CN116309580A - 基于磁应力的油气管道腐蚀检测方法 - Google Patents
基于磁应力的油气管道腐蚀检测方法 Download PDFInfo
- Publication number
- CN116309580A CN116309580A CN202310566901.6A CN202310566901A CN116309580A CN 116309580 A CN116309580 A CN 116309580A CN 202310566901 A CN202310566901 A CN 202310566901A CN 116309580 A CN116309580 A CN 116309580A
- Authority
- CN
- China
- Prior art keywords
- magnetic field
- field distribution
- classification
- pipeline
- sequence
- 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
- 230000007797 corrosion Effects 0.000 title claims abstract description 101
- 238000005260 corrosion Methods 0.000 title claims abstract description 101
- 238000001514 detection method Methods 0.000 title abstract description 62
- 230000007547 defect Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 157
- 238000000605 extraction Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 26
- 230000000903 blocking effect Effects 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 238000005538 encapsulation Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000003062 neural network model Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 238000004880 explosion Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000006249 magnetic particle Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- 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
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/001—Model-based coding, e.g. wire frame
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本申请涉及智能检测领域,其具体地公开了一种基于磁应力的油气管道腐蚀检测方法,其通过获取管道表面的磁场分布图,以此来判断管道是否存在腐蚀缺陷。具体地,基于深度学习的深度神经网络模型模拟并建立管道表面的磁场分布图的隐含特征关联,通过对图像进行分块处理,采用ViT模型进行编码,多尺度结构提取不同关联信息,以此来判断管道是否存在腐蚀缺陷。这样,可以在不接触管道的情况下进行检测,避免了对管道的损伤和污染,同时也提高了检测效率和准确性。
Description
技术领域
本申请涉及智能检测领域,且更为具体地,涉及一种基于磁应力的油气管道腐蚀检测方法。
背景技术
油气管道是能源输送的重要通道,其安全运行对于国家经济和社会发展至关重要。然而,由于管道长期受到环境因素和介质腐蚀的影响,管道壁面可能出现腐蚀缺陷,导致漏油、爆炸等安全事故,威胁着管道的安全运行。传统的油气管道腐蚀检测方法主要包括超声波检测、X射线检测、磁粉探伤等,但这些方法存在着一定的局限性,如需要接触管道、检测效率低、成本高昂、容易对管道造成损伤和污染等问题。
因此,期望一种优化的基于磁应力的油气管道腐蚀检测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于磁应力的油气管道腐蚀检测,其通过获取管道表面的磁场分布图,以此来判断管道是否存在腐蚀缺陷。具体地,基于深度学习的深度神经网络模型模拟并建立管道表面的磁场分布图的隐含特征关联,通过对图像进行分块处理,采用ViT模型进行编码,多尺度结构提取不同关联信息,以此来判断管道是否存在腐蚀缺陷。这样,可以在不接触管道的情况下进行检测,避免了对管道的损伤和污染,同时也提高了检测效率和准确性。
相应地,根据本申请的一个方面,提供了一种基于磁应力的油气管道腐蚀检测方法,其包括:获取管道表面的磁场分布图;将所述管道表面的磁场分布图进行图像分块处理以得到磁场分布局部图像块的序列;将所述磁场分布局部图像块的序列通过包含嵌入层的ViT模型以得到磁场分布特征向量的序列;将所述磁场分布特征向量的序列按照所述图像分块处理的位置排列为磁场分布全局特征图;将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的二维卷积核;对所述分类特征图进行特征分布优化以得到优化分类特征图;以及将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示管道是否存在腐蚀缺陷。
在上述基于磁应力的油气管道腐蚀检测方法中,将所述磁场分布局部图像块的序列通过包含嵌入层的ViT模型以得到磁场分布特征向量的序列,包括:使用所述包含嵌入层的ViT模型的嵌入层分别对所述磁场分布局部图像块的序列中各个图像块进行嵌入编码以得到图像块嵌入向量的序列;以及,将所述图像块嵌入向量的序列输入所述包含嵌入层的ViT模型的转换器模块以得到所述磁场分布特征向量的序列。
在上述基于磁应力的油气管道腐蚀检测方法中,使用所述包含嵌入层的ViT模型的嵌入层分别对所述磁场分布局部图像块的序列中各个图像块进行嵌入编码以得到图像块嵌入向量的序列,包括:将所述磁场分布局部图像块的序列中的各个图像块分别展开为一维像素输入向量以得到多个一维像素输入向量;以及,使用所述包含嵌入层的ViT模型的嵌入层对所述多个一维像素输入向量中各个一维像素输入向量进行全连接编码以得到所述图像块嵌入向量的序列。
在上述基于磁应力的油气管道腐蚀检测方法中,将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图,包括:将所述磁场分布全局特征图输入所述包含第一卷积层和第二卷积层的多尺度特征提取结构的第一卷积层以得到第一尺度卷积特征图,其中,所述第一卷积层具有第一长度的第一二维卷积核;将所述磁场分布全局特征图输入所述包含第一卷积层和第二卷积层的多尺度特征提取结构的第二卷积层以得到第二尺度卷积特征图,其中,所述第二卷积层具有第二长度的第二二维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一尺度卷积特征图和所述第二尺度卷积特征图进行级联以得到所述分类特征图。
在上述基于磁应力的油气管道腐蚀检测方法中,对所述分类特征图进行特征分布优化以得到优化分类特征图,包括:将所述磁场分布全局特征图和所述分类特征图展开为磁场分布全局特征向量和分类特征向量;对所述磁场分布全局特征向量和所述分类特征向量进行深层空间封装语义匹配融合以得到优化后分类特征向量;以及,将所述优化后分类特征向量进行维度重构以得到所述优化分类特征图。
在上述基于磁应力的油气管道腐蚀检测方法中,对所述磁场分布全局特征向量和所述分类特征向量进行深层空间封装语义匹配融合以得到优化后分类特征向量,包括:以如下优化公式对所述磁场分布全局特征向量和所述分类特征向量进行深层空间封装语义匹配融合以得到所述优化后分类特征向量;其中,所述优化公式为:,其中,/>是所述磁场分布全局特征向量,/>是所述分类特征向量,/>和/>分别表示向量的一范数和二范数,/>和/>分别为权重和偏置超参数,/>表示所述磁场分布全局特征向量和所述分类特征向量之间的按位置距离矩阵,且/>为单位矩阵,/>、/>、/>分别表示按位置加法、按位置减法和按位置点乘,/>是所述优化后分类特征向量。
在上述基于磁应力的油气管道腐蚀检测方法中,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示管道是否存在腐蚀缺陷,包括:将所述优化分类特征图展开为分类特征向量;使用所述分类器的至少一全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比,本申请提供的一种基于磁应力的油气管道腐蚀检测方法,其通过获取管道表面的磁场分布图,以此来判断管道是否存在腐蚀缺陷。具体地,基于深度学习的深度神经网络模型模拟并建立管道表面的磁场分布图的隐含特征关联,通过对图像进行分块处理,采用ViT模型进行编码,多尺度结构提取不同关联信息,以此来判断管道是否存在腐蚀缺陷。这样,可以在不接触管道的情况下进行检测,避免了对管道的损伤和污染,同时也提高了检测效率和准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于磁应力的油气管道腐蚀检测方法的应用场景图。
图2为根据本申请实施例的基于磁应力的油气管道腐蚀检测方法的流程图。
图3为根据本申请实施例的基于磁应力的油气管道腐蚀检测方法的架构图。
图4为根据本申请实施例的基于磁应力的油气管道腐蚀检测方法中将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图的流程图。
图5为根据本申请实施例的基于磁应力的油气管道腐蚀检测系统的框图。
图6为根据本申请实施例的电子设备的框图。
其中,M、磁探测器;P、管道;S、服务器。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述:如上所述,由于管道长期受到环境因素和介质腐蚀的影响,管道壁面可能出现腐蚀缺陷,导致漏油、爆炸等安全事故,威胁着管道的安全运行。传统的油气管道腐蚀检测方法主要包括超声波检测、X射线检测、磁粉探伤等,但这些方法存在着一定的局限性,如需要接触管道、检测效率低、成本高昂、容易对管道造成损伤和污染等问题。因此,期望一种优化的基于磁应力的油气管道腐蚀检测方案。
具体地,在本申请的技术方案中,提出了一种基于磁应力的油气管道腐蚀检测方法,其是一种利用磁场对金属材料的应力敏感性来评估管道内外壁的腐蚀程度的方法。该方案的原理是:当管道受到内外压力的作用时,会产生应力分布,这会影响管道中的磁场。通过测量管道表面的磁场分布,可以反推出管道内外壁的应力分布,从而判断管道是否存在腐蚀缺陷。这样,可以在不接触管道的情况下进行检测,避免了对管道的损伤和污染,同时也提高了检测效率和准确性。
相应地,考虑到在实际基于磁应力来进行管道的腐蚀缺陷检测时,为了在避免管道产生损伤和污染的情况下保证检测的精准度,从而避免发生漏油、爆炸等安全事故的发生,关键在于对于管道表面的磁场分布图进行充分分析和特征捕捉。但是,由于管道表面的磁场分布图中存在有大量的信息量,而关于管道表面的磁场分布信息在图像中为小尺度的隐含特征信息,难以通过传统的特征提取方式进行充分地捕捉刻画,导致对于管道的腐蚀缺陷检测的精准度较低。因此,在此过程中,难点在于如何对所述管道表面的磁场分布图中关于管道表面的磁场分布隐含特征分布信息进行充分表达,以在避免管道产生损伤和污染的情况下对于管道表面的腐蚀缺陷进行准确检测,从而避免发生漏油、爆炸等安全事故。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述管道表面的磁场分布图中关于管道表面的磁场分布隐含特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取管道表面的磁场分布图。接着,使用在图像的隐含特征提取方面具有优异表现的卷积神经网络(CNN)模型来进行所述管道表面的磁场分布图的特征挖掘,但是由于卷积运算的固有局限性,纯卷积神经网络的方法很难学习明确的全局和远程语义信息交互。并且,还考虑到由于所述管道表面的磁场分布图中关于管道表面的磁场分布隐含特征为小尺度的细微特征,难以进行捕捉提取。因此,为了能够提高所述管道表面的磁场分布图中关于所述管道表面的磁场分布隐含小尺度的细微特征的表达能力,以此来提高管道腐蚀缺陷检测的精准度,在本申请的技术方案中,将所述管道表面的磁场分布图进行图像分块处理后通过包含嵌入层的ViT模型中进行编码,以提取出所述管道表面的磁场分布图中关于管道表面磁场分布的隐含上下文语义关联特征分布信息,从而得到磁场分布特征向量的序列。应可以理解,在对于所述管道表面的磁场分布图进行图像分块处理后的各个磁场分布局部图像块中关于管道表面磁场分布情况的小尺度隐含特征不再是小尺度的特征信息,有利于后续进行管道表面磁场分布的特征提取。特别地,这里,所述嵌入层通过可学习嵌入矩阵将所述各个图像块线性投影为一维嵌入向量。嵌入化的实现过程是先分别将各个所述磁场分布局部图像块中所有像素位置的像素值排列为一维向量,然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。并且,这里,所述ViT模型可以像转换器(Transformer)一样直接通过自注意力机制处理所述各个磁场分布局部图像块,以此来分别提取出所述各个磁场分布局部图像块中基于所述管道表面的磁场分布图整体的关于所述管道表面磁场分布的隐含上下文语义关联特征信息。
然后,考虑到由于所述各个磁场分布局部图像块中关于所述管道表面磁场分布的隐含上下文关联特征之间具有着关联性关系,因此,在本申请的技术方案中,进一步将所述磁场分布特征向量的序列按照所述图像分块处理的位置排列为磁场分布全局特征图,以建立不同所述磁场分布局部图像块之间的关联性,从而更好地捕捉所述管道表面的磁场分布图中关于所述管道表面磁场分布的整体信息和特点。应可以理解,这些所述各个磁场分布局部图像块中包含了不同的管道区域的信息,将它们按照位置排列为所述磁场分布全局特征图后,可以更好地把握磁场的整体变化趋势,提高分类准确率和系统稳定性。
进一步地,对于所述各个磁场分布局部图像块中关于所述管道表面磁场分布的隐含上下文关联特征来说,不同的图像块之间关于管道的各个位置处的表面磁场分布信息呈现出不同的关联性。因此,在本申请的技术方案中,进一步将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图。特别地,这里,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的二维卷积核来对于所述磁场分布全局特征图进行特征挖掘,以提取出所述各个磁场分布局部图像块中关于所述管道表面磁场分布隐含局部上下文关联特征的多尺度关联性特征分布信息,即所述各个磁场分布局部图像块中的上下文关联的图像语义特征在不同尺度下的基于源图像拓扑的局部关联特征信息。
接着,进一步再将所述分类特征图通过分类器中进行分类处理,以得到用于表示管道是否存在腐蚀缺陷的分类结果。也就是,在本申请的技术方案中,所述分类器的标签包括管道存在腐蚀缺陷(第一标签),以及,管道不存在腐蚀缺陷(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“管道是否存在腐蚀缺陷”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2 之和为1。因此,管道是否存在腐蚀缺陷的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“管道是否存在腐蚀缺陷”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为管道是否存在腐蚀缺陷的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果来对于管道表面的腐蚀缺陷进行准确检测,从而避免发生漏油、爆炸等安全事故。
特别地,将所述磁场分布局部图像块的序列中的各个磁场分布局部图像块通过ViT模型后,可以获得每个磁场分布局部图像块相对于全局图像语义的上下文关联的图像语义特征,再将所述磁场分布特征向量的序列按照所述图像分块处理的位置排列为磁场分布全局特征图后,进一步通过包含第一卷积层和第二卷积层的多尺度特征提取结构,就可以提取所述上下文关联的图像语义特征在不同尺度下的基于源图像拓扑的局部关联特征,但是,为了所述分类特征图能够更加充分地表达图像语义特征的全局关联特征和局部关联特征,本申请的申请人通过对所述磁场分布全局特征图和所述分类特征图进行特征语义层面上的融合来优化所述分类特征图。
具体地,首先将所述磁场分布全局特征图和所述分类特征图展开为磁场分布全局特征向量,例如记为和分类特征向量,例如记为/>,再对所述磁场分布全局特征向量和所述分类特征向量/>进行深层空间封装语义匹配融合,以得到优化后的分类特征向量,例如记为/>,其中,优化后的分类特征向量/>具体表示为:,其中,/>是所述磁场分布全局特征向量,/>是所述分类特征向量,/>和/>分别表示向量的一范数和二范数,/>和/>分别为权重和偏置超参数,/>表示所述磁场分布全局特征向量和所述分类特征向量之间的按位置距离矩阵,且/>为单位矩阵,/>、/>、/>分别表示按位置加法、按位置减法和按位置点乘,/>是所述优化后分类特征向量。
这里,对于深度特征空间中的所述磁场分布全局特征向量和所述分类特征向量/>,其语义表达被封装到了深层空间内,这使得特征向量的整体分布中的细粒度特征中同时包含低层级语义分布和高层级语义分布,由此,通过所述深层空间封装语义匹配融合,可以通过平衡低层级语义分布和高层级语义分布来进行分类模式层面的语义级别的匹配,以实现特征在特征空间内的语义受控的编译融合,从而获得所述磁场分布全局特征向量和所述分类特征向量/>在特征融合空间内的语义协同,这样,再将所述优化后的分类特征向量/>还原为所述分类特征图,就提升了所述分类特征图对图像语义特征的全局关联特征和局部关联特征的语义融合效果,也就提升了所述分类特征图的表达效果,从而提升了其通过分类器得到的分类结果的准确性。这样,能够在避免管道产生损伤和污染的情况下对于管道表面的腐蚀缺陷进行准确检测,从而避免发生漏油、爆炸等安全事故。
基于此,本申请提出了一种基于磁应力的油气管道腐蚀检测方法,其包括:获取管道表面的磁场分布图;将所述管道表面的磁场分布图进行图像分块处理以得到磁场分布局部图像块的序列;将所述磁场分布局部图像块的序列通过包含嵌入层的ViT模型以得到磁场分布特征向量的序列;将所述磁场分布特征向量的序列按照所述图像分块处理的位置排列为磁场分布全局特征图;将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的二维卷积核;对所述分类特征图进行特征分布优化以得到优化分类特征图;以及,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示管道是否存在腐蚀缺陷。
图1为根据本申请实施例的基于磁应力的油气管道腐蚀检测方法的应用场景图。如图1所示,在该应用场景中,通过磁探测器(例如,如图1中所示意的M)获取管道(例如,如图1中所示意的P)表面的磁场分布图。接着,将上述图像输入至部署有用于基于磁应力的油气管道腐蚀检测算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述基于磁应力的油气管道腐蚀检测算法对上述输入的图像进行处理,以生成用于表示管道是否存在腐蚀缺陷。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法:图2为根据本申请实施例的基于磁应力的油气管道腐蚀检测方法的流程图。如图2所示,根据本申请实施例的基于磁应力的油气管道腐蚀检测方法,包括:S110,获取管道表面的磁场分布图;S120,将所述管道表面的磁场分布图进行图像分块处理以得到磁场分布局部图像块的序列;S130,将所述磁场分布局部图像块的序列通过包含嵌入层的ViT模型以得到磁场分布特征向量的序列;S140,将所述磁场分布特征向量的序列按照所述图像分块处理的位置排列为磁场分布全局特征图;S150,将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的二维卷积核;S160,对所述分类特征图进行特征分布优化以得到优化分类特征图;以及,S170,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示管道是否存在腐蚀缺陷。
图3为根据本申请实施例的基于磁应力的油气管道腐蚀检测方法的架构图。如图3所示,在该架构中,首先,获取管道表面的磁场分布图;接着,将所述管道表面的磁场分布图进行图像分块处理以得到磁场分布局部图像块的序列;然后,将所述磁场分布局部图像块的序列通过包含嵌入层的ViT模型以得到磁场分布特征向量的序列;接着,将所述磁场分布特征向量的序列按照所述图像分块处理的位置排列为磁场分布全局特征图;然后,将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的二维卷积核;接着,对所述分类特征图进行特征分布优化以得到优化分类特征图;最后,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示管道是否存在腐蚀缺陷。
在步骤S110中,获取管道表面的磁场分布图。考虑到在实际基于磁应力来进行管道的腐蚀缺陷检测时,为了在避免管道产生损伤和污染的情况下保证检测的精准度,从而避免发生漏油、爆炸等安全事故的发生,关键在于对于管道表面的磁场分布图进行充分分析和特征捕捉。但是,由于管道表面的磁场分布图中存在有大量的信息量,而关于管道表面的磁场分布信息在图像中为小尺度的隐含特征信息,难以通过传统的特征提取方式进行充分地捕捉刻画,导致对于管道的腐蚀缺陷检测的精准度较低。因此,在此过程中,难点在于如何对所述管道表面的磁场分布图中关于管道表面的磁场分布隐含特征分布信息进行充分表达,以在避免管道产生损伤和污染的情况下对于管道表面的腐蚀缺陷进行准确检测,从而避免发生漏油、爆炸等安全事故。
在步骤S120中,将所述管道表面的磁场分布图进行图像分块处理以得到磁场分布局部图像块的序列。考虑到由于所述管道表面的磁场分布图中关于管道表面的磁场分布隐含特征为小尺度的细微特征,难以进行捕捉提取。因此,为了能够提高所述管道表面的磁场分布图中关于所述管道表面的磁场分布隐含小尺度的细微特征的表达能力,以此来提高管道腐蚀缺陷检测的精准度,在本申请的技术方案中,将所述管道表面的磁场分布图进行图像分块处理后通过包含嵌入层的ViT模型中进行编码,以提取出所述管道表面的磁场分布图中关于管道表面磁场分布的隐含上下文语义关联特征分布信息,从而得到磁场分布特征向量的序列。
在步骤S130中,将所述磁场分布局部图像块的序列通过包含嵌入层的ViT模型以得到磁场分布特征向量的序列。应可以理解,在对于所述管道表面的磁场分布图进行图像分块处理后的各个磁场分布局部图像块中关于管道表面磁场分布情况的小尺度隐含特征不再是小尺度的特征信息,有利于后续进行管道表面磁场分布的特征提取。特别地,这里,所述嵌入层通过可学习嵌入矩阵将所述各个图像块线性投影为一维嵌入向量。嵌入化的实现过程是先分别将各个所述磁场分布局部图像块中所有像素位置的像素值排列为一维向量,然后使用全连接层对该一维向量进行全连接编码以实现嵌入化。并且,这里,所述ViT模型可以像Transformer一样直接通过自注意力机制处理所述各个磁场分布局部图像块,以此来分别提取出所述各个磁场分布局部图像块中基于所述管道表面的磁场分布图整体的关于所述管道表面磁场分布的隐含上下文语义关联特征信息。
具体地,在本申请实施例中,将所述磁场分布局部图像块的序列通过包含嵌入层的ViT模型以得到磁场分布特征向量的序列,包括:使用所述包含嵌入层的ViT模型的嵌入层分别对所述磁场分布局部图像块的序列中各个图像块进行嵌入编码以得到图像块嵌入向量的序列;以及,将所述图像块嵌入向量的序列输入所述包含嵌入层的ViT模型的转换器模块以得到所述磁场分布特征向量的序列。
更具体地,在本申请实施例中,使用所述包含嵌入层的ViT模型的嵌入层分别对所述磁场分布局部图像块的序列中各个图像块进行嵌入编码以得到图像块嵌入向量的序列,包括:将所述磁场分布局部图像块的序列中的各个图像块分别展开为一维像素输入向量以得到多个一维像素输入向量;以及,使用所述包含嵌入层的ViT模型的嵌入层对所述多个一维像素输入向量中各个一维像素输入向量进行全连接编码以得到所述图像块嵌入向量的序列。
在步骤S140中,将所述磁场分布特征向量的序列按照所述图像分块处理的位置排列为磁场分布全局特征图。考虑到由于所述各个磁场分布局部图像块中关于所述管道表面磁场分布的隐含上下文关联特征之间具有着关联性关系,因此,在本申请的技术方案中,进一步将所述磁场分布特征向量的序列按照所述图像分块处理的位置排列为磁场分布全局特征图,以建立不同所述磁场分布局部图像块之间的关联性,从而更好地捕捉所述管道表面的磁场分布图中关于所述管道表面磁场分布的整体信息和特点。应可以理解,这些所述各个磁场分布局部图像块中包含了不同的管道区域的信息,将它们按照位置排列为所述磁场分布全局特征图后,可以更好地把握磁场的整体变化趋势,提高分类准确率和系统稳定性。
在步骤S150中,将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的二维卷积核。所述各个磁场分布局部图像块中关于所述管道表面磁场分布的隐含上下文关联特征来说,不同的图像块之间关于管道的各个位置处的表面磁场分布信息呈现出不同的关联性。因此,在本申请的技术方案中,进一步将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图。特别地,这里,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的二维卷积核来对于所述磁场分布全局特征图进行特征挖掘,以提取出所述各个磁场分布局部图像块中关于所述管道表面磁场分布隐含局部上下文关联特征的多尺度关联性特征分布信息,即所述各个磁场分布局部图像块中的上下文关联的图像语义特征在不同尺度下的基于源图像拓扑的局部关联特征信息。
图4为根据本申请实施例的基于磁应力的油气管道腐蚀检测方法中将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图的流程图。如图4所示,将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图,包括:S210,将所述磁场分布全局特征图输入所述包含第一卷积层和第二卷积层的多尺度特征提取结构的第一卷积层以得到第一尺度卷积特征图,其中,所述第一卷积层具有第一长度的第一二维卷积核;S220,将所述磁场分布全局特征图输入所述包含第一卷积层和第二卷积层的多尺度特征提取结构的第二卷积层以得到第二尺度卷积特征图,其中,所述第二卷积层具有第二长度的第二二维卷积核,所述第一长度不同于所述第二长度;以及,S230,将所述第一尺度卷积特征图和所述第二尺度卷积特征图进行级联以得到所述分类特征图。
在步骤S160中,对所述分类特征图进行特征分布优化以得到优化分类特征图。特别地,将所述磁场分布局部图像块的序列中的各个磁场分布局部图像块通过ViT模型后,可以获得每个磁场分布局部图像块相对于全局图像语义的上下文关联的图像语义特征,再将所述磁场分布特征向量的序列按照所述图像分块处理的位置排列为磁场分布全局特征图后,进一步通过包含第一卷积层和第二卷积层的多尺度特征提取结构,就可以提取所述上下文关联的图像语义特征在不同尺度下的基于源图像拓扑的局部关联特征,但是,为了所述分类特征图能够更加充分地表达图像语义特征的全局关联特征和局部关联特征,本申请的申请人通过对所述磁场分布全局特征图和所述分类特征图进行特征语义层面上的融合来优化所述分类特征图。
具体地,在本申请实施例中,对所述分类特征图进行特征分布优化以得到优化分类特征图,包括:将所述磁场分布全局特征图和所述分类特征图展开为磁场分布全局特征向量和分类特征向量;对所述磁场分布全局特征向量和所述分类特征向量进行深层空间封装语义匹配融合以得到优化后分类特征向量;以及,将所述优化后分类特征向量进行维度重构以得到所述优化分类特征图。
更具体地,在本申请实施例中,对所述磁场分布全局特征向量和所述分类特征向量进行深层空间封装语义匹配融合以得到优化后分类特征向量,包括:以如下优化公式对所述磁场分布全局特征向量和所述分类特征向量进行深层空间封装语义匹配融合以得到所述优化后分类特征向量;其中,所述优化公式为:,其中,/>是所述磁场分布全局特征向量,/>是所述分类特征向量,/>和/>分别表示向量的一范数和二范数,/>和/>分别为权重和偏置超参数,/>表示所述磁场分布全局特征向量和所述分类特征向量之间的按位置距离矩阵,且/>为单位矩阵,/>、/>、/>分别表示按位置加法、按位置减法和按位置点乘,/>是所述优化后分类特征向量。
在步骤S170中,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示管道是否存在腐蚀缺陷。在本申请的技术方案中,所述分类器的标签包括管道存在腐蚀缺陷(第一标签),以及,管道不存在腐蚀缺陷(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“管道是否存在腐蚀缺陷”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2 之和为1。因此,管道是否存在腐蚀缺陷的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“管道是否存在腐蚀缺陷”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为管道是否存在腐蚀缺陷的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果来对于管道表面的腐蚀缺陷进行准确检测,从而避免发生漏油、爆炸等安全事故。
具体地,在本申请实施例中,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示管道是否存在腐蚀缺陷,包括:将所述优化分类特征图展开为分类特征向量;使用所述分类器的至少一全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的基于磁应力的油气管道腐蚀检测方法被阐明,其通过获取管道表面的磁场分布图,以此来判断管道是否存在腐蚀缺陷。具体地,基于深度学习的深度神经网络模型模拟并建立管道表面的磁场分布图的隐含特征关联,通过对图像进行分块处理,采用ViT模型进行编码,多尺度结构提取不同关联信息,以此来判断管道是否存在腐蚀缺陷。这样,可以在不接触管道的情况下进行检测,避免了对管道的损伤和污染,同时也提高了检测效率和准确性。
示例性系统:图5为根据本申请实施例基于磁应力的油气管道腐蚀检测系统的框图。如图5所示,根据本申请实施例的基于磁应力的油气管道腐蚀检测系统100,包括:磁场分布采集模块110,用于获取管道表面的磁场分布图;图像分块模块120,用于将所述管道表面的磁场分布图进行图像分块处理以得到磁场分布局部图像块的序列;磁场分布特征提取模块130,用于将所述磁场分布局部图像块的序列通过包含嵌入层的ViT模型以得到磁场分布特征向量的序列;排列模块140,用于将所述磁场分布特征向量的序列按照所述图像分块处理的位置排列为磁场分布全局特征图;多尺度提取模块150,用于将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的二维卷积核;优化模块160,对所述分类特征图进行特征分布优化以得到优化分类特征图;以及,分类结果生成模块170,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示管道是否存在腐蚀缺陷。
在一个示例中,在上述基于磁应力的油气管道腐蚀检测系统中,所述磁场分布特征提取模块,包括:嵌入编码单元,用于使用所述包含嵌入层的ViT模型的嵌入层分别对所述磁场分布局部图像块的序列中各个图像块进行嵌入编码以得到图像块嵌入向量的序列;以及,转换单元,用于将所述图像块嵌入向量的序列输入所述包含嵌入层的ViT模型的转换器模块以得到所述磁场分布特征向量的序列。
在一个示例中,在上述基于磁应力的油气管道腐蚀检测系统中,所述嵌入编码单元,包括:将所述磁场分布局部图像块的序列中的各个图像块分别展开为一维像素输入向量以得到多个一维像素输入向量;以及,使用所述包含嵌入层的ViT模型的嵌入层对所述多个一维像素输入向量中各个一维像素输入向量进行全连接编码以得到所述图像块嵌入向量的序列。
在一个示例中,在上述基于磁应力的油气管道腐蚀检测系统中,所述多尺度提取模块,包括:第一尺度提取单元,用于将所述磁场分布全局特征图输入所述包含第一卷积层和第二卷积层的多尺度特征提取结构的第一卷积层以得到第一尺度卷积特征图,其中,所述第一卷积层具有第一长度的第一二维卷积核;第二尺度提取单元,用于将所述磁场分布全局特征图输入所述包含第一卷积层和第二卷积层的多尺度特征提取结构的第二卷积层以得到第二尺度卷积特征图,其中,所述第二卷积层具有第二长度的第二二维卷积核,所述第一长度不同于所述第二长度;以及,融合单元,用于将所述第一尺度卷积特征图和所述第二尺度卷积特征图进行级联以得到所述分类特征图。
在一个示例中,在上述基于磁应力的油气管道腐蚀检测系统中,所述优化模块,包括:将所述磁场分布全局特征图和所述分类特征图展开为磁场分布全局特征向量和分类特征向量;对所述磁场分布全局特征向量和所述分类特征向量进行深层空间封装语义匹配融合以得到优化后分类特征向量;以及,将所述优化后分类特征向量进行维度重构以得到所述优化分类特征图。
在一个示例中,在上述基于磁应力的油气管道腐蚀检测系统中,所述对所述磁场分布全局特征向量和所述分类特征向量进行深层空间封装语义匹配融合以得到优化后分类特征向量,包括:以如下优化公式对所述磁场分布全局特征向量和所述分类特征向量进行深层空间封装语义匹配融合以得到所述优化后分类特征向量;其中,所述优化公式为:,其中,/>是所述磁场分布全局特征向量,/>是所述分类特征向量,/>和/>分别表示向量的一范数和二范数,/>和/>分别为权重和偏置超参数,/>表示所述磁场分布全局特征向量和所述分类特征向量之间的按位置距离矩阵,且/>为单位矩阵,/>、/>、/>分别表示按位置加法、按位置减法和按位置点乘,/>是所述优化后分类特征向量。
在一个示例中,在上述基于磁应力的油气管道腐蚀检测系统中,所述分类结果生成模块,包括:将所述优化分类特征图展开为分类特征向量;使用所述分类器的至少一全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的基于磁应力的油气管道腐蚀检测系统被阐明,其通过获取管道表面的磁场分布图,以此来判断管道是否存在腐蚀缺陷。具体地,基于深度学习的深度神经网络模型模拟并建立管道表面的磁场分布图的隐含特征关联,通过对图像进行分块处理,采用ViT模型进行编码,多尺度结构提取不同关联信息,以此来判断管道是否存在腐蚀缺陷。这样,可以在不接触管道的情况下进行检测,避免了对管道的损伤和污染,同时也提高了检测效率和准确性。
示例性电子设备:下面,参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于磁应力的油气管道腐蚀检测方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如管道表面的磁场分布图等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于磁应力的油气管道腐蚀检测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于磁应力的油气管道腐蚀检测方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (7)
1.一种基于磁应力的油气管道腐蚀检测方法,其特征在于,包括:获取管道表面的磁场分布图;将所述管道表面的磁场分布图进行图像分块处理以得到磁场分布局部图像块的序列;将所述磁场分布局部图像块的序列通过包含嵌入层的ViT模型以得到磁场分布特征向量的序列;将所述磁场分布特征向量的序列按照所述图像分块处理的位置排列为磁场分布全局特征图;将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的二维卷积核;对所述分类特征图进行特征分布优化以得到优化分类特征图;以及将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示管道是否存在腐蚀缺陷。
2.根据权利要求1所述的基于磁应力的油气管道腐蚀检测方法,其特征在于,将所述磁场分布局部图像块的序列通过包含嵌入层的ViT模型以得到磁场分布特征向量的序列,包括:使用所述包含嵌入层的ViT模型的嵌入层分别对所述磁场分布局部图像块的序列中各个图像块进行嵌入编码以得到图像块嵌入向量的序列;将所述图像块嵌入向量的序列输入所述包含嵌入层的ViT模型的转换器模块以得到所述磁场分布特征向量的序列。
3.根据权利要求2所述的基于磁应力的油气管道腐蚀检测方法,其特征在于,使用所述包含嵌入层的ViT模型的嵌入层分别对所述磁场分布局部图像块的序列中各个图像块进行嵌入编码以得到图像块嵌入向量的序列,包括:将所述磁场分布局部图像块的序列中的各个图像块分别展开为一维像素输入向量以得到多个一维像素输入向量;以及使用所述包含嵌入层的ViT模型的嵌入层对所述多个一维像素输入向量中各个一维像素输入向量进行全连接编码以得到所述图像块嵌入向量的序列。
4.根据权利要求3所述的基于磁应力的油气管道腐蚀检测方法,其特征在于,将所述磁场分布全局特征图通过包含第一卷积层和第二卷积层的多尺度特征提取结构以得到分类特征图,包括:将所述磁场分布全局特征图输入所述包含第一卷积层和第二卷积层的多尺度特征提取结构的第一卷积层以得到第一尺度卷积特征图,其中,所述第一卷积层具有第一长度的第一二维卷积核;将所述磁场分布全局特征图输入所述包含第一卷积层和第二卷积层的多尺度特征提取结构的第二卷积层以得到第二尺度卷积特征图,其中,所述第二卷积层具有第二长度的第二二维卷积核,所述第一长度不同于所述第二长度;以及将所述第一尺度卷积特征图和所述第二尺度卷积特征图进行级联以得到所述分类特征图。
5.根据权利要求4所述的基于磁应力的油气管道腐蚀检测方法,其特征在于,对所述分类特征图进行特征分布优化以得到优化分类特征图,包括:将所述磁场分布全局特征图和所述分类特征图展开为磁场分布全局特征向量和分类特征向量;对所述磁场分布全局特征向量和所述分类特征向量进行深层空间封装语义匹配融合以得到优化后分类特征向量;以及将所述优化后分类特征向量进行维度重构以得到所述优化分类特征图。
6.根据权利要求5所述的基于磁应力的油气管道腐蚀检测方法,其特征在于,对所述磁场分布全局特征向量和所述分类特征向量进行深层空间封装语义匹配融合以得到优化后分类特征向量,包括:以如下优化公式对所述磁场分布全局特征向量和所述分类特征向量进行深层空间封装语义匹配融合以得到所述优化后分类特征向量;其中,所述优化公式为:,其中,/>是所述磁场分布全局特征向量,/>是所述分类特征向量,/>和/>分别表示向量的一范数和二范数,/>和/>分别为权重和偏置超参数,/>表示所述磁场分布全局特征向量和所述分类特征向量之间的按位置距离矩阵,且/>为单位矩阵,/>、/>、/>分别表示按位置加法、按位置减法和按位置点乘,/>是所述优化后分类特征向量。
7.根据权利要求6所述的基于磁应力的油气管道腐蚀检测方法,其特征在于,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示管道是否存在腐蚀缺陷,包括:将所述优化分类特征图展开为分类特征向量;使用所述分类器的至少一全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310566901.6A CN116309580B (zh) | 2023-05-19 | 2023-05-19 | 基于磁应力的油气管道腐蚀检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310566901.6A CN116309580B (zh) | 2023-05-19 | 2023-05-19 | 基于磁应力的油气管道腐蚀检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309580A true CN116309580A (zh) | 2023-06-23 |
CN116309580B CN116309580B (zh) | 2023-08-15 |
Family
ID=86826188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310566901.6A Active CN116309580B (zh) | 2023-05-19 | 2023-05-19 | 基于磁应力的油气管道腐蚀检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309580B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117138588A (zh) * | 2023-10-27 | 2023-12-01 | 克拉玛依曜诚石油科技有限公司 | 反渗透系统的智能在线清洗方法及其系统 |
CN117455907A (zh) * | 2023-12-22 | 2024-01-26 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100013468A1 (en) * | 2006-05-12 | 2010-01-21 | Centre National De La Recherche Scientifique (C.N.R.S.) | Method and device for eddy current imaging for the detection and the characterisation of defects hidden in complex structures |
CN110108783A (zh) * | 2019-05-14 | 2019-08-09 | 上海市特种设备监督检验技术研究院 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
CN114088808A (zh) * | 2021-11-15 | 2022-02-25 | 蒋峰 | 一种三维感应涡流磁场云图的管道裂纹可视化检测方法和系统 |
CN114998726A (zh) * | 2022-05-23 | 2022-09-02 | 辽宁石油化工大学 | 一种基于三分量磁场曲线图像识别的埋地管道检测方法 |
CN115063337A (zh) * | 2021-03-08 | 2022-09-16 | 中国石油化工股份有限公司 | 埋地管道智能维修决策方法及装置 |
CN116012317A (zh) * | 2022-12-22 | 2023-04-25 | 浙江大学 | 一种基于弱监督学习的管道漏磁内检测缺陷识别方法 |
CN116090322A (zh) * | 2021-10-30 | 2023-05-09 | 中国石油化工股份有限公司 | 管道完整性智能决策可视化系统 |
-
2023
- 2023-05-19 CN CN202310566901.6A patent/CN116309580B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100013468A1 (en) * | 2006-05-12 | 2010-01-21 | Centre National De La Recherche Scientifique (C.N.R.S.) | Method and device for eddy current imaging for the detection and the characterisation of defects hidden in complex structures |
CN110108783A (zh) * | 2019-05-14 | 2019-08-09 | 上海市特种设备监督检验技术研究院 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
CN115063337A (zh) * | 2021-03-08 | 2022-09-16 | 中国石油化工股份有限公司 | 埋地管道智能维修决策方法及装置 |
CN116090322A (zh) * | 2021-10-30 | 2023-05-09 | 中国石油化工股份有限公司 | 管道完整性智能决策可视化系统 |
CN114088808A (zh) * | 2021-11-15 | 2022-02-25 | 蒋峰 | 一种三维感应涡流磁场云图的管道裂纹可视化检测方法和系统 |
CN114998726A (zh) * | 2022-05-23 | 2022-09-02 | 辽宁石油化工大学 | 一种基于三分量磁场曲线图像识别的埋地管道检测方法 |
CN116012317A (zh) * | 2022-12-22 | 2023-04-25 | 浙江大学 | 一种基于弱监督学习的管道漏磁内检测缺陷识别方法 |
Non-Patent Citations (2)
Title |
---|
BIN TIAN: "Detection Method of Magnetic Anomaly Signal of Target Based on Deep Learning", EITCE \'21: PROCEEDINGS OF THE 2021 5TH INTERNATIONAL CONFERENCE ON ELECTRONIC INFORMATION TECHNOLOGY AND COMPUTER ENGINEERING, pages 532 - 536 * |
杨理践;余文来;高松巍;孔丽新;: "管道漏磁检测缺陷识别技术", 沈阳工业大学学报, no. 01, pages 65 - 69 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117138588A (zh) * | 2023-10-27 | 2023-12-01 | 克拉玛依曜诚石油科技有限公司 | 反渗透系统的智能在线清洗方法及其系统 |
CN117138588B (zh) * | 2023-10-27 | 2024-02-13 | 克拉玛依曜诚石油科技有限公司 | 反渗透系统的智能在线清洗方法及其系统 |
CN117455907A (zh) * | 2023-12-22 | 2024-01-26 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及系统 |
CN117455907B (zh) * | 2023-12-22 | 2024-03-19 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116309580B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116309580B (zh) | 基于磁应力的油气管道腐蚀检测方法 | |
CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
CN116308754B (zh) | 一种银行信贷风险预警系统及其方法 | |
CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
CN115456789B (zh) | 基于交易模式识别的异常交易检测方法及其系统 | |
CN115761642A (zh) | 基于图像处理的破碎作业监控方法及其系统 | |
CN116089648B (zh) | 基于人工智能的档案管理系统及方法 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
CN115620303A (zh) | 人事档案智慧管理系统 | |
CN116247824A (zh) | 电力设备的控制方法及其系统 | |
CN116824256A (zh) | 磨床的视觉检测系统及其方法 | |
CN117231590A (zh) | 液压系统的故障预测系统及其方法 | |
CN112134858B (zh) | 敏感信息检测方法、装置、设备及存储介质 | |
CN117727043A (zh) | 信息重构模型的训练、图像检索方法、装置及设备 | |
CN110889290B (zh) | 文本编码方法和设备、文本编码有效性检验方法和设备 | |
EP4071729A2 (en) | Method and apparatus for training image recognition model based on semantic enhancement | |
CN116993446A (zh) | 电子商务用物流配送管理系统及其方法 | |
US20220237391A1 (en) | Interpreting cross-lingual models for natural language inference | |
CN115827856A (zh) | 一种基于计算机的军工领域消息的传递方法 | |
Nag et al. | CNN based approach for post disaster damage assessment | |
CN116187294B (zh) | 信息化检测实验室电子文件快速生成方法及系统 | |
CN116467485B (zh) | 一种视频图像检索构建系统及其方法 | |
CN116141178B (zh) | 一种半导体阀门的加工系统及其方法 | |
CN117909505B (zh) | 事件论元的抽取方法及相关设备 | |
CN116127019B (zh) | 动态参数与可视化模型生成web 2d自动建模引擎系统 |
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 |