪生网络的小样本储油罐底板缺陷检测方法，其特征在于：相似度的计算公式为：
5.根据权利要求1所述的基于改进孪生网络的小样本储油罐底板缺陷检测方法，其特征在于：小样本储油罐底板缺陷检测模型的训练过程为：
6.根据权利要...
【专利技术属性】
技术研发人员：赵东亚，付育琳，邵伟明，丰杰华，蒋秀珊，
申请(专利权)人：中国石油大学华东，
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。