CN112949817A - 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 - Google Patents
基于时间卷积神经网络的给水管泄漏边缘设备检测方法 Download PDFInfo
- Publication number
- CN112949817A CN112949817A CN202011554166.XA CN202011554166A CN112949817A CN 112949817 A CN112949817 A CN 112949817A CN 202011554166 A CN202011554166 A CN 202011554166A CN 112949817 A CN112949817 A CN 112949817A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- model
- water supply
- supply pipe
- threshold
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013138 pruning Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000009991 scouring Methods 0.000 claims 2
- 240000007651 Rubus glaucus Species 0.000 description 6
- 235000011034 Rubus glaucus Nutrition 0.000 description 6
- 235000009122 Rubus idaeus Nutrition 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- F17D5/02—Preventing, monitoring, or locating loss
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及一种基于时间卷积神经网络的给水管泄漏边缘设备检测方法,利用时间卷积神经网络模型融合多传感器信息对给水管是否发生泄漏进行检测,并通过剪枝算法对训练好的模型进行压缩,减少模型的参数量,最后通过在树莓派的系统上构建相对应的环境,部署剪枝优化后的检测模型。本发明的方法能够对依据融合多传感器数据并根据历史数据对水管是否发生泄漏,能有效地避免误检和漏检;同时,通过模型压缩后能将模型部署在边缘设备上,使得对水管的泄漏检测可以更加及时,并节省建立大型服务器的成本。
Description
技术领域
本发明涉及管线密封性检测领域,尤其是涉及一种基于时间卷积神经网络的给水管泄漏边缘设备检测方法。
背景技术
随着城市化进程的快速发展、给水管老化以及水资源日益紧缺,对给水管的泄漏及时检测并维修是一个避免水资源浪费的重要举措。传统的水管泄漏检测方法所利用的信息比较单一,难以有效地实时检测水管泄漏的情况。目前,深度学习的方法能够有效地实现多源信息的综合处理,从而实现泄漏情况的有效检测。但是深度学习模型由于参数量大,其对所部署的设备的计算力有了更高的要求。尽管可以采用云端方式来实现数据处理,但是这会使得工程造价升高,由此设计一种能够在边缘设备上实现水管泄漏检测的方法,在保证检测精度的情况下尽可能地降低成本,有利于模型的实际应用。
鉴于此设计了一种时间卷积神经网络模型,并对模型采用剪枝算法对模型进行压缩,让其更适合在树莓派这种成本较低的边缘设备上运行。
发明内容
为解决以上问题,本发明提供一种基于时间卷积神经网络的给水管泄漏边缘设备检测方法,可以利用多传感器的数据并根据历史信息对管道的泄漏情况进行检测;结合模型压缩的方法,实现在树莓派上的部署。
本发明采用的技术方案是:一种基于时间卷积神经网络的给水管泄漏边缘设备检测方法,其特征在于:包括以下步骤:
步骤1:构建给水管检测数据
通过温度传感器、麦克风阵列、流量传感器和压力传感器分别对给水管周围的温度和噪声以及给水管内部的压力和流量进行检测,并采集数据,构成给水管检测数据库;
步骤2:利用小波降噪对所采集的数据进行降噪处理;
步骤3:对降噪处理后的数据进行归一化处理,然后进行人工标注标签,并划分为训练集和测试集;
步骤4:训练时间卷积神经网络模型;
步骤5:基于剪枝算法进行模型压缩
通过设计剪枝算法对所训练的模型参数进行裁剪,删除影响因素不重要的神经单元,从而减少模型的参数,达到轻量化模型的目的;
步骤6:将优化好的模型部署在可编程的计算机设备(如:树莓派、手机、plc等可任何编程的设备)上面,实现对给水管是否泄漏进行识别。
作为优选,步骤2的具体步骤为:
(1)、对采集的信号f(i,j)进行变换,得到小波分解系数,Wg(i,j)(s,j),其中,j=1,2,3,…s,s表示小波分解的层数;
(2)、在各分解层各方向对噪声方差进行估计:
(3)计算各项参数,以求取阈值,根据高斯分布:
(4)求取阈值系数:
其中,β为阈值系数,Lk为小波分解系数第k层的小波系数的长度,j是小波分解的层数;
(5)求取新阈值:
其中,T(s,j)为新阈值;
(6)对各层高频系数进行小波软阈值处理得到新的小波系数:
作为优选,步骤5的具体步骤为:
(1)针对步骤4中所训练的模型,计算第i层的权重W,并求出其梯度矩阵G;
(2)在矩阵G中找到梯度的绝对值的最大值记作:gmax。设置阈值数量m=200,求出步长step和候选阈值Tm,Tm表示第m个阈值。
step=|g|max/m;
Tm=step×m;m=1,2,L,200;
(3)根据候选阈值Tm。在梯度矩阵中G统计梯度值小于Tm的个数记为Nm(m=1,2,K,200)
(4)计算模型的剩下参数余量RN[m],
RN[m]=k×k×d×n-Nm;
其中,k,d,n为梯度矩阵G的维度参数。
(5)重复(2)-(4)。
(6)计算:ΔRN[m]=RN[m+1]-RN[m]
其中,RN[m+1]表示使用阈值Tm+1剪枝后的剩余参数量,ΔRN[m]表示相邻剪枝后参数剩余量的差值。
(7)判断ΔRN[m]是否大于零,如果不大于,则保存当前m值,获得最终阈值T=Tm;否则,重复(6),直到:
ΔRN[m]>Value
其中,Value为自定义参数。
(8)把小于T的梯度矩阵所对应的权重矩阵置为0,完成剪枝。
本发明取得的有益效果是:利用时间卷积神经网络模型融合多传感器信息对给水管是否发生泄漏进行检测,并通过剪枝算法对训练好的模型进行压缩,减少模型的参数量,通过在树莓派的系统上构建相对应的环境,部署剪枝优化后的检测模型。本发明的方法能够对依据融合多传感器数据并根据历史数据对水管是否发生泄漏,能有效地避免误检和漏检;同时,通过模型压缩后能将模型部署在边缘设备上,使得对水管的泄漏检测可以更加及时,并节省建立大型服务器的成本。
附图说明
图1为本发明的流程图;
图2为传感器布置示意图;
图3为本发明信号小波降噪流程图;
图4为本发明基于时间卷积网络模型的给水管泄漏检测模型图;
图5为本发明基于剪枝算法压缩模型的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作更进一步的说明。
如图1所示,本发明的一种基于时间卷积神经网络的给水管泄漏边缘设备检测方法,包括以下步骤:
步骤1:构建给水管检测数据
通过温度传感器、麦克风阵列、流量传感器和压力传感器分别对给水管周围的温度和噪声以及给水管内部的压力和流量进行检测,并采集数据,构成给水管检测数据库,传感器的布置示意图如图2所示;
步骤2:利用小波降噪对所采集的数据进行降噪处理,信号降噪流程图如图3所示;信号降噪的具备过程如下:
(1)对采集得信号f(i,j)进行变换,得到小波分解系数,Wg(i,j)(s,j),其中,j=1,2,3,…s,s表示小波分解的层数;
(2)在各分解层各方向对噪声方差进行估计:
(3)计算各项参数,以求取阈值,根据高斯分布:
(4)求取阈值系数:
其中,β为阈值系数,Lk为小波分解系数第k层的小波系数的长度,j是小波分解的层数;
(5)求取新阈值:
其中,T(s,j)为新阈值;
(6)对各层高频系数进行小波软阈值处理得到新的小波系数:
步骤3:对降噪处理后的数据进行归一化处理,然后进行人工标注标签,并划分为训练集和测试集;
步骤4:训练时间卷积神经网络模型,结构图如图4所示;
步骤5:基于剪枝算法进行模型压缩
通过设计剪枝算法对所训练的模型参数进行裁剪,删除影响因素不重要的神经单元,从而减少模型的参数,达到轻量化模型的目的;如图5所示,基于剪枝算法进行模型压缩的具体过程如下:
(1)针对步骤4中所训练的模型,计算第i层的权重W,并求出其梯度矩阵G。
(2)在矩阵G中找到梯度的绝对值的最大值记作:gmax。设置阈值数量m=200,求出步长step和候选阈值Tm,Tm表示第m个阈值。
step=|g|max/m;
Tm=step×m;m=1,2,L,200;
(3)根据候选阈值Tm。在梯度矩阵中G统计梯度值小于Tm的个数记为Nm(m=1,2,K,200)
(4)计算模型的剩下参数余量RN[m],
RN[m]=k×k×d×n-Nm;
其中,k,d,n为梯度矩阵G的维度参数。
(5)重复(2)-(4)。
(6)计算:ΔRN[m]=RN[m+1]-RN[m]
其中,RN[m+1]表示使用阈值Tm+1剪枝后的剩余参数量,ΔRN[m]表示相邻剪枝后参数剩余量的差值。
(7)判断ΔRN[m]是否大于零,如果不大于,则保存当前m值,获得最终阈值T=Tm;否则,重复(6),直到:
ΔRN[m]>Value
其中,Value为自定义参数。
(8)把小于T的梯度矩阵所对应的权重矩阵置为0,完成剪枝;
步骤6:将优化好的模型部署在可编程的计算机设备(如:树莓派、手机、plc等可任何编程的设备,本实施例优选采用树莓派设备)上面,实现对给水管是否泄漏进行识别。
以上显示和描述了本发明的基本原理和主要结构特征。本发明不受上述实例的限制,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种基于时间卷积神经网络的给水管泄漏边缘设备检测方法,其特征在于:包括以下步骤:
步骤1:构建给水管检测数据
通过温度传感器、麦克风阵列、流量传感器和压力传感器分别对给水管周围的温度和噪声以及给水管内部的压力和流量进行检测,并采集数据,构成给水管检测数据库;
步骤2:利用小波降噪对所采集的数据进行降噪处理;
步骤3:对降噪处理后的数据进行归一化处理,然后进行人工标注标签,并划分为训练集和测试集;
步骤4:训练时间卷积神经网络模型;
步骤5:基于剪枝算法进行模型压缩
通过设计剪枝算法对所训练的模型参数进行裁剪,删除影响因素不重要的神经单元,从而减少模型的参数,达到轻量化模型的目的;
步骤6:将优化好的模型部署在可编程的计算机设备上面,实现对给水管是否泄漏进行识别。
2.根据权利要求1所述的动态监测堰塞体泄流槽冲刷过程的测量装置,其特征在于:步骤2的具体步骤为:
(1)、对采集的信号f(i,j)进行变换,得到小波分解系数,Wg(i,j)(s,j),其中,j=1,2,3,…s,s表示小波分解的层数;
(2)、在各分解层各方向对噪声方差进行估计:
(3)计算各项参数,以求取阈值,根据高斯分布:
(4)求取阈值系数:
其中,β为阈值系数,Lk为小波分解系数第k层的小波系数的长度,j是小波分解的层数;
(5)求取新阈值:
其中,T(s,j)为新阈值;
(6)对各层高频系数进行小波软阈值处理得到新的小波系数:
3.根据权利要求2所述的动态监测堰塞体泄流槽冲刷过程的测量装置,其特征在于:步骤5的具体步骤为:
(1)针对步骤4中所训练的模型,计算第i层的权重W,并求出其梯度矩阵G;
(2)在矩阵G中找到梯度的绝对值的最大值记作:gmax。设置阈值数量m=200,求出步长step和候选阈值Tm,Tm表示第m个阈值。
step=|g|max/m;
Tm=step×m;m=1,2,L,200;
(3)根据候选阈值Tm。在梯度矩阵中G统计梯度值小于Tm的个数记为Nm(m=1,2,K,200)
(4)计算模型的剩下参数余量RN[m],
RN[m]=k×k×d×n-Nm;
其中,k,d,n为梯度矩阵G的维度参数。
(5)重复(2)-(4)。
(6)计算:ΔRN[m]=RN[m+1]-RN[m]
其中,RN[m+1]表示使用阈值Tm+1剪枝后的剩余参数量,ΔRN[m]表示相邻剪枝后参数剩余量的差值。
(7)判断ΔRN[m]是否大于零,如果不大于,则保存当前m值,获得最终阈值T=Tm;否则,重复(6),直到:
ΔRN[m]>Value
其中,Value为自定义参数。
(8)把小于T的梯度矩阵所对应的权重矩阵置为0,完成剪枝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011554166.XA CN112949817A (zh) | 2020-12-24 | 2020-12-24 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011554166.XA CN112949817A (zh) | 2020-12-24 | 2020-12-24 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949817A true CN112949817A (zh) | 2021-06-11 |
Family
ID=76234843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011554166.XA Pending CN112949817A (zh) | 2020-12-24 | 2020-12-24 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949817A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449879A (zh) * | 2021-06-28 | 2021-09-28 | 中国水利水电科学研究院 | 一种集渗透变形特征判别与抗渗梯度预测于一体的方法 |
CN113551156A (zh) * | 2021-06-23 | 2021-10-26 | 广州杰赛科技股份有限公司 | 基于深度学习的管道状态监测方法、装置及存储介质 |
CN113610192A (zh) * | 2021-09-07 | 2021-11-05 | 北京理工大学 | 一种基于连续性剪枝的神经网络轻量化方法及系统 |
CN113723210A (zh) * | 2021-08-05 | 2021-11-30 | 中冶南方城市建设工程技术有限公司 | 一种应用于智慧园区给水管泄露边缘设备检测方法和系统 |
CN114413184A (zh) * | 2021-12-31 | 2022-04-29 | 北京无线电计量测试研究所 | 一种智能管道、智能管道管理系统及其测漏方法 |
CN114444663A (zh) * | 2022-01-28 | 2022-05-06 | 吉林大学 | 一种基于时间卷积网络的供水管网泄漏检测与定位方法 |
TWI804093B (zh) * | 2021-12-09 | 2023-06-01 | 財團法人工業技術研究院 | 地下水管洩漏檢測系統及方法 |
CN116336400A (zh) * | 2023-05-30 | 2023-06-27 | 克拉玛依市百事达技术开发有限公司 | 油气集输管道基线检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102563361A (zh) * | 2012-01-18 | 2012-07-11 | 中国石油大学(华东) | 基于常规数据和音波信号的输气管道泄漏检测定位装置及方法 |
CN105546352A (zh) * | 2015-12-21 | 2016-05-04 | 重庆科技学院 | 基于声音信号的天然气管道微泄漏检测方法 |
CN106287239A (zh) * | 2016-08-16 | 2017-01-04 | 浙江大学 | 用于城市供水管网泄漏定位的智能管内检测球装置及方法 |
CN109242049A (zh) * | 2018-11-21 | 2019-01-18 | 安徽建筑大学 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
WO2020136475A1 (en) * | 2018-12-27 | 2020-07-02 | Atlas Copco Airpower, Naamloze Vennootschap | Method for detecting leaks in a gas network under pressure or under vacuum and gas network |
-
2020
- 2020-12-24 CN CN202011554166.XA patent/CN112949817A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102563361A (zh) * | 2012-01-18 | 2012-07-11 | 中国石油大学(华东) | 基于常规数据和音波信号的输气管道泄漏检测定位装置及方法 |
CN105546352A (zh) * | 2015-12-21 | 2016-05-04 | 重庆科技学院 | 基于声音信号的天然气管道微泄漏检测方法 |
CN106287239A (zh) * | 2016-08-16 | 2017-01-04 | 浙江大学 | 用于城市供水管网泄漏定位的智能管内检测球装置及方法 |
CN109242049A (zh) * | 2018-11-21 | 2019-01-18 | 安徽建筑大学 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
WO2020136475A1 (en) * | 2018-12-27 | 2020-07-02 | Atlas Copco Airpower, Naamloze Vennootschap | Method for detecting leaks in a gas network under pressure or under vacuum and gas network |
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
王忠锋等: "基于梯度的深度网络剪枝算法", 《计算机应用》 * |
高强等: "基于小波变换的多阈值图像去噪改进方法", 《微计算机信息》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113551156A (zh) * | 2021-06-23 | 2021-10-26 | 广州杰赛科技股份有限公司 | 基于深度学习的管道状态监测方法、装置及存储介质 |
CN113449879A (zh) * | 2021-06-28 | 2021-09-28 | 中国水利水电科学研究院 | 一种集渗透变形特征判别与抗渗梯度预测于一体的方法 |
CN113449879B (zh) * | 2021-06-28 | 2022-07-12 | 中国水利水电科学研究院 | 一种集渗透变形特征判别与抗渗梯度预测于一体的方法 |
CN113723210A (zh) * | 2021-08-05 | 2021-11-30 | 中冶南方城市建设工程技术有限公司 | 一种应用于智慧园区给水管泄露边缘设备检测方法和系统 |
CN113610192A (zh) * | 2021-09-07 | 2021-11-05 | 北京理工大学 | 一种基于连续性剪枝的神经网络轻量化方法及系统 |
TWI804093B (zh) * | 2021-12-09 | 2023-06-01 | 財團法人工業技術研究院 | 地下水管洩漏檢測系統及方法 |
CN114413184A (zh) * | 2021-12-31 | 2022-04-29 | 北京无线电计量测试研究所 | 一种智能管道、智能管道管理系统及其测漏方法 |
CN114413184B (zh) * | 2021-12-31 | 2024-01-02 | 北京无线电计量测试研究所 | 一种智能管道、智能管道管理系统及其测漏方法 |
CN114444663A (zh) * | 2022-01-28 | 2022-05-06 | 吉林大学 | 一种基于时间卷积网络的供水管网泄漏检测与定位方法 |
CN116336400A (zh) * | 2023-05-30 | 2023-06-27 | 克拉玛依市百事达技术开发有限公司 | 油气集输管道基线检测方法 |
CN116336400B (zh) * | 2023-05-30 | 2023-08-04 | 克拉玛依市百事达技术开发有限公司 | 油气集输管道基线检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949817A (zh) | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 | |
CN105678332B (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
CN110751073A (zh) | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 | |
CN106950276A (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN112669305B (zh) | 一种金属表面抗锈性能测试台及抗锈性能测评方法 | |
Wang et al. | Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM | |
CN110826588A (zh) | 一种基于注意力机制的排水管道缺陷检测方法 | |
CN110991690A (zh) | 一种基于深度卷积神经网络的多时次风速预测方法 | |
CN117168331B (zh) | 基于光纤传感器的天然冰场冰层厚度实时检测方法 | |
CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
CN110555831B (zh) | 一种基于深度学习的排水管道缺陷分割方法 | |
CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及系统 | |
CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN113205039A (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
CN115823508A (zh) | 一种空天地一体化管网安全监测方法及系统 | |
Altabey et al. | Research in image processing for pipeline crack detection applications | |
CN114002334A (zh) | 一种结构损伤声发射信号识别方法、装置、存储介质 | |
CN115272830A (zh) | 一种基于深度学习的受电弓异物检测方法 | |
CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
CN113111923B (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 | |
CN116596326B (zh) | 一种基于遥感数据的城市环境检测及综合评估方法 | |
CN113723210A (zh) | 一种应用于智慧园区给水管泄露边缘设备检测方法和系统 | |
CN116432078A (zh) | 建筑楼宇机电设备监测系统 | |
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 | |
CN113989209A (zh) | 基于Faster R-CNN的电力线异物检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |
|
RJ01 | Rejection of invention patent application after publication |