在基于图像的管道缺陷检测研究中,二维图像信息的有效利用直接关系到图像的采样情况。现有的检测方法没有对管道成像进行分析,而是直接使用目标检测方法进行缺陷检测,造成检测精度的瓶颈问题。本研究对管道成像进行了分析。研究发现,对图像边缘区域内的缺陷纹理进行有效采样可以提高缺陷检测的精度。

基于管道扩展特征金字塔网络的管道缺陷检测与分类

构建了管道扩展特征金字塔网络(pipe-extended feature pyramid network, P-EFPN)图像采样框架,嵌入超分辨率(SR)模块进行纹理提取,获取丰富的缺陷纹理信息,为管道缺陷检测提供图像采样支持。缺陷数据集包含变形、腐蚀和裂纹。在以Resnet-101为骨干的更快区域卷积神经网络(R-CNN)模型中,P-EFPN模型的平均平均精度(mAP)比最先进的特征金字塔网络(FPN)模型提高了8.64%。该方法通过在图像边缘区域捕获更多的纹理来提高缺陷检测的准确性。与现有的图像采样方法相比,该方法更适合于管道缺陷的检测。