(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210522875.2 (22)申请日 2022.05.13 (71)申请人 国家石油天然气管网集团有限公司 地址 100013 北京市朝阳区东土城路5号A 座6层08-10室 (72)发明人 李洪烈　李智文　严密　顾清林　 冯伟　程艳　郑大海　毛建　 李德明　刘会斌　沈飞军　舒亮　 (74)专利代理 机构 苏州科权知识产权代理事务 所(普通合伙) 32561 专利代理师 杨文龙 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/32(2022.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于SSD算法的管道周边机械设备识别 方法 (57)摘要 本发明公开了一种基于SSD算法的管道周边 机械设备识别方法， 其涉及管道周边机械识别技 术领域， 旨在解决目标检测网络SSD并没有实际 运用到工程机械检测的问题， 其技术方案要点是 其步骤如下： 将工地上获得的原始工程机械的 图 片进行清洗分类； 通过网络获取不含有工程机械 的背景图片， 并生成对应的.xml文件， 加入数据 集； 使用多张数据集内部图片拼凑成单张包含工 程机械的图片， 并生成对应的.xml文件加入数据 集； 搭建目标检测的骨干网络； 搭建基于SSD算法 的神经网络模 型； 使用反向传播算法对神经网络 进行训练； 使用保存的最优模型对测试集进行测 试。 达到了使目标的规模更具鲁棒性、 使得网络 可达到实时检测性能和快速判定待识别图像中 工程机械类别的效果。 权利要求书2页 说明书5页 附图1页 CN 114863281 A 2022.08.05 CN 114863281 A 1.一种基于S SD算法的管道周边机 械设备识别方法， 其特 征在于： 其 步骤如下： S1： 将工地上获得的原始工程机械的图片进行清洗， 并根据它对应的机械类别进行分 类； S2： 对数据集中的图片统一缩放到800*800规格， 并对缩放后的图片进行标注， 获得标 注后的.xml标注文件； S3： 通过网络获取不含有工程机 械的背景图片， 并生成对应的.xml文件， 加入数据集； S4： 使用多张数据集内部图片拼凑成单张包含工程机械的图片， 并生成对应的.xml文 件加入数据集； S5： 将数据集划分为训练集测试集和验证集， 划分比例为9:1:1， 并对训练集中的数据 进行数据增强； S6： 搭建目标检测的骨干网络， 采用的SSD骨干网络为MobileNet， MoblieNet由普通的 卷积层、 批标准化层和深度可分离卷积组成， 其中深度可分离卷积层采用将单个滤波器应 用于每个输入通道， 然后逐点卷积 应用1×1卷积以组合输出深度卷积的方式减小了普通卷 积层的参数， 该网络的每 个卷积层后面都跟有批标准 化层和Relu激活函数； S7： 搭建基于SSD算法的神经网络模型， 使用SSD算法的模型结构， 对MobileNet提取的 特征层从6个不同尺度进行深层次的特征提取,并从6个不同尺度信息中检测目标的位置, 这样可以更好的预测目标的位置及分类,最后使用非极大值抑制算法对重复的结果进 行过 滤,得到最终的检测结果； S8： 使用反向传播算法对神经网络进行训练， 在训练过程中进行验证， 当训练损失和验 证损失最低时保存网络训练的最优 模型； S9： 使用保存的最优 模型对测试集进行测试， 就可以得到 工程机械图片的检测结果。 2.根据权利要求1所述的一种基于SSD算法的管道周边机械设备识别方法， 其特征在 于： 所述S1中的原始工程机械类别分为： 挖掘机械、 铲运机械、 凿岩机械、 压实机械和桩工机 械五类。 3.根据权利要求1所述的一种基于SSD算法的管道周边机械设备识别方法， 其特征在 于： 所述S5中数据增强方法有图像镜像、 高斯模糊、 随机 旋转和随机去掉 一些像素点。 4.根据权利要求1所述的一种基于SSD算法的管道周边机械设备识别方法， 其特征在 于： 所述S7中模型总体骨干结构如下 所示： 第一卷积层， 卷积核大小为3 *3， 总共32个滤波器， 步幅st ride＝2； 第一深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为64个通道； 第二深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为128个通道； 第三深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为128个通道； 第四深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为25 6个通道； 第五深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为25 6个通道； 第六深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为512个通道； 第七深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为512个通道； 第八深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为512个通道； 第九深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为512个通道； 第十深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为512个通道；权　利　要　求　书 1/2 页 2 CN 114863281 A 2第十一深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为512个通道； 第十二深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为1024个通道； 第十三深度可分离卷积层， 卷积核大小为3 *3， 输出特征图为1024个通道； 第二卷积层， 卷积核大小为1*1， 输出 特征图为25 6个通道； 第三卷积层， 卷积核大小为3 *3， 输出特征图为512个通道； 第四卷积层， 卷积核大小为1*1， 输出 特征图为128个通道； 第五卷积层， 卷积核大小为3 *3， 输出特征图为25 6个通道； 第六卷积层， 卷积核大小为1*1， 输出 特征图为128个通道； 第七卷积层， 卷积核大小为3 *3， 输出特征图为25 6个通道； 第八卷积层， 卷积核大小为1*1， 输出 特征图为64个通道； 第九卷积层， 卷积核大小为3 *3， 输出特征图为128个通道。权　利　要　求　书 2/2 页 3 CN 114863281 A 3