CN111949815A - 一种基于图像识别技术的人工智能腐蚀选材系统及工作方法 - Google Patents

一种基于图像识别技术的人工智能腐蚀选材系统及工作方法 Download PDF

Info

Publication number
CN111949815A
CN111949815A CN202010826560.8A CN202010826560A CN111949815A CN 111949815 A CN111949815 A CN 111949815A CN 202010826560 A CN202010826560 A CN 202010826560A CN 111949815 A CN111949815 A CN 111949815A
Authority
CN
China
Prior art keywords
corrosion
module
material selection
information
image recognition
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.)
Pending
Application number
CN202010826560.8A
Other languages
English (en)
Inventor
唐鋆磊
刘敏
聂臻
林冰
王莹莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Hengshi Technology Co ltd
China National Petroleum Corp Science And Technology Research Institute Co ltd
Southwest Petroleum University
Original Assignee
Chengdu Hengshi Technology Co ltd
China National Petroleum Corp Science And Technology Research Institute Co ltd
Southwest Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Hengshi Technology Co ltd, China National Petroleum Corp Science And Technology Research Institute Co ltd, Southwest Petroleum University filed Critical Chengdu Hengshi Technology Co ltd
Priority to CN202010826560.8A priority Critical patent/CN111949815A/zh
Publication of CN111949815A publication Critical patent/CN111949815A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Library & Information Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于图像识别技术的人工智能腐蚀选材系统及工作方法，包括前端检索系统和后端管理系统，所述后端管理系统包括依次信号相连的数据收集单元、图像识别单元和后台数据库；所述前端检索系统包括信号相连的首页登录模块、查询与检索模块、综合选材模块、系统维护模块和帮助信息模块。本发明前端检索系统和后端管理系统均在Windows环境下运行，通过数据收集单元和数据采集单元预先获取腐蚀图版、腐蚀相关文献、选材准则以及非数字化信息，并将收集的图片信息和文字信息发送至后台数据库中进行存储。移动摄像头对腐蚀实例进行图片拍摄上传至图像识别单元进行处理和分析，同时在前端检索系统输入腐蚀环境参数，再由Windows界面输出推荐选材范围，整个选材过程简便快速，大大提高了腐蚀选材的工作效率。

Description

一种基于图像识别技术的人工智能腐蚀选材系统及工作方法
技术领域
本发明涉及图像识别技术领域，具体为基于图像识别技术的人工智能腐蚀选材系统及工作方法。
背景技术
材料腐蚀问题遍及国民经济的各个领域，凡是使用材料的地方，都不同程度地存在着腐蚀问题。腐蚀给社会带来巨大的经济损失，造成了灾难性事故，耗竭了宝贵的资源与能源，污染了环境，阻碍了高新技术的正常发展。其中随着石油化工行业的发展，油气化工设备材料的正确选择至关重要，同一种工况可能有很多种材料选择，不同工况设备材料的选择也不同。正确地选择耐蚀材料、经济合理的考虑选材都是保证安全的重要前提。由于目前腐蚀材料的选择主要依靠设计人员人工翻阅大量资料和规范手册，导致石油化工行业针对选材都普遍存在以下问题：(1)耗时费力，效率不高；(2)选材单一，考虑不全；(3)权威手册少，数据量小。
专利号CN111341396A公开了一种大气环境对材料腐蚀安全评估方法及系统，属于电网材料应用技术领域。本发明的方法包括：基于大气环境对材料腐蚀的检测方法，构建大气环境对材料腐蚀的安全评估模型；针对大气环境对材料腐蚀的特点，设计材料安全的评估流程；获取材料腐蚀数据，并且根据安全评估模型确定要进行评估的数据对象；根据材料安全评估的需求选择评估指标；结合材料腐蚀寿命预测方法设计相应的评估规则；确定安全评估指标的权值，并赋予每个评估指标的期望值；由每个评估指标的合格百分比计算出安全评分。上述发明主要对金属材料腐蚀安全进行准确有效的评估，其功能性单一，无法满足腐蚀领域的其他材料的选择。
发明内容
本发明的目的在于提供基于图像识别技术的人工智能腐蚀选材系统及工作方法，具有普适性强，选材过程简便快速，提高工作效率的优点；其采用图像识别技术，加快数据提取过程，提高识别效率；通过建立后台数据库储存腐蚀数据，腐蚀数据更加全面，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于图像识别技术的人工智能腐蚀选材系统，包括前端检索系统和后端管理系统，所述后端管理系统包括数据收集单元、图像识别单元和后台数据库，数据收集单元、图像识别单元和后台数据库依次信号相连；
所述数据收集单元用于获取腐蚀图版、腐蚀相关文献和选材准则，将收集的图片信息和文字信息发送至图像识别单元和后台数据库203中；
所述图像识别单元用于将数据收集单元所获取的图片信息和文字信息进行处理和分析，并提取出图片信息和文字信息中的腐蚀数据；
所述后台数据库包括资料信息模块和数据库维护与更新模块；
所述资料信息模块用于储存腐蚀数据集、腐蚀图版和材料基本性能信息，与所述前端检索系统相连接，提供前端检索需要的数据和信息；
所述数据库维护与更新模块用于添加信息，及时更新后台数据库信息内容；
所述前端检索系统包括首页登录模块、查询与检索模块、综合选材模块、系统维护模块和帮助信息模块，首页登录模块、查询与检索模块、综合选材模块、系统维护模块和帮助信息模块相互独立，互不干扰；所述查询与检索模块、综合选材模块与后台数据库信号相连；
所述首页登录模块用于用户输入用户名和密码登录选材系统；
所述查询与检索模块用于输入材料名称和腐蚀环境参数，利用后台数据库进行单一查询或组合查询；
所述综合选材模块用于输入腐蚀环境参数，利用后台数据库进行搜索和匹配，后台数据库将符合条件的选材结果根据匹配度由高到低顺序排列，输出选材结果；
所述系统维护模块用于所述前端检索系统的日常维护更新；
所述帮助信息模块用于查阅所述前端检索系统的相关信息以及问题解决方法。
更进一步地，所述后端管理系统还包括数据采集单元，数据采集单元与图像识别单元信号连接，数据采集单元内置在固定或非固定的移动式摄像头中。
更进一步地，所述数据收集单元采用搜索引擎、爬虫软件和人工写入收集程序三种方式进行数据信息采集；
所述图像识别单元采用二维卷积神经网络模型；
所述后台数据库中的资料信息模块包括材料基本性能库、腐蚀数据库和腐蚀图文库；
所述后台数据库对图像识别单元提取的数据进行训练，将训练好的模型用于腐蚀环境与材料的匹配，输出推荐选材范围。
更进一步地，所述后台数据库中的数据训练方法采用随机森林算法。
更进一步地，所述前端检索系统和后端管理系统均在Windows环境下运行，Windows通过无线网络连接移动式摄像头。
本发明提供另一种技术方案：基于图像识别技术的人工智能腐蚀选材系统的工作方法，包括以下步骤：
S1：通过移动式摄像头拍摄非数字化信息上传至图像识别单元；同时，数据收集单元将预先采集的腐蚀图版、腐蚀相关文献和选材准则，通过信号连接导入图像识别单元和后台数据库中；
S2：在腐蚀材料区域架设移动式摄像头，通过内置的数据采集单元对腐蚀现象进行图片拍摄，并通过信号连接导入图像识别单元；
S3：图像识别单元利用二维卷积神经网络模型对采集的图片信息和文字信息进行处理和分析，提取特征数据，导入后台数据库；
S4：后台数据库利用随机森林算法训练特征数据，并保存训练好的模型；
S5：在前端检索系统的综合选材模块中输入腐蚀环境参数，并上传拍摄好的腐蚀图片，调用已经训练好的模型进行材料和腐蚀环境的匹配，得到材料选择顺序列表，输出推荐选材范围。更进一步地，S3中图像识别单元提取的特征数据信息包括材料名称、材料性能、腐蚀速率、腐蚀等级和腐蚀环境参数。
更进一步地，材料性能包括物理性能、力学性能和热力学性能。
更进一步地，S5中前端检索系统还包括查询与检索模块，用于查询后台数据库中材料信息和腐蚀数据信息，查询方法如下：
S501：在查询与检索模块中输入材料名称进行单一查询，利用后台数据库信息进行匹配，输出材料性能，包括物理性能、力学性能和热力学性能；
S502：在查询与检索模块中输入介质名称、材料名称、介质浓度和温度进行组合查询，利用后台数据库信息进行匹配，输出腐蚀等级和腐蚀图表。
与现有技术相比，本发明的有益效果是：
本发明提供的基于图像识别技术的人工智能腐蚀选材系统及工作方法，前端检索系统和后端管理系统均在Windows环境下运行，通过数据收集单元和数据采集单元预先获取腐蚀图版、腐蚀相关文献、选材准则以及非数字化信息，并将收集的图片信息和文字信息发送至后台数据库中进行存储，移动摄像头对腐蚀实例进行图片拍摄上传至图像识别单元进行处理和分析，同时在前端检索系统输入腐蚀环境参数，再由Windows界面输出推荐选材范围。整个系统及方法能够适用于各行业普遍存在的腐蚀选材问题，其选材过程简便快速，提高腐蚀选材的工作效率；其次，采用图像识别技术，加快数据提取过程，提高识别效率；建立的后台数据库储存腐蚀数据更加全面。
附图说明
图1为本发明的系统结构图；
图2为本发明的系统工作流程图；
图3为本发明的用户界面示意图；
图4为本发明的系统工作状态图。
图中：1、前端检索系统；101、首页登录模块；102、查询与检索模块；103、综合选材模块；104、系统维护模块；105、帮助信息模块；2、后端管理系统；201、数据收集单元；202、图像识别单元；203、后台数据库；204、资料信息模块；205、数据库维护与更新模块；206、数据采集单元；207、移动式摄像头。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中：基于图像识别技术的人工智能腐蚀选材系统，包括前端检索系统1和后端管理系统2，所述后端管理系统2包括数据收集单元201、图像识别单元202和后台数据库203，数据收集单元201、图像识别单元202和后台数据库203依次信号相连。
其中，数据收集单元201用于获取腐蚀图版、腐蚀相关文献和选材准则，将收集的图片信息和文字信息发送至图像识别单元202和后台数据库203中；图像识别单元202用于将数据收集单元201所获取的图片信息和文字信息进行处理和分析，并提取出图片信息和文字信息中的腐蚀数据；后台数据库203包括资料信息模块204和数据库维护与更新模块205；资料信息模块204用于储存腐蚀数据集、腐蚀图版和材料基本性能信息，与前端检索系统1相连接，提供前端检索需要的数据和信息；数据库维护与更新模块205用于添加信息，及时更新后台数据库203信息内容。
本实施例中，前端检索系统1的界面采用MicrosoftWindows界面系统，前端检索系统1包括首页登录模块101、查询与检索模块102、综合选材模块103、系统维护模块104和帮助信息模块105，首页登录模块101、查询与检索模块102、综合选材模块103、系统维护模块104和帮助信息模块105相互独立，互不干扰；查询与检索模块102、综合选材模块103与后台数据库203信号相连。
其中，首页登录模块101用于用户输入用户名和密码登录选材系统；查询与检索模块102用于输入材料名称和腐蚀环境参数，利用后台数据库203进行单一查询或组合查询；综合选材模块103用于输入腐蚀环境参数，利用后台数据库203进行搜索和匹配，后台数据库203将符合条件的选材结果根据匹配度由高到低顺序排列，输出选材结果；其中，腐蚀环境参数包括温度、压力、介质浓度、和pH值；系统维护模块104用于前端检索系统1的日常维护更新；帮助信息模块105用于查阅所述前端检索系统1的相关信息以及问题解决方法。
请参阅图4，在上述实施例中，后端管理系统2还包括数据采集单元206，数据采集单元206与图像识别单元202信号连接，数据采集单元206内置在固定或非固定的移动式摄像头207中，通过移动式摄像头207对非数字化信息和腐蚀现象进行拍摄。
在上述实施例中，数据收集单元201采用搜索引擎、爬虫软件和人工写入收集程序三种方式进行数据信息采集；本实施例中搜索引擎采用百度和谷歌两种方式。
在上述实施例中，图像识别单元202采用二维卷积神经网络模型；后台数据库203中的资料信息模块204包括材料基本性能库、腐蚀数据库和腐蚀图文库；后台数据库203对图像识别单元202提取的数据进行训练，将训练好的模型用于腐蚀环境与材料的匹配，输出推荐选材范围。
在上述实施例中，后台数据库203中的数据训练方法采用随机森林算法。
在上述实施例中，前端检索系统1和后端管理系统2均在Windows环境下运行，Windows通过无线网络连接移动式摄像头207。
请参阅图2，为了进一步更好的解释说明本发明，还提供一种技术方案：基于图像识别技术的人工智能腐蚀选材系统的工作方法，包括以下步骤：
第一步：通过移动式摄像头拍摄非数字化信息上传至图像识别单元；同时，数据收集单元将预先采集的腐蚀图版、腐蚀相关文献和选材准则，通过信号连接导入图像识别单元和后台数据库中；
第二步：在腐蚀材料区域架设移动式摄像头(207)，通过内置的数据采集单元(206)对腐蚀现象进行图片拍摄，并通过信号连接导入图像识别单元(202)；
第三步：图像识别单元202利用二维卷积神经网络模型对采集的图片信息和文字信息进行处理和分析，提取特征数据，导入后台数据库203；
第四步：后台数据库203利用随机森林算法训练特征数据，并保存训练好的模型；
第五步：在前端检索系统1的综合选材模块103中输入腐蚀环境参数，并上传拍摄好的腐蚀图片，调用已经训练好的模型进行材料和腐蚀环境的匹配，得到材料选择顺序列表，输出推荐选材范围。如图3所示，用户可通过Windows界面显示查看选材结果，其中，腐蚀环境参数包括温度、压力、介质浓度、和pH值。
在上述实施例中，步骤三图像识别单元202提取的特征数据信息包括材料名称、材料性能、腐蚀速率、腐蚀等级和腐蚀环境参数，其中，材料性能包括物理性能、力学性能和热力学性能。
在上述实施例中，步骤五中前端检索系统1还包括查询与检索模块102，用于查询后台数据库203中材料信息和腐蚀数据信息，查询情况如下：
1、材料名称查询：用户直接在图3所示界面中点击“查询与检索”，在下拉菜单中选择材料性能查询，在弹出对话框中输入材料名称，点击“确定”功能键，调用后台数据库203中材料性能库进行信息匹配，输出对应材料性能，包括物理性能、力学性能和热力学性能，结果显示在用户界面上。
2、腐蚀数据查询：用户直接在图3所示界面中点击“查询与检索”，在下拉菜单中选择腐蚀数据查询，在弹出对话框中依次输入介质名称、材料名称、介质浓度和温度，点击“确定”功能键，调用后台数据库203中腐蚀数据库信息进行匹配，输出对应腐蚀等级，结果显示在用户界面上.
3、腐蚀图表查询：用户直接在图3所示界面中点击“查询与检索”，在下拉菜单中选择腐蚀图表查询，在弹出对话框中依次输入介质名称、材料名称、介质浓度和温度，点击“确定”功能键，利用后台数据库203中腐蚀图文库储存的腐蚀图版和腐蚀图表中腐蚀数据进行匹配，输出对应腐蚀图版或腐蚀图表，结果显示在用户界面上。
工作原理：本发明提供的基于图像识别技术的人工智能腐蚀选材系统及工作方法，通过数据收集单元201和数据采集单元206预先获取腐蚀图版、腐蚀相关文献、选材准则以及非数字化信息，并将收集的图片信息和文字信息发送至后台数据库中进行存储。移动摄像头207对腐蚀实例进行图片拍摄，拍摄的图片通过数据采集单元206传输至图像识别单元202中，图像识别单元202将获取的图片信息和文字信息进行处理和分析，同时在前端检索系统1输入腐蚀环境参数，和提取出的图片信息和文字信息中的腐蚀数据与后台数据库203中预存的腐蚀图版、腐蚀相关文献和选材准则进行比对提取特征数据，再由Windows界面中的前端检索系统1输出推荐选材范围，整个系统及方法能够适用于各行业普遍存在的腐蚀选材问题，其选材过程简便快速，提高腐蚀选材的工作效率；其次，采用图像识别技术，加快数据提取过程，提高识别效率；建立的后台数据库203储存腐蚀数据更加全面。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (9)

1.基于图像识别技术的人工智能腐蚀选材系统，其特征在于，包括前端检索系统(1)和后端管理系统(2)，所述后端管理系统(2)包括数据收集单元(201)、图像识别单元(202)和后台数据库(203)，数据收集单元(201)、图像识别单元(202)和后台数据库(203)依次信号相连；
所述数据收集单元(201)用于获取腐蚀图版、腐蚀相关文献和选材准则，将收集的图片信息和文字信息发送至图像识别单元(202)和后台数据库203中；
所述图像识别单元(202)用于将数据收集单元(201)所获取的图片信息和文字信息进行处理和分析，并提取出图片信息和文字信息中的腐蚀数据；
所述后台数据库(203)包括资料信息模块(204)和数据库维护与更新模块(205)；
所述资料信息模块(204)用于储存腐蚀数据集、腐蚀图版和材料基本性能信息，与所述前端检索系统(1)相连接，提供前端检索需要的数据和信息；
所述数据库维护与更新模块(205)用于添加信息，及时更新后台数据库(203)信息内容；
所述前端检索系统(1)包括首页登录模块(101)、查询与检索模块(102)、综合选材模块(103)、系统维护模块(104)和帮助信息模块(105)，首页登录模块(101)、查询与检索模块(102)、综合选材模块(103)、系统维护模块(104)和帮助信息模块(105)相互独立，互不干扰；
所述查询与检索模块(102)、综合选材模块(103)与后台数据库(203)信号相连；
所述首页登录模块(101)用于用户输入用户名和密码登录选材系统；
所述查询与检索模块(102)用于输入材料名称和腐蚀环境参数，利用后台数据库(203)进行单一查询或组合查询；
所述综合选材模块(103)用于输入腐蚀环境参数，利用后台数据库(203)进行搜索和匹配，后台数据库(203)将符合条件的选材结果根据匹配度由高到低顺序排列，输出选材结果；
所述系统维护模块(104)用于所述前端检索系统(1)的日常维护更新；
所述帮助信息模块(105)用于查阅所述前端检索系统(1)的相关信息以及问题解决方法。
2.如权利要求1所述的基于图像识别技术的人工智能腐蚀选材系统，其特征在于：所述后端管理系统(2)还包括数据采集单元(206)，数据采集单元(206)与图像识别单元(202)信号连接，数据采集单元(206)内置在固定或非固定的移动式摄像头(207)中。
3.如权利要求1所述的基于图像识别技术的人工智能腐蚀选材系统，其特征在于：所述数据收集单元(201)采用搜索引擎、爬虫软件和人工写入收集程序三种方式进行数据信息采集；
所述图像识别单元(202)采用二维卷积神经网络模型；
所述后台数据库(203)中的资料信息模块(204)包括材料基本性能库、腐蚀数据库和腐蚀图文库；
所述后台数据库(203)对图像识别单元(202)提取的数据进行训练，将训练好的模型用于腐蚀环境与材料的匹配，输出推荐选材范围。
4.如权利要求1所述的基于图像识别技术的人工智能腐蚀选材系统，其特征在于：所述后台数据库(203)中的数据训练方法采用随机森林算法。
5.如权利要求1所述的基于图像识别技术的人工智能腐蚀选材系统，其特征在于：所述前端检索系统(1)和后端管理系统(2)均在Windows环境下运行，Windows通过无线网络连接移动式摄像头(207)。
6.如权利要求1所述的基于图像识别技术的人工智能腐蚀选材系统的工作方法，其特征在于，包括以下步骤：
S1：通过移动式摄像头(207)拍摄非数字化信息上传至图像识别单元；同时，数据收集单元(201)将预先采集的腐蚀图版、腐蚀相关文献和选材准则，通过信号连接导入图像识别单元(202)和后台数据库(203)中；
S2：在腐蚀材料区域架设移动式摄像头(207)，通过内置的数据采集单元(206)对腐蚀现象进行图片拍摄，并通过信号连接导入图像识别单元(202)；
S3：图像识别单元(202)利用二维卷积神经网络模型对采集的图片信息和文字信息进行处理和分析，提取特征数据，导入后台数据库(203)；
S4：后台数据库(203)利用随机森林算法训练特征数据，并保存训练好的模型；
S5：在前端检索系统(1)的综合选材模块(103)中输入腐蚀环境参数，并上传拍摄好的腐蚀图片，调用已经训练好的模型进行材料和腐蚀环境的匹配，得到材料选择顺序列表，输出推荐选材范围。
7.如权利要求6所述的基于图像识别技术的人工智能腐蚀选材系统的工作方法，其特征在于，S3中图像识别单元(202)提取的特征数据信息包括材料名称、材料性能、腐蚀速率、腐蚀等级和腐蚀环境参数。
8.如权利要求7所述的基于图像识别技术的人工智能腐蚀选材系统的工作方法，其特征在于，材料性能包括物理性能、力学性能和热力学性能。
9.如权利要求6所述的基于图像识别技术的人工智能腐蚀选材系统的工作方法，其特征在于，S5中前端检索系统(1)还包括查询与检索模块(102)，用于查询后台数据库(203)中材料信息和腐蚀数据信息，查询方法如下：
S501：在查询与检索模块(102)中输入材料名称进行单一查询，利用后台数据库(203)信息进行匹配，输出材料性能，包括物理性能、力学性能和热力学性能；
S502：在查询与检索模块(102)中输入介质名称、材料名称、介质浓度和温度进行组合查询，利用后台数据库(203)信息进行匹配，输出腐蚀等级和腐蚀图表。
CN202010826560.8A 2020-08-17 2020-08-17 一种基于图像识别技术的人工智能腐蚀选材系统及工作方法 Pending CN111949815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010826560.8A CN111949815A (zh) 2020-08-17 2020-08-17 一种基于图像识别技术的人工智能腐蚀选材系统及工作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010826560.8A CN111949815A (zh) 2020-08-17 2020-08-17 一种基于图像识别技术的人工智能腐蚀选材系统及工作方法

Publications (1)

Publication Number Publication Date
CN111949815A true CN111949815A (zh) 2020-11-17

Family

ID=73342611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010826560.8A Pending CN111949815A (zh) 2020-08-17 2020-08-17 一种基于图像识别技术的人工智能腐蚀选材系统及工作方法

Country Status (1)

Country Link
CN (1) CN111949815A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112461918A (zh) * 2020-11-20 2021-03-09 中国能源建设集团华东电力试验研究院有限公司 一种电涡流传感器的调节系统及其调节方法
CN113160909A (zh) * 2021-04-30 2021-07-23 苏州华碧微科检测技术有限公司 一种快速鉴定金属腐蚀失效的方法
CN113688272A (zh) * 2021-10-25 2021-11-23 南通瑞隆农产品开发有限公司 一种用于农产品包装的智能选材方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633038A (zh) * 2017-09-13 2018-01-26 浙江大学 基于图像识别技术的茶叶识别方法及其系统
CN110502650A (zh) * 2019-08-12 2019-11-26 深圳智能思创科技有限公司 一种基于自然语言描述的图像检索系统及方法
CN110991149A (zh) * 2019-11-12 2020-04-10 广州爱学信息科技有限公司 一种多模态实体链接方法和实体链接系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633038A (zh) * 2017-09-13 2018-01-26 浙江大学 基于图像识别技术的茶叶识别方法及其系统
CN110502650A (zh) * 2019-08-12 2019-11-26 深圳智能思创科技有限公司 一种基于自然语言描述的图像检索系统及方法
CN110991149A (zh) * 2019-11-12 2020-04-10 广州爱学信息科技有限公司 一种多模态实体链接方法和实体链接系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112461918A (zh) * 2020-11-20 2021-03-09 中国能源建设集团华东电力试验研究院有限公司 一种电涡流传感器的调节系统及其调节方法
CN112461918B (zh) * 2020-11-20 2024-05-24 中国能源建设集团华东电力试验研究院有限公司 一种电涡流传感器的调节系统及其调节方法
CN113160909A (zh) * 2021-04-30 2021-07-23 苏州华碧微科检测技术有限公司 一种快速鉴定金属腐蚀失效的方法
CN113688272A (zh) * 2021-10-25 2021-11-23 南通瑞隆农产品开发有限公司 一种用于农产品包装的智能选材方法及装置
CN113688272B (zh) * 2021-10-25 2022-03-15 南通瑞隆农产品开发有限公司 一种用于农产品包装的智能选材方法及装置

Similar Documents

Publication Publication Date Title
CN111949815A (zh) 一种基于图像识别技术的人工智能腐蚀选材系统及工作方法
CN112749266A (zh) 一种工业问答方法、装置、系统、设备及存储介质
CN112528519A (zh) 发动机质量预警服务的方法、系统、可读介质和电子设备
CN112132233A (zh) 一种基于有效影响因子的服刑人员危险行为预测方法及系统
CN106407429A (zh) 文件追踪方法、装置及系统
CN110908957A (zh) 电力行业网络安全日志审计分析方法
CN115296853A (zh) 一种基于网络时空特征的网络攻击检测方法
CN111159559A (zh) 根据用户需求和用户行为构建推荐引擎的方法
CN117114105B (zh) 基于科研大数据信息的目标对象推荐方法和系统
CN109241315B (zh) 一种基于深度学习的快速人脸检索方法
US20160078071A1 (en) Large scale offline retrieval of machine operational information
CN117372144A (zh) 应用于小样本场景的风控策略智能化方法及系统
CN116781330A (zh) 一种改进型贝叶斯理论的sql注入检测方法和电子设备
CN114004408B (zh) 一种基于数据分析的用户电力负荷预测方法
CN111026940A (zh) 一种面向电网电磁环境的网络舆情及风险信息监测系统、电子设备
CN102929862B (zh) 一种新词获取方法及系统
CN114443930A (zh) 一种新闻舆情智能监测分析方法、系统及计算机存储介质
CN112418449A (zh) 一种供电线路故障定位模型的生成方法、定位方法、装置
CN116882966B (zh) 一种运维设备巡检结果的故障判断方法和装置
CN112699176B (zh) 一种快速随机抽取方法、系统、终端以及存储介质
CN116993307B (zh) 一种具有人工智能学习能力的协同办公方法及系统
CN111538843B (zh) 游戏领域的知识图谱关系匹配方法、模型构建方法及装置
CN117058432B (zh) 图像查重方法、装置、电子设备及可读存储介质
CN118378023B (zh) 基于图计算的电力数据异常检测方法、系统、装置及介质
CN117614845B (zh) 基于大数据分析的通讯信息处理方法及装置

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201117