【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种大型装置表面腐蚀检测方法及系统。
技术介绍
1、腐蚀形貌图像特征，是腐蚀形貌识别与分类的基础，包括灰度（密度、颜色）特征、纹理特征及腐蚀形状特征，如腐蚀点的分布、腐蚀点的大小及腐蚀面积等。腐蚀形貌特征的识别是腐蚀图像处理及定量评定的难点。
2、随着机器学习和机器视觉技术进步，基于视觉的结构腐蚀和涂层缺陷检测与识别方面进行了大量研究，以包括决策树、随机森林、支持向量机(svm，support vectormachine)等分类器为主的传统机器学习算法取得了长足进步。huynh等人提出了一种用于评估涂层状况的多类支持向量机（svm）模型，其高效的锈蚀损伤识别性能已通过悉尼港大桥采集的高清晰图像进行了验证。
3、现有的大型装置表面腐蚀检测技术大多借助连续小波变换对图像进行分解，进而提取能量值作为特征信息，以进一步分析图像特征值与腐蚀失重数据的相关性。然而，在腐蚀严重或噪声较大的图像面前，腐蚀图像的细节特征易受干扰而变得模糊，这会使得图像中的关键信息无法被有效识别，导致目标检测的准确性较差。
技术实现思路
1、本专利技术提供了一种大型装置表面腐蚀检测方法及系统，用于解决现有的大型装置表面腐蚀检测技术导致目标检测的准确性较差的技术问题。
2、本专利技术第一方面提供的一种大型装置表面腐蚀检测方法，包括：
3、获取待检测大型装置腐蚀图像，并将所述待检测大型装置腐蚀图像输入至预置大型装置表面腐蚀检测模型，所述预置大
4、采用所述融合注意力特征提取网络对所述待检测大型装置腐蚀图像进行特征强化提取，生成强化特征图；
5、通过所述目标颈部网络对所述强化特征图进行特征卷积融合，输出融合特征图；
6、将所述融合特征图输入至所述目标检测头进行目标检测，输出腐蚀检测结果。
7、可选地，所述融合注意力特征提取网络包括卷积融合注意力机制模块和多尺度特征融合模块；所述强化特征图包括第一强化特征图、第二强化特征图和第三强化特征图；所述采用所述融合注意力特征提取网络对所述待检测大型装置腐蚀图像进行特征强化提取，生成强化特征图，包括：
8、采用卷积融合注意力机制模块对所述待检测大型装置腐蚀图像进行卷积融合，生成第一卷积融合特征图；
9、通过卷积融合注意力机制模块对所述第一卷积融合特征图进行卷积融合，输出第一强化特征图；
10、将所述第一强化特征图输入至卷积融合注意力机制模块进行卷积融合，确定第二强化特征图；
11、采用卷积融合注意力机制模块对所述第二强化特征图进行卷积融合，输出第二卷积融合特征图；
12、通过多尺度特征融合模块对所述第二卷积融合特征图进行多尺度特征融合，生成第三强化特征图。
13、可选地，所述卷积融合注意力机制模块包括两个串联的卷积层、卷积块注意力机制层、拼接层、卷积层；所述卷积融合注意力机制模块的图像处理步骤，包括：
14、将输入卷积融合注意力机制模块的腐蚀输入图通过两个串联的卷积层进行卷积运算，生成第一卷积特征图；
15、对所述第一卷积特征图进行分割，输出第一分割特征图和第二分割特征图；
16、采用两个串联的卷积层对所述第二分割特征图进行卷积运算，生成第二卷积特征图；
17、通过卷积块注意力机制层对所述第二卷积特征图进行特征权重调整，输出第一卷积块注意力特征图；
18、对所述第一卷积块注意力特征图和所述第二分割特征图进行拼接，生成第一拼接特征图，并将所述第一拼接特征图输入至两个串联的卷积层进行卷积运算，输出第三卷积特征图；
19、采用卷积块注意力机制层对所述第三卷积特征图进行特征权重调整，生成第二卷积块注意力特征图；
20、对所述第二卷积块注意力特征图和所述第一拼接特征图进行拼接，输出第二拼接特征图；
21、对所述第一分割特征图、所述第一卷积块注意力特征图、所述第二拼接特征图、所述第二分割特征图进行拼接，生成第三拼接特征图；
22、通过卷积层对所述第三拼接特征图进行卷积运算，输出腐蚀输出图。
23、可选地，所述多尺度特征融合模块包括三个级联的平均池化层、三个级联的最大池化层、拼接层和卷积层；所述通过多尺度特征融合模块对所述第二卷积融合特征图进行多尺度特征融合，生成第三强化特征图，包括：
24、通过卷积层对所述第二卷积融合特征图进行卷积运算，生成强化卷积特征图；
25、将所述强化卷积特征图分别输入至三个级联的平均池化层和三个级联的最大池化层进行平均池化和最大池化，输出平均池化特征图和最大池化特征图；
26、采用拼接层对所述最大池化特征图、所述平均池化特征图和所述强化卷积特征图进行拼接，输出拼接池化特征图；
27、通过卷积层对所述拼接池化特征图进行卷积运算，生成第三强化特征图。
28、可选地，所述目标颈部网络包括部分卷积融合模块、拼接层、上采样层、卷积层；所述融合特征图包括第一融合特征图、第二融合特征图和第三融合特征图；所述通过所述目标颈部网络对所述强化特征图进行特征卷积融合，输出融合特征图，包括：
29、采用上采样层对所述第三强化特征图进行上采样，输出第一上采样特征图，并通过拼接层对所述第一上采样特征图和所述第二强化特征图进行拼接，生成第一中间拼接特征图；
30、将所述第一中间拼接特征图输入至部分卷积融合模块进行部分卷积融合，输出第一部分卷积融合特征图，并采用上采样层对所述第一部分卷积融合特征图进行上采样，生成第二上采样特征图；
31、通过拼接层对所述第二上采样特征图和所述第一强化特征图进行拼接，输出第二中间拼接特征图，将所述第二中间拼接特征图输入至部分卷积融合模块进行部分卷积融合，输出第一融合特征图；
32、采用卷积层对所述第一融合特征图进行卷积运算，生成第一融合卷积特征图，并将所述第一融合卷积特征图和所述第一部分卷积融合特征图输入至拼接层进行拼接，输出第三中间拼接特征图；
33、通过部分卷积融合模块对所述第三中间拼接特征图进行部分卷积融合，生成第二融合特征图，并采用卷积层对所述第二融合特征图进行卷积运算，输出第二融合卷积特征图；
34、将所述第二融合卷积特征图和所述第三强化特征图输入至拼接层进行拼接，输出第四中间拼接特征图，并通过部分卷积融合模块对所述第四中间拼接特征图进行部分卷积融合，生成第三融合特征图。
35、可选地，所述预置大型装置表面腐蚀检测模型的训练过程，包括：
36、获取待训练大型装置腐蚀图像数据集，并对所述待训练大型装置腐蚀图像数据集进行标注，生成标注腐蚀图像数据集；
37、采用预置马赛克法对所述标注腐蚀图像数据集进行图像组合，生成多个组合腐蚀图像；
38、本文档来自技高网...
【技术保护点】
1.一种大型装置表面腐蚀检测方法，其特征在于，包括：
2.根据权利要求1所述的大型装置表面腐蚀检测方法，其特征在于，所述融合注意力特征提取网络包括卷积融合注意力机制模块和多尺度特征融合模块；所述强化特征图包括第一强化特征图、第二强化特征图和第三强化特征图；所述采用所述融合注意力特征提取网络对所述待检测大型装置腐蚀图像进行特征强化提取，生成强化特征图，包括：
3.根据权利要求2所述的大型装置表面腐蚀检测方法，其特征在于，所述卷积融合注意力机制模块包括两个串联的卷积层、卷积块注意力机制层、拼接层、卷积层；所述卷积融合注意力机制模块的图像处理步骤，包括：
4.根据权利要求2所述的大型装置表面腐蚀检测方法，其特征在于，所述多尺度特征融合模块包括三个级联的平均池化层、三个级联的最大池化层、拼接层和卷积层；所述通过多尺度特征融合模块对所述第二卷积融合特征图进行多尺度特征融合，生成第三强化特征图，包括：
5.根据权利要求2所述的大型装置表面腐蚀检测方法，其特征在于，所述目标颈部网络包括部分卷积融合模块、拼接层、上采样层、卷积层；所述融合特征图包括
6.根据权利要求1所述的大型装置表面腐蚀检测方法，其特征在于，所述预置大型装置表面腐蚀检测模型的训练过程，包括：
7.一种大型装置表面腐蚀检测系统，其特征在于，包括：
8.一种计算机设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6任一项所述的大型装置表面腐蚀检测方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1-6任一项所述的大型装置表面腐蚀检测方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，其中，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1-6任一项所述的大型装置表面腐蚀检测方法。
...【技术特征摘要】
1.一种大型装置表面腐蚀检测方法，其特征在于，包括：
2.根据权利要求1所述的大型装置表面腐蚀检测方法，其特征在于，所述融合注意力特征提取网络包括卷积融合注意力机制模块和多尺度特征融合模块；所述强化特征图包括第一强化特征图、第二强化特征图和第三强化特征图；所述采用所述融合注意力特征提取网络对所述待检测大型装置腐蚀图像进行特征强化提取，生成强化特征图，包括：
3.根据权利要求2所述的大型装置表面腐蚀检测方法，其特征在于，所述卷积融合注意力机制模块包括两个串联的卷积层、卷积块注意力机制层、拼接层、卷积层；所述卷积融合注意力机制模块的图像处理步骤，包括：
4.根据权利要求2所述的大型装置表面腐蚀检测方法，其特征在于，所述多尺度特征融合模块包括三个级联的平均池化层、三个级联的最大池化层、拼接层和卷积层；所述通过多尺度特征融合模块对所述第二卷积融合特征图进行多尺度特征融合，生成第三强化特征图，包括：
5.根据权利要求2所述的大型装置表面腐蚀检测方法，其特征在于，所述目标颈部网络包括部分卷积融合模块、拼接层、上采样层...
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。