CN117237270A - 耐磨防腐管道生产用成型控制方法及系统 - Google Patents
耐磨防腐管道生产用成型控制方法及系统 Download PDFInfo
- Publication number
- CN117237270A CN117237270A CN202310160515.7A CN202310160515A CN117237270A CN 117237270 A CN117237270 A CN 117237270A CN 202310160515 A CN202310160515 A CN 202310160515A CN 117237270 A CN117237270 A CN 117237270A
- Authority
- CN
- China
- Prior art keywords
- resistant
- feature
- wear
- corrosion
- image block
- 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
- 238000005260 corrosion Methods 0.000 title claims abstract description 161
- 230000007797 corrosion Effects 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000000465 moulding Methods 0.000 claims abstract description 83
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 50
- 238000004519 manufacturing process Methods 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000010586 diagram Methods 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 28
- 230000007246 mechanism Effects 0.000 claims description 25
- 230000000903 blocking effect Effects 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 229910000676 Si alloy Inorganic materials 0.000 claims description 4
- UVGLBOPDEUYYCS-UHFFFAOYSA-N silicon zirconium Chemical compound [Si].[Zr] UVGLBOPDEUYYCS-UHFFFAOYSA-N 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 238000007493 shaping process Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 11
- 239000002002 slurry Substances 0.000 description 10
- 239000002131 composite material Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 238000005299 abrasion Methods 0.000 description 7
- 238000006477 desulfuration reaction Methods 0.000 description 7
- 230000023556 desulfurization Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000007792 addition Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000000919 ceramic Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 229910000599 Cr alloy Inorganic materials 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 239000000788 chromium alloy Substances 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003009 desulfurizing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229920006351 engineering plastic Polymers 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229910000734 martensite Inorganic materials 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种耐磨防腐管道生产用成型控制方法及系统,其获取待检测耐磨防腐管道的检测图像,然后使用基于人工智能的图像处理算法对所述待检测耐磨防腐管道的检测图像进行图像特征提取,最终以分类器确定所述待检测耐磨防腐管道的检测图像的图像特征所属的类概率标签,并以类概率标签表示待检测耐磨防腐管道的成型质量是否符合预定要求。这样,可以对于耐磨防腐管道的成型质量进行准确地检测,以提高耐磨防腐管道的性能和使用寿命。
Description
技术领域
本申请涉及管道生产技术领域,并且更具体地,涉及一种耐磨防腐管道生产用成型控制方法及系统。
背景技术
目前,实际使用中的磨损性介质输送管道大多是钢--塑(胶)、钢--陶瓷(铸石)等复合管道或单一耐磨性工程塑料管道及其加筋增强复合管道。成型质量符合要求的耐磨防腐管道能够在实际应用场景中具有相对稳定的性能和使用寿命,但是如果耐磨防腐管道的成型质量没有满足标准,则其在应用场景中的寿命会大打折扣。
因此,期待一种耐磨防腐管道生产用成型控制方案。
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耐磨防腐管道生产用成型控制方法及系统,其获取待检测耐磨防腐管道的检测图像,然后使用基于人工智能的图像处理算法对所述待检测耐磨防腐管道的检测图像进行图像特征提取,最终以分类器确定所述待检测耐磨防腐管道的检测图像的图像特征所属的类概率标签,并以类概率标签表示待检测耐磨防腐管道的成型质量是否符合预定要求。这样,可以对于耐磨防腐管道的成型质量进行准确地检测,以提高耐磨防腐管道的性能和使用寿命。
第一方面,提供了一种耐磨防腐管道生产用成型控制方法,其包括:
获取待检测耐磨防腐管道的检测图像;
对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列;
将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵;
将所述多个图像块特征矩阵进行二维拼接以得到全局图像块特征矩阵;
将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图;
对所述分类特征图进行特征值区分度强化以得到增强分类特征图;以及
将所述增强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待检测耐磨防腐管道的成型质量是否符合预定要求。
在上述耐磨防腐管道生产用成型控制方法中,对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列,包括:对所述待检测耐磨防腐管道的检测图像进行均匀分块处理以得到所述图像块序列,其中,所述图像块序列中各个图像块具有相同的尺寸。
在上述耐磨防腐管道生产用成型控制方法中,将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对所述输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个图像块特征矩阵,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述图像块图像中的各个图像块。
在上述耐磨防腐管道生产用成型控制方法中,所述作为特征提取器的卷积神经网络模型为深度残差网络模型。
在上述耐磨防腐管道生产用成型控制方法中,将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图,包括:所述使用空间注意力机制的第二卷积神经网络模型的卷积编码部分对所述全局图像块特征矩阵进行卷积编码以得到全局图像块卷积特征图;将所述全局图像块卷积特征图输入所述使用空间注意力机制的第二卷积神经网络模型的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算所述空间注意力特征图和所述全局图像块卷积特征图的按位置点乘以得到所述分类特征图。
在上述耐磨防腐管道生产用成型控制方法中,对所述分类特征图进行特征值区分度强化以得到增强分类特征图,包括:以如下公式对所述分类特征图进行特征值区分度强化以得到增强分类特征图;其中,所述公式为:
;
;
;
其中,是所述增强分类特征图,/>是所述分类特征图,/>和/>是预定超参数,/>和表示特征图的按位置加法和按位置减法,/>表示通过单个卷积层的卷积操作。
在上述耐磨防腐管道生产用成型控制方法中,将所述增强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待检测耐磨防腐管道的成型质量是否符合预定要求,包括:将所述增强分类特征图按照行向量或列向量展开为分类特征向量;使用所述分类器的多个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。
第二方面,提供了一种耐磨防腐管道生产用成型控制系统,其包括:
图像获取模块,用于获取待检测耐磨防腐管道的检测图像;
图像分块处理模块,用于对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列;
第一特征提取模块,用于将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵;
二维拼接模块,用于将所述多个图像块特征矩阵进行二维拼接以得到全局图像块特征矩阵;
第二特征提取模块,用于将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图;
强化模块,用于对所述分类特征图进行特征值区分度强化以得到增强分类特征图;以及
成型质量结果生成模块,用于将所述增强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待检测耐磨防腐管道的成型质量是否符合预定要求。
在上述耐磨防腐管道生产用成型控制系统中,所述图像分块处理模块,用于:对所述待检测耐磨防腐管道的检测图像进行均匀分块处理以得到所述图像块序列,其中,所述图像块序列中各个图像块具有相同的尺寸。
在上述耐磨防腐管道生产用成型控制系统中,所述第一特征提取模块,用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对所述输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个图像块特征矩阵,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述图像块图像中的各个图像块。
与现有技术相比,本申请提供的耐磨防腐管道生产用成型控制方法及系统,其获取待检测耐磨防腐管道的检测图像,然后使用基于人工智能的图像处理算法对所述待检测耐磨防腐管道的检测图像进行图像特征提取,最终以分类器确定所述待检测耐磨防腐管道的检测图像的图像特征所属的类概率标签,并以类概率标签表示待检测耐磨防腐管道的成型质量是否符合预定要求。这样,可以对于耐磨防腐管道的成型质量进行准确地检测,以提高耐磨防腐管道的性能和使用寿命。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的耐磨防腐管道生产用成型控制方法的场景示意图。
图2为根据本申请实施例的耐磨防腐管道生产用成型控制方法的流程图。
图3A为锆-硅合金高耐磨防腐管道的规格参数。
图3B为双金属复合耐磨管的材料牌号及化学成分。
图3C为双金属复合耐磨管的机械性能。
图4为根据本申请实施例的耐磨防腐管道生产用成型控制方法的架构示意图。
图5为根据本申请实施例的耐磨防腐管道生产用成型控制方法中步骤150的子步骤的流程图。
图6为根据本申请实施例的耐磨防腐管道生产用成型控制方法中步骤170的子步骤的流程图。
图7为根据本申请实施例的耐磨防腐管道生产用成型控制系统的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请的技术方案中,在耐磨防腐管道生产用成型控制方案中,在得到耐磨防腐管道后,期待对所述耐磨防腐管道进行成型质量检测以确定所述耐磨防腐管道是否符合预定要求,这样在将其投入使用后,其能够具有相对稳定的性能和使用寿命。而这可以通过特征提取器+分类器的模型构建来实现。具体地,获取待检测耐磨防腐管道的检测图像,然后使用基于人工智能的图像处理算法对所述待检测耐磨防腐管道的检测图像进行图像特征提取,最终以分类器来确定所述待检测耐磨防腐管道的检测图像的图像特征所属的类概率标签,所述类概率标签包括待检测耐磨防腐管道的成型质量符合预定要求(第一标签),以及,待检测耐磨防腐管道的成型质量不符合预定要求(第二标签)。也就是,在本申请的技术方案中,将所述耐磨防腐管道的成型质量检测问题转化为二分类问题。
具体地,获取待检测耐磨防腐管道的检测图像。然后,使用ViT(VisionTransformer)思想对所述待检测耐磨防腐管道的检测图像进行图像特征提取以得到分类特征图。具体地,首先对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列。然后,将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵。也就是,在将所述待检测耐磨防腐管道的检测图像划分为多个图像块后,分别使用所述作为特征提取器的卷积神经网络模型对所述各个图像块进行图像编码以得到所述各个图像块的高维特征表示,即,所述图像块特征矩阵。在本申请一个具体的示例中,所述作为特征提取器的卷积神经网络模型为深度残差网络模型。
在得到所述各个图像块的高维特征表示后,将所述多个图像块特征矩阵进行二维拼接以得到全局图像块特征矩阵。这样,在将所述各个图像块的高维特征表示在一个数据结构中进行整合的同时,保留各个图像块特征矩阵之间的空间拓扑关系。然后,将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图。也就是,进一步通过在图像特征提取领域具有优异性能表现的卷积神经网络模型对所述全局图像块特征矩阵进行基于卷积核的空间域特征过滤和扫描以捕捉各个图像块的语义特征表达间的高维隐含关联模式特征。
在得到所述分类特征图后,将所述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待检测耐磨防腐管道的成型质量是否符合预定要求。也就是,使用所述分类器来进行二分类判断,以确定所述分类特征图所属的类概率标签,通过这样的方式,来进行所述耐磨防腐管道的成型质量的分类判断。
特别地,在本申请的技术方案中,所述分类特征图通过对所述全局图像块特征矩阵进行空间注意力编码得到,以使得所述全局图像块特征矩阵的空间维度特征的可鉴别性和区分度得以增强,但是,如果直接将所述分类特征图通过分类器进行分类,所述分类特征图会被展开为特征向量以使得其在空间维度的特征值差异被结构性削弱,影响所述分类特征图通过所述分类器得到的分类结果的精准度。也就是说,如果在分类是能够对所述分类特征图对于特征值进行有效区分,显然能够提高分类器的训练速度和分类结果的准确性。
因此,本申请的申请人对所述分类特征图,例如记为进行基于可区分性物理激励的交互强化,表示为:
;
;
;
其中是增强分类特征图,/>和/>是预定超参数,/>和/>表示特征图的按位置加法和减法,除法表示特征图的每个位置除以相应值,且/>表示通过单个卷积层的卷积操作。
这里,所述基于可区分性物理激励的交互强化用于在通过梯度下降的反向传播过程当中提升特征空间与分类问题的解空间之间的交互,其以类似物理激励的方式来提取和模仿可行特征(actionable feature),由此,使用通用目的的低维可导式物理激励方式,来获得具有梯度可区分性的可行特征的物理性表达,从而在训练过程中强化所述分类特征图内的活跃部分,以提升所述增强分类特征图/>通过分类器的训练速度和训练后的分类特征的分类结果的准确性。
图1为根据本申请实施例的耐磨防腐管道生产用成型控制方法的场景示意图。如图1所示,在该应用场景中,首先,获取待检测耐磨防腐管道的检测图像(例如,如图1中所示意的C);然后,将获取的检测图像输入至部署有耐磨防腐管道生产用成型控制算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于耐磨防腐管道生产用成型控制算法对所述检测图像进行处理,以生成用于表示待检测耐磨防腐管道的成型质量是否符合预定要求的分类结果。
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。
在本申请的一个实施例中,图2为根据本申请实施例的耐磨防腐管道生产用成型控制方法的流程图。如图2所示,根据本申请实施例的耐磨防腐管道生产用成型控制方法,包括步骤:110,获取待检测耐磨防腐管道的检测图像;120,对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列;130,将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵;140,将所述多个图像块特征矩阵进行二维拼接以得到全局图像块特征矩阵;150,将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图;160,对所述分类特征图进行特征值区分度强化以得到增强分类特征图;以及,170,将所述增强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待检测耐磨防腐管道的成型质量是否符合预定要求。
图4为根据本申请实施例的耐磨防腐管道生产用成型控制方法的架构示意图。如图4所示,在该网络架构中,首先,获取待检测耐磨防腐管道的检测图像;然后,对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列;接着,将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵;然后,将所述多个图像块特征矩阵进行二维拼接以得到全局图像块特征矩阵;接着,将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图;然后,对所述分类特征图进行特征值区分度强化以得到增强分类特征图;以及,最后,将所述增强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待检测耐磨防腐管道的成型质量是否符合预定要求。
具体地,在步骤110中,获取待检测耐磨防腐管道的检测图像。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。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为挖掘所述轨道交通车辆的振动信号中的各个隐藏特征的关联性特征分布信息提供了新的解决思路和方案。
在本申请的技术方案中,在耐磨防腐管道生产用成型控制方案中,在得到耐磨防腐管道后,期待对所述耐磨防腐管道进行成型质量检测以确定所述耐磨防腐管道是否符合预定要求,这样在将其投入使用后,其能够具有相对稳定的性能和使用寿命。而这可以通过特征提取器 + 分类器的模型构建来实现。
在本申请实施例中,耐磨防腐管道可以包括锆-硅合金高耐磨防腐管道,用于为发电行业脱硫专业解决了长期困扰的输送液体浆液介质管道、跑、冒、漏、滴等老大难问题,为脱硫设备正常允许废气达标排放、降低维护成本和维修工作量、减少停机维修风险、增加发电量等提供了保证,该锆-硅合金高耐磨防腐管道的规格参数如图3A所示。该锆-硅合金高耐磨防腐管道可以应用于脱硫浆液循环泵中的浆液管部分,脱硫浆液循环泵可用于对工业烟气脱硫,或者可用作石灰石浆液输送泵、石膏液排除泵、过滤器给料泵、吸收塔循环泵、回收泵、扰动泵等。脱硫浆液循环泵可用于输送含有固体颗粒的浆液,浆液浓度≥50%,被输送介质温度为-20到80℃,叶轮采用开式叶轮,下端采用机械密封,不需要轴封水,液下深度≤5.5m,可用于脱硫系统地坑及箱罐浆液等的排出。
可选地,耐磨防腐管道还可以包括双金属复合耐磨管,外壁采用钢管,内衬采用消失模静态真空铸造技术,浇铸高铬合金形成白口抗磨合金材料,通过热处理的方式内衬整顿秩序体获得马氏体,该双金属复合耐磨管的材料牌号及化学成分如图3B所示,机械性能如图3C所示。可选地,耐磨防腐管道可以还包括陶瓷内衬复合管,其采用离心式技术,经2000℃高温复合在钢管内壁而形成的,该管道具有耐磨性好,莫氏硬度9.0以上,优异的耐磨蚀性能,可抗有机酸、溶剂腐性气体等的腐蚀,耐高温性能好,可在-50℃至600℃温度范围内长期运行,可采用焊接、法兰连接或维氏、洛氏连接方式等进行安装。
上述管道包含多种规格或型号的管道,如直管、弯管、三通管、叉管、方弯管、螺旋管、冲灰管、落灰管等,在此不受限制。
具体地,获取待检测耐磨防腐管道的检测图像,然后使用基于人工智能的图像处理算法对所述待检测耐磨防腐管道的检测图像进行图像特征提取,最终以分类器来确定所述待检测耐磨防腐管道的检测图像的图像特征所属的类概率标签,所述类概率标签包括待检测耐磨防腐管道的成型质量符合预定要求(第一标签),以及,待检测耐磨防腐管道的成型质量不符合预定要求(第二标签)。也就是,在本申请的技术方案中,将所述耐磨防腐管道的成型质量检测问题转化为二分类问题。
具体地,在步骤120中,对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列。然后,使用ViT(Vision Transformer)思想对所述待检测耐磨防腐管道的检测图像进行图像特征提取以得到分类特征图。具体地,首先对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列。
在本申请一具体示例中,对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列,包括:对所述待检测耐磨防腐管道的检测图像进行均匀分块处理以得到所述图像块序列,其中,所述图像块序列中各个图像块具有相同的尺寸。
具体地,在步骤130中,将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵。将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵。也就是,在将所述待检测耐磨防腐管道的检测图像划分为多个图像块后,分别使用所述作为特征提取器的卷积神经网络模型对所述各个图像块进行图像编码以得到所述各个图像块的高维特征表示,即,所述图像块特征矩阵。
其中,将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对所述输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个图像块特征矩阵,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述图像块图像中的各个图像块。
在本申请一个具体的示例中,所述作为特征提取器的卷积神经网络模型为深度残差网络模型。
应可以理解,卷积神经网络是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现,且相较于传统的基于统计或者基于特征工程的图像特征提取算法,所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地,在步骤140中,将所述多个图像块特征矩阵进行二维拼接以得到全局图像块特征矩阵。在得到所述各个图像块的高维特征表示后,将所述多个图像块特征矩阵进行二维拼接以得到全局图像块特征矩阵。这样,在将所述各个图像块的高维特征表示在一个数据结构中进行整合的同时,保留各个图像块特征矩阵之间的空间拓扑关系。
具体地,在步骤150中,将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图。然后,将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图。也就是,进一步通过在图像特征提取领域具有优异性能表现的卷积神经网络模型对所述全局图像块特征矩阵进行基于卷积核的空间域特征过滤和扫描以捕捉各个图像块的语义特征表达间的高维隐含关联模式特征。
在本申请中,图4为根据本申请实施例的耐磨防腐管道生产用成型控制方法中步骤150的子步骤的流程图,如图4所示,将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图,包括:151,所述使用空间注意力机制的第二卷积神经网络模型的卷积编码部分对所述全局图像块特征矩阵进行卷积编码以得到全局图像块卷积特征图;152,将所述全局图像块卷积特征图输入所述使用空间注意力机制的第二卷积神经网络模型的空间注意力部分以得到空间注意力图;153,将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,154,计算所述空间注意力特征图和所述全局图像块卷积特征图的按位置点乘以得到所述分类特征图。
应可以理解,注意力机制是机器学习中的一种数据处理方法,广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面,注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方;另一方面,注意力机制通过神经网络的操作生成一个掩码mask, mask上的值的权重。 一般来说,空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
具体地,在步骤160中,对所述分类特征图进行特征值区分度强化以得到增强分类特征图。特别地,在本申请的技术方案中,所述分类特征图通过对所述全局图像块特征矩阵进行空间注意力编码得到,以使得所述全局图像块特征矩阵的空间维度特征的可鉴别性和区分度得以增强,但是,如果直接将所述分类特征图通过分类器进行分类,所述分类特征图会被展开为特征向量以使得其在空间维度的特征值差异被结构性削弱,影响所述分类特征图通过所述分类器得到的分类结果的精准度。也就是说,如果在分类是能够对所述分类特征图对于特征值进行有效区分,显然能够提高分类器的训练速度和分类结果的准确性。
因此,本申请的申请人对所述分类特征图,例如记为进行基于可区分性物理激励的交互强化,也就是,以如下公式对所述分类特征图进行特征值区分度强化以得到增强分类特征图;其中,所述公式为:
;
;
;
其中,是所述增强分类特征图,/>是所述分类特征图,/>和/>是预定超参数,/>和表示特征图的按位置加法和按位置减法,/>表示通过单个卷积层的卷积操作。
这里,所述基于可区分性物理激励的交互强化用于在通过梯度下降的反向传播过程当中提升特征空间与分类问题的解空间之间的交互,其以类似物理激励的方式来提取和模仿可行特征(actionable feature),由此,使用通用目的的低维可导式物理激励方式,来获得具有梯度可区分性的可行特征的物理性表达,从而在训练过程中强化所述分类特征图内的活跃部分,以提升所述增强分类特征图/>通过分类器的训练速度和训练后的分类特征的分类结果的准确性。
具体地,在步骤170中,将所述增强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待检测耐磨防腐管道的成型质量是否符合预定要求。
在得到所述分类特征图后,将所述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待检测耐磨防腐管道的成型质量是否符合预定要求。也就是,使用所述分类器来进行二分类判断,以确定所述分类特征图所属的类概率标签,通过这样的方式,来进行所述耐磨防腐管道的成型质量的分类判断。
图6为根据本申请实施例的耐磨防腐管道生产用成型控制方法中步骤170的子步骤的流程图,如图6所示,将所述增强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待检测耐磨防腐管道的成型质量是否符合预定要求,包括:171,将所述增强分类特征图按照行向量或列向量展开为分类特征向量;172,使用所述分类器的多个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,173,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。
在本申请一具体示例中,使用所述分类器以如下公式对所述增强分类特征图进行处理以得到所述分类结果;其中,所述公式为:
,其中,/>到/>为权重矩阵,/>到/>为偏置向量,/>为将所述增强分类特征图投影为向量。
综上,基于本申请实施例的耐磨防腐管道生产用成型控制方法被阐明,其获取待检测耐磨防腐管道的检测图像,然后使用基于人工智能的图像处理算法对所述待检测耐磨防腐管道的检测图像进行图像特征提取,最终以分类器确定所述待检测耐磨防腐管道的检测图像的图像特征所属的类概率标签,并以类概率标签表示待检测耐磨防腐管道的成型质量是否符合预定要求。这样,可以对于耐磨防腐管道的成型质量进行准确地检测,以提高耐磨防腐管道的性能和使用寿命。
在本申请的一个实施例中,图7为根据本申请实施例的耐磨防腐管道生产用成型控制系统的框图。如图7所示,根据本申请实施例的耐磨防腐管道生产用成型控制系统200,包括:图像获取模块210,用于获取待检测耐磨防腐管道的检测图像;图像分块处理模块220,用于对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列;
第一特征提取模块230,用于将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵;二维拼接模块240,用于将所述多个图像块特征矩阵进行二维拼接以得到全局图像块特征矩阵;第二特征提取模块250,用于将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图;强化模块260,用于对所述分类特征图进行特征值区分度强化以得到增强分类特征图;以及,成型质量结果生成模块270,用于将所述增强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待检测耐磨防腐管道的成型质量是否符合预定要求。
在一个具体示例中,在上述耐磨防腐管道生产用成型控制系统中,所述图像分块处理模块,用于:对所述待检测耐磨防腐管道的检测图像进行均匀分块处理以得到所述图像块序列,其中,所述图像块序列中各个图像块具有相同的尺寸。
在一个具体示例中,在上述耐磨防腐管道生产用成型控制系统中,所述第一特征提取模块,用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对所述输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个图像块特征矩阵,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述图像块图像中的各个图像块。
在一个具体示例中,在上述耐磨防腐管道生产用成型控制系统中,所述作为特征提取器的卷积神经网络模型为深度残差网络模型。
在一个具体示例中,在上述耐磨防腐管道生产用成型控制系统中,所述第二特征提取模块,包括:卷积编码单元,用于所述使用空间注意力机制的第二卷积神经网络模型的卷积编码部分对所述全局图像块特征矩阵进行卷积编码以得到全局图像块卷积特征图;空间注意力单元,用于将所述全局图像块卷积特征图输入所述使用空间注意力机制的第二卷积神经网络模型的空间注意力部分以得到空间注意力图;激活单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,分类特征图计算单元,用于计算所述空间注意力特征图和所述全局图像块卷积特征图的按位置点乘以得到所述分类特征图。
在一个具体示例中,在上述耐磨防腐管道生产用成型控制系统中,所述强化模块,用于:以如下公式对所述分类特征图进行特征值区分度强化以得到增强分类特征图;其中,所述公式为:
;
;
;
其中,是所述增强分类特征图,/>是所述分类特征图,/>和/>是预定超参数,/>和表示特征图的按位置加法和按位置减法,/>表示通过单个卷积层的卷积操作。
在一个具体示例中,在上述耐磨防腐管道生产用成型控制系统中,所述成型质量结果生成模块,包括:展开单元,用于将所述增强分类特征图按照行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个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,分类结果单元,用于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。
这里,本领域技术人员可以理解,上述耐磨防腐管道生产用成型控制系统200中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的耐磨防腐管道生产用成型控制方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的耐磨防腐管道生产用成型控制系统 200可以实现在各种终端设备中,例如用于耐磨防腐管道生产用成型控制的服务器等。在一个示例中,根据本申请实施例的耐磨防腐管道生产用成型控制系统 200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该耐磨防腐管道生产用成型控制系统 200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该耐磨防腐管道生产用成型控制系统 200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该耐磨防腐管道生产用成型控制系统 200与该终端设备也可以是分立的设备,并且该耐磨防腐管道生产用成型控制系统 200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种耐磨防腐管道生产用成型控制方法,其特征在于,包括:
获取待检测耐磨防腐管道的检测图像,所述待检测耐磨防腐管道为锆-硅合金高耐磨防腐管道;
对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列;
将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵;
将所述多个图像块特征矩阵进行二维拼接以得到全局图像块特征矩阵;
将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图;
对所述分类特征图进行特征值区分度强化以得到增强分类特征图;以及
将所述增强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待检测耐磨防腐管道的成型质量是否符合预定要求。
2.根据权利要求1所述的耐磨防腐管道生产用成型控制方法,其特征在于,对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列,包括:对所述待检测耐磨防腐管道的检测图像进行均匀分块处理以得到所述图像块序列,其中,所述图像块序列中各个图像块具有相同的尺寸。
3.根据权利要求2所述的耐磨防腐管道生产用成型控制方法,其特征在于,将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对所述输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个图像块特征矩阵,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述图像块图像中的各个图像块。
4.根据权利要求3所述的耐磨防腐管道生产用成型控制方法,其特征在于,所述作为特征提取器的卷积神经网络模型为深度残差网络模型。
5.根据权利要求4所述的耐磨防腐管道生产用成型控制方法,其特征在于,将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图,包括:
所述使用空间注意力机制的第二卷积神经网络模型的卷积编码部分对所述全局图像块特征矩阵进行卷积编码以得到全局图像块卷积特征图;
将所述全局图像块卷积特征图输入所述使用空间注意力机制的第二卷积神经网络模型的空间注意力部分以得到空间注意力图;
将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及
计算所述空间注意力特征图和所述全局图像块卷积特征图的按位置点乘以得到所述分类特征图。
6.根据权利要求5所述的耐磨防腐管道生产用成型控制方法,其特征在于,对所述分类特征图进行特征值区分度强化以得到增强分类特征图,包括:以如下公式对所述分类特征图进行特征值区分度强化以得到增强分类特征图;
其中,所述公式为:
;
;
;
其中,是所述增强分类特征图,/>是所述分类特征图,/>和/>是预定超参数,/>和/>表示特征图的按位置加法和按位置减法,/>表示通过单个卷积层的卷积操作。
7.根据权利要求6所述的耐磨防腐管道生产用成型控制方法,其特征在于,将所述增强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待检测耐磨防腐管道的成型质量是否符合预定要求,包括:
将所述增强分类特征图按照行向量或列向量展开为分类特征向量;
使用所述分类器的多个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。
8.一种耐磨防腐管道生产用成型控制系统,其特征在于,包括:
图像获取模块,用于获取待检测耐磨防腐管道的检测图像;
图像分块处理模块,用于对所述待检测耐磨防腐管道的检测图像进行图像分块处理以得到图像块序列;
第一特征提取模块,用于将所述图像块图像中的各个图像块分别通过作为特征提取器的卷积神经网络模型以得到多个图像块特征矩阵;
二维拼接模块,用于将所述多个图像块特征矩阵进行二维拼接以得到全局图像块特征矩阵;
第二特征提取模块,用于将所述全局图像块特征矩阵通过使用空间注意力机制的第二卷积神经网络模型以得到分类特征图;
强化模块,用于对所述分类特征图进行特征值区分度强化以得到增强分类特征图;
成型质量结果生成模块,用于将所述增强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待检测耐磨防腐管道的成型质量是否符合预定要求。
9.根据权利要求8所述的耐磨防腐管道生产用成型控制系统,其特征在于,所述图像分块处理模块,用于:对所述待检测耐磨防腐管道的检测图像进行均匀分块处理以得到所述图像块序列,其中,所述图像块序列中各个图像块具有相同的尺寸。
10.根据权利要求9所述的耐磨防腐管道生产用成型控制系统,其特征在于,所述第一特征提取模块,用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对所述输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行沿通道维度的池化处理以得到池化特征图;
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述多个图像块特征矩阵,所述作为特征提取器的卷积神经网络模型的第一层的输入为所述图像块图像中的各个图像块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310160515.7A CN117237270B (zh) | 2023-02-24 | 2023-02-24 | 耐磨防腐管道生产用成型控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310160515.7A CN117237270B (zh) | 2023-02-24 | 2023-02-24 | 耐磨防腐管道生产用成型控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237270A true CN117237270A (zh) | 2023-12-15 |
CN117237270B CN117237270B (zh) | 2024-03-19 |
Family
ID=89088632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310160515.7A Active CN117237270B (zh) | 2023-02-24 | 2023-02-24 | 耐磨防腐管道生产用成型控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237270B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309446A (zh) * | 2023-03-14 | 2023-06-23 | 浙江固驰电子有限公司 | 用于工业控制领域的功率模块制造方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
US20180374207A1 (en) * | 2017-06-27 | 2018-12-27 | Nec Laboratories America, Inc. | Reconstructor and contrastor for anomaly detection |
CN110309849A (zh) * | 2019-05-10 | 2019-10-08 | 腾讯医疗健康(深圳)有限公司 | 血管图像处理方法、装置、设备及存储介质 |
CN110728654A (zh) * | 2019-09-06 | 2020-01-24 | 台州学院 | 一种基于深度残差神经网络的管道自动检测和分类方法 |
CN111899224A (zh) * | 2020-06-30 | 2020-11-06 | 烟台市计量所 | 基于深度学习注意力机制的核电管道缺陷检测系统 |
CN111932544A (zh) * | 2020-10-19 | 2020-11-13 | 鹏城实验室 | 篡改图像检测方法、装置及计算机可读存储介质 |
CN112070748A (zh) * | 2020-09-10 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 金属油管缺陷检测方法和装置 |
CN113269752A (zh) * | 2021-05-27 | 2021-08-17 | 中山大学孙逸仙纪念医院 | 一种图像检测方法、装置终端设备及存储介质 |
CN113781466A (zh) * | 2021-09-22 | 2021-12-10 | 河北工业大学 | 基于多尺度注意力密集网络的太阳能电池板缺陷识别方法 |
CN114004818A (zh) * | 2021-11-04 | 2022-02-01 | 中国联合网络通信集团有限公司 | 喷丝嘴缺陷检测方法、装置、电子设备及可读存储介质 |
CN114972334A (zh) * | 2022-07-19 | 2022-08-30 | 杭州因推科技有限公司 | 一种管材瑕疵检测方法、装置、介质 |
CN115082745A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市成天泰电缆实业发展有限公司 | 基于图像的电缆绞线质量检测方法及其系统 |
CN115115872A (zh) * | 2022-06-07 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、设备及存储介质 |
US20220318672A1 (en) * | 2021-04-01 | 2022-10-06 | Samsung Display Co., Ltd. | Systems and methods for identifying manufacturing defects |
CN115375639A (zh) * | 2022-08-11 | 2022-11-22 | 国网江苏省电力有限公司盐城供电分公司 | 显著感知引导的电缆管道内部缺陷检测方法 |
US20220381699A1 (en) * | 2021-06-01 | 2022-12-01 | Zhejiang Gongshang University | Methods and systems for detecting a defect of a film |
-
2023
- 2023-02-24 CN CN202310160515.7A patent/CN117237270B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093066A (zh) * | 2016-06-24 | 2016-11-09 | 安徽工业大学 | 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法 |
US20180374207A1 (en) * | 2017-06-27 | 2018-12-27 | Nec Laboratories America, Inc. | Reconstructor and contrastor for anomaly detection |
CN110309849A (zh) * | 2019-05-10 | 2019-10-08 | 腾讯医疗健康(深圳)有限公司 | 血管图像处理方法、装置、设备及存储介质 |
CN110728654A (zh) * | 2019-09-06 | 2020-01-24 | 台州学院 | 一种基于深度残差神经网络的管道自动检测和分类方法 |
CN111899224A (zh) * | 2020-06-30 | 2020-11-06 | 烟台市计量所 | 基于深度学习注意力机制的核电管道缺陷检测系统 |
CN112070748A (zh) * | 2020-09-10 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 金属油管缺陷检测方法和装置 |
CN111932544A (zh) * | 2020-10-19 | 2020-11-13 | 鹏城实验室 | 篡改图像检测方法、装置及计算机可读存储介质 |
US20220318672A1 (en) * | 2021-04-01 | 2022-10-06 | Samsung Display Co., Ltd. | Systems and methods for identifying manufacturing defects |
CN113269752A (zh) * | 2021-05-27 | 2021-08-17 | 中山大学孙逸仙纪念医院 | 一种图像检测方法、装置终端设备及存储介质 |
US20220381699A1 (en) * | 2021-06-01 | 2022-12-01 | Zhejiang Gongshang University | Methods and systems for detecting a defect of a film |
CN113781466A (zh) * | 2021-09-22 | 2021-12-10 | 河北工业大学 | 基于多尺度注意力密集网络的太阳能电池板缺陷识别方法 |
CN114004818A (zh) * | 2021-11-04 | 2022-02-01 | 中国联合网络通信集团有限公司 | 喷丝嘴缺陷检测方法、装置、电子设备及可读存储介质 |
CN115115872A (zh) * | 2022-06-07 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、设备及存储介质 |
CN114972334A (zh) * | 2022-07-19 | 2022-08-30 | 杭州因推科技有限公司 | 一种管材瑕疵检测方法、装置、介质 |
CN115375639A (zh) * | 2022-08-11 | 2022-11-22 | 国网江苏省电力有限公司盐城供电分公司 | 显著感知引导的电缆管道内部缺陷检测方法 |
CN115082745A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市成天泰电缆实业发展有限公司 | 基于图像的电缆绞线质量检测方法及其系统 |
Non-Patent Citations (4)
Title |
---|
LEI YANG 等: "Automatic Defect Recognition Method of Aluminium Profile Surface Defects", ICRAI \'21: PROCEEDINGS OF THE 7TH INTERNATIONAL CONFERENCE ON ROBOTICS AND ARTIFICIAL INTELLIGENCE, 9 April 2022 (2022-04-09), pages 21 - 25 * |
PENG LUO 等: "An Ultrasmall Bolt Defect Detection Method for Transmission Line Inspection", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, 3 February 2023 (2023-02-03), pages 1 - 12 * |
王泽润 等: "木材节子缺陷检测与定位方法", 激光与光电子学进展, vol. 55, no. 5, 10 May 2018 (2018-05-10), pages 317 - 324 * |
陆雅诺 等: "一种基于注意力模型的带钢表面缺陷识别算法", 激光与光电子学进展, 10 January 2021 (2021-01-10), pages 1 - 14 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309446A (zh) * | 2023-03-14 | 2023-06-23 | 浙江固驰电子有限公司 | 用于工业控制领域的功率模块制造方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117237270B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472642B (zh) | 基于多级注意力的细粒度图像描述方法及系统 | |
Kou et al. | Development of a YOLO-V3-based model for detecting defects on steel strip surface | |
CN117237270B (zh) | 耐磨防腐管道生产用成型控制方法及系统 | |
Xue et al. | An optimization strategy to improve the deep learning‐based recognition model of leakage in shield tunnels | |
Kim et al. | Donut: Document understanding transformer without ocr | |
Tian et al. | Layout optimization of two autonomous underwater vehicles for drag reduction with a combined CFD and neural network method | |
CN115564766B (zh) | 水轮机蜗壳座环的制备方法及其系统 | |
CN114519311A (zh) | 全港池波浪有效波高的预测方法、系统、存储介质、应用 | |
CN115170579A (zh) | 一种金属锈蚀图像分割方法和装置 | |
CN115906949B (zh) | 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备 | |
Kong et al. | Object detection method for ship safety plans using deep learning | |
CN116046810A (zh) | 基于rpc盖板破坏荷载的无损检测方法 | |
Pérez-Sánchez et al. | PATs operating in water networks under unsteady flow conditions: Control valve manoeuvre and overspeed effect | |
Jia et al. | Intelligent identification of metal corrosion based on Corrosion-YOLOv5s | |
CN114529821A (zh) | 一种基于机器视觉的海上风电安全监测与预警方法 | |
Pandey et al. | Autopilot control unmanned aerial vehicle system for sewage defect detection using deep learning | |
Bi et al. | HGR-Net: Hierarchical graph reasoning network for arbitrary shape scene text detection | |
CN117521313A (zh) | 用于对管道网络进行泄漏检测的方法和装置 | |
CN115953394B (zh) | 基于目标分割的海洋中尺度涡检测方法及系统 | |
CN117574262A (zh) | 一种面向小样本问题的水声信号分类方法、系统及介质 | |
CN116935128A (zh) | 一种基于可学习提示的零样本异常图像检测方法 | |
CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
CN116186609A (zh) | 一种基于lstm的载人潜水器传感器故障数据增强方法 | |
Ferreira et al. | Corrosion-like defect severity estimation in pipelines using convolutional neural networks | |
Balas et al. | Special issue on fuzzy theoretical model analysis for signal processing |
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 |