本發(fā)明屬于漏磁圖像處理，具體涉及一種基于多尺度segformer網(wǎng)絡(luò)的管道漏磁圖像檢測方法。

背景技術(shù)：

1、腐蝕、磨損、意外損壞等管道泄漏事故的發(fā)生，會造成生命財產(chǎn)損失和環(huán)境污染，漏磁檢測技術(shù)在長距離油氣開采中起著重要作用。目前，漏磁的識別與分析大多數(shù)采用人工，但漏磁圖像數(shù)據(jù)量大，類型多，因此存在一些問題，如耗時、泄漏判斷、誤判等。因此，如何高效、準(zhǔn)確的檢測漏磁信號是當(dāng)前亟需解決的問題。傳統(tǒng)目標(biāo)檢測網(wǎng)絡(luò)可以實現(xiàn)缺陷的定位，但針對管道漏磁圖像中的缺陷，僅僅使用傳統(tǒng)目標(biāo)檢測網(wǎng)絡(luò)實現(xiàn)對缺陷的識別和定位還不夠。管道漏磁檢測目的是定位缺陷位置和評估內(nèi)壁缺陷危害程度，而評估管道內(nèi)壁缺陷危害程度不僅需要缺陷位置信息還需要缺陷大小信息，傳統(tǒng)目標(biāo)檢測網(wǎng)絡(luò)往往是以錨框來定位目標(biāo)，難以作為缺陷大小的參考量，因此需要采用圖像分割網(wǎng)絡(luò)對缺陷進(jìn)行準(zhǔn)確分割，以獲取缺陷大小信息。

2、segformer網(wǎng)絡(luò)模型能夠準(zhǔn)確、快速地分割目標(biāo)物體，然而，segformer模型存在對小目標(biāo)檢測能力差的問題，仍有進(jìn)步的空間。

3、基于此，本發(fā)明提出一種基于segformer模型的改良的漏磁圖像分割方法。

技術(shù)實現(xiàn)思路

1、為克服上述技術(shù)問題，本發(fā)明提供了一種基于多尺度segformer網(wǎng)絡(luò)的管道漏磁圖像分割方法，解決當(dāng)前segformer模型存在的對小目標(biāo)分割能力差的問題。

2、本發(fā)明采用下述技術(shù)方案：

3、一種基于多尺度segformer網(wǎng)絡(luò)的管道漏磁圖像分割方法，包括如下步驟：

4、s1：通過漏磁探測器獲取管道內(nèi)的漏磁信號；

5、s2：采用偽彩色處理技術(shù)進(jìn)行圖像增強(qiáng)，采用密度分割進(jìn)行偽彩色增強(qiáng)；

6、s3：在segformer網(wǎng)絡(luò)中加入多尺度特征融合和級聯(lián)注意力模塊，得到新的segformer網(wǎng)絡(luò)模型；

7、s4：通過改進(jìn)后的segformer網(wǎng)絡(luò)進(jìn)行漏磁圖像檢測。

8、在s3中，segformer網(wǎng)絡(luò)由改進(jìn)的transformer網(wǎng)絡(luò)編碼器和一個輕量化解碼器組成，將一個特征金字塔融合模塊添加到segformer網(wǎng)絡(luò)中的解碼器中，然后注意前面編碼器生成的特征圖，使用上采樣以適應(yīng)任何大小的輸入，將低分辨率的特征圖尺寸大小變?yōu)榕c圖像高分辨率一致，兩個特征圖逐像素拼接，得到底層和高層語義信息的融合特征圖。

9、在s3中，特征金字塔融合在原始網(wǎng)絡(luò)的基礎(chǔ)上修改了特征融合方式，將本來的直接相加改為通道上拼接，使其更適合于分割任務(wù)，并在每個特征融合后面，增加了殘差網(wǎng)絡(luò)，使得網(wǎng)絡(luò)能夠更有效的傳遞信息，將較淺的層更直接的參與到特征融合的表達(dá)中來，將最原始的一些細(xì)節(jié)和邊緣信息直接傳到特征融合的后半段，從而提升整體的特征表達(dá)能力。

10、在s3中，提出了聯(lián)級注意力機(jī)制模塊tal，這個模塊采用了兩個注意力模塊tripletattention和lsk，將其放在特征融合網(wǎng)絡(luò)之后，更加關(guān)注漏磁圖像的局部信息和邊緣，更好的關(guān)注細(xì)節(jié)特征。

11、在s3中，在淺層結(jié)構(gòu)中，網(wǎng)絡(luò)的注意力集中在背景和其他區(qū)域，而在深層結(jié)構(gòu)中，網(wǎng)絡(luò)的注意力特征圖集中在要檢測的對象上。

12、在s3中，tal模塊首先使用tripletattention增強(qiáng)對于漏磁缺陷信息的局部特征表示，然后將tripletattention處理后的數(shù)據(jù)放入lsk注意力中，在局部信息被提取和整合后可以進(jìn)一步優(yōu)化特征的表達(dá)，最后將兩個注意力的結(jié)果在通道上進(jìn)行拼接，充分發(fā)揮這兩種不同注意力機(jī)制的優(yōu)勢，增強(qiáng)模型對局部特征的感知和表示能力。

13、在s4中，將偽色彩增強(qiáng)過的圖像放入改進(jìn)的模型后，圖像由四層的多頭注意力而成，將這四層注意力所產(chǎn)生的特征圖，按照高低分辨率逐次融合，使用上采樣以適應(yīng)任何大小的輸入，將兩個特征圖逐像素拼接，得到底層和高層語義信息的融合特征圖。

14、本發(fā)明的有益效果為：

15、多尺度特征融合用于提取小目標(biāo)更豐富的低層和高層語義信息特征，級聯(lián)注意力模塊增強(qiáng)模型對局部特征的感知和表示能力，從而提高模型在漏磁缺陷分割中的表現(xiàn)，可有效提高對漏磁缺陷的分割精度，對高效、準(zhǔn)確的檢測漏磁信號具有一定的指導(dǎo)作用。

技術(shù)特征：

1.一種基于多尺度segformer網(wǎng)絡(luò)的管道漏磁圖像分割方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于多尺度segformer網(wǎng)絡(luò)的管道漏磁圖像分割方法，其特征在于，在s3中，segformer網(wǎng)絡(luò)由改進(jìn)的transformer網(wǎng)絡(luò)編碼器和一個輕量化解碼器組成，將一個特征金字塔融合模塊添加到segformer網(wǎng)絡(luò)中的解碼器中，然后注意前面編碼器生成的特征圖，使用上采樣以適應(yīng)任何大小的輸入，將低分辨率的特征圖尺寸大小變?yōu)榕c圖像高分辨率一致，兩個特征圖逐像素拼接，得到底層和高層語義信息的融合特征圖。

3.根據(jù)權(quán)利要求2所述的一種基于多尺度segformer網(wǎng)絡(luò)的管道漏磁圖像分割方法，其特征在于，在s3中，特征金字塔融合在原始網(wǎng)絡(luò)的基礎(chǔ)上修改了特征融合方式，將本來的直接相加改為通道上拼接，使其更適合于分割任務(wù)，并在每個特征融合后面，增加了殘差網(wǎng)絡(luò)，使得網(wǎng)絡(luò)能夠更有效的傳遞信息，將較淺的層更直接的參與到特征融合的表達(dá)中來，將最原始的一些細(xì)節(jié)和邊緣信息直接傳到特征融合的后半段，從而提升整體的特征表達(dá)能力。

4.根據(jù)權(quán)利要求3所述的一種基于多尺度segformer網(wǎng)絡(luò)的管道漏磁圖像分割方法，其特征在于，在s3中，提出了聯(lián)級注意力機(jī)制模塊tal，這個模塊采用了兩個注意力模塊tripletattention和lsk，將其放在特征融合網(wǎng)絡(luò)之后，更加關(guān)注漏磁圖像的局部信息和邊緣，更好的關(guān)注細(xì)節(jié)特征。

5.根據(jù)權(quán)利要求4所述的一種基于多尺度segformer網(wǎng)絡(luò)的管道漏磁圖像分割方法，其特征在于，在s3中，在淺層結(jié)構(gòu)中，網(wǎng)絡(luò)的注意力集中在背景和其他區(qū)域，而在深層結(jié)構(gòu)中，網(wǎng)絡(luò)的注意力特征圖集中在要檢測的對象上。

6.根據(jù)權(quán)利要求4所述的一種基于多尺度segformer網(wǎng)絡(luò)的管道漏磁圖像分割方法，其特征在于，在s3中，tal模塊首先使用tripletattention增強(qiáng)對于漏磁缺陷信息的局部特征表示，然后將tripletattention處理后的數(shù)據(jù)放入lsk注意力中，在局部信息被提取和整合后可以進(jìn)一步優(yōu)化特征的表達(dá)，最后將兩個注意力的結(jié)果在通道上進(jìn)行拼接，充分發(fā)揮這兩種不同注意力機(jī)制的優(yōu)勢，增強(qiáng)模型對局部特征的感知和表示能力。

7.根據(jù)權(quán)利要求1所述的一種基于多尺度segformer網(wǎng)絡(luò)的管道漏磁圖像檢測方法，其特征在于，在s4中，將偽色彩增強(qiáng)過的圖像放入改進(jìn)的模型后，圖像由四層的多頭注意力而成，將這四層注意力所產(chǎn)生的特征圖，按照高低分辨率逐次融合，使用上采樣以適應(yīng)任何大小的輸入，將兩個特征圖逐像素拼接，得到底層和高層語義信息的融合特征圖。

技術(shù)總結(jié)
本發(fā)明屬于漏磁圖像處理技術(shù)領(lǐng)域，公開了一種基于多尺度SegFormer網(wǎng)絡(luò)的管道漏磁圖像檢測方法，步驟為S1：通過漏磁探測器獲取管道內(nèi)的漏磁信號；S2：采用偽彩色處理技術(shù)進(jìn)行圖像增強(qiáng)，采用密度分割進(jìn)行偽彩色增強(qiáng)；S3：在SegFormer網(wǎng)絡(luò)中加入多尺度特征融合和級聯(lián)注意力模塊，得到新的SegFormer網(wǎng)絡(luò)模型；S4：通過改進(jìn)后的SegFormer網(wǎng)絡(luò)進(jìn)行漏磁圖像分割。本發(fā)明設(shè)計科學(xué)合理，多尺度特征融合用于提取小目標(biāo)更豐富的低層和高層語義信息特征，級聯(lián)注意力模塊增強(qiáng)模型對局部特征的感知和表示能力，從而提高模型在漏磁缺陷分割中的表現(xiàn)，可有效提高對漏磁缺陷的分割精度，對高效、準(zhǔn)確的檢測漏磁信號具有一定的指導(dǎo)作用。

技術(shù)研發(fā)人員：王竹筠,孫天賀
受保護(hù)的技術(shù)使用者：沈陽航空航天大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6