(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210500054.9 (22)申请日 2022.05.10 (65)同一申请的已公布的文献号 申请公布号 CN 114612470 A (43)申请公布日 2022.06.10 (73)专利权人 浙江浙能航天氢能技 术有限公司 地址 310000 浙江省杭州市江干区凯旋街 道凤起东路2,4,6,8,10,12号3 021室 专利权人 华北电力大 学 （保定） (72)发明人 李煦侃　赵振兵　刘韬　周慎学　 冯成　张志宇　陈浩天　刘洪涛　 潘尘　朱旺　 (74)专利代理 机构 浙江千克知识产权代理有限 公司 33246 专利代理师 黎双华 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/73(2017.01)G06T 7/90(2017.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) (56)对比文件 CN 113240586 A,2021.08.10 CN 111928111 A,2020.1 1.13 CN 113011435 A,2021.0 6.22 CN 113762326 A,2021.12.07 CN 112364899 A,2021.02.12 CN 111986156 A,2020.1 1.24 US 2021089810 A1,2021.0 3.25 唐文举.基 于多特征融合与机 器学习的散 斑 缺陷精确识别. 《中国优秀硕士学位 论文全文数 据库》 .202 2, (续) 审查员 李志研 (54)发明名称 一种基于改进图像自适应YOLO的氢敏胶带 变色检测方法 (57)摘要 本发明公开了一种基于改进图像自适应 YOLO的氢敏胶带变色检测方法， 该方法包括生成 图像处理模块的可微分滤波器， 可微分滤波器包 括白平衡滤波器、 明亮度滤波器、 对比度滤波器 和饱和度滤波器； 当采集到目标识别图像时， 生 成目标识别图像对应的低分辨率图像， 并将低分 辨率图像输入至小型卷积神经网络， 得到滤波器 参数； 基于滤波器参数调整各可微分滤波器后， 将目标识别图像输入至图像处理模块， 得到预处 理图像； 将预处理图像输入至YOLOv3目标检测 器， 得到输出图像； 基于自监督模块依次提取各 定位框对应的框内图片信息的特征值， 生成相似 度信息； 确定氢敏胶带位置区域图像中的变色区域。 本申请实现氢敏胶带在弱光环境下的变色检 测， 且图像识别能力强。 [转续页] 权利要求书2页 说明书14页 附图5页 CN 114612470 B 2022.08.02 CN 114612470 B (56)对比文件 Runxun Wu等.High -accuracy Object Detection Based o n YOLOv3 Under Dif ferent Weather Co nditions. 《2022 Internati onal Conference o n Big Data, I nformati on and Computer Netw ork (BDICN)》 .202 2, Yali Nie等.Automatic Detecti on of Melanoma with Yolo Deep Convolutional Neural Netw orks. 《2019 E -Health and Bioengineering Conference (E HB)》 .2020,2/2 页 2[接上页] CN 114612470 B1.一种基于改进图像自适应YOLO的氢敏胶带变色检测方法， 其特征在于， 所述方法包 括： 生成图像处理模块的可微分滤波器， 所述可微分滤波器包括 白平衡滤波器、 明亮度滤 波器、 对比度滤波器和饱和度滤波器； 当采集到目标识别图像时， 生成所述目标识别图像对应的低分辨率图像， 并将所述低 分辨率图像输入至小型 卷积神经网络， 得到滤波器参数； 基于所述滤波器参数调整各所述可微分滤波器后， 将所述目标识别图像输入至所述图 像处理模块， 得到预处 理图像； 将所述预处理图像输入至YOLOv3目标检测器， 得到输出图像， 所述输出图像中包含有 至少一个定位框以及所述定位框对应的氢 敏胶带概 率值； 基于预设的自监督模块依次提取各所述定位框对应的框 内图片信息的特征值， 生成相 似度信息， 所述相似度信息用以表征所述框内图片信息与氢敏胶带样张图片信息的相似 度； 基于所述氢敏胶带概率值与相似度信息确定氢敏胶带位置区域图像， 基于HSV色彩空 间确定所述氢敏胶带位置区域图像中的变色区域， 并在所述变色区域占所述氢敏胶带位置 区域图像的比例超过 预设比例时生成警报信息； 其中， 所述当采集到目标识别图像时， 生成所述目标识别图像对应的低分辨率图像， 并 将所述低分辨 率图像输入至小型 卷积神经网络， 得到滤波器参数之前， 还 包括： 构建由暗光环境下包含氢敏胶带的未变色样本图像组成的第 一训练集、 由正常光环境 下包含氢敏胶带的未变色样本图像组成的第二训练集、 由暗光环境或正常光环境下包含氢 敏胶带的变色样本图像组成的第三训练集； 对所述第 一训练集、 第二训练集和第 三训练集标注标签后， 基于所述第 一训练集、 第二 训练集和 第三训练集训练小 型卷积神经网络和Y OLOv3目标检测器， 所述标签包括未变色氢 敏胶带、 变色氢 敏胶带和不含氢 敏胶带的管道连接处。 2.根据权利要求1所述的方法， 其特征在于， 所述将所述目标识别图像输入至所述图像 处理模块， 得到预处 理图像， 包括： 将所述目标识别图像输入至所述图像处理模块， 基于各所述可微分滤波器处理所述目 标识别图像， 并基于中值滤波法对所述目标识别图像去噪， 得到预处 理图像。 3.根据权利要求1所述的方法， 其特 征在于， 所述自监 督模块包括VG G16卷积神经网络； 所述基于预设的自监督模块依次提取各所述定位框对应的框 内图片信息的特征值， 生 成相似度信息， 所述相似度信息用以表征所述框内图片信息与氢敏胶带样张图片信息的相 似度， 包括： 将各所述定位框对应的框内图片信息依次与预设的氢敏胶带样张图片信息一同输入 至预设的自监 督模块， 基于所述VG G16卷积神经网络提取 特征值； 全连接所述特征值后， 将所述特征值输入至Sigmoid函数， 生成相似度信息， 所述相似 度信息用以表征 所述框内图片信息与氢 敏胶带样张图片信息的相似度。 4.根据权利要求1所述的方法， 其特征在于， 所述基于所述氢敏胶带概率值与相似度信 息确定氢 敏胶带位置区域图像， 包括： 将所述氢敏胶带概率值大于第一预设值且所述相似度信息大于第二预设值的目标区权　利　要　求　书 1/2 页 2 CN 114612470 B 3