(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210951928.2 (22)申请日 2022.08.09 (71)申请人 辽宁石油化工大 学 地址 113000 辽宁省抚顺市望花区丹东路 西段1号 申请人 北京海福润科技有限公司 (72)发明人 郎宪明　韩富丞　蔡再洪　朱永强　 李雪川　曹江涛　 (74)专利代理 机构 沈阳之华 益专利事务所有限 公司 21218 专利代理师 黄英华 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/80(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于无锚框的管道漏磁缺陷检测方法 (57)摘要 本发明涉及管道漏磁检测领域， 具体是一种 基于无锚框的管道漏磁缺陷检测方法， 其包括以 下步骤： S1， 获取尺寸为512 ×512的管道漏磁缺 陷图像； S2， 将S1中获取的漏磁缺陷图像送入PP ‑ LCNet模型中进行特征提取， 得到1280 ×16×16 的第一特征图， 再经过三层转置卷积将第一特征 图转换成1280 ×128×128的第二特征 图； S3， 将 S2中得到的第二特征图送入检测头网络模型中 进行检测。 本发明能够同时保证检测精度与速 度， 满足实际的需求。 权利要求书1页 说明书6页 附图3页 CN 115311234 A 2022.11.08 CN 115311234 A 1.一种基于无锚框的管道漏磁缺陷检测方法， 其特 征在于： 包括以下步骤： S1， 获取尺寸 为512×512的管道漏磁缺陷图像； S2， 将S1中获取的漏磁缺陷图像送入PP ‑LCNet模型中进行特征提取， 得到1280 ×16× 16的第一特征图， 再经过三层转置卷积将第一特征图转换成1280 ×128×128的第二特征 图； S3， 将S2中得到的第二特 征图送入检测头网络模型中进行检测。 2.根据权利要求1所述的一种基于无锚框的管道漏磁缺陷检测方法， 其特征在于， 所述 S2中的PP‑LCNet模型为轻量级网络模型， 在所述P P‑LCNet模型中引入ARFAF F模块。 3.根据权利要求2所述的一种基于无锚框的管道漏磁缺陷检测方法， 其特征在于， 所述 PP‑LCNet模型包括一层卷积层， 十三层深度可分离卷积层和三层转置卷积层， 在最后两层 深度可分离卷积层后放入注意力模块SimAM， 并在最后一层的SimAM后放一个激活函数H ‑ swish。 4.根据权利要求2所述的一种基于无锚框的管道漏磁缺陷检测方法， 其特征在于， 所述 ARFAFF模块为一种自适应感受野与注意力特 征融合方法， 由RFB模块与SimAM模块组成。 5.根据权利要求4所述的一种基于无锚框的管道漏磁缺陷检测方法， 其特征在于， 所述 RFB模块是一种模拟人类视觉的网络模型， 由三个 分支通过并行结构连接而成， 每个 分支都 由一个卷积层和一个空洞卷积层 串联而成； 三个卷积层的卷积核由小到大分别为 1， 3， 5， 卷 积层的卷积核表 示人的不同的感受野， 三个空洞卷积层的膨胀率分别为 1， 3， 5， 空洞卷积层 的膨胀率表示人的视网膜的离心率。 6.根据权利要求3或4所述的一种基于无锚框的管道漏磁缺陷检测方法， 其特征在于， 所述SimAM模块是一种基于3D注意力权值的注意力机制， 所述注意力机制生成注意力权值 的方法是定义 一个能量 函数。 7.根据权利要求1所述的一种基于无锚框的管道漏磁缺陷检测方法， 其特征在于， 所述 S3中的检测头网络模型包括三个部 分： 目标中心 点的计算、 检测框长宽的预测、 以及偏移中 心点的预测。权　利　要　求　书 1/1 页 2 CN 115311234 A 2一种基于无锚框的管道漏磁缺陷检测方 法 技术领域 [0001]本发明涉及管道漏磁检测领域， 尤其是涉及一种基于无锚框  的管道漏磁缺陷检 测方法。 背景技术 [0002]管道因其运量大， 成本低等优点一直作为石油、 天然气等能  源的主要载体。 但长 时间的运行很容易因腐蚀、 人为破坏等原因  对管道造成损坏。 一旦管道发生泄漏就会对经 济、 环境、 人民的  生命财产安全造成危害。 因此定期对管道检测是十分重要的， 而  漏磁检 测因其不受环境和媒介影响等优点， 是现在最常用的管道  检测手段。 [0003]近些年很多学者在漏磁缺陷检测领域运用了目标检测算法，  并取得了不俗 的成 绩。 两阶段目标检测算法又称为基于区域提议  的目标检测算法， 该类算法在第一阶段生成 区域提议， 第二阶段  对感兴趣区域中的内容进行分类和回归， 然而这样的操作虽然使  得 检测精度很高但降低了检测速度。 一阶段目标检测算法又称 基 于回归的目标检测算法， 该 算法不会直接生成感兴趣区域而是直  接将目标检测任务看作是整 幅图像的回归任务， 该 类算法虽然提  升了检测速度， 但检测精度却降低了。 为了让深度学习算法实际  应用在漏 磁检测领域， 急需提出一种可同时兼顾低延迟性与高精  度的管道漏磁图像 检测方法。 发明内容 [0004]鉴于现有技术的上述缺点、 不足， 本发明提供一种基于无锚  框的管道漏磁缺陷检 测方法， 通过获取漏磁缺陷图像， 使用人工  智能的方法来对缺陷进行检测， 实现管道缺陷 的检测。 [0005]为了达到上述目的， 本发明采用的主 要技术方案包括： [0006]本发明提供一种基于无锚框的管道漏磁缺陷检测方法， 包括  以下步骤： [0007]S1， 获取尺寸 为512×512的管道漏磁缺陷图像； [0008]S2， 将S1中获取的漏磁缺陷图像送入PP ‑LCNet模型中进行  特征提取， 得到1280 × 16×16的第一特征图， 再经过三层转置卷  积将第一特征图转换成1280 ×128×128的第二 特征图； [0009]S3， 将S2中得到的第二特 征图送入检测头网络模型中进行检  测。 [0010]进一步地， 所述S2中的PP ‑LCNet模型为轻量级网络模型，  在所述PP ‑LCNet模型中 引入ARFAF F模块。 [0011]进一步地， 所述PP ‑LCNet模型包括一层卷积层， 十三层深度  可分离卷积层和三层 转置卷积层， 在最后两层深度可分离卷积层  后放入注意力模块SimAM， 并在最后一层的 SimAM后放 一个激 活函数H‑swish。 [0012]进一步地， 所述ARFAFF模块为一种自适应感受野与注意力  特征融合方法， 由RFB 模块与SimAM模块组成。 [0013]进一步地， 所述RFB模块是一种模拟人类视觉的网络模型，  由三个分支通过并行说　明　书 1/6 页 3 CN 115311234 A 3