管道环焊缝的缺陷检测方法、模型训练方法、装置及设备与流程

本技术涉及数字化与智能化领域，尤其涉及一种管道环焊缝的缺陷检测方法、模型训练方法、装置及设备。

背景技术：

1、管道环焊缝检测是保证管道安全运行的重要环境，常见的无损检测方法有：x射线检测、超声波检测和磁粉检测等。磁粉检测只限于表面检测，无法检测到管道环焊缝内部情况。而相比于超声波检测，x射线检测具备成像效果清晰，检测范围广、穿透性强、检测效率高且检测结果更加准确等优势。

2、在长输管道建设和运营维护中，现有管道环焊缝检测技术大多是依赖于人工对x射线检测成像进行判读，评判过程费时费力，主观因素影响大，导致管道环焊缝检测时的效率低及准确性差的问题。

技术实现思路

1、本技术的目的在于提供一种管道环焊缝的缺陷检测方法、模型训练方法、装置及设备，以解决现有管道环焊缝检测技术效率低及准确性差的问题。

2、为达到上述目的，本技术采用如下技术方案：

3、第一方面，本技术提供一种管道环焊缝的缺陷检测方法，包括：获取管道环焊缝的图像数据；基于管道环焊缝的图像数据和缺陷识别模型，确定管道环焊缝存在的缺陷信息；其中，缺陷识别模型用于对输入的管道环焊缝的图像数据进行缺陷识别，在识别到管道环焊缝存在缺陷的情况下，输出缺陷信息；缺陷识别模型基于改进yolo算法构建。

4、本技术提供的管道环焊缝的缺陷检测方法，基于管道环焊缝的图像数据和缺陷识别模型，确定管道环焊缝存在的缺陷信息，通过引入图像数据和智能算法，实现了管道环焊缝检测过程的自动化与智能化，节省了检测时间，使检测结果更为客观、准确。综上，本技术提供的管道环焊缝的缺陷检测方法，能够提高管道环焊缝检测的效率及准确性。

5、一种可能的实现方式，图像数据为dr图像数据；基于管道环焊缝的图像数据和缺陷识别模型，确定管道环焊缝存在的缺陷信息，包括：对dr图像数据进行图像预处理，得到预处理后的dr图像数据；其中，图像预处理包括以下至少一项：图像仿射变换、图像灰度值翻转、局部直方图拉伸、视点保持；基于预处理后的dr图像数据和缺陷识别模型，确定管道环焊缝存在的缺陷信息。

6、第二方面，本技术提供一种模型训练方法，方法包括：获取不同状态下的管道环焊缝的原始图像数据；其中，不同状态包括：不同角度、不同尺寸、不同光照条件；对原始图像数据进行缺陷标注，得到标注的图像数据；基于不同状态下的管道环焊缝的原始图像数据和标注的图像数据构建训练样本集；基于训练样本集，对待训练的缺陷识别模型进行训练，得到训练好的缺陷识别模型。

7、本技术基于不同角度、不同尺寸、不同光照条件的原始图像数据以及原始图像数据对应的标注的图像数据进行训练，得到训练好的缺陷识别模型，如此得到的缺陷识别模型在管道环焊缝检测时能够准确迅速的识别出环焊缝的缺陷信息，提升了管道环焊缝检测的效率和准确性。

8、一种可能的实现方式，训练样本集包括多个训练样本，每个训练样本包括样本数据和样本标签；样本数据为原始图像数据，样本标签为原始图像数据对应的标注的图像数据；基于训练样本集，对待训练的缺陷识别模型进行训练，得到训练好的缺陷识别模型，包括：基于训练样本集，对待训练的缺陷识别模型的模型参数进行多次更新，直至更新后的缺陷识别模型满足设定条件；其中，在每次更新的过程中，从训练样本集中选择训练样本，将训练样本的样本数据输入待训练的缺陷识别模型，得到模型输出的识别结果；基于模型输出的识别结果和样本标签之间的差异，确定损失函数的值；基于损失函数的值更新待训练的缺陷识别模型的模型参数。

9、另一种可能的实现方式，设定条件包括以下至少一项：更新后的缺陷识别模型的损失函数的值小于第一阈值；模型训练次数大于或等于预设次数。

10、又一种可能的实现方式，对原始图像数据进行缺陷标注，得到标注的图像数据，包括：对原始图像数据进行切片处理，得到至少一个切片图像；其中，切片图像为管道环焊缝的局部图像；对至少一个切片图像进行缺陷标注，得到标注的图像数据。

11、又一种可能的实现方式，基于训练样本集，对待训练的缺陷识别模型进行训练，得到训练好的缺陷识别模型之后，方法还包括:对训练好的缺陷识别模型的识别结果进行抽检，确定训练好的缺陷识别模型的识别结果的误检比例和/或未检出比例；在误检比例大于或等于第二阈值，和/或，未检出比例大于或等于第三阈值的情况下，对训练好的缺陷识别模型进行模型优化。

12、第三方面，本技术一种管道环焊缝的缺陷检测装置，装置包括：获取模块和识别模块；其中，获取模块用于：获取管道环焊缝的图像数据；识别模块用于：基于管道环焊缝的图像数据和缺陷识别模型，确定管道环焊缝存在的缺陷信息；其中，缺陷识别模型用于对输入的管道环焊缝的图像数据进行缺陷识别，在识别到管道环焊缝存在缺陷的情况下，输出缺陷信息；缺陷识别模型基于改进yolo算法构建。

13、一种可能的实现方式，图像数据为dr图像数据；识别模块具体用于：对dr图像数据进行图像预处理，得到预处理后的dr图像数据；其中，图像预处理包括以下至少一项：图像仿射变换、图像灰度值翻转、局部直方图拉伸、视点保持；基于预处理后的dr图像数据和缺陷识别模型，确定管道环焊缝存在的缺陷信息。

14、第四方面，本技术提供一种模型训练装置，装置包括：获取模块；预处理模块；训练模块；其中，获取模块用于：获取不同状态下的管道环焊缝的原始图像数据；其中，不同状态包括：不同角度、不同尺寸、不同光照条件；预处理模块用于：对原始图像数据进行缺陷标注，得到标注的图像数据；基于不同状态下的管道环焊缝的原始图像数据和标注的图像数据构建训练样本集；训练模块用于：基于训练样本集，对待训练的缺陷识别模型进行训练，得到训练好的缺陷识别模型。

15、一种可能的实现方式，训练样本集包括多个训练样本，每个训练样本包括样本数据和样本标签；样本数据为原始图像数据，样本标签为原始图像数据对应的标注的图像数据；训练模块具体用于：基于训练样本集，对待训练的缺陷识别模型的模型参数进行多次更新，直至更新后的缺陷识别模型满足设定条件；其中，在每次更新的过程中，从训练样本集中选择训练样本，将训练样本的样本数据输入待训练的缺陷识别模型，得到模型输出的识别结果；基于模型输出的识别结果和样本标签之间的差异，确定损失函数的值；基于损失函数的值更新待训练的缺陷识别模型的模型参数。

16、另一种可能的实现方式，设定条件包括以下至少一项：更新后的缺陷识别模型的损失函数的值小于第一阈值；模型训练次数大于或等于预设次数。

17、又一种可能的实现方式，预处理模块具体用于：对原始图像数据进行切片处理，得到至少一个切片图像；其中，切片图像为管道环焊缝的局部图像；对至少一个切片图像进行缺陷标注，得到标注的图像数据。

18、又一种可能的实现方式，训练模块还用于：对训练好的缺陷识别模型的识别结果进行抽检，确定训练好的缺陷识别模型的识别结果的误检比例和/或未检出比例；在误检比例大于或等于第二阈值，和/或，未检出比例大于或等于第三阈值的情况下，对训练好的缺陷识别模型进行模型优化。

19、第五方面，本技术提供一种电子设备，该电子设备包括：处理器和存储器；存储器存储有处理器可执行的指令；处理器被配置为执行指令时，使得电子设备实现上述第一方面或第二方面的方法。

20、第六方面，本技术提供一种芯片，该芯片应用于管道环焊缝的缺陷检测装置；芯片包括一个或多个接口电路，以及一个或多个处理器。接口电路和处理器通过线路互联；接口电路用于从管道环焊缝的缺陷检测装置的存储器接收信号，并向管道环焊缝的缺陷检测装置的处理器发送信号，信号包括存储器中存储的软件指令。当处理器执行软件指令时，使得电子设备执行上述第一方面或第二方面的方法。

21、第七方面，本技术提供一种可读存储介质，该可读存储介质包括：软件指令；当软件指令在电子设备中运行时，使得电子设备实现上述第一方面或第二方面的方法。

22、第八方面，本技术提供一种计算机程序产品，当该计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面或第二方面描述的相关方法的步骤，以实现上述第一方面或第二方面的方法。

23、上述第三方面至第八方面的有益效果参考第一方面或第二方面的对应描述，不再赘述。