【技術實現步驟摘要】
本專利技術涉及一種設備檢測方法，特別是一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法。
技術介紹
1、本部分提供的僅僅是與本公開相關的背景信息，其并不必然是現有技術。
2、在工業領域，尤其是石化、制造和能源等行業，設備檢測和監控對于保障生產安全、減少設備故障以及提高運營效率至關重要。這些行業的關鍵設備——如泵、儲罐、閥門和儀表——往往處于復雜和動態的環境中。這類設備通常分布廣泛，不僅涉及地理上的大范圍布局，還存在設備之間的相互遮擋以及環境因素如光照變化、灰塵和濕度的影響。因此，及時準確地檢測和識別這些設備，確保它們始終在最佳狀態下運行，是工業自動化和安全管理的核心挑戰之一。在實際應用中，工業場景中的三維物體檢測極為復雜。傳統的三維檢測方法通常依賴大量的標注數據，以便進行模型訓練和特征提取。然而，獲得這樣大規模的、高質量的標注數據非常困難。工業環境中設備類型多樣且形狀復雜，再加上經常出現的設備遮擋和復雜背景，這使得人工標注工作量巨大且容易出現誤標或不準確的問題。標注人員在給設備進行三維標注時，不僅要理解設備的外觀和結構，還要面對繁雜的工業場景布局，進一步增加了數據標注的難度和成本。由于這些原因，傳統的高精度檢測方法在實際工業應用中受到嚴重限制。
3、隨著深度學習技術的進步，弱監督學習逐漸成為解決大規模標注問題的潛在方案。弱監督學習技術能夠在標注數據稀缺的情況下進行目標檢測，減輕了對手動標注的依賴，降低了數據準備的成本。然而，現有的弱監督方法仍存在較大局限性。由于弱監督信號的稀疏性，檢測
4、需要說明的是，在上述
技術介紹
部分公開的信息僅用于加強對本公開的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。
技術實現思路
1、專利技術目的：本專利技術所要解決的技術問題是針對現有技術的不足，提供一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法。
2、為了解決上述技術問題，本專利技術公開了一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，包括如下步驟：
3、步驟1，將互聯網檢索到的所述工業設備圖片轉換為三維形狀，構建三維形狀點云庫；
4、步驟2，收集與所述工業設備相關的真實場景，依據所述真實場景和三維形狀點云庫，生成合成場景；
5、步驟3，利用合成場景和真實場景訓練目標檢測網絡；
6、步驟4，在步驟3的訓練過程中，引入提議原型特征對齊模塊來減少合成場景和真實場景之間的域差；
7、步驟5，采用訓練好的目標檢測網絡進行所述工業設備檢測。
8、進一步的，步驟1中所述的工業設備包括?4個類別，分別是：泵、儲罐、閥門和儀表。
9、進一步的，步驟2中所述的生成合成場景，包括以下步驟：
10、步驟2-1，收集與所述工業設備相關的真實場景，所述真實場景包含位置級標注，根據真實場景的位置級標注提取得到真實場景的粗略布局，其中所述粗略布局l，表示如下：
11、；
12、其中，表示真實場景中第i個物體的類別，?表示該物體的中心點坐標，?n表示該真實場景中物體的數量；
13、步驟2-2，根據粗略布局l，計算合成場景中的初始布局；
14、步驟2-3，根據步驟2-2中的初始布局組裝合成場景中的對應合成物體，所述合成物體從所述三維形狀點云庫中選取與所述真實場景中的物體相同類別的三維形狀；
15、步驟2-4，調整合成物體之間的位置關系來優化場景布局，包括采用重力約束和碰撞約束。
16、進一步的，步驟2-2中所述的計算合成場景中的初始布局，方法如下：
17、；
18、其中，、和?為隨機抖動，服從分布。
19、進一步的，步驟3中所述的利用合成場景和真實場景訓練目標檢測網絡，包括以下步驟：
20、步驟3-1，獲取合成場景的點級標注，將所述成合成場景輸入至目標檢測網絡中，并計算目標檢測網絡的強監督損失，具體如下：
21、；
22、其中，為中心點損失，為邊界框損失，為語義分類損失；
23、步驟3-2，獲取真實場景的位置級標注，將所述真實場景輸入至目標檢測網絡中，計算目標檢測網絡的弱監督損失，包括中心點損失、尺寸類別損失和語義分類損失；
24、步驟3-3，使用強監督損失和弱監督損失對目標檢測網絡進行訓練，得到訓練好的目標檢測網絡。
25、進一步的，步驟3-1中所述的邊界框損失，包括：
26、尺寸損失和朝向角估計損失。
27、進一步的，所述尺寸損失，包括：
28、尺寸類別損失和尺寸殘差損失；其中，
29、每一類別的工業設備均設有一個預定義的尺寸模板，每個模板對應一個尺寸大小，所述目標檢測網絡預測獲得目標所屬的尺寸類別，得到初步尺寸信息，所述尺寸類別損失采用交叉熵損失完成類別分類任務；
30、所述尺寸殘差用于描述目標的實際尺寸與其類別模板尺寸之間的偏差。
31、進一步的，所述朝向角估計損失，包括：
32、朝向角類別損失和朝向角殘差損失；其中，所述朝向角類別損失用于根據朝向角類別對目標進行分類；所述朝向角殘差損失，用于回歸預測目標朝向相對于其朝向角類別方向的偏轉角度。
33、進一步的，步驟4中所述的引入提議原型特征對齊模塊來減少合成場景和真實場景之間的域差，即通過最小化合成場景和真實場景在提議原型特征空間上跨域的分布距離，來減少合成場景和真實場景之間的域差。
34、進一步的，步驟4中所述的引入提議原型特征對齊模塊來減少合成場景和真實場景之間的域差，具體包括：
35、步驟4-1，提取合成工業場景與真實工業場景的原型特征，即提取工業設備的每個類別的原型特征向量，如下：
36、；
37、其中，是類別c的樣本數量，?是類別為c類的第i個物體候選框的特征表示；
38、步驟?4-2，提供合成場景到真實場景的域遷移，即通過設置域遷移損失?最小化合成場景和真實場景原型特征的分布差異，所述域遷移損失?，計算方法如下：
39、；
40、其中，為真實場景的原型特征，為合成場景的原型特征；
41、步驟?4-3，將目標檢測網絡的訓練損失函數改進為，表示如下:
42、。
43、有益效果：
44、1、本專利技術引入任意圖像作為額外監督信息。通過利用觸手可及的二維圖像互聯網資源，將二維圖像轉換為三維形狀，從而引入了額外的監督信息。在位置級標注的基礎上，本方法通過任意圖像輔助提供了更多有效的注釋，從而提高了檢測的準確性和穩定性。
45、2、本專利技術利用合成場景生成本文檔來自技高網...
【技術保護點】
1.一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，步驟1中所述的工業設備包括?4個類別，分別是：泵、儲罐、閥門和儀表。
3.根據權利要求2所述的一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，步驟2中所述的生成合成場景，包括以下步驟：
4.根據權利要求3所述的一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，步驟2-2中所述的計算合成場景中的初始布局，方法如下：
5.根據權利要求4所述的一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，步驟3中所述的利用合成場景和真實場景訓練目標檢測網絡，包括以下步驟：
6.根據權利要求5所述的一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，步驟3-1中所述的邊界框損失，包括：
7.根據權利
8.根據權利要求7所述的一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，所述朝向角估計損失，包括：
9.根據權利要求8所述的一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，步驟4中所述的引入提議原型特征對齊模塊來減少合成場景和真實場景之間的域差，即通過最小化合成場景和真實場景在提議原型特征空間上跨域的分布距離，來減少合成場景和真實場景之間的域差。
10.根據權利要求9所述的一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，步驟4中所述的引入提議原型特征對齊模塊來減少合成場景和真實場景之間的域差，具體包括：
...【技術特征摘要】
1.一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，步驟1中所述的工業設備包括?4個類別，分別是：泵、儲罐、閥門和儀表。
3.根據權利要求2所述的一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，步驟2中所述的生成合成場景，包括以下步驟：
4.根據權利要求3所述的一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，步驟2-2中所述的計算合成場景中的初始布局，方法如下：
5.根據權利要求4所述的一種基于互聯網圖像構建的合成場景進行標注增強的弱監督工業設備檢測方法，其特征在于，步驟3中所述的利用合成場景和真實場景訓練目標檢測網絡，包括以下步驟：
6.根據權利要求5所述的一種基于互聯網圖像構建的合成...
【專利技術屬性】
技術研發人員：丁宏翔，郭延文，陶愷，張小紅，葉惠生，湯沁予，李靜雯，李元琪，張大勇，繆云，
申請(專利權)人：南京強思數字科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。