CN110082424B - 一种快速管道漏磁数据多尺度异常区域推荐系统及方法 - Google Patents
一种快速管道漏磁数据多尺度异常区域推荐系统及方法 Download PDFInfo
- Publication number
- CN110082424B CN110082424B CN201910387892.8A CN201910387892A CN110082424B CN 110082424 B CN110082424 B CN 110082424B CN 201910387892 A CN201910387892 A CN 201910387892A CN 110082424 B CN110082424 B CN 110082424B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- window
- scale
- windows
- estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明提供一种快速管道漏磁数据多尺度异常区域推荐系统及方法,涉及管道检测技术领域。本发明步骤如下:步骤1:获取一段管道的漏磁信号,并将其进行多尺度窗体划分,对N个尺度层级进行异常边缘提取,得到异常窗体集合;步骤2:对异常窗体集合进行异常区域估计,得到异常估计集合;步骤3:边界精确;根据异常估计集合,将Wk″中的所有窗体进行相邻窗体的面积比,遍历异常估计集合W″,去除面积比小于λ的窗体,并选取当前集合内交叠窗体中最外围窗体作为异常推荐区域;该方法能够发现尺寸较大,信号明显的异常,同时能够发现较小的异常,能够提供充分的异常候选区域;具有明显的快速性,特别适应管道庞大的数据集。
Description
技术领域
本发明涉及管道检测技术领域,尤其涉及一种快速管道漏磁数据多尺度异常区域推荐系统及方法。
背景技术
管道运输以其高效率以及安全可靠的特点,与铁路、公路,水路和航空并称五大运输方式。随着管道在役时间的增长,因管道材质问题、外损伤以及介质腐蚀的影响,管道状况逐渐恶化,存在潜在的破损和泄漏风险。一旦发生泄漏,不但会造成大气污染,也极易引发剧烈爆炸。2011年渤海湾发生溢油事故,根据国家海洋局统计该事故泄漏原油385立方米,共造成5500平方公里海水污染。因此,为了确保能源运输和生态环境安全,必须对管道定期进行安检和维护。
无损检测(Non-destructive testing,NDT)作为管道安全维护的一种重要手被广泛应用。其中,漏磁检测作为无损检测方法的一种被广泛应用于接近90%的在役管道中。一个完整的漏磁数据分析过程包括5个部分,即:数据预处理、异常区域推荐、异常识别、缺陷尺寸反估计和缺陷安全评估。数据预处理部分完成原始数据的基值校正的滤波;异常区域推荐部分获得异常区域的位置;异常识别部分完成对异常位置的分类识别,如缺陷,阀门、仪表等;缺陷尺寸估计部分实现缺陷信号到尺寸的映射,而缺陷安全评估部分是计算缺陷的安全等级,确定是否需要维修。
异常区域推荐是漏磁数据分析流程中关键且有挑战的问题。一个良好的异常区域推荐算法不但具备位置准确性和边缘准确性,同时要具备快速能力。在实际应用中,针对异常区域的推荐都是基于传统穷举搜索算法,没有考虑候选区域采样问题对算法效率的影响,搜索空间的巨大最终浪费大量时间。同时,受噪声影响,微小异常很容易发生漏检。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种快速管道漏磁数据多尺度异常区域推荐系统及方法,本发明具有明显的快速性,特别适应管道庞大的数据集。
为解决上述技术问题,本发明所采取的技术方案是:
一方面,本发明提供一种快速管道漏磁数据多尺度异常区域推荐系统,包括输入输出模块、多尺度窗体划分模块、异常区域估计模块、边界精确模块;
所述输入输出模块用于输入漏磁信号和输出管道异常的目标位置区域,将漏磁信号输出至多尺度窗体划分模块;
所述多尺度窗体划分模块用于完成多尺度候选异常窗体的获取,并将异常窗体输出至异常区域估计模块;
所述异常区域估计模块用于估计异常区域位置,得到异常估计集合,并将该集合输出至边界精确模块;
所述边界精确模块用于对异常估计集合中每个窗体的边界进行详细刻画,得到异常推荐区域,将异常推荐区域进行合并后输出至输入输出模块。
另一方面,本发明提供一种快速管道漏磁数据多尺度异常区域推荐方法,通过所述的一种快速管道漏磁数据多尺度异常区域推荐系统实现,包括如下步骤:
步骤1:获取一段管道的漏磁信号D,并将其进行多尺度窗体划分,划分为N个尺度层级L1,L2,...LN,对N个尺度层级进行异常边缘提取,得到异常窗体集合W={W1,W2,...,Wk,…WN};其中,为第k个尺度层级下窗体集合,b为第k个尺度层级包含的窗体数;
步骤2:对步骤1得到的异常窗体集合进行异常区域估计,得到异常估计集合W″={W1″,W2″,...,Wk″,…WN″};
步骤2.1:将异常窗体集合中的窗体进行预处理,所述预处理为去除边界未闭合窗体,得到处理后异常窗体集合W′={W1′,W2′,...,Wk′,…WN′};
步骤2.2:对异常窗体集合W′进行得分估计;对于异常区域而言,会有多个窗体套叠在一起,形成多个“回”字形,每一个窗体都对应一个度量窗体交叠程度的值S(Wk′),遍历异常窗体集合W′,计算每一个窗体的窗体交叠程度值,将窗体交叠程度值等效为异常窗体的得分,公式如下:
步骤2.3:异常区域的获取,选取出窗体的得分大于σ的窗体为异常窗体,其中0≤σ≤1,且判断同一尺度层级下是否存在并列窗体,若存在则将该尺度下的并列窗体全部删除,得到异常估计集合W″={W1″,W2″,...,Wk″,…WN″};
步骤3:边界精确;根据步骤2中得到的异常估计集合W″={W1″,W2″,...,Wk″,…WN″},将Wk″中的所有窗体进行相邻窗体的面积比,遍历异常估计集合W″,去除面积比小于λ的窗体,其中0≤λ≤1,并选取当前集合内交叠窗体中最外围窗体作为异常推荐区域;
面积比的公式如下:
所述步骤1的具体步骤如下:
步骤1.1:对于一段管道漏磁信号D,将漏磁信号D的最小值和最大值之间划分N个尺度层级L1,L2,...LN,则第k个尺度层级的数值大小为:
步骤1.2:对于尺度层级k,将该尺度层级的数值Lk与当前漏磁信号D做切片处理,得到二值矩阵Dk,即:
其中Di,j是管道漏磁信号D中第i行、第j列的数据点;
步骤1.3:对二值矩阵Dk进行异常边缘提取。
步骤1.3.1:建立两个正交方向的模板:水平模板fx和竖直模板fy,即:fy=[-11];fx=fyT,fx表示fy的转置。
步骤1.3.2:利用上述的水平模板fx和竖直模板fy对二值矩阵Dk分别进行两个方向的滤波,得到滤波后的二值矩阵Dk,x和Dk,y;二值矩阵Dk的边缘矩阵为Ek:
步骤1.3.3:获取异常边缘,然后将异常边缘规则化形成矩形窗体,得到当前尺度层级异常窗体集合Wk;
步骤1.4:重复步骤1.1至步骤1.3,获得所有尺度层级的异常窗体集合W={W1,W2,...,Wk,…WN}。
采用上述技术方案所产生的有益效果在于:本发明提供的一种快速管道漏磁数据多尺度异常区域推荐系统及方法,通过对漏磁数据进行多尺度划分,进而得到多尺度下窗体组合,通过对窗体的系列删除和合并行为,最终得到异常候选区域。本发明从多尺度角度出发,对数据进行多个数据层级的异常提取,提取过程体现了由粗到细,相比于一般的异常提取算法,本发明不但能够发现尺寸较大,信号明显的异常,同时能够发现较小的异常,能够提供充分的异常候选区域;本发明是针对多尺度窗体进行处理,将信号特征用窗体表示,最终确定目标,相比于一般的完全基于信号的异常提取算法,该发明具有明显的快速性,特别适应管道庞大的数据集。
附图说明
图1为本发明实施例提供的快速管道漏磁数据多尺度异常区域推荐系统框图;
图2为本发明实施例提供的快速管道漏磁数据多尺度异常区域推荐方法流程图;
图3为本发明实施例提供的漏磁数据示意图;
图4为本发明实施例提供的多尺度切片划分示意图;
图5为本发明实施例提供的多尺度异常边缘示意图;
图6为本发明实施例提供的多尺度异常边缘规则化示意图;
图7为本发明实施例提供的分数估计窗体示意图;
图8为本发明实施例提供的最大包含关系组合窗体示意图;
图9为本发明实施例提供的边界精确窗体示意图;
图10为本发明实施例提供的最大外围窗体示意图;
图11为本发明实施例提供的缺陷信号目标区域示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例如下所述。
一方面,本发明提供一种快速管道漏磁数据多尺度异常区域推荐系统,如图1所示,包括输入输出模块、多尺度窗体划分模块、异常区域估计模块、边界精确模块;
所述输入输出模块用于输入漏磁信号和输出管道异常的目标位置区域,将漏磁信号输出至多尺度窗体划分模块;
所述多尺度窗体划分模块用于完成多尺度候选异常窗体的获取,并将异常窗体输出至异常区域估计模块;
所述异常区域估计模块用于估计异常区域位置,得到异常估计集合,并将该集合输出至边界精确模块。
所述边界精确模块用于对异常估计集合中每个窗体的边界进行详细刻画,得到异常推荐区域,将异常推荐区域进行合并后输出至输入输出模块。
另一方面,本发明提供一种快速管道漏磁数据多尺度异常区域推荐方法,通过所述的一种快速管道漏磁数据多尺度异常区域推荐系统实现,如图2所示,包括如下步骤:
步骤1:获取一段管道的漏磁信号D,并将其进行多尺度窗体划分,划分为N个尺度层级L1,L2,...LN,对N个尺度层级进行异常边缘提取,得到异常窗体集合W={W1,W2,...,Wk,…WN}。其中,为第k个尺度层级下窗体集合,b为第k个尺度层级包含的窗体数;
本实施例中N=40;
步骤1.1:对于一段管道漏磁信号D,如图3所示,将漏磁信号D的最小值和最大值之间划分N个尺度等级L1,L2,...LN,则第k个尺度级的数值大小为:
本实施例中将管道漏磁信号D划分为40个尺度等级;
步骤1.2:对于尺度等级k,将该尺度等级的数值Lk与当前漏磁信号D做切片处理,如图4所示,得到二值矩阵Dk,即:
其中Di,j是管道漏磁信号D中第i行、第j列的数据点;
步骤1.3:对二值矩阵Dk进行异常边缘提取。
步骤1.3.1:建立两个正交方向的模板:水平模板fx和竖直模板fy,即:fy=[-11];fx=fyT,fx表示fy的转置。
步骤1.3.2:利用上述的水平模板fx和竖直模板fy对二值矩阵Dk分别进行两个方向的滤波,得到滤波后的二值矩阵Dk,x和Dk,y;二值矩阵Dk的边缘矩阵为Ek:
步骤1.3.3:获取异常边缘,如图5所示,然后将异常边缘规则化形成矩形窗体,如图6所示,得到当前尺度集异常窗体集合Wk。
步骤1.4:重复步骤1.1至步骤1.3,获得所有尺度等级的异常窗体集合W={W1,W2,...,Wk,…WN}。
步骤2:是对步骤1得到的异常窗体集合进行异常区域估计,得到异常估计集合W″={W1″,W2″,...,Wk″,…WN″}。
步骤2.1:将异常窗体集合中的窗体进行预处理,所述预处理为去除边界未闭合窗体,得到处理后异常窗体集合W′={W1′,W2′,...,Wk′,…WN′};我们定义,一个异常窗体存在的充要条件是:异常边缘点能够构成首尾相连接的闭合区域。
步骤2.2:对异常窗体集合W′进行得分估计;实际中,源数据经过多个尺度层级划分后,对于异常区域而言,会有多个窗体套叠在一起,形成多个“回”字形。因此,为了表征这一特性,每一个窗体都对应一个度量窗体交叠程度的值S(Wk′),遍历异常窗体集合W′,计算每一个窗体的窗体交叠程度值,将窗体交叠程度值等效为异常窗体的得分,公式如下:
步骤2.3:异常区域的获取,选取出窗体的得分大于σ的窗体为异常窗体,其中0≤σ≤1,如图7所示,且判断同一尺度层级下是否存在并列窗体,若存在则将该尺度下的并列窗体全部删除,如图8所示,得到异常估计集合W″={W1″,W2″,...,Wk″,…WN″};
本实施例中σ=0.7;
选取最大包含关系组合窗体,去除干扰窗体,即:每一个窗体内部如果存在窗体,则内部的窗体必须属于完全包含关系。
步骤3:边界精确;如图9所示,根据步骤2中得到的异常估计集合W″={W1″,W2″,...,Wk″,…WN″},将集合中的每个经过上述步骤,对于任意一个目标区域而言,会有多个窗体覆盖,为了获得精确边界,我们提出了空间相关比,来衡量相邻窗体的面积比,将Wk″中的所有窗体进行相邻窗体的面积比,遍历异常估计集合W″,去除面积比小于λ的窗体,其中0≤λ≤1,本实施例中λ=0.5;并选取去除面积比小于λ的窗体后的集合内交叠窗体中最外围窗体作为异常推荐区域,如图10所示;
面积比的公式如下:
本实施例中为漏磁信号缺陷,漏磁信号缺陷会产生三个漏磁信号区域窗体,中间窗体对应峰位置,两侧窗体对应谷位置,将三个窗体进行合并处理,得到最终目标位置区域,如图11所示;
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (1)
1.一种快速管道漏磁数据多尺度异常区域推荐系统,其特征在于:包括输入输出模块、多尺度窗体划分模块、异常区域估计模块、边界精确模块;
所述输入输出模块用于输入漏磁信号和输出管道异常的目标位置区域,将漏磁信号输出至多尺度窗体划分模块;
所述多尺度窗体划分模块用于完成多尺度候选异常窗体的获取,并将异常窗体输出至异常区域估计模块;
所述异常区域估计模块用于估计异常区域位置,得到异常估计集合,并将该集合输出至边界精确模块;
所述边界精确模块用于对异常估计集合中每个窗体的边界进行详细刻画,得到异常推荐区域,将异常推荐区域进行合并后输出至输入输出模块;
所述一种快速管道漏磁数据多尺度异常区域推荐系统,用于实现一种快速管道漏磁数据多尺度异常区域推荐方法,包括如下步骤:
步骤1:获取一段管道的漏磁信号D,并将其进行多尺度窗体划分,划分为N个尺度层级L1,L2,...LN,对N个尺度层级进行异常边缘提取,得到异常窗体集合W={W1,W2,...,Wk,…WN};其中,为第k个尺度层级下窗体集合,b为第k个尺度层级包含的窗体数;
所述步骤1的具体步骤如下:
步骤1.1:对于一段管道漏磁信号D,将漏磁信号D的最小值和最大值之间划分N个尺度层级L1,L2,...LN,则第k个尺度层级的数值大小为:
步骤1.2:对于尺度层级k,将该尺度层级的数值Lk与当前漏磁信号D做切片处理,得到二值矩阵Dk,即:
其中Di,j是管道漏磁信号D中第i行、第j列的数据点;
步骤1.3:对二值矩阵Dk进行异常边缘提取;
步骤1.3.1:建立两个正交方向的模板:水平模板fx和竖直模板fy,即:fy=[-1 1];fx=fyT,fx表示fy的转置;
步骤1.3.2:利用上述的水平模板fx和竖直模板fy对二值矩阵Dk分别进行两个方向的滤波,得到滤波后的二值矩阵Dk,x和Dk,y;二值矩阵Dk的边缘矩阵为Ek:
步骤1.3.3:获取异常边缘,然后将异常边缘规则化形成矩形窗体,得到当前尺度层级异常窗体集合Wk;
步骤1.4:重复步骤1.1至步骤1.3,获得所有尺度层级的异常窗体集合W={W1,W2,...,Wk,…WN};
步骤2:对步骤1得到的异常窗体集合进行异常区域估计,得到异常估计集合W″={W1″,W2″,...,Wk″,…WN″};
步骤2.1:将异常窗体集合中的窗体进行预处理,所述预处理为去除边界未闭合窗体,得到处理后异常窗体集合W′={W1′,W2′,...,Wk′,…WN′};
步骤2.2:对异常窗体集合W′进行得分估计;对于异常区域而言,有多个窗体套叠在一起,形成多个“回”字形,每一个窗体都对应一个度量窗体交叠程度的值S(Wk′),遍历异常窗体集合W′,计算每一个窗体的窗体交叠程度值,将窗体交叠程度值等效为异常窗体的得分,公式如下:
步骤2.3:异常区域的获取,选取出窗体的得分大于σ的窗体为异常窗体,其中0≤σ≤1,且判断同一尺度层级下是否存在并列窗体,若存在则将同一尺度层级下的并列窗体全部删除,得到异常估计集合W″={W1″,W2″,...,Wk″,…WN″};
步骤3:边界精确;根据步骤2中得到的异常估计集合W″={W1″,W2″,...,Wk″,…WN″},将Wk″中的所有窗体进行相邻窗体的面积比,遍历异常估计集合W″,去除面积比小于λ的窗体,其中0≤λ≤1,并选取当前集合内交叠窗体中最外围窗体作为异常推荐区域;
面积比的公式如下:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910387892.8A CN110082424B (zh) | 2019-05-10 | 2019-05-10 | 一种快速管道漏磁数据多尺度异常区域推荐系统及方法 |
PCT/CN2019/087346 WO2020228044A1 (zh) | 2019-05-10 | 2019-05-17 | 一种快速管道漏磁数据多尺度异常区域推荐系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910387892.8A CN110082424B (zh) | 2019-05-10 | 2019-05-10 | 一种快速管道漏磁数据多尺度异常区域推荐系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110082424A CN110082424A (zh) | 2019-08-02 |
CN110082424B true CN110082424B (zh) | 2023-04-14 |
Family
ID=67419506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910387892.8A Active CN110082424B (zh) | 2019-05-10 | 2019-05-10 | 一种快速管道漏磁数据多尺度异常区域推荐系统及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110082424B (zh) |
WO (1) | WO2020228044A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516589B (zh) * | 2019-08-26 | 2023-06-02 | 东北大学 | 一种管道漏磁数据的边界精确识别方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3654774B2 (ja) * | 1998-08-13 | 2005-06-02 | 東京瓦斯株式会社 | 漏洩磁束ピグを用いた管の検査における溶接線位置入力時のデータ表示方法 |
GB0722534D0 (en) * | 2007-11-16 | 2007-12-27 | Advanced Eng Solutions Ltd | Pipeline condition detecting method and apparatus |
CA2643219C (en) * | 2007-12-21 | 2017-08-22 | Knight, Inc. | System, method and program product to screen for longitudinal-seam anomalies |
CN103343885B (zh) * | 2013-06-20 | 2015-10-14 | 西南石油大学 | 管道漏磁检测在线数据压缩方法 |
CN104458895A (zh) * | 2014-12-08 | 2015-03-25 | 清华大学 | 管道三维漏磁成像检测方法及系统 |
CN106645384B (zh) * | 2016-09-23 | 2019-06-25 | 东北大学 | 一种管道漏磁内检测器数据的自适应滤波方法 |
CN107024532B (zh) * | 2017-04-12 | 2019-12-27 | 东北大学 | 一种基于窗体特征的漏磁管道缺陷位置提取方法 |
CN109212018B (zh) * | 2018-09-19 | 2022-06-03 | 东北大学 | 一种基于压缩感知的管道漏磁数据分级压缩方法 |
CN109058771B (zh) * | 2018-10-09 | 2019-11-12 | 东北大学 | 基于样本生成和间隔Markov特征的管道异常检测方法 |
-
2019
- 2019-05-10 CN CN201910387892.8A patent/CN110082424B/zh active Active
- 2019-05-17 WO PCT/CN2019/087346 patent/WO2020228044A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2020228044A1 (zh) | 2020-11-19 |
CN110082424A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783906B (zh) | 一种管道内检测漏磁数据智能分析系统及方法 | |
CN112258496A (zh) | 一种基于全卷积神经网络的地下排水管道病害分割方法 | |
CN110555831B (zh) | 一种基于深度学习的排水管道缺陷分割方法 | |
CN109492708B (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
CN110826588A (zh) | 一种基于注意力机制的排水管道缺陷检测方法 | |
CN111367959B (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
CN112329588A (zh) | 一种基于Faster R-CNN的管道故障检测方法 | |
CN109212018A (zh) | 一种基于压缩感知的管道漏磁数据分级压缩方法 | |
CN113205051A (zh) | 基于高空间分辨率遥感影像的储油罐提取方法 | |
CN115823508A (zh) | 一种空天地一体化管网安全监测方法及系统 | |
CN110082424B (zh) | 一种快速管道漏磁数据多尺度异常区域推荐系统及方法 | |
Sun et al. | Research on fatigue crack growth detection of M (T) specimen based on image processing technology | |
CN111178392A (zh) | 基于深度神经网络的航空发动机孔探图像损伤分割方法 | |
CN113030244B (zh) | 输电线塔架腐蚀缺陷漏磁检测信号反演成像方法及系统 | |
CN114926707A (zh) | 管道缺陷识别方法、处理器和管道缺陷识别装置 | |
Chen et al. | A cascaded deep learning approach for detecting pipeline defects via pretrained YOLOv5 and ViT models based on MFL data | |
CN107024532B (zh) | 一种基于窗体特征的漏磁管道缺陷位置提取方法 | |
CN113111923A (zh) | 一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法 | |
CN103322415A (zh) | 一种石油管道缺陷最小二乘支持向量机二维重现方法 | |
CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
CN109632942B (zh) | 一种基于集成学习的管道缺陷尺寸的反演方法 | |
Su et al. | Morphological segmentation based on edge detection-II for automatic concrete crack measurement | |
CN112347903B (zh) | 一种基于异构场信号的管道多组件识别方法 | |
CN113984880B (zh) | 对管道金属损失缺陷生成三维轮廓的方法及装置 | |
CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |