CN112329588A - 一种基于Faster R-CNN的管道故障检测方法 - Google Patents
一种基于Faster R-CNN的管道故障检测方法 Download PDFInfo
- Publication number
- CN112329588A CN112329588A CN202011188928.9A CN202011188928A CN112329588A CN 112329588 A CN112329588 A CN 112329588A CN 202011188928 A CN202011188928 A CN 202011188928A CN 112329588 A CN112329588 A CN 112329588A
- Authority
- CN
- China
- Prior art keywords
- data
- network model
- cnn
- faster
- training
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 84
- 230000004907 flux Effects 0.000 claims abstract description 63
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000007547 defect Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 66
- 230000006870 function Effects 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明公开了一种基于Faster R‑CNN的管道故障检测方法,将漏磁数据样本预处理后转变为伪彩色图像样本,标记目标类别及位置,构建带标记的样本集;构建Faster R‑CNN网络及SimCLR网络,使两者特征提取卷积层结构相同;通过自监督方式生成预训练网络模型,然后用预训练网络模型初始化Faster R‑CNN网络特征提取部分卷积层网络参数;采用带标记的样本集训练Faster R‑CNN网络;设漏磁数据预处理后的数据为Vs,将Vs转为伪彩色图像并输至训练完的Faster R‑CNN中,生成目标位置信号Sf及类别信号;设Vs’为Sf与Vs叠加后生成的漏磁数据,将Vs更新为Vs’,经n次迭代后,得到最终的目标位置及类别信号。本发明可提高整体检测精度。
Description
技术领域
本发明涉及管道无损检测技术领域,特别涉及一种基于Faster R-CNN的管道故障检测方法。
背景技术
目前,管道运输因具有可持续工作、运输量巨大并且不受气候以及地面等其他因素影响的优点而成为石油、天然气能源的主要运输方式。随着时间的积累,管道会日渐腐蚀,如果不及时维修容易发生能源泄漏、环境污染甚至导致严重的安全事故。因此保障管道安全运输,实现对管道状态定期检查显得愈发重要。
当前国内外公认的管道安全检测的最有效手段是漏磁内检测,其主要原理是安装在管道内检测器上的霍尔元件记录周边磁场的变化,通过分析漏磁信号的差异来确定管壁状态。
管道异常信号的分析是管道漏磁检测中尤为重要的一环,寻找一种合理高效的管道漏磁信号异常检测算法显得尤为重要,传统的检测方法主要是阈值法和基于机器学习中Boosting算法等,但是这类算法过于依赖信号的幅值信息,对于小的信号波动会产生大量的误检并且对幅值变化趋势相近的缺陷与组件很难达到精确的分类,而且此类方法也需要大量的专家经验用于后期的甄别。
近年来随着深度学习在各个领域的不断应用以及其蓬勃的发展,目标检测技术也依靠着深度学习的发展背景不断发生着改革与创新。基于深度学习的目标检测首先是在基于图片进行的,无论给定的图片上是单目标形式还是多目标共存,目标检测的目的就是找到我们需要检测的目标并对目标实现精准的分类以及定位。但是深度学习的计算过程需要依靠大量的可标注样本,而且需要图像中各个类别故障清晰可见。但是实际的管道漏磁数据中可标注样本数量有限,而且在漏磁数据的可视化图像方面存在各类故障可视化不明确的问题,给实际的检测带来了一定的难度。
发明内容
本发明为解决公知技术中存在的技术问题而提供一种基于Faster R-CNN的管道故障检测方法。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:一种基于FasterR-CNN的管道故障检测方法,将漏磁数据样本进行预处理后转变为伪彩色图像样本,对伪彩色图像样本标记目标类别及位置,构建带有标记的漏磁数据样本集;构建Faster R-CNN 网络模型及SimCLR网络模型,并使两者采取相同的特征提取网络;采用自监督的方式训练SimCLR网络模型,生成预训练网络模型,然后利用生成的预训练网络模型初始化 FasterR-CNN网络模型中特征提取部分的卷积层的网络参数;采用带有标记的漏磁数据样本集训练Faster R-CNN网络模型;将检测采集的管道漏磁数据进行预处理,设预处理后的管道漏磁数据为Vs,将Vs转变为伪彩色图像,并输入至训练完成的Faster R-CNN网络模型中,由Faster R-CNN网络模型生成对应Vs的目标位置及类别信号;设生成的目标位置信号为Sf,设Vs’为Sf与Vs叠加后生成的管道漏磁数据,将Vs更新为Vs’,将更新后的Vs重新转变为伪彩色图像输入至Faster R-CNN网络模型中,经n次迭代后,得到最终的管道漏磁数据的目标位置及类别信号。
进一步地,该方法包括如下步骤:
步骤1:选取若干包含缺陷及组件的漏磁数据样本并转变为伪彩色图像样本,对伪彩色图像样本进行目标类别及位置标记,制成综合训练数据集;
步骤2:选取若干个只包含单类组件或者单类缺陷的漏磁数据样本,并将其转变为伪彩色图像样本,制成预训练数据集;
步骤3:构建设有卷积层、RPN层及池化层的Faster R-CNN网络模型;构建设有卷积层及全连接层的SimCLR网络模型;
步骤4:采用自监督的方式用预训练数据集训练SimCLR网络模型,生成预训练网络模型;
步骤5:利用预训练网络模型初始化Faster R-CNN网络模型中特征提取部分的卷积层的参数;
步骤6:利用综合训练数据集训练Faster R-CNN网络模型,由Faster R-CNN网络模型的卷积层生成特征图,设生成的特征图为Fd;由Faster R-CNN网络模型的RPN层生成目标候选区域,设生成的目标候选区域为Ow;将Fd与Ow共同输入ROI池化层,完成Faster R-CNN网络模型的训练;设训练完成的Faster R-CNN网络模型为Mf;
步骤7:采集管道的漏磁数据,对采集的漏磁数据先进行初步滤波,去除高频干扰,然后进行基值校正,设基值校正后的漏磁数据为Vs;
步骤8:将Vs分别做高频和低频的多分辨率滤波处理,设Vs经高频多分辨率滤波处理后生成的数据为S1,设Vs经低频多分辨率滤波处理后生成的数据为S2,将S1、S2重构为综合数据,设综合数据为S;
步骤9:将综合数据S做伪彩色图转换,设转换后的漏磁图像数据为So;
步骤10:将So作为Mf的输入,生成对应此So的目标位置及类别信号,将此So的目标位置信号记作Sf,将Sf与Vs叠加生成Vs’,使Vs更新为Vs’;令k=k+1;
步骤11:判断迭代次数是否达到n次,如果k≤n,则重复步骤8至步骤10,如果k >n;则由Faster R-CNN网络模型得到最终的管道漏磁数据的目标位置及类别信号。
进一步地,所述步骤1中,对伪彩色图像样本进行目标类别及位置标记,其中目标包括缺陷及组件,每个目标的位置信息记作Gt[xmin,ymin,xmax,ymax],其中xmin、ymin为图像中目标的左上角的坐标,xmax、ymax为图像中目标的右下角的坐标;将m×n的伪彩色图像样本随机剪裁成l×l的图像,制成综合训练数据集。
进一步地,所述步骤3中,Faster R-CNN网络的卷积层采用残差网络ResNet50 中的前m个序列。
进一步地,所述步骤4包含以下分步骤:
步骤4.1:设预训练数据集为Sd,从数据集Sd每次抽取一批次样本,将每个批次的数据做两次图像增强处理,每个样本经过不同的图像增强方法处理后生成一对样本,将一对样本称为样本对;
步骤4.2:将每个批次生成的样本对送入SimCLR网络模型的卷积层来提取特征,生成特征向量hi、hj,并且将特征向量hi、hj送入后续的全连接层;
步骤4.3:将经过全连接层后输出的两个特征向量进行最大化相似性处理;
步骤4.4:设置相似度阈值,判断两个特征变量相似性是否达到相似度阈值,如果未达到,则重复步骤4.1至步骤4.3,如果达到则训练结束,生成最终的预训练网络模型。
进一步地,所述步骤6中,利用综合训练数据集训练Faster R-CNN网络模型时,Faster R-CNN网络模型的损失函数设置如下:
式中,L(pi,ti)表示Faster R-CNN网络模型的总损失函数;Ncls表示训练RPN网络过程中利用的anchor的个数;表示分类损失函数;λ表示归一化权重;Nreg表示特征图的大小;表示位置回归损失函数;代表真实的标签,其取值为0和 1,当标签为正样本时为1,标签为负样本时为0;pi表示anchor预测为目标的概率;ti表示预测位置的参数化坐标;表示实际标注位置的参数化坐标。
进一步地,所述步骤7中,采用平均中值法对各通道漏磁信号进行基值校正,将原始漏磁数据分割为m×n的二维矩阵,其中m=n×2+36,n为轴向传感器通道个数;采用每个传感器在该管段的中值信号作为基准,按照下式校正漏磁信号:
式中,Di,j为基值校正前位置(i,j)处漏磁信号幅值,Mi为通道i幅值的中值,Vi,j为基值校正后位置(i,j)处的漏磁信号,j为轴向通道个数。
进一步地,所述步骤8中,采用高斯滤波模板为g×g的二维高斯滤波模块对信号Vs做高频处理,得到高频数据S1;采用均值滤波模板为a×a的二维均值滤波模块对信号Vs做低频处理,得到低频数据S2;将S1和S2进行非线性重构,得到最终的综合数据S;综合数据S的表达式如下式所示:
S=Vs+k*log(Vs-Vmin+1);
式中,Vs为基值校正后的漏磁数据;k为增益系数;Vmin为基值校正后漏磁数据的最小值。
进一步地,所述步骤9包含以下分步骤:
步骤9.1:将综合数据S利用3σ准则作进一步转化,其转化方法如下式所示:
式中,Si,j为综合数据S在位置(i,j)处的漏磁信号;Sm_1为漏磁信号的下限阈值,其设置为μ-σ;Sm_2为漏磁信号的上限阈值,其设置为μ+5σ;Ci,j为变换后的漏磁信号;μ为待检测数据的均值,σ为待检测数据的标准差;
步骤9.2:设置图像转换分辨率为ω,将漏磁信号Ci,j整数化至区间[0,1/ω),同时按照jet颜色表,将颜色表中原来的颜色图矩阵做对应的线性插值,制作出行数为1/ω的颜色矩阵Cmap,矩阵每行包含3列数据,分别对应伪彩色图的R、G、B三通道;
步骤9.3:将步骤9.2中得到的整数化矩阵按照序号进行索引,每一个值对应Cmap中的一行,最终将一段漏磁数据中的所有颜色矩阵组合成伪彩色图。
进一步地,所述步骤10中,将Sf中目标的起始与终止里程信息对应记作xmin,xmax,将Sf中目标的起始与终止通道对应记作ymin,ymax,采用三次样条插值对Vs’的目标区域进行平滑处理后,将Vs更新为Vs’。
本发明具有的优点和积极效果是:本发明针对漏磁信号可视化过程中缺陷以及组件类别不清晰问题,提出多分辨率图像转换;同时针对漏磁检测数据中可标注样本数量不足的问题,本发明提出基于自监督网络模型的Faster R-CNN检测算法,在少量可标注样本的情况下提高漏磁数据中多目标的识别方法,提高漏磁信号可视化效果,并且为后续的样本制作提供基础。本发明可实现组件与缺陷的同步检测,减少了实际检测过程中人为经验的干涉。本发明在少量可标注样本的前提下可提高整体检测精度。
附图说明
附图1为本发明的一种工作流程框图;
附图2为采用本发明的方法由原始漏磁数据转化生成的伪彩色图;
附图3为采用本发明的方法标注样本格式图;
附图4为本发明的一种自监督网络模型工作原理图;
附图5为本发明的一种Faster R-CNN网络模型工作原理图;
附图6为原始漏磁数据采用本发明的方法处理后得到的检测效果图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹列举以下实施例,并配合附图详细说明如下:
请参见图1至图6,一种基于Faster R-CNN的管道故障检测方法,将漏磁数据样本进行预处理后转变为伪彩色图像样本,对伪彩色图像样本标记目标类别及位置,构建带有标记的漏磁数据样本集;构建Faster R-CNN网络模型及SimCLR网络模型,并使两者采取相同的特征提取网络;采用自监督的方式训练SimCLR网络模型,生成预训练网络模型,然后利用生成的预训练网络模型初始化Faster R-CNN网络模型中特征提取部分的卷积层的网络参数;采用带有标记的漏磁数据样本集训练Faster R-CNN网络模型;将检测采集的管道漏磁数据进行预处理,设预处理后的管道漏磁数据为Vs,将Vs转变为伪彩色图像,并输入至训练完成的Faster R-CNN网络模型中,由Faster R-CNN网络模型生成对应Vs的目标位置及类别信号;设生成的目标位置信号为Sf,将Sf与Vs叠加,设Vs’为 Sf与Vs叠加后生成的管道漏磁数据,将Vs更新为Vs’,将更新后的Vs重新转变为伪彩色图像再次输入至训练完成的FasterR-CNN网络模型中,再次由Faster R-CNN网络模型生成对应Vs的目标位置及类别信号;并再次将Vs更新为Sf与Vs叠加后的数据,如此反复迭代,经n次迭代后,得到最终的管道漏磁数据的目标位置及类别信号。
Faster R-CNN是一种快速区域卷积神经网络,可采用现有技术中的Faster R-CNN结构搭建Faster R-CNN网络模型。SimCLR网络是一种自监督学习网络,可采用现有技术中的SimCLR网络结构搭建SimCLR网络模型。
上述方法可包括如下步骤:
步骤1:可选取若干包含缺陷及组件的漏磁数据样本并转变为伪彩色图像样本,对伪彩色图像样本进行目标类别及位置标记,制成综合训练数据集。
步骤2:可选取若干个只包含单类组件或者单类缺陷的漏磁数据样本,并将其转变为伪彩色图像样本,制成预训练数据集。
步骤3:可构建设有卷积层、RPN层及池化层的Faster R-CNN网络模型。可构建设有卷积层及全连接层的SimCLR自监督网络模型。
步骤4:可采用自监督的方式用预训练数据集训练SimCLR网络模型,生成预训练网络模型
步骤5:利用预训练网络模型初始化Faster R-CNN网络模型的特征提取部分卷积层的参数。
步骤6:利用综合训练数据集训练Faster R-CNN网络模型,由Faster R-CNN网络模型的卷积层生成特征图,可设生成的特征图为Fd。由Faster R-CNN网络模型的RPN层生成目标候选区域,设生成的目标候选区域为Ow。可将Fd与Ow共同输入ROI池化层,完成Faster R-CNN网络模型的训练。将Fd与Ow共同输入ROI池化层,是为了实现后续的分类以及定位。可设训练完成的Faster R-CNN网络模型为Mf。
步骤7:采集管道的漏磁数据,可对采集的漏磁数据先进行初步滤波,去除高频干扰,然后进行基值校正,可设基值校正后的漏磁数据为Vs。
步骤8:可将Vs分别做高频和低频的多分辨率滤波处理,可设Vs经高频多分辨率滤波处理后生成的数据为S1,可设Vs经低频多分辨率滤波处理后生成的数据为S2,将S1、S2重构为综合数据,可设综合数据为S。
步骤9:将综合数据S做伪彩色图转换,可设转换后的漏磁图像数据为So。
步骤10:将So作为Mf的输入,生成对应此So的目标位置及类别信号,可将此So的目标位置信号记作Sf,将Sf与Vs叠加生成Vs’,使Vs更新为Vs’。令k=k+1。
步骤11:判断迭代次数是否达到n次,如果k≤n,则重复步骤8至步骤10,如果k >n。则由Faster R-CNN网络模型得到最终的管道漏磁数据的目标位置及类别信号。
优选地,所述步骤1中,对伪彩色图像样本进行目标类别及位置标记,其中目标可包括缺陷及组件,每个目标的位置信息可记作Gt[xmin,ymin,xmax,ymax],其中xmin、ymin为图像中目标的左上角的坐标,xmax、ymax为图像中目标的右下角的坐标。可将m×n的伪彩色图像样本随机剪裁成l×l的图像,制成综合训练数据集。
优选地,所述步骤3中,Faster R-CNN网络的卷积层可采用残差网络ResNet50 中的前m个序列。
优选地,所述步骤4可包含以下分步骤:
步骤4.1:设预训练数据集为Sd,从数据集Sd每次抽取一批次样本,将每个批次的数据做两次图像增强处理,每个样本经过不同的图像增强方法处理后生成一对样本,将一对样本称为样本对;设X为从数据集Sd抽取的样本,Xi是X经过一种两次图像增强方法处理后生成的一个样本,Xj是X经过另外一种两次图像增强方法处理后生成的一个样本;Xi、Xj为一对样本,将Xi、Xj称为样本对。
步骤4.2:将每个批次生成的样本对送入SimCLR网络模型的卷积层来提取特征,生成特征向量hi、hj,可设由Xi生成特征向量hi,由Xj生成特征向量hj;然后将特征向量 hi、hj送入后续的全连接层;
步骤4.3:可将经过全连接层后输出的两个特征向量进行最大化相似性处理。
步骤4.4:可设置相似度阈值,判断两个特征变量相似性是否达到相似度阈值,如果未达到,则重复步骤4.1至步骤4.3,如果达到则训练结束,生成最终的预训练网络模型。
优选地,所述步骤6中,利用综合训练数据集训练Faster R-CNN网络模型时,Faster R-CNN网络模型的损失函数可设置如下:
式中,L(pi,ti)表示Faster R-CNN网络模型的总损失函数;Ncls表示训练RPN网络过程中利用的anchor的个数,实际训练中可选择为256;表示分类损失函数;λ表示归一化权重,对于输入网络为600*1000的图像,λ可取作10;Nreg表示特征图的大小,设特征图长宽分别为h、w,则Nreg=h*w;表示位置回归损失函数;代表真实的标签,其取值为0和1,当标签为正样本时为1,标签为负样本时为0;pi表示anchor 预测为目标的概率;ti表示预测位置的参数化坐标;表示实际标注位置的参数化坐标。
优选地,所述步骤7中,可采用平均中值法对各通道漏磁信号进行基值校正,可将原始漏磁数据分割为m×n的二维矩阵,其中可设m=n×2+36,n为轴向传感器通道个数。可采用每个传感器在该管段的中值信号作为基准,可按照下式校正漏磁信号:
式中,Di,j为基值校正前位置(i,j)处漏磁信号幅值,Mi为通道i幅值的中值,Vi,j为基值校正后位置(i,j)处的漏磁信号,j为轴向通道个数。
优选地,所述步骤8中,可采用高斯滤波模板为g×g的二维高斯滤波模块对信号Vs做高频处理,得到高频数据S1;可采用均值滤波模板为a×a的二维均值滤波模块对信号 Vs做低频处理,得到低频数据S2;可将S1和S2进行非线性重构,得到最终的综合数据S;综合数据S的表达式可如下式所示:
S=Vs+k*log(Vs-Vmin+1)。
式中,Vs为基值校正后的漏磁数据;k为增益系数;Vmin为基值校正后漏磁数据的最小值。
优选地,所述步骤9可包含以下步骤:
步骤9.1:可将综合数据S利用3σ准则作进一步转化,其转化方法如下式所示:
式中,Si,j为综合数据S在位置(i,j)处的漏磁信号;Sm_1为漏磁信号的下限阈值,其设置为μ-σ;Sm_2为漏磁信号的上限阈值,其设置为μ+5σ;Ci,j为变换后的漏磁信号;μ为待检测数据的均值,σ为待检测数据的标准差。
步骤9.2:可设置图像转换分辨率为ω,可将漏磁信号Ci,j整数化至区间[0,1/ω),同时按照jet颜色表,可将颜色表中原来的颜色图矩阵(1,1,0)...(1,0,1),做对应的线性插值,制作出行数为1/ω的颜色矩阵Cmap,矩阵每行包含3列数据,分别对应伪彩色图的 R、G、B三通道。
步骤9.3:可将步骤9.2中得到的整数化矩阵按照序号进行索引,每一个值对应Cmap 中的一行,最终将一段漏磁数据中的所有颜色矩阵组合成伪彩色图。
优选地,所述步骤10中,可将Sf中目标的起始与终止里程信息对应记作xmin,xmax,将Sf中目标的起始与终止通道对应记作ymin,ymax,可采用三次样条插值对Vs’的目标区域进行平滑处理后,将Vs更新为Vs’。
下面以本发明的一个优选实施例来进一步说明本发明的工作原理:
请参见图1,图1为本发明的一种工作流程框图,首先对采集到的漏磁数据做滤波、基值校正的预处理;然后对漏磁数据通过分段灰度映射与灰度—彩色转换的方式转为伪彩色图;利用自监督方式训练初步的预训练模型,并利用预训练模型初始化Faster R-CNN 网络,利用Faster R-CNN网络训练出的模型对实际数据进行迭代检测,最终实现漏磁数据异常信号的检测。
一种基于Faster R-CNN的管道故障检测方法,包括以下步骤:
步骤1:选取若干包含缺陷及组件的漏磁数据样本并转变为伪彩色图像样本,经过转换后的伪彩色图像样本尺寸可为m×n,m×n可选360×144,对伪彩色图像样本进行目标类别及位置标记,制成综合训练数据集;对伪彩色图像样本进行目标类别及位置标记时,其中目标包括缺陷及组件,每个目标的位置信息记作Gt[xmin,ymin,xmax,ymax],其中 xmin、ymin为图像中目标的左上角的坐标,xmax、ymax为图像中目标的右上角的坐标;将 m×n的伪彩色图像样本随机剪裁成l×l的图像,l×l可为32×32,制成综合训练数据集。
步骤2:选取若干个只包含单类组件或者单类缺陷的漏磁数据样本,并将其转变为伪彩色图像样本,制成预训练数据集;将m×n的图像做随机剪裁,m×n可选360×144,同时将剪裁后的图像调整为l×l大小的图像,l×l可为32×32,l×l的图像可以包含单类的组件或者单类缺陷及背景信息,生成最终的预训练数据集。
步骤3:构建设有卷积层、RPN层及池化层的Faster R-CNN网络模型;Faster R-CNN网络的卷积层采用残差网络ResNet50中的前m个序列,m可取4~6,用来提取漏磁数据的抽象特征,得到漏磁数据的特征图Feature map。RPN层包括两个全连接层。构建设有卷积层及全连接层的SimCLR自监督网络模型。
步骤4:采用自监督的方式用预训练数据集训练SimCLR自监督网络模型,生成预训练网络模型。
步骤4包含以下具体分步骤:
步骤4.1:设预训练数据集为Sd,从数据集Sd每次抽取一批次样本,将每个批次的数据做两次图像增强后,每个样本生成一对的样本对。
步骤4.2:将每个批次生成的样本对送入SimCLR自监督网络模型的卷积层来提取特征,生成特征向量hi、hj,并且将特征向量hi、hj送入后续的线性网络;线性网络。包括全连接层、激活层、全连接层。激活层的激活函数为relu,其表达式如下式所示:
relu(x)=max(0,x)。
步骤4.3:将依次经过全连接层、激活层、全连接层后输出的两个特征向量进行最大化相似性处理。
步骤4.3:设置相似度阈值,判断两个特征变量相似性是否达到相似度阈值,如果未达到,则重复步骤4.1至步骤4.3,从而使得同类组件或者缺陷能够尽可能相近。如果达到则训练结束,生成最终的预训练网络模型。
步骤5:利用预训练网络模型初始化Faster R-CNN网络模型的卷积层的参数。
步骤6:利用综合训练数据集训练Faster R-CNN网络模型,由Faster R-CNN网络模型的卷积层生成特征图,设生成的特征图为Fd;由Faster R-CNN网络模型的RPN层生成目标候选区域,设生成的目标候选区域为Ow;将Fd与Ow共同输入ROI池化层,实现后续的分类以及定位,完成对Faster R-CNN网络模型的训练,训练完成的Faster R-CNN 网络模型为Mf即可作为漏磁数据的最终检测模型。设训练完成的Faster R-CNN网络模型为Mf。
利用综合训练数据集训练Faster R-CNN网络模型时,Faster R-CNN网络模型的损失函数设置如下:
式中,L(pi,ti)表示Faster R-CNN网络模型的总损失函数;Ncls表示训练RPN网络过程中利用的anchor的个数,实际训练中可选择为256;表示分类损失函数;λ表示归一化权重,对于输入网络为600*1000的图像,λ可取作10;Nreg表示特征图的大小,设特征图长宽分别为h、w,则Nreg=h*w;表示位置回归损失函数;代表真实的标签,其取值为0和1,当标签为正样本时为1,标签为负样本时为0;pi表示anchor 预测为目标的概率;ti表示预测位置的参数化坐标;表示实际标注位置的参数化坐标。
步骤7:采集管道的漏磁数据,对采集的漏磁数据进行有效性判定,对有效的漏磁数据先进行初步滤波,去除高频干扰,然后进行基值校正,设基值校正后的漏磁数据为Vs;采用平均中值法对各通道漏磁信号进行基值校正,将原始漏磁数据分割为m×n的二维矩阵,其中m=n×2+36,n为轴向传感器通道个数,n通常为144;采用每个传感器在该管段的中值信号作为基准,按照下式校正漏磁信号:
式中,Di,j为基值校正前位置(i,j)处漏磁信号幅值,Mi为通道i幅值的中值,Vi,j为基值校正后位置(i,j)处的漏磁信号,j为轴向通道个数。
步骤8:将Vs分别做高频和低频的多分辨率滤波处理,设Vs经高频多分辨率滤波处理后生成的数据为S1,设Vs经低频多分辨率滤波处理后生成的数据为S2,将S1、S2重构为综合数据,设综合数据为S。
采用高斯滤波模板为5×5的二维高斯滤波模块对信号Vs做高频处理,得到高频数据S1;采用均值滤波模板为21×21的二维均值滤波模块对信号Vs做低频处理,得到低频数据S2;将S1和S2进行非线性重构,得到最终的综合数据S;综合数据S的表达式如下式所示:
S=Vs+k*log(Vs-Vmin+1)。
式中,Vs为基值校正后的漏磁数据;k为增益系数;Vmin为基值校正后漏磁数据的最小值。
步骤9:将综合数据S做伪彩色图转换,设转换后的漏磁图像数据为So。
步骤9包含以下具体分步骤:
步骤9.1:将综合数据S利用3σ准则作进一步转化,其转化方法如下式所示:
式中,Si,j为综合数据S在位置(i,j)处的漏磁信号;Sm_1为漏磁信号的下限阈值,其设置为μ-σ;Sm_2为漏磁信号的上限阈值,其设置为μ+5σ;Ci,j为变换后的漏磁信号;μ为待检测数据的均值,σ为待检测数据的标准差。
步骤9.2:设置图像转换分辨率为ω,将漏磁信号Ci,j整数化至区间[0,1/ω),同时按照jet颜色表,将颜色表中原来的颜色图矩阵(1,1,0)...(1,0,1),做对应的线性插值,制作出行数为1/ω的颜色矩阵Cmap,矩阵每行包含3列数据,分别对应伪彩色图的R、G、B三通道。
步骤9.3:将步骤9.2中得到的整数化矩阵按照序号进行索引,每一个值对应Cmap中的一行,最终将一段漏磁数据中的所有颜色矩阵组合成伪彩色图。
步骤10:将So作为Mf的输入,生成对应此So的目标位置及类别信号,将此So的目标位置信号记作Sf,将Sf中目标的起始与终止里程信息对应记作xmin,xmax,将Sf中目标的起始与终止通道对应记作ymin,ymax,将Sf与Vs叠加生成Vs’,采用三次样条插值对Vs’的目标区域进行平滑处理,处理的目的是为了突出小信号。将Vs更新为平滑处理后的Vs’。令k=k+1。
步骤11:判断迭代次数是否达到n次,如果k≤n,则重复步骤8至步骤10,如果k >n;则由Faster R-CNN网络模型得到最终的管道漏磁数据的目标位置及类别信号。
步骤12:将步骤11得到的管道漏磁数据的目标位置及类别信号按照里程与通道信息去除重复检测区域,生成最终的检测结果。
以上所述的实施例仅用于说明本发明的技术思想及特点,其目的在于使本领域内的技术人员能够理解本发明的内容并据以实施,不能仅以本实施例来限定本发明的专利范围,即凡本发明所揭示的精神所作的同等变化或修饰,仍落在本发明的专利范围内。
Claims (10)
1.一种基于Faster R-CNN的管道故障检测方法,其特征在于,将漏磁数据样本进行预处理后转变为伪彩色图像样本,对伪彩色图像样本标记目标类别及位置,构建带有标记的漏磁数据样本集;构建Faster R-CNN网络模型及SimCLR网络模型,并使两者采取相同的特征提取网络;采用自监督的方式训练SimCLR网络模型,生成预训练网络模型,然后利用生成的预训练网络模型初始化Faster R-CNN网络模型中特征提取部分的卷积层的网络参数;采用带有标记的漏磁数据样本集训练Faster R-CNN网络模型;将检测采集的管道漏磁数据进行预处理,设预处理后的管道漏磁数据为Vs,将Vs转变为伪彩色图像,并输入至训练完成的Faster R-CNN网络模型中,由Faster R-CNN网络模型生成对应Vs的目标位置及类别信号;设生成的目标位置信号为Sf,设Vs’为Sf与Vs叠加后生成的管道漏磁数据,将Vs更新为Vs’,将更新后的Vs重新转变为伪彩色图像输入至Faster R-CNN网络模型中,经n次迭代后,得到最终的管道漏磁数据的目标位置及类别信号。
2.根据权利要求1所述的基于Faster R-CNN的管道故障检测方法,其特征在于,该方法包括如下步骤:
步骤1:选取若干包含缺陷及组件的漏磁数据样本并转变为伪彩色图像样本,对伪彩色图像样本进行目标类别及位置标记,制成综合训练数据集;
步骤2:选取若干个只包含单类组件或者单类缺陷的漏磁数据样本,并将其转变为伪彩色图像样本,制成预训练数据集;
步骤3:构建设有卷积层、RPN层及池化层的Faster R-CNN网络模型;构建设有卷积层及全连接层的SimCLR网络模型;
步骤4:采用自监督的方式用预训练数据集训练SimCLR网络模型,生成预训练网络模型;
步骤5:利用预训练网络模型初始化Faster R-CNN网络模型中特征提取部分的卷积层的参数;
步骤6:利用综合训练数据集训练Faster R-CNN网络模型,由Faster R-CNN网络模型的卷积层生成特征图,设生成的特征图为Fd;由Faster R-CNN网络模型的RPN层生成目标候选区域,设生成的目标候选区域为Ow;将Fd与Ow共同输入ROI池化层,完成Faster R-CNN网络模型的训练;设训练完成的Faster R-CNN网络模型为Mf;
步骤7:采集管道的漏磁数据,对采集的漏磁数据先进行初步滤波,去除高频干扰,然后进行基值校正,设基值校正后的漏磁数据为Vs;
步骤8:将Vs分别做高频和低频的多分辨率滤波处理,设Vs经高频多分辨率滤波处理后生成的数据为S1,设Vs经低频多分辨率滤波处理后生成的数据为S2,将S1、S2重构为综合数据,设综合数据为S;
步骤9:将综合数据S做伪彩色图转换,设转换后的漏磁图像数据为So;
步骤10:将So作为Mf的输入,生成对应此So的目标位置及类别信号,将此So的目标位置信号记作Sf,将Sf与Vs叠加生成Vs’,使Vs更新为Vs’;令k=k+1;
步骤11:判断迭代次数是否达到n次,如果k≤n,则重复步骤8至步骤10,如果k>n;则由Faster R-CNN网络模型得到最终的管道漏磁数据的目标位置及类别信号。
3.根据权利要求2所述的基于Faster R-CNN的管道故障检测方法,其特征在于,所述步骤1中,对伪彩色图像样本进行目标类别及位置标记,其中目标包括缺陷及组件,每个目标的位置信息记作Gt[xmin,ymin,xmax,ymax],其中xmin、ymin为图像中目标的左上角的坐标,xmax、ymax为图像中目标的右下角的坐标;将m×n的伪彩色图像样本随机剪裁成l×l的图像,制成综合训练数据集。
4.根据权利要求2所述的基于Faster R-CNN的管道故障检测方法,其特征在于,所述步骤3中,Faster R-CNN网络的卷积层采用残差网络ResNet50中的前m个序列。
5.根据权利要求2所述的基于Faster R-CNN的管道故障检测方法,其特征在于,所述步骤4包含以下分步骤:
步骤4.1:设预训练数据集为Sd,从数据集Sd每次抽取一批次样本,将每个批次的数据做两次图像增强处理,每个样本经过不同的图像增强方法处理后生成一对样本,将一对样本称为样本对;
步骤4.2:将每个批次生成的样本对送入SimCLR网络模型的卷积层来提取特征,生成特征向量hi、hj,并且将特征向量hi、hj送入后续的全连接层;
步骤4.3:将经过全连接层后输出的两个特征向量进行最大化相似性处理;
步骤4.4:设置相似度阈值,判断两个特征变量相似性是否达到相似度阈值,如果未达到,则重复步骤4.1至步骤4.3,如果达到则训练结束,生成最终的预训练网络模型。
8.根据权利要求2所述的基于Faster R-CNN的管道故障检测方法,其特征在于,所述步骤8中,采用高斯滤波模板为g×g的二维高斯滤波模块对信号Vs做高频处理,得到高频数据S1;采用均值滤波模板为a×a的二维均值滤波模块对信号Vs做低频处理,得到低频数据S2;将S1和S2进行非线性重构,得到最终的综合数据S;综合数据S的表达式如下式所示:
S=Vs+k*log(Vs-Vmin+1);
式中,Vs为基值校正后的漏磁数据;k为增益系数;Vmin为基值校正后漏磁数据的最小值。
9.根据权利要求2所述的基于Faster R-CNN的管道故障检测方法,其特征在于,所述步骤9包含以下分步骤:
步骤9.1:将综合数据S利用3σ准则作进一步转化,其转化方法如下式所示:
式中,Si,j为综合数据S在位置(i,j)处的漏磁信号;Sm_1为漏磁信号的下限阈值,其设置为μ-σ;Sm_2为漏磁信号的上限阈值,其设置为μ+5σ;Ci,j为变换后的漏磁信号;μ为待检测数据的均值,σ为待检测数据的标准差;
步骤9.2:设置图像转换分辨率为ω,将漏磁信号Ci,j整数化至区间[0,1/ω),同时按照jet颜色表,将颜色表中原来的颜色图矩阵做对应的线性插值,制作出行数为1/ω的颜色矩阵Cmap,矩阵每行包含3列数据,分别对应伪彩色图的R、G、B三通道;
步骤9.3:将步骤9.2中得到的整数化矩阵按照序号进行索引,每一个值对应Cmap中的一行,最终将一段漏磁数据中的所有颜色矩阵组合成伪彩色图。
10.根据权利要求2所述的基于Faster R-CNN的管道故障检测方法,其特征在于,所述步骤10中,将Sf中目标的起始与终止里程信息对应记作xmin,xmax,将Sf中目标的起始与终止通道对应记作ymin,ymax,采用三次样条插值对Vs’的目标区域进行平滑处理后,将Vs更新为Vs’。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188928.9A CN112329588B (zh) | 2020-10-30 | 2020-10-30 | 一种基于Faster R-CNN的管道故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188928.9A CN112329588B (zh) | 2020-10-30 | 2020-10-30 | 一种基于Faster R-CNN的管道故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329588A true CN112329588A (zh) | 2021-02-05 |
CN112329588B CN112329588B (zh) | 2024-01-05 |
Family
ID=74296776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011188928.9A Active CN112329588B (zh) | 2020-10-30 | 2020-10-30 | 一种基于Faster R-CNN的管道故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329588B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256613A (zh) * | 2021-06-21 | 2021-08-13 | 中国石油大学(北京) | 一种管道损伤数据特征识别模型与方法 |
CN113606502A (zh) * | 2021-07-16 | 2021-11-05 | 青岛新奥燃气设施开发有限公司 | 一种基于机器视觉判断操作人员执行管道漏气检测的方法 |
CN113899809A (zh) * | 2021-08-20 | 2022-01-07 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
CN114863207A (zh) * | 2022-04-14 | 2022-08-05 | 北京百度网讯科技有限公司 | 目标检测模型的预训练方法、装置及电子设备 |
CN115081485A (zh) * | 2022-07-04 | 2022-09-20 | 中特检深燃安全技术服务(深圳)有限公司 | 一种基于ai的漏磁内检测数据自动分析方法 |
CN115841449A (zh) * | 2022-09-23 | 2023-03-24 | 昆明市测绘研究院 | 排水管道结构性缺陷纵向定位的单目测距方法及存储介质 |
CN117420196A (zh) * | 2023-11-20 | 2024-01-19 | 中磁数智(北京)科技有限公司 | 一种基于目标检测与弱磁检测的管道缺陷识别定位方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5982990A (en) * | 1995-07-20 | 1999-11-09 | Hewlett-Packard Company | Method and apparatus for converting color space |
US20060170942A1 (en) * | 2005-01-28 | 2006-08-03 | Pentax Corporation | Color-space transformation-matrix calculating method and image processing device |
US20130031130A1 (en) * | 2010-12-30 | 2013-01-31 | Charles Wilbur Hahm | System and method for interactive querying and analysis of data |
US20140204120A1 (en) * | 2013-01-23 | 2014-07-24 | Fujitsu Limited | Image processing device and image processing method |
CN105425123A (zh) * | 2015-11-20 | 2016-03-23 | 国网福建省电力有限公司泉州供电公司 | 一种紫外成像与红外成像协同检测电力设备故障的方法及系统 |
CN105681625A (zh) * | 2014-12-05 | 2016-06-15 | 株式会社巨晶片 | 颜色信号处理装置及颜色信号处理方法 |
CN108573514A (zh) * | 2018-04-16 | 2018-09-25 | 北京市神经外科研究所 | 一种图像的三维融合方法及装置、计算机存储介质 |
CN109146948A (zh) * | 2018-07-27 | 2019-01-04 | 内蒙古大学 | 基于视觉的作物长势表型参数量化与产量相关性分析方法 |
CN109711000A (zh) * | 2018-12-10 | 2019-05-03 | 南京航空航天大学 | 一种基于试车数据的航空发动机起动故障诊断方法 |
CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
WO2019136946A1 (zh) * | 2018-01-15 | 2019-07-18 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及系统 |
CN110146589A (zh) * | 2019-06-17 | 2019-08-20 | 东北大学 | 一种管道漏磁数据的高清可视化方法 |
CN110568416A (zh) * | 2019-09-17 | 2019-12-13 | 南京莱斯网信技术研究院有限公司 | 一种基于遥感影像的雷达有效检测区域提取方法 |
CN110633759A (zh) * | 2019-09-24 | 2019-12-31 | 北京华力兴科技发展有限责任公司 | 图像融合方法、装置及电子设备 |
CN111062286A (zh) * | 2019-12-09 | 2020-04-24 | 武汉理工光科股份有限公司 | 清管器的跟踪定位方法及系统 |
US20200210826A1 (en) * | 2018-12-29 | 2020-07-02 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN111831872A (zh) * | 2020-06-09 | 2020-10-27 | 中海油能源发展装备技术有限公司 | 一种小缺陷特征增强的漏磁数据自适应灰度可视化方法 |
-
2020
- 2020-10-30 CN CN202011188928.9A patent/CN112329588B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5982990A (en) * | 1995-07-20 | 1999-11-09 | Hewlett-Packard Company | Method and apparatus for converting color space |
US20060170942A1 (en) * | 2005-01-28 | 2006-08-03 | Pentax Corporation | Color-space transformation-matrix calculating method and image processing device |
US20130031130A1 (en) * | 2010-12-30 | 2013-01-31 | Charles Wilbur Hahm | System and method for interactive querying and analysis of data |
US20140204120A1 (en) * | 2013-01-23 | 2014-07-24 | Fujitsu Limited | Image processing device and image processing method |
CN105681625A (zh) * | 2014-12-05 | 2016-06-15 | 株式会社巨晶片 | 颜色信号处理装置及颜色信号处理方法 |
CN105425123A (zh) * | 2015-11-20 | 2016-03-23 | 国网福建省电力有限公司泉州供电公司 | 一种紫外成像与红外成像协同检测电力设备故障的方法及系统 |
WO2019136946A1 (zh) * | 2018-01-15 | 2019-07-18 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及系统 |
CN108573514A (zh) * | 2018-04-16 | 2018-09-25 | 北京市神经外科研究所 | 一种图像的三维融合方法及装置、计算机存储介质 |
CN109146948A (zh) * | 2018-07-27 | 2019-01-04 | 内蒙古大学 | 基于视觉的作物长势表型参数量化与产量相关性分析方法 |
CN109711000A (zh) * | 2018-12-10 | 2019-05-03 | 南京航空航天大学 | 一种基于试车数据的航空发动机起动故障诊断方法 |
CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
US20200210826A1 (en) * | 2018-12-29 | 2020-07-02 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
WO2020181685A1 (zh) * | 2019-03-12 | 2020-09-17 | 南京邮电大学 | 一种基于深度学习的车载视频目标检测方法 |
CN110146589A (zh) * | 2019-06-17 | 2019-08-20 | 东北大学 | 一种管道漏磁数据的高清可视化方法 |
CN110568416A (zh) * | 2019-09-17 | 2019-12-13 | 南京莱斯网信技术研究院有限公司 | 一种基于遥感影像的雷达有效检测区域提取方法 |
CN110633759A (zh) * | 2019-09-24 | 2019-12-31 | 北京华力兴科技发展有限责任公司 | 图像融合方法、装置及电子设备 |
CN111062286A (zh) * | 2019-12-09 | 2020-04-24 | 武汉理工光科股份有限公司 | 清管器的跟踪定位方法及系统 |
CN111831872A (zh) * | 2020-06-09 | 2020-10-27 | 中海油能源发展装备技术有限公司 | 一种小缺陷特征增强的漏磁数据自适应灰度可视化方法 |
Non-Patent Citations (4)
Title |
---|
B.ABIDI等: ""Screener Evaluation of Pseudo-Colored Single Energy X-ray Luggage Images"", 《IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, pages 1 - 12 * |
MINGRUI FU等: ""Anomaly detection of complex MFL measurements using low-rank recovery in pipeline transportation inspection"", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 69, no. 9, pages 6776 - 6786, XP011805047, DOI: 10.1109/TIM.2020.2974543 * |
刘金海等: ""基于漏磁内检测的自监督缺陷检测方法"", 《仪器仪表学报》, vol. 41, no. 9, pages 180 - 187 * |
路建方等: ""基于灰度分层的FPGA红外图像伪彩色实时化研究"", 《红外技术》, vol. 35, no. 5, pages 284 - 288 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256613A (zh) * | 2021-06-21 | 2021-08-13 | 中国石油大学(北京) | 一种管道损伤数据特征识别模型与方法 |
CN113606502A (zh) * | 2021-07-16 | 2021-11-05 | 青岛新奥燃气设施开发有限公司 | 一种基于机器视觉判断操作人员执行管道漏气检测的方法 |
CN113899809A (zh) * | 2021-08-20 | 2022-01-07 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
CN113899809B (zh) * | 2021-08-20 | 2024-02-27 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
CN114863207A (zh) * | 2022-04-14 | 2022-08-05 | 北京百度网讯科技有限公司 | 目标检测模型的预训练方法、装置及电子设备 |
CN115081485A (zh) * | 2022-07-04 | 2022-09-20 | 中特检深燃安全技术服务(深圳)有限公司 | 一种基于ai的漏磁内检测数据自动分析方法 |
CN115841449A (zh) * | 2022-09-23 | 2023-03-24 | 昆明市测绘研究院 | 排水管道结构性缺陷纵向定位的单目测距方法及存储介质 |
CN117420196A (zh) * | 2023-11-20 | 2024-01-19 | 中磁数智(北京)科技有限公司 | 一种基于目标检测与弱磁检测的管道缺陷识别定位方法 |
CN117420196B (zh) * | 2023-11-20 | 2024-04-16 | 中磁数智(北京)科技有限公司 | 一种基于目标检测与弱磁检测的管道缺陷识别定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112329588B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329588A (zh) | 一种基于Faster R-CNN的管道故障检测方法 | |
CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
WO2023070911A1 (zh) | 一种基于自注意力的彩色纹理织物缺陷区域的检测方法 | |
CN109829903B (zh) | 一种基于卷积去噪自编码器的芯片表面缺陷检测方法 | |
CN110310262A (zh) | 一种用于检测轮胎缺陷的方法、装置及系统 | |
CN113838041B (zh) | 一种基于自编码器的彩色纹理织物缺陷区域的检测方法 | |
CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
CN105261006B (zh) | 基于傅里叶变换的医学图像分割算法 | |
CN115862073B (zh) | 一种基于机器视觉的变电站危害鸟种目标检测和识别方法 | |
CN114419014A (zh) | 基于特征重构的表面缺陷检测方法 | |
CN111080574A (zh) | 一种基于信息熵和视觉注意机制的织物疵点检测方法 | |
CN113506239A (zh) | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 | |
CN113947597B (zh) | 一种基于屏蔽重建的工业缺陷检测方法、装置及介质 | |
CN112070712A (zh) | 基于自编码器网络的印刷缺陷检测方法 | |
Li et al. | Weld image recognition algorithm based on deep learning | |
CN116486224A (zh) | 一种基于改进U-Net的换热器管口图像识别算法 | |
CN113838040A (zh) | 一种针对彩色纹理织物缺陷区域的检测方法 | |
CN111160428A (zh) | 基于cnn-svm算法蔬菜自动识别方法 | |
CN114119500A (zh) | 一种基于生成对抗网络的色织物缺陷区域的检测方法 | |
CN113989224A (zh) | 一种基于生成对抗网络的彩色纹理织物缺陷检测方法 | |
CN113901947A (zh) | 一种小样本下的轮胎表面瑕疵智能识别方法 | |
CN113870328A (zh) | 一种液体异物视觉检测方法及系统 | |
CN116778398B (zh) | 一种基于特征重建的双模态道床异物检测方法及系统 | |
CN117372720B (zh) | 一种基于多特征交叉掩码修复的无监督异常检测方法 |
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 |