CN112964793B - 一种基于图像识别与声学识别的管道点蚀损伤智能识别方法 - Google Patents
一种基于图像识别与声学识别的管道点蚀损伤智能识别方法 Download PDFInfo
- Publication number
- CN112964793B CN112964793B CN202110176059.6A CN202110176059A CN112964793B CN 112964793 B CN112964793 B CN 112964793B CN 202110176059 A CN202110176059 A CN 202110176059A CN 112964793 B CN112964793 B CN 112964793B
- Authority
- CN
- China
- Prior art keywords
- pitting
- acoustic
- data
- pipeline
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000006378 damage Effects 0.000 title claims abstract description 11
- 238000005260 corrosion Methods 0.000 claims abstract description 24
- 230000007797 corrosion Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000002759 z-score normalization Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000003384 imaging method Methods 0.000 abstract description 7
- 230000000052 comparative effect Effects 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000835 electrochemical detection Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process 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
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4427—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with stored values, e.g. threshold values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
一种基于图像识别与声学识别的管道点蚀损伤智能识别方法，属于管道声发射信号处理领域。本发明与传统的处理声发射数据的小波变换、快速傅里叶变换不同，本发明提供的算法突破了它们的局限性，EEMD的基函数能够自动产生且具有自适应的滤波特性，分解后的各个分量相加能够获得原信号的性质。可以更好地去除管道点蚀状态下的各种腐蚀声信号的背景噪声，方便数据处理。方便提取腐蚀信号中比较细节的特征。此外将DIC成像技术与声发射技术结合分析，通过提取的图像的特征与声信号的特征达到智能识别的目的。
Description
技术领域
本发明属于管道声发射信号处理领域，特别是针对管道的点蚀声信号处理。
背景技术
管道作为运送液体和气体介质的主要通道，在国民经济中发挥着巨大的作用。然而随着近年来管线的急剧增多、管龄的增长以及不可避免的腐蚀、磨损等自然或人为损坏等因素，管道腐蚀泄漏事故接连发生，对人民的生命和财产安全造成了严重的威胁。其中管道的点蚀尤为普遍，且此过程往往伴随了腐蚀疲劳损伤，因此，通过声发射技术对管道点蚀疲劳机理充分了解对于工程实际生产有着重要意义。
声发射检测技术作为常见的无损检测技术，其操作简单，成本低，能够对活动性缺陷进行在线监测与破坏预警，因而在管道损伤检测方面得到广泛的推广。本发明拟针对不同温度变化以及应力变化下的管道点蚀提出一种图像与声发射信号有机结合处理方法，该方法能够直观了解管道点蚀的实时变化情况。目前的腐蚀声发射处理往往只是通过对采集的数据进行相应的分析，然后通过提取特征参数等方法进行腐蚀严重程度进行判断。本发明在声发射的基础上增加高速成像系统，实时采集声发射数据的同时，通过DIC相机对反应进行高速拍照，将两者结合分析，更直接的反应管道点蚀的实时变化过程。
发明内容
针对现有的技术的需求，常见的管道点蚀声发射检测只是通过获取声信号数据然后通过分析数据，然后通过参量或者提取特征参数等了解管道的腐蚀状况。然而实际管道点蚀过程中存在背景噪声，且背景噪声时不能完美地消除。本发明拟将DIC成像技术与声发射检测系统结合分析，在提取声发射特征参数的同时利用DIC相机观察不同条件下的点蚀坑表面的气泡变化状态，两者对比大大提高分析的准确率。
为了实现上述目的，本发明是通过以下技术方案实现的：
一种基于图像识别与声学的管道点蚀损伤智能识别方法，具体包括
管道的点蚀过程声发射信号来源主要包括：氢气泡的产生、运动、破裂，点蚀坑表面氧化膜剥离与破裂，腐蚀产物的堆积与破灭。为了能够准确捕捉其中的声信号源，必须真实模拟点蚀各阶段变化过程。本发明在声发射检测技术的基础上结合电化学检测技术对管道进行点蚀速度监测，以及利用超高速显像系统对腐蚀画面进行捕捉，完整地记录管道点蚀每一个过程，以此实验为基础进行点蚀机理分析。
本发明提出了应力作用下的管道点蚀特征提取及基于图像分析的点蚀严重度智能识别方法。本发明主要思想为：图像识别与声信号识别技术同步分析，提高识别效果。首先是点蚀声学信号分析，在处理声发射数据的过程中，如果直接使用波形或者频谱进行分析使得计算量很大，且腐蚀过程背景噪声会影响分析的结果，因此必须对声发射信号进行特征提取。此外为了保证不同的物理量和量纲的输入变量平等使用，需要对特征向量的原始数据进行标准化处理。本发明以EEMD信号分析为理论基础，以实验测得的点蚀声信号数据为样本，并对样本数据进行标准化处理。由于点蚀声信号各阶IMF中心频率具有可分性，使用最高能量的固有模态中心频率作为特征参数，最后用计算的频率范围鉴别出点蚀信号来源点蚀的哪一阶段。因为不同点蚀阶段点蚀信号的最高能量固有模态中心频率具有较好的可分性，能够充分体现目标优势频段特征。
其次基于二维卷积神经网络的图像分析方法。DIC成像技术可以清晰捕捉点蚀试件表面的气泡的产生、运动、破裂的过程，这一过程是声发射最主要的信号来源，同时也是点蚀图像分析的重要依据。将图像信息以矩阵的形式输送到二维卷积神经网络中，借助于二维卷积神经网络提取拍摄图片的特征，并将提取的特征参数输入到神经网络的智能训练模型中，最后利用softmax函数达到智能化识别的目的。
第三步，实行双重判断标准。从点蚀实验开始，记录实验时间，将同一的点蚀声信号以及点蚀图像作为分析对象数据，代入上述两种对应的识别算法中，当两者的识别精度都达到固定要求时认为点蚀已经发展到某一阶段。根据本专利的算法，在改变点蚀试件力的加载形式，以及试件表面的温度变化，可以准确识别试件点蚀进程。
本发明的有益效果为：与传统的处理声发射数据的小波变换、快速傅里叶变换不同，本发明提供的算法突破了它们的局限性，EEMD的基函数能够自动产生且具有自适应的滤波特性，分解后的各个分量相加能够获得原信号的性质。可以更好地去除管道点蚀状态下的各种腐蚀声信号的背景噪声，方便数据处理。方便提取腐蚀信号中比较细节的特征。此外将DIC成像技术与声发射技术结合分析，通过提取的图像的特征与声信号的特征达到智能识别的目的。
具体实施方式
为了进一步解释本发明的技术方案，下面对本发明进行详细阐述。
本发明提出了管道点蚀信号EEMD分析及基于二维卷积的图像分析的点蚀严重度综合识别方法。首先是基于EEMD理论的点蚀声信号数据分析，第一步对的原始数据进行Z-score标准化处理得到x*，保证不同的物理量和量纲的输入变量平等使用公式如下：
为原始数据的均值，σ为原始数据的标准差。
第二步，利用EEMD算法提取管道点蚀信号最强固有模态(IMF)中心频率作为特征参数，具体步骤如下:
(1)对获取的原始声发射信号添加N次白噪声，生成N个新的x(t)。
(2)对N个x(t)进行EMD分解得到N组IMF分量及余量。
(3)对同阶的N个IMF取平均获得新的一组IMF分量。
(4)EEMD分解结果用式表示，r(t)为原始信号去掉平均后所有IMF分量的余量。
信息分量中心频率计算步骤如下：
(1)信号x(t)经EEMD分解后，对分解得到的IMF分量c(t)做希尔伯特变换，即：
解析信号定义为：
(2)目标信号被分解后的任意一阶IMF的瞬时频率总是围绕一个中心频率波动，定义这个频率为该阶IMF的中心频率。假设第m阶模态共有N个采样点，第n个采样点的瞬时频率为fmn，瞬时振幅为bmn，该点瞬时强度为：
Qmn＝b2 mn
式中:Qmn为分解后的第m阶模态的第n个采样点的瞬时强度。原观测数据的第m阶固有模态函数中心频率为:
式中：N为采样点数；f^m为分解后的第m阶固有模态的中心频率。第m阶固有模态函数平均强度为：
最后将计算出的最高能量第m阶固有模态的中心频率与样本数据的频率进行对比，判断出该声信号来源于点蚀哪一阶段。
其次是基于二维卷积神经网络的图像识别。具体操作如下：第一步数据的规则化，将拍到的腐蚀图片分解为G(红)、R(绿)、A(蓝)三个通道，本发明以3个64*64的数字矩阵输入到二维卷积神经网络中，其次设定基于图像纹理特征的3*3的特征提取滤波器矩阵，选取不同点蚀阶段点蚀图像的纹理特征的对比度作为特征参数，选取的激活函数为Relu函数，选择最大池化算法进行池化，最后使用softmax函数进行分类，对点蚀图像进行识别，判断该点蚀图像具体为哪一点蚀阶段。
最后是图像识别与声学识别方法的结合，选取统一时间的图像数据以及声学数据，分别代入两种算法，当两种识别准确度都达到98％以上说明该方法具有较高的识别精度。此外可以通过改变点蚀试件力的加载形式，以及试件表面的温度变化，总结管道点蚀的影响因素，并完善点蚀进程综合智能识别方法。
以上所述实施例仅表达了本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。
Claims (2)
1.一种基于图像识别与声学识别的管道点蚀损伤智能识别方法，其特征在于，步骤如下：
步骤一、处理原始数据
对原始数据进行Z-score标准化处理得到x*：
其中：x为原始数据，为原始数据的均值，σ为原始数据的标准差；
步骤二、利用EEMD算法提取管道点蚀信号最强固有模态IMF中心频率作为特征参数
(1)对标准化后的原始声发射信号添加N次白噪声，生成N个新的声发射信号x(t)；
(2)对N个新的声发射信号x(t)进行EMD分解得到N组IMF分量及余量；
(3)对同阶的N个IMF取平均获得新的一组IMF分量；
(4)EEMD分解结果用式表示，r(t)为原始信号去掉平均后所有IMF分量的余量，Cm(t)表示第m个IMF分量，M表示IMF分量的总个数；
IMF分量中心频率计算步骤如下：
(A)信号x(t)经EEMD分解后，对分解得到的IMF分量c(t)做希尔伯特变换，即：
解析信号定义为：
其中，j表示第j阶分量，瞬时相位/>
(B)目标信号被分解后的任意一阶IMF的瞬时频率总是围绕一个中心频率波动，定义这个频率为该阶IMF的中心频率；
设第m阶模态共有N个采样点，第n个采样点的瞬时频率为fmn，瞬时振幅为bmn，该点瞬时强度为：
Qmn＝b2 mn
式中:Qmn为分解后的第m阶模态的第n个采样点的瞬时强度，b2 mn表示瞬时振幅的平方；
原观测数据的第m阶固有模态函数中心频率为:
式中：N为采样点数；f^m为分解后的第m阶固有模态函数的中心频率，fmn表示第m阶模态的第n个采样点的瞬时频率；
第m阶固有模态函数平均强度为：
(5)将计算出的最高能量第m阶固有模态的中心频率f^m与样本数据的频率进行对比，判断出该声信号来源于点蚀哪一阶段；
步骤三、点蚀图像识别
将拍到的腐蚀图片分解为G、R、A三个通道，以3个64*64的数字矩阵输入到二维卷积神经网络中；设定基于图像纹理特征的3*3的特征提取滤波器矩阵，选取不同点蚀阶段点蚀图像的纹理特征的对比度作为特征参数，选取的激活函数为Relu函数，选择最大池化算法进行池化，最后使用softmax函数进行分类，对点蚀图像进行识别，判断该点蚀图像具体为哪一点蚀阶段；其中，G为红通道；R为绿通道；A为蓝通道；
步骤四、图像识别与声学识别方法的结合
选取统一时间的图像数据以及声学数据，分别代入步骤二和步骤三的两种算法，当两种算法识别准确度都达到98％以上，说明该方法具有较高的识别精度。
2.根据权利要求1所述的一种基于图像识别与声学识别的管道点蚀损伤智能识别方法，其特征在于，通过改变点蚀试件力的加载形式，以及试件表面的温度变化，总结管道点蚀的影响因素，并完善点蚀进程综合智能识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110176059.6A CN112964793B (zh) | 2021-02-09 | 2021-02-09 | 一种基于图像识别与声学识别的管道点蚀损伤智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110176059.6A CN112964793B (zh) | 2021-02-09 | 2021-02-09 | 一种基于图像识别与声学识别的管道点蚀损伤智能识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112964793A CN112964793A (zh) | 2021-06-15 |
| CN112964793B true CN112964793B (zh) | 2024-01-09 |
Family
ID=76284394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110176059.6A Active CN112964793B (zh) | 2021-02-09 | 2021-02-09 | 一种基于图像识别与声学识别的管道点蚀损伤智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112964793B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491355A (zh) * | 2018-02-05 | 2018-09-04 | 南京邮电大学 | 一种基于ceemd与小波包的超声信号降噪方法 |
| CN109654384A (zh) * | 2019-01-29 | 2019-04-19 | 南京工业大学 | 基于pso-vmd算法的管道泄漏检测装置及检测方法 |
| CN109827082A (zh) * | 2019-03-13 | 2019-05-31 | 常州大学 | 一种管道多点泄漏精确定位方法 |
| CN110044806A (zh) * | 2019-05-13 | 2019-07-23 | 中国民航大学 | 图像、声发射、电化学一体化应力腐蚀开裂原位测试装置 |
| CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
| CN111862093A (zh) * | 2020-08-06 | 2020-10-30 | 华中科技大学 | 一种基于图像识别的腐蚀等级信息处理方法及系统 |
-
2021
- 2021-02-09 CN CN202110176059.6A patent/CN112964793B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491355A (zh) * | 2018-02-05 | 2018-09-04 | 南京邮电大学 | 一种基于ceemd与小波包的超声信号降噪方法 |
| CN109654384A (zh) * | 2019-01-29 | 2019-04-19 | 南京工业大学 | 基于pso-vmd算法的管道泄漏检测装置及检测方法 |
| WO2020155002A1 (zh) * | 2019-01-29 | 2020-08-06 | 南京工业大学 | 基于pso-vmd算法的管道泄漏检测装置及检测方法 |
| CN109827082A (zh) * | 2019-03-13 | 2019-05-31 | 常州大学 | 一种管道多点泄漏精确定位方法 |
| CN110044806A (zh) * | 2019-05-13 | 2019-07-23 | 中国民航大学 | 图像、声发射、电化学一体化应力腐蚀开裂原位测试装置 |
| CN110617966A (zh) * | 2019-09-23 | 2019-12-27 | 江南大学 | 一种基于半监督生成对抗网络的轴承故障诊断方法 |
| CN111862093A (zh) * | 2020-08-06 | 2020-10-30 | 华中科技大学 | 一种基于图像识别的腐蚀等级信息处理方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于EEMD的声发射管道泄漏定位检测;周颖涛;周绍骑;姚远航;晁文胜;;四川兵工学报(第03期);第110-113、116页 * |
| 基于SVD降噪法对齿轮点蚀故障特征的试验及分析;周新涛;崔亚辉;马娜;刘夏移;李龙龙;;机械设计与研究(第02期);第82-86+90页 * |
| 基于主动导波和快速集成经验模式分解算法的轴类构件损伤识别;吴伟林;肖涵;王涛;;机械设计与制造(第06期);第41-44页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112964793A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111650204B (zh) | 基于级联目标检测的输电线路金具缺陷检测方法及系统 | |
| CN107782733B (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
| US8761490B2 (en) | System and method for automated borescope inspection user interface | |
| Oliveira et al. | Ultrasound-based identification of damage in wind turbine blades using novelty detection | |
| CN109740687B (zh) | 一种基于dlae的发酵过程故障监测方法 | |
| CN111044621B (zh) | 一种基于声音品质及声学特征的无损检测系统及方法 | |
| CN111652853A (zh) | 一种基于深度卷积神经网络的磁粉探伤检测方法 | |
| US20190360942A1 (en) | Information processing method, information processing apparatus, and program | |
| CN112907561A (zh) | 一种基于深度学习的笔记本外观瑕疵检测方法 | |
| CN112270658A (zh) | 一种基于机器视觉的电梯钢丝绳检测方法 | |
| CN112116568A (zh) | 一种图像质量评价方法、装置及存储介质 | |
| CN115420806A (zh) | 一种基于神经网络及图像融合的无损超声检测方法 | |
| CN110119579B (zh) | 一种基于oica的复杂工业过程故障监测方法 | |
| CN112964793B (zh) | 一种基于图像识别与声学识别的管道点蚀损伤智能识别方法 | |
| CN110554667A (zh) | 基于卷积神经网络(cnn)的间歇工业过程故障诊断 | |
| CN116346870B (zh) | 基于加工质量实时监控的工业物联网系统及控制方法 | |
| Borwankar et al. | A novel compact convolutional neural network for real-time nondestructive evaluation of metallic surfaces | |
| CN106375756B (zh) | 一种针对监控视频单一对象移除篡改的检测方法 | |
| CN111563455A (zh) | 基于时间序列信号和压缩卷积神经网络的伤损识别方法 | |
| CN112104340B (zh) | 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法 | |
| CN111353328B (zh) | 一种超声三维体数据在线显示及分析方法 | |
| Liu et al. | Real-Time Metal-Surface-Defect Detection and Classification Using Advanced Machine Learning Technique | |
| CN115526867B (zh) | 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置 | |
| CN115389121B (zh) | 一种基于随机森林的电动阀门泄漏模式识别方法及装置 | |
| CN117636015A (zh) | 一种钢材表面缺陷分类方法 |
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 |