基于图像处理和机器学习的PE管道缺陷检测

作     者：符前坤 李强 冉文燊 林楠 王洋 FU Qiankun;LI Qiang;RAN Wenshen;LIN Nan;WANG Yang

作者机构：新疆大学智能制造现代产业学院(机械工程学院)新疆乌鲁木齐830046 新疆益安特检工程有限公司新疆乌鲁木齐830000 新疆维吾尔自治区特种设备检验研究院新疆乌鲁木齐830000 中国特种设备检验研究院压力管部北京100013 

出 版 物：《现代电子技术》 (Modern Electronics Technique)

年 卷 期：2024年第47卷第21期

页      面：59-66页

学科分类：0711[理学-系统科学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 080203[工学-机械设计及理论] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0802[工学-机械工程] 

基　　金：国家自然科学基金资助项目(11903072) 新疆大学博士启动项目(620321029) 

主　　题：缺陷检测 图像处理 机器学习 YOLOv5 注意力机制 二值图像 

摘      要：对于聚乙烯(PE)管道,在运行中经常有不同程度的泄漏等异常,通过对管道中不同异常的实验模拟,收集数据并手动标记相应的数据集。为了提高管道缺陷图像的质量,首先采用加权平均法对图像进行灰度处理;然后,利用伽马变换改进管道背景与缺陷的对比度;最后,使用双重过滤来降低图像中的噪声。为了降低数据的复杂度,提高模型训练速度,采用改进的Sobel算法对管道缺陷图像进行边缘检测,采用自适应阈值分割算法分割缺陷图像的边缘,生成二值图像,用二值图像训练模型,减少了模型对颜色特征的依赖,加快了模型的收敛速度。为了提高管道缺陷检测的精度,引入CA注意力机制,提高目标检测特征提取能力。改进的YOLOv5模型的mAP和召回率分别为97.18%和98.03%。与原算法相比,mAP增加了1.33%,召回率增加了3.83%。