CN103196356A - 基于支持向量机的油管缺陷定量识别方法 - Google Patents

基于支持向量机的油管缺陷定量识别方法 Download PDF

Info

Publication number
CN103196356A
CN103196356A CN 201310117485 CN201310117485A CN103196356A CN 103196356 A CN103196356 A CN 103196356A CN 201310117485 CN201310117485 CN 201310117485 CN 201310117485 A CN201310117485 A CN 201310117485A CN 103196356 A CN103196356 A CN 103196356A
Authority
CN
China
Prior art keywords
artificial defect
defect sample
defective
oil pipe
leakage signal
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
Application number
CN 201310117485
Other languages
English (en)
Other versions
CN103196356B (zh
Inventor
赵江
王斌
蹇清平
艾志久
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KARAMAY JINNIU ENGINEERING CONSTRUCTION Co Ltd
Original Assignee
KARAMAY JINNIU ENGINEERING CONSTRUCTION Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by KARAMAY JINNIU ENGINEERING CONSTRUCTION Co Ltd filed Critical KARAMAY JINNIU ENGINEERING CONSTRUCTION Co Ltd
Priority to CN201310117485.8A priority Critical patent/CN103196356B/zh
Publication of CN103196356A publication Critical patent/CN103196356A/zh
Application granted granted Critical
Publication of CN103196356B publication Critical patent/CN103196356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明涉及无损检测技术领域，是一种基于支持向量机的油管缺陷定量识别方法；按下述步骤进行：第一步，人工制作油管缺陷对比试样；第二步，通过磁传感器扫描油管缺陷对比试样，获取油管缺陷对比试样对应真实缺陷尺寸的对比试样漏磁信号。本发明通过多代入多输出支持向量回归机数学算法建立油管缺陷对比试样漏磁信号特征量与相对应真实缺陷尺寸的映射关系，实现通过检测待识别油管缺陷的漏磁信号来定量评价待识别油管缺陷的真实缺陷尺寸的目的；本发明具有回归精度高和泛化能力强的特点，有效的避免了模型结构和参数选择的盲目性，从而有效提高了对待识别油管真实缺陷尺寸识别的精度。

Description

基于支持向量机的油管缺陷定量识别方法
技术领域
本发明涉及无损检测技术领域，是一种基于支持向量机的油管缺陷定量识别方法。
背景技术
作为常规无损检测的方法，漏磁场检测技术已成功应用于铁磁材料构件的质量与安全检测方面。通过缺陷漏磁信号反演其缺陷轮廓尺寸参数，是实现油管缺陷定量评价和分级处理的关键。在漏磁反演缺陷轮廓尺寸的技术中，从漏磁场产生机理上推导出的磁偶极子模型，对于较简单的缺陷形式其识别精度较高，然而对于形状较复杂的缺陷形式，其模型的识别精度达不到工程要求。究其原因是由于缺陷尺寸与其对应漏磁场信号之间的关系存在高度非线性，很难用一个简单的关系式来描述其两者之间的关系，目前由于人工神经网络通过模拟人脑结构及思维处理信息的能力，具有非线性、并行性和学习能力等特点，被用于管道的缺陷智能识别技术中，然而其神经网络的结构和相应的参数选取没有相应完整的理论基础作为指导，识别模型的好坏常依赖于建模者的经验，因而其广泛应用受到约束。
发明内容
本发明提供了一种基于支持向量机的油管缺陷定量识别方法，克服了上述现有技术之不足，其能有效解决复杂缺陷模型的识别精度达不到工程要求、人工神经网络的结构和相应参数的选取没有理论基础导致应用受到约束的问题。
本发明的技术方案是通过以下措施来实现的：一种基于支持向量机的油管缺陷定量识别方法，按下述步骤进行：第一步，在试样油管上制作具有不同尺寸的人工缺陷试样并记录尺寸；第二步，获取人工缺陷试样的漏磁信号；第三步，提取人工缺陷试样的表征缺陷几何尺寸大小的漏磁信号特征量；第四步，建立人工缺陷试样数据集；第五步，建立人工缺陷试样定量识别数学模型；第六步，当需要进行现场待识别油管缺陷的定量识别时，先通过磁传感器获取现场待识别油管缺陷的漏磁信号，然后提取现场待识别油管表征缺陷几何尺寸大小的漏磁信号特征量，经归一化到0-1之间后代入人工缺陷试样定量识别数学模型中进行计算得到现场待识别油管缺陷的几何尺寸值，从而实现了对现场待识别油管缺陷的定量识别。
下面是对上述发明技术方案的进一步优化或/和改进：
上述第二步中，获取人工缺陷试样的漏磁信号的方法为：首先对人工缺陷试样进行饱和磁化，然后通过磁传感器匀速扫描方式扫描人工缺陷试样上不同尺寸和类型的缺陷，并使磁传感器与人工缺陷试样的垂直距离保持不变，从而获取对应人工缺陷试样的漏磁信号。
上述第三步中，提取人工缺陷试样的表征缺陷几何尺寸大小的漏磁信号特征量的方法为：对第二步中获取的不同人工缺陷试样的漏磁信号进行去噪处理后，通过现代信号处理技术对处理后的漏磁信号进行分析，提取各种时域和频域中表征该漏磁信号的特征量，通过对这些特征量进行统计分析，最后选出五个最能反映不同人工缺陷试样几何尺寸大小的特征量即：漏磁信号在时域中的相邻峰谷间的长度值、相邻峰谷间的高度值、相邻峰谷信号间的面积值，在频域中的缺陷信号的信息熵、小波分解特征量。
上述第四步建立人工缺陷试样数据集的方法如下：将每一个人工缺陷试样的几何尺寸和该几何尺寸对应的检测漏磁信号特征量进行组合，表示为，其中
Figure 2013101174858100002DEST_PATH_IMAGE001
表示第
Figure 691113DEST_PATH_IMAGE002
个人工缺陷试样对应的漏磁信号特征量，其中：时域中的相邻峰谷间的长度值、相邻峰谷间的高度值、相邻峰谷信号间的面积值，频域中的缺陷信号的信息熵、小波分解特征量五个量分别用
Figure 2013101174858100002DEST_PATH_IMAGE003
、
Figure 608253DEST_PATH_IMAGE004
、
Figure 2013101174858100002DEST_PATH_IMAGE005
、
Figure 699575DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
表示，即
Figure 625942DEST_PATH_IMAGE008
=5，
Figure DEST_PATH_IMAGE009
表示第
Figure 971473DEST_PATH_IMAGE002
个人工缺陷试样的几何尺寸值，最后将所有人工缺陷试样的几何尺寸及其提取的漏磁信号特征量按这种方式进行组合，最终所建立的
Figure 793936DEST_PATH_IMAGE010
个人工缺陷试样数据集表示为
Figure 342860DEST_PATH_IMAGE011
。
上述第五步中建立人工缺陷试样定量识别数学模型采用支持向量回归机算法建立缺陷定量识别的数学模型，该缺陷定量识别数学模型的对应优化模型表达式1为：
Figure 541760DEST_PATH_IMAGE012
           
Figure DEST_PATH_IMAGE013
其中
Figure 741797DEST_PATH_IMAGE014
表示核函数，这里取高斯径向基核函数，
Figure DEST_PATH_IMAGE015
表示从漏磁信号中提取的五个漏磁信号特征量，表示对应人工缺陷试样的几何尺寸，
Figure 266319DEST_PATH_IMAGE016
表示人工缺陷试样用几个参数来表示几何尺寸大小，
Figure 20649DEST_PATH_IMAGE010
表示人工缺陷试样样本数据集个数，
Figure DEST_PATH_IMAGE017
、
Figure 288819DEST_PATH_IMAGE018
为引入的拉格朗日乘子，
Figure DEST_PATH_IMAGE019
为偏置项，
Figure 604349DEST_PATH_IMAGE020
为回归残差，C为惩罚系数，将第四步中建立的人工缺陷试样样本数据集进行归一化到0-1之间后代入到该优化模型中，结合留一交叉验证法并应用粒子群优化算法确定模型的参数
Figure 565352DEST_PATH_IMAGE020
，最后对该模型进行求解得到参数
Figure DEST_PATH_IMAGE021
、、
Figure 613259DEST_PATH_IMAGE019
的具体值，从而得到该缺陷定量评价的具体支持向量回归模型的表达式2为：
  
Figure DEST_PATH_IMAGE023
                                                  (2)
其中
Figure 69780DEST_PATH_IMAGE024
表示从人工缺陷试样待识别几何尺寸缺陷的漏磁信号中提取的五个特征量，
Figure DEST_PATH_IMAGE025
表示通过该模型求得人工缺陷试样的几何尺寸大小，
Figure 936104DEST_PATH_IMAGE026
表示高斯径向基核函数，
Figure 665026DEST_PATH_IMAGE021
、
Figure 274999DEST_PATH_IMAGE022
表示引入的拉格朗日乘子，
Figure 304135DEST_PATH_IMAGE019
表示偏置项，
Figure 856208DEST_PATH_IMAGE010
表示人工缺陷试样样本数据集个数。
上述第六步中当需要对现场待识别油管缺陷的定量识别时，先通过磁传感器获取现场待识别油管缺陷的漏磁信号，并进行去噪处理后提取第三步中指定的该漏磁信号的五个特征量，将其进行归一化到0-1之间后代入支持向量回归模型表达式2中进行计算，最后得到
Figure 338005DEST_PATH_IMAGE025
的值再经过反归一化计算即为现场待识别油管缺陷的几何尺寸值，从而实现了对该缺陷的定量识别。
上述人工缺陷试样的形状为孔形或槽形。
本发明通过多代入多输出支持向量回归机数学算法建立油管缺陷对比试样漏磁信号特征量与相对应真实缺陷尺寸的映射关系，实现通过检测待识别油管缺陷的漏磁信号来定量评价待识别油管缺陷的真实缺陷尺寸的目的；本发明具有回归精度高和泛化能力强的特点，有效的避免了模型结构和参数选择的盲目性，从而极大地提高了对待识别油管真实缺陷尺寸识别的精度。
附图说明
附图1为本发明流程图。
具体实施方式
本发明不受下述实施例的限制，可根据本发明的技术方案与待识别情况来确定具体的实施方式。
如附图1所示：该基于支持向量机的油管缺陷定量识别方法，按下述步骤进行：第一步，在试样油管上制作具有不同尺寸的人工缺陷试样并记录尺寸；第二步，获取人工缺陷试样的漏磁信号；第三步，提取人工缺陷试样的表征缺陷几何尺寸大小的漏磁信号特征量；第四步，建立人工缺陷试样数据集；第五步，建立人工缺陷试样定量识别数学模型；第六步，当需要进行现场待识别油管缺陷的定量识别时，先通过磁传感器获取现场待识别油管缺陷的漏磁信号，然后提取现场待识别油管表征缺陷几何尺寸大小的漏磁信号特征量，经归一化到0-1之间后代入人工缺陷试样定量识别数学模型中进行计算得到现场待识别油管缺陷的几何尺寸值，从而实现了对现场待识别油管缺陷的定量识别。归一化主要是防止数据之间的差异太大，避免计算过程中由于计算的误差原因把小数据给忽略掉了，归一化到0-1之间为0至1之间的数据，也包括0或1。
如附图1所示：作为优选，第二步中，获取人工缺陷试样的漏磁信号的方法为：首先对人工缺陷试样进行饱和磁化，然后通过磁传感器匀速扫描方式扫描人工缺陷试样上不同尺寸和类型的缺陷，并使磁传感器与人工缺陷试样的垂直距离保持不变，从而获取对应人工缺陷试样的漏磁信号。
如附图1所示：作为优选，第三步中，提取人工缺陷试样的表征缺陷几何尺寸大小的漏磁信号特征量的方法为：对第二步中获取的不同人工缺陷试样的漏磁信号进行去噪处理后，通过现代信号处理技术对处理后的漏磁信号进行分析，提取各种时域和频域中表征该漏磁信号的特征量，通过对这些特征量进行统计分析，最后选出五个最能反映不同人工缺陷试样几何尺寸大小的特征量即：漏磁信号在时域中的相邻峰谷间的长度值、相邻峰谷间的高度值、相邻峰谷信号间的面积值，在频域中的缺陷信号的信息熵、小波分解特征量。
如附图1所示：作为优选，第四步建立人工缺陷试样数据集的方法如下：将每一个人工缺陷试样的几何尺寸和该几何尺寸对应的检测漏磁信号特征量进行组合，表示为，其中表示第个人工缺陷试样对应的漏磁信号特征量，其中：时域中的相邻峰谷间的长度值、相邻峰谷间的高度值、相邻峰谷信号间的面积值，频域中的缺陷信号的信息熵、小波分解特征量五个量分别用、、、、表示，即=5，表示第个人工缺陷试样的几何尺寸值，最后将所有人工缺陷试样的几何尺寸及其提取的漏磁信号特征量按这种方式进行组合，最终所建立的个人工缺陷试样数据集表示为
Figure 220510DEST_PATH_IMAGE011
。
上述第五步中建立人工缺陷试样定量识别数学模型采用支持向量回归机算法建立缺陷定量识别的数学模型，该缺陷定量识别数学模型的对应优化模型表达式1为：
            
Figure 46701DEST_PATH_IMAGE013
其中
Figure 15794DEST_PATH_IMAGE014
表示核函数，这里取高斯径向基核函数，
Figure 436411DEST_PATH_IMAGE015
表示从漏磁信号中提取的五个漏磁信号特征量，表示对应人工缺陷试样的几何尺寸，
Figure 835479DEST_PATH_IMAGE016
表示人工缺陷试样用几个参数来表示几何尺寸大小，
Figure 760710DEST_PATH_IMAGE010
表示人工缺陷试样样本数据集个数，
Figure 516176DEST_PATH_IMAGE017
、
Figure 577673DEST_PATH_IMAGE018
为引入的拉格朗日乘子，
Figure 393182DEST_PATH_IMAGE019
为偏置项，
Figure 586135DEST_PATH_IMAGE020
为回归残差，C为惩罚系数，将第四步中建立的人工缺陷试样样本数据集进行归一化到0-1之间后代入到该优化模型中，结合留一交叉验证法并应用粒子群优化算法确定模型的参数
Figure 614134DEST_PATH_IMAGE020
，最后对该模型进行求解得到参数
Figure 795717DEST_PATH_IMAGE021
、
Figure 516548DEST_PATH_IMAGE022
、
Figure 416371DEST_PATH_IMAGE019
的具体值，从而得到该缺陷定量评价的具体支持向量回归模型的表达式2为：
 
Figure 513640DEST_PATH_IMAGE023
                                 (2)
其中
Figure 815308DEST_PATH_IMAGE024
表示从人工缺陷试样待识别几何尺寸缺陷的漏磁信号中提取的五个特征量，
Figure 707041DEST_PATH_IMAGE025
表示通过该模型求得人工缺陷试样的几何尺寸大小，表示高斯径向基核函数，
Figure 745852DEST_PATH_IMAGE021
、
Figure 636448DEST_PATH_IMAGE022
表示引入的拉格朗日乘子，
Figure 964661DEST_PATH_IMAGE019
表示偏置项，
Figure 573497DEST_PATH_IMAGE010
表示人工缺陷试样样本数据集个数。
如附图1所示：作为优选，第六步中当需要对现场待识别油管缺陷的定量识别时，先通过磁传感器获取现场待识别油管缺陷的漏磁信号，并进行去噪处理后提取第三步中指定的该漏磁信号的五个特征量，将其进行归一化到0-1之间后代入支持向量回归模型表达式2中进行计算，最后得到的值再经过反归一化计算即为现场待识别油管缺陷的几何尺寸值，从而实现了对该缺陷的定量识别。
根据需要，人工缺陷试样的形状为孔形或槽形。
下面是上述实施例的缺陷试样数据集，表1为孔缺陷的轮廓尺寸及相应的漏磁信号特征量的样本数据集；表2为400个待识别油管进行缺陷的定量识别后与实际尺寸的平均识别误差；表3为矩形缺陷的轮廓尺寸及相应的漏磁信号特征量的样本数据集。
从表2可以看出，对400个待识别油管进行缺陷定量识别，矩形的支持向量个数为236，孔形支持向量个数为271，计算得到该缺陷的几何尺寸值和实际尺寸值的平均误差为10%、8%；说明通过缺陷定量识别数学模型具有回归精度高，有效的避免了模型结构和参数选择的盲目性，从而有效提高了对待识别油管真实缺陷尺寸识别的精度。
以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。
Figure 2013101174858100002DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE029

Claims (10)

1.一种基于支持向量机的油管缺陷定量识别方法，其特征在于按下述步骤进行：第一步，在试样油管上制作具有不同尺寸的人工缺陷试样并记录尺寸；第二步，获取人工缺陷试样的漏磁信号；第三步，提取人工缺陷试样的表征缺陷几何尺寸大小的漏磁信号特征量；第四步，建立人工缺陷试样数据集；第五步，建立人工缺陷试样定量识别数学模型；第六步，当需要进行现场待识别油管缺陷的定量识别时，先通过磁传感器获取现场待识别油管缺陷的漏磁信号，然后提取现场待识别油管表征缺陷几何尺寸大小的漏磁信号特征量，经归一化到0-1之间后代入人工缺陷试样定量识别数学模型中进行计算得到现场待识别油管缺陷的几何尺寸值，从而实现了对现场待识别油管缺陷的定量识别。
2.根据权利要求1所述的基于支持向量机的油管缺陷定量识别方法，其特征在于第二步中，获取人工缺陷试样的漏磁信号的方法为：首先对人工缺陷试样进行饱和磁化，然后通过磁传感器匀速扫描方式扫描人工缺陷试样上不同尺寸和类型的缺陷，并使磁传感器与人工缺陷试样的垂直距离保持不变，从而获取对应人工缺陷试样的漏磁信号。
3.根据权利要求1或2所述的基于支持向量机的油管缺陷定量识别方法，其特征在于第三步中，提取人工缺陷试样的表征缺陷几何尺寸大小的漏磁信号特征量的方法为：对第二步中获取的不同人工缺陷试样的漏磁信号进行去噪处理后，通过现代信号处理技术对处理后的漏磁信号进行分析，提取各种时域和频域中表征该漏磁信号的特征量，通过对这些特征量进行统计分析，最后选出五个最能反映不同人工缺陷试样几何尺寸大小的特征量即：漏磁信号在时域中的相邻峰谷间的长度值、相邻峰谷间的高度值、相邻峰谷信号间的面积值，在频域中的缺陷信号的信息熵、小波分解特征量。
4.根据权利要求3所述的基于支持向量机的油管缺陷定量识别方法，其特征在于第四步建立人工缺陷试样数据集的方法如下：将每一个人工缺陷试样的几何尺寸和该几何尺寸对应的检测漏磁信号特征量进行组合，表示为                                                
Figure 404965DEST_PATH_IMAGE001
，其中
Figure 2013101174858100001DEST_PATH_IMAGE002
表示第个人工缺陷试样对应的漏磁信号特征量，其中：时域中的相邻峰谷间的长度值、相邻峰谷间的高度值、相邻峰谷信号间的面积值，频域中的缺陷信号的信息熵、小波分解特征量五个量分别用
Figure 2013101174858100001DEST_PATH_IMAGE004
、
Figure 915580DEST_PATH_IMAGE005
、
Figure DEST_PATH_IMAGE006
、
Figure 226476DEST_PATH_IMAGE007
、
Figure DEST_PATH_IMAGE008
表示，即
Figure 684002DEST_PATH_IMAGE009
=5，
Figure DEST_PATH_IMAGE010
表示第
Figure 29533DEST_PATH_IMAGE003
个人工缺陷试样的几何尺寸值，最后将所有人工缺陷试样的几何尺寸及其提取的漏磁信号特征量按这种方式进行组合，最终所建立的
Figure 391943DEST_PATH_IMAGE011
个人工缺陷试样数据集表示为
Figure DEST_PATH_IMAGE012
。
5.根据权利要求4所述的基于支持向量机的油管缺陷定量识别方法，其特征在于第五步中建立人工缺陷试样定量识别数学模型采用支持向量回归机算法建立缺陷定量识别的数学模型，该缺陷定量识别数学模型的对应优化模型表达式1为：
    
Figure 190135DEST_PATH_IMAGE013
Figure DEST_PATH_IMAGE014
其中
Figure 451352DEST_PATH_IMAGE015
表示核函数，这里取高斯径向基核函数，
Figure DEST_PATH_IMAGE016
表示从漏磁信号中提取的五个漏磁信号特征量，表示对应人工缺陷试样的几何尺寸，
Figure DEST_PATH_IMAGE018
表示人工缺陷试样用几个参数来表示几何尺寸大小，表示人工缺陷试样样本数据集个数，
Figure 461399DEST_PATH_IMAGE019
、为引入的拉格朗日乘子，
Figure 729569DEST_PATH_IMAGE021
为偏置项，为回归残差，C为惩罚系数，将第四步中建立的人工缺陷试样样本数据集进行归一化到0-1之间后代入到该优化模型中，结合留一交叉验证法并应用粒子群优化算法确定模型的参数
Figure 315271DEST_PATH_IMAGE022
，最后对该模型进行求解得到参数
Figure 276274DEST_PATH_IMAGE023
、
Figure DEST_PATH_IMAGE024
、
Figure 580216DEST_PATH_IMAGE021
的具体值，从而得到该缺陷定量评价的具体支持向量回归模型的表达式2为：
    
Figure 855340DEST_PATH_IMAGE025
                  （2）
其中
Figure DEST_PATH_IMAGE026
表示从人工缺陷试样待识别几何尺寸缺陷的漏磁信号中提取的五个特征量，
Figure 561128DEST_PATH_IMAGE027
表示通过该模型求得人工缺陷试样的几何尺寸大小，
Figure DEST_PATH_IMAGE028
表示高斯径向基核函数，
Figure 427453DEST_PATH_IMAGE023
、
Figure 690462DEST_PATH_IMAGE024
表示引入的拉格朗日乘子，
Figure 300435DEST_PATH_IMAGE021
表示偏置项，表示人工缺陷试样样本数据集个数。
6.根据权利要求5所述的基于支持向量机的油管缺陷定量识别方法，其特征在于第六步中当需要对现场待识别油管缺陷的定量识别时，先通过磁传感器获取现场待识别油管缺陷的漏磁信号，并进行去噪处理后提取第三步中指定的该漏磁信号的五个特征量，将其进行归一化到0-1之间后代入支持向量回归模型表达式2中进行计算，最后得到
Figure 101218DEST_PATH_IMAGE027
的值再经过反归一化计算即为现场待识别油管缺陷的几何尺寸值，从而实现了对该缺陷的定量识别。
7.根据权利要求1或2所述的基于支持向量机的油管缺陷定量识别方法，其特征在于人工缺陷试样的形状为孔形或槽形。
8.根据权利要求3所述的基于支持向量机的油管缺陷定量识别方法，其特征在于人工缺陷试样的形状为孔形或槽形。
9.根据权利要求4所述的基于支持向量机的油管缺陷定量识别方法，其特征在于人工缺陷试样的形状为孔形或槽形。
10.根据权利要求5或6所述的基于支持向量机的油管缺陷定量识别方法，其特征在于人工缺陷试样的形状为孔形或槽形。
CN201310117485.8A 2013-04-07 2013-04-07 基于支持向量机的油管缺陷定量识别方法 Active CN103196356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310117485.8A CN103196356B (zh) 2013-04-07 2013-04-07 基于支持向量机的油管缺陷定量识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310117485.8A CN103196356B (zh) 2013-04-07 2013-04-07 基于支持向量机的油管缺陷定量识别方法

Publications (2)

Publication Number Publication Date
CN103196356A true CN103196356A (zh) 2013-07-10
CN103196356B CN103196356B (zh) 2015-10-21

Family

ID=48719062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310117485.8A Active CN103196356B (zh) 2013-04-07 2013-04-07 基于支持向量机的油管缺陷定量识别方法

Country Status (1)

Country Link
CN (1) CN103196356B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845678A (zh) * 2016-12-19 2017-06-13 国家电网公司 一种电力通信备件资源全网一体化动态调配方法及装置
CN107576721A (zh) * 2017-08-10 2018-01-12 清华大学 基于素信号组合求解缺陷漏磁信号的方法
CN109632942A (zh) * 2019-02-21 2019-04-16 东北大学 一种基于sl的管道缺陷尺寸的反演方法
CN109783906A (zh) * 2018-12-29 2019-05-21 东北大学 一种管道内检测漏磁数据智能分析***及方法
CN111948279A (zh) * 2020-07-27 2020-11-17 南昌航空大学 一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法
CN112861889A (zh) * 2019-11-12 2021-05-28 中国石油化工股份有限公司 基于支持向量机和磁记忆技术的管道缺陷分类方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1801136A (zh) * 2006-01-10 2006-07-12 华东理工大学 机器嗅觉气味类别与强度同时确定方法
CN100483126C (zh) * 2006-12-08 2009-04-29 清华大学 基于三维有限元神经网络的缺陷识别和量化评价方法
CN102735747A (zh) * 2012-04-10 2012-10-17 南京航空航天大学 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845678A (zh) * 2016-12-19 2017-06-13 国家电网公司 一种电力通信备件资源全网一体化动态调配方法及装置
CN107576721A (zh) * 2017-08-10 2018-01-12 清华大学 基于素信号组合求解缺陷漏磁信号的方法
CN109783906A (zh) * 2018-12-29 2019-05-21 东北大学 一种管道内检测漏磁数据智能分析***及方法
CN109632942A (zh) * 2019-02-21 2019-04-16 东北大学 一种基于sl的管道缺陷尺寸的反演方法
CN109632942B (zh) * 2019-02-21 2022-08-26 东北大学 一种基于集成学习的管道缺陷尺寸的反演方法
CN112861889A (zh) * 2019-11-12 2021-05-28 中国石油化工股份有限公司 基于支持向量机和磁记忆技术的管道缺陷分类方法
CN111948279A (zh) * 2020-07-27 2020-11-17 南昌航空大学 一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法
CN111948279B (zh) * 2020-07-27 2023-09-01 南昌航空大学 一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法

Also Published As

Publication number Publication date
CN103196356B (zh) 2015-10-21

Similar Documents

Publication Publication Date Title
Jiang et al. HDCB-Net: A neural network with the hybrid dilated convolution for pixel-level crack detection on concrete bridges
Feng et al. Injurious or noninjurious defect identification from MFL images in pipeline inspection using convolutional neural network
CN103196356A (zh) 基于支持向量机的油管缺陷定量识别方法
CN104392206B (zh) 一种指针式仪表读数自动识别的图像处理方法
Sun et al. Development of a physics-informed doubly fed cross-residual deep neural network for high-precision magnetic flux leakage defect size estimation
CN112329588B (zh) 一种基于Faster R-CNN的管道故障检测方法
Li et al. Deep learning–based nondestructive evaluation of reinforcement bars using ground‐penetrating radar and electromagnetic induction data
CN105930852A (zh) 一种气泡图像识别方法
CN105975979B (zh) 一种基于机器视觉的仪表检测方法
CN111948279B (zh) 一种弱磁检测顺磁性金属材料裂纹缺陷的定量评价方法
CN101533466B (zh) 一种眼睛定位图像处理方法
CN110852243B (zh) 一种基于改进YOLOv3的道路交叉口检测方法及装置
WO2024108717A1 (zh) 一种深度神经网络裂纹量化方法及装置、存储介质
Zheng et al. Application of Variational Mode Decomposition and k‐Nearest Neighbor Algorithm in the Quantitative Nondestructive Testing of Wire Ropes
CN115824993B (zh) 水体化学需氧量的确定方法、装置、计算机设备及介质
CN108304770A (zh) 一种基于时频分析算法结合深度学习理论的气液两相流流型的方法
CN106643965A (zh) 一种利用模板匹配精确识别液位的方法
Abdalla et al. A novel eddy current testing error compensation technique based on mamdani-type fuzzy coupled differential and absolute probes
Huang et al. A deep learning framework based on improved self‐supervised learning for ground‐penetrating radar tunnel lining inspection
CN106404893B (zh) 一种轴向漏磁缺陷信号自动检测方法
CN105300267A (zh) 基于电磁涡流和数据融合算法的金属板厚度测量方法
Pan et al. A novel method for defects marking and classifying in MFL inspection of pipeline
CN105678763A (zh) 一种稳定的直线/圆特征检测方法
CN109613111A (zh) 一种梯度螺旋涡流检测线圈及其检测方法
CN105701501A (zh) 一种商标图像识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Oil tube defect quantitative recognition method based on support vector machine

Effective date of registration: 20191203

Granted publication date: 20151021

Pledgee: Bank of Kunlun Limited by Share Ltd. Karamay branch

Pledgor: KARAMAY JINNIU ENGINEERING CONSTRUCTION Co.,Ltd.

Registration number: Y2019650000014

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230801

Granted publication date: 20151021

Pledgee: Bank of Kunlun Limited by Share Ltd. Karamay branch

Pledgor: KARAMAY JINNIU ENGINEERING CONSTRUCTION Co.,Ltd.

Registration number: Y2019650000014