CN110108783A - 一种基于卷积神经网络的管道缺陷检测方法和装置 - Google Patents
一种基于卷积神经网络的管道缺陷检测方法和装置 Download PDFInfo
- Publication number
- CN110108783A CN110108783A CN201910399916.1A CN201910399916A CN110108783A CN 110108783 A CN110108783 A CN 110108783A CN 201910399916 A CN201910399916 A CN 201910399916A CN 110108783 A CN110108783 A CN 110108783A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- convolutional neural
- defect
- neural networks
- 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
Links
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种基于卷积神经网络的管道缺陷检测方法和装置,基于卷积神经网络同时对三维漏磁信号进行卷积神经处理,得到的特征同时包含三个维度的信息。本发明提出的方法,不需要人工定义特征,卷积神经网络会自动学习高度抽象高表达性的特征,避免了以往依靠人工定义特征的问题。提出采用卷积神经网络技术对三维漏磁场缺陷特征进行自学习,利用该技术能够自动学习表达能力强的抽象特征,无需人工设计特征,卷积操作同时对三幅漏磁分量图进行操作,保留了特征的空间属性。最后融合训练学习得到的特征及先验知识进行管道缺陷尺寸的预测。
Description
技术领域
本发明属于故障诊断和人工智能技术领域,尤其是涉及一种基于卷积神经网络的管道缺陷检测方法。
背景技术
石油、天然气等油气主要依靠油气管道配送,由于油气易燃易爆的特性,一旦失效可能造成严重灾难。漏磁检测是目前国内外唯一能够全面直接检测油气管道本体质量状况的检测方法。油气管道漏磁检测缺陷的精准识别和准确表征以及复杂检测工况下的缺陷智能评判,是提高油气管道安全运行和安全管理水平的重要途径,对保障城市公共安全和国民经济战略安全具有重要意义。
利用漏磁场对缺陷准确定量化是油气管道漏磁检测的技术关键,现有的技术研究表明漏磁信号受检测速度、缺陷内外壁位置等检测过程因素影响。目前的研究主要集中在漏磁场的轴向或径向漏磁信号上,极少使用周向漏磁信号,但实际上周向漏磁信号对刻画缺陷形状和方向发生变化的位置比轴向或径向漏磁信号都更加有优势。现有技术中对于漏磁场缺陷特征的提取主要依赖人工定义特征参数,导致各研究者使用的特征值差别很大。另外,漏磁场是一个矢量,缺陷内部表面处所有磁荷共同作用决定了空间点的漏磁矢量大小和方向,因此漏磁矢量中包含缺陷的尺寸形状信息,如果分别在漏磁场分量图上提取特征,可能会破坏特征的矢量信息表达,导致丢失一些重要尺寸形状信息。考虑到这些因素,目前也有个别机构利用轴向漏磁信号、周向漏磁信号以及径向漏磁信号来获取管道缺陷的信息,但基本都是孤立地在轴向漏磁信号、周向漏磁信号以及径向漏磁信号的磁场分量图谱上提取特征,这样做会失去矢量信息。
因此,需要提出一种可以综合考虑轴向漏磁信号、周向漏磁信号以及径向漏磁信号的管道缺陷检测方法。
发明内容
本发明的目的在于提供一种基于卷积神经网络的管道缺陷检测方法,用于解决现有技术中主要集中在漏磁场的轴向或径向,极少使用周向漏磁信号等问题。
为了解决上述技术问题,本发明的第一方面提出一种基于卷积神经网络的管道缺陷检测方法,包括如下步骤:
S1:获取测试管道的缺陷样本,建立初始卷积神经网络模型;
S2:通过所述缺陷样本对所述初始卷积神经网络模型进行训练学习并得到所述测试管道缺陷尺寸的最终卷积神经网络模型;
S3:基于所述最终卷积神经网络模型对实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号进行卷积神经处理,得到所述实测管道的缺陷尺寸。
可选的,所述S1包括:利用磁偶极子模型仿真获取所述测试管道的缺陷样本;
基于磁偶极子理论,建立所述测试管道的规则形状缺陷的三维漏磁方程,计算所述三维漏磁方程并分析三维漏磁场的三维空间特性,得到所述测试管道的缺陷样本。
可选的,所述S1包括:利用有限元仿真获取所述测试管道的缺陷样本。
可选的,利用有限元仿真,基于麦克斯韦方程,建立所述测试管道的不规则形状缺陷的三维漏磁场有限元模型,分析不规则形状缺陷的形状、尺寸与三维漏磁场之间的关系,得到所述测试管道的缺陷样本。
可选的,所述S1包括:利用人工缺陷仿真技术获取所述测试管道的缺陷样本。
可选的,所述缺陷样本包括背景磁场信息、检测速度、缺陷位置、缺陷的三维尺寸、轴向漏磁信号、周向漏磁信号以及径向漏磁信号。
可选的,所述S3包括:将实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号输入所述最终卷积神经网络模型,并结合先验知识得到所述实测管道的缺陷尺寸。
可选的,所述先验知识包括背景磁场信息、缺陷位置、检测速度。
可选的,利用径向基神经网络将先验知识与所述最终卷积神经网络模型融合得到所述实测管道的缺陷尺寸。
本发明的第二方面提出一种基于卷积神经网络的管道缺陷检测装置,采用上述特征中任一所述的管道缺陷检测方法,包括:
采集模块,用于获取测试管道的缺陷样本;
训练模块,通过所述缺陷样本对所述初始卷积神经网络模型进行训练学习并得到所述测试管道缺陷尺寸的最终卷积神经网络模型;
分析处理模块,基于所述最终卷积神经网络模型对实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号进行卷积神经处理,得到所述实测管道的缺陷尺寸。
本发明提供一种基于卷积神经网络的管道缺陷检测方法和装置,获取漏磁场的三维漏磁信号(轴向漏磁信号、周向漏磁信号、径向漏磁信号),基于卷积神经网络同时对三维漏磁信号进行卷积神经处理,得到的缺陷尺寸同时包含三个维度的信息。本发明提出的方法,不需要人工定义特征,卷积神经网络会自动学习高度抽象的以及高表达性的特征,避免了以往依靠人工定义特征的问题。本发明提出采用卷积神经网络技术对三维漏磁场缺陷进行自学习,卷积神经处理同时对轴向漏磁信号、周向漏磁信号以及径向漏磁信号的漏磁分量图进行操作,保留了轴向漏磁信号、周向漏磁信号以及径向漏磁信号的空间属性。
进一步地,本发明融合训练学习得到的特征及先验知识进行管道缺陷尺寸的预测,融合先验知识可以进一步规避诸如检测速度等因素对磁漏信号的影响,使得得到的管道缺陷尺寸更加精准。
附图说明
图1为本发明实施例提供的一种基于卷积神经网络的管道缺陷检测方法的流程示意图。
具体实施方式
下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
在本发明的描述中,需要理解的是,术语“中心”、“上”、“下”、“左”、“右”等指示的方位或者位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
如图1所示,本发明实施例提出一种基于卷积神经网络的管道缺陷检测方法,包括如下步骤:
S1:获取测试管道的缺陷样本,建立初始卷积神经网络模型;
S2:通过所述缺陷样本对所述初始卷积神经网络模型进行训练学习并得到所述测试管道缺陷尺寸的最终卷积神经网络模型;
S3:基于所述最终卷积神经网络模型对实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号进行卷积神经处理,得到所述实测管道的缺陷尺寸。
卷积神经网络具有强大的表征和建模能力,能够逐层、自动地学习目标特征,实现对物体层次化的抽象和描述。卷积神经网络通常包括卷积层、池化层、和全链接层,卷积层通过使用多个卷积模板(或称滤波器),与图像进行卷积,得到图像的多个特征图。池化层是一个下采样的层,通过局部最大值、均值达到降采样的目的,减少空间维度。全连接层用于推理以实现分类或回归的目的。卷积神经网络的权值共享和局部连接大大减少了参数的规模,降低了训练的复杂大,同时卷积算法保留了图像的空间矢量信息。本发明提供的方法,实际上最终是需要同时对周向漏磁信号、轴向漏磁信号以及径向漏磁信号的漏磁分量图进行分析处理,利用卷积神经网络的方法对于管道的漏磁分量图进行目标识别。
本发明实施例提供的方法,对周向漏磁信号、轴向漏磁信号以及径向漏磁信号同时进行卷积神经处理,可以在保留周向漏磁信号、轴向漏磁信号以及径向漏磁信号的空间属性的同时,实现表达能力强的抽象特征的自学习,从而实现对管道缺陷尺寸的表征。前面提到的测试管道是指在前期训练学习阶段用于提供缺陷样本的试验管道或者通过软件仿真得到的虚拟管道模型,而实测管道则是指获得卷积神经网络模型后用于实地检测的管道。
首先需要获取大量的缺陷样本,利用这些缺陷样本在前期训练学习阶段对初始卷积神经网络模型进行训练学习,通过训练学习可以得到有关缺陷尺寸的初始卷积神经网络模型的关键参数,最终得到最终卷积神经网络模型。在本发明实施例中卷积神经网络可采用三层卷积层(C1、C3、C5),两层池化下采样层(S1、S4),C5层每个单元尺寸为1*1,深度与初始图像尺寸、卷积步移相关。为了较少后期图像分析复杂程度,考虑将漏磁分量图缺陷部分截取出来作为初始图像,通过前期训练学习过程确定初始图像的尺寸,为了使得特征图谱缺陷部分完整,初始图像的尺寸以常见缺陷的最大值(长度像素,宽度像素)确定,卷积网络的激活函数可采用ReLu函数。通过调整卷积核的尺寸、特征数量、及池化方式可调整卷积神经网络的特征学习性能。当然这里并不局限于使用ReLu函数作为激活函数,还可采用其他类型的函数,例如可采用sigmod函数、或tanh函数、或ELU函数、或PReLU函数等,在此不做限制。通过训练学习得到最终卷积神经网络模型,基于所述最终卷积神经网络模型可同时对实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号进行卷积神经处理。在本发明实施例中,轴向漏磁信号、周向漏磁信号以及径向漏磁信号的漏磁分量图为三副三维张量图,为了容易理解,这里以单幅RGB图像为例来分析,如果用RGB图像,即红(Red)、绿(Green)、蓝(Blue)三原色的色光以不同的比例相加,以产生多种多样的色光。在RGB颜色模型中,单个矩阵图像就扩展成有序排列的三个矩阵图像,也可以理解为三维张量,也就需要对三副图进行处理,漏磁场的三个分量矩阵图像也可以理解为三维张量。同时用三个不同的2*2卷积模板分别在RGB图层上卷积,并加和便可在特征图上得到一个像素点的值,当对整幅图进行这样操作后,4*4的RGB图像被转化成了一个3*3的特征图。当采用不同的卷积模板重复这种操作,便可得到多个特征图谱,通过对这些特征图谱进行神经卷积处理,可得出高抽象以及高表达性的特征,当神经卷积处理到C5时,得到一维的向量特征,通过这些一维的向量特征结合卷积神经网络模型可以得出管道缺陷的预测模型,从而进一步得到管道缺陷的尺寸。
可选地,由于初始卷积神经网络模型需要训练学习,而训练过程需要已知管道缺陷尺寸和对应的磁漏三维信号的样本,并且对样本数量要求很大,需要一个样本库,为了克服这个问题,可以使用多种方式获取测试管道的缺陷样本。
可以利用磁偶极子模型仿真获取所述缺陷样本。基于磁偶极子理论,研究漏磁场产生的机理;建立规则形状缺陷的三维漏磁场方程,例如柱状、椭圆形或者长方形等规则形状,计算三维漏磁场并分析规则形状缺陷漏磁场的三维空间特性;通过分析研究单个规则缺陷漏磁、多个缺陷在临近距离以及方位布局对三维漏磁场的影响规律,设计典型单个缺陷及相邻缺陷,并计算三维漏磁场样本,从而得到测试管道的缺陷样本,并将该缺陷样本加入样本库。
考虑到磁偶极子模型仿真仅能设计出规则形状的缺陷,还可以利用有限元仿真获取所述缺陷样本,有限元仿真可以设计出不规则形状的缺陷。基于麦克斯韦方程,建立三维漏磁场有限元模型,并基于试验校准模型,确定单元、边界条件及载荷的处理原则,研究复杂形状缺陷形状、尺寸与三维漏磁场之间耦合规律关系;进一步研究相邻缺陷和复合缺陷对漏磁场的交互影响规律;根据研究规律,结合工程实际,设计典型缺陷,并计算三维漏磁场样本,从而得到测试管道的缺陷样本,并将该缺陷样本加入样本库。
还可利用人工缺陷仿真技术获取所述缺陷样本。这里提到的人工缺陷仿真技术一般是指牵拉试验的样本。除此之外,还可利用具体工程的样本,与上面类似,这些样本均可加入样本库中。
可选地,一般缺陷样本可包括背景磁场信息、检测速度、缺陷位置、缺陷的三维尺寸、轴向漏磁信号、周向漏磁信号以及径向漏磁信号等信息。这些可看成每个样本的属性。
可选地,考虑到背景磁场、缺陷位置、检测速度等可能对结果产生影响的因素,可在最终计算管道的缺陷尺寸时,加入这些先验知识。利用径向基神经网络将先验知识与所述最终卷积神经网络模型融合得到所述实测管道的缺陷尺寸。所述先验知识包括背景磁场、缺陷位置、检测速度。
考虑到检测速度对漏磁场产生的影响,采用实验和有限元相结合的手段,研究检测速度对漏磁场的影响规律。针对几种典型缺陷,提取不同速度下的缺陷三维漏磁场,确定基准速度,针对能引起信号幅度或形状较大差异的速度,确定线扫下轴向和径向分量最大幅度值所在的信号通道,建立基于传递函数的速度补偿方案,并将不同速度下的补偿参数作为先验知识;同时速度的影响规律也为实验和有限元获取样本数据提供参考。由于频域的传递函数相当于时域下的滤波器,而卷积模板本身就是个滤波器,因此本发明也将借助对速度补偿传递函数的研究,辅助确定卷积神经网络中卷积模板尺寸,因此在卷积神经网络训练时,也会考虑仅用速度和速度加模型参数两种方式。
本发明实施例还提出一种基于卷积神经网络的管道缺陷检测装置,采用上述特征描述中任一所述的管道缺陷检测方法,具体装置包括采集模块、训练模块以及分析处理模块,所述采集模块用于获取测试管道的缺陷样本。所述训练模块用于通过卷积神经网络算法对所述缺陷样本进行训练学习并得到所述测试管道缺陷尺寸的卷积神经网络模型。所述分析处理模块用于基于所述最终卷积神经网络模型同时对实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号进行卷积神经处理,并得到所述实测管道的缺陷尺寸。
综上所述,本发明提供一种基于卷积神经网络的管道缺陷检测方法和装置,采用三维传感技术,获取漏磁场的三维漏磁信号(轴向漏磁信号、周向漏磁信号、径向漏磁信号),基于卷积神经网络同时对三维漏磁信号进行卷积神经处理,得到的特征同时包含三个维度的信息。本发明提出的方法,不需要人工定义特征,卷积神经网络会自动学习高度抽象高表达性的特征,避免了以往依靠人工定义特征的问题。提出采用卷积神经网络技术对三维漏磁场缺陷特征进行自学习,利用该技术能够自动学习表达能力强的抽象特征,无需人工设计特征,卷积操作同时对三幅漏磁分量图进行操作,保留了特征的空间属性。最后融合训练学习得到的特征及先验知识进行管道缺陷尺寸的预测,融合先验知识可以进一步规避诸如检测速度等因素对磁漏信号的影响,使得得到的管道缺陷尺寸更加精准。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”或“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的管道缺陷检测方法,其特征在于,包括如下步骤:
S1:获取测试管道的缺陷样本,建立初始卷积神经网络模型;
S2:通过所述缺陷样本对所述初始卷积神经网络模型进行训练学习并得到所述测试管道缺陷尺寸的最终卷积神经网络模型;
S3:基于所述最终卷积神经网络模型对实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号进行卷积神经处理,得到所述实测管道的缺陷尺寸。
2.如权利要求1所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,所述S1包括:利用磁偶极子模型仿真获取所述测试管道的缺陷样本;
基于磁偶极子理论,建立所述测试管道的规则形状缺陷的三维漏磁方程,计算所述三维漏磁方程并分析三维漏磁场的三维空间特性,得到所述测试管道的缺陷样本。
3.如权利要求1所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,所述S1包括:利用有限元仿真获取所述测试管道的缺陷样本。
4.如权利要求3所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,利用有限元仿真,基于麦克斯韦方程,建立所述测试管道的不规则形状缺陷的三维漏磁场有限元模型,分析不规则形状缺陷的形状、尺寸与三维漏磁场之间的关系,得到所述测试管道的缺陷样本。
5.如权利要求1所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,所述S1包括:利用人工缺陷仿真技术获取所述测试管道的缺陷样本。
6.如权利要求1-5中任一所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,所述缺陷样本包括背景磁场信息、检测速度、缺陷位置、缺陷的三维尺寸、轴向漏磁信号、周向漏磁信号以及径向漏磁信号。
7.如权利要求1所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,所述S3包括:将实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号输入所述最终卷积神经网络模型,并结合先验知识得到所述实测管道的缺陷尺寸。
8.如权利要求7所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,所述先验知识包括背景磁场信息、缺陷位置、检测速度。
9.如权利要求7所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,利用径向基神经网络将先验知识与所述最终卷积神经网络模型融合得到所述实测管道的缺陷尺寸。
10.一种基于卷积神经网络的管道缺陷检测装置,其特征在于,采用如权利要求1-9中任一所述的基于卷积神经网络的管道缺陷检测方法,包括:
采集模块,用于获取测试管道的缺陷样本;
训练模块,通过所述缺陷样本对所述初始卷积神经网络模型进行训练学习并得到所述测试管道缺陷尺寸的最终卷积神经网络模型;
分析处理模块,基于所述最终卷积神经网络模型对实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号进行卷积神经处理,得到所述实测管道的缺陷尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910399916.1A CN110108783B (zh) | 2019-05-14 | 2019-05-14 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910399916.1A CN110108783B (zh) | 2019-05-14 | 2019-05-14 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110108783A true CN110108783A (zh) | 2019-08-09 |
CN110108783B CN110108783B (zh) | 2023-04-28 |
Family
ID=67490012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910399916.1A Active CN110108783B (zh) | 2019-05-14 | 2019-05-14 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110108783B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926692A (zh) * | 2022-06-01 | 2022-08-19 | 国家石油天然气管网集团有限公司 | 管道斜接角度检测方法及装置 |
CN115791957A (zh) * | 2022-11-25 | 2023-03-14 | 国网四川省电力公司映秀湾水力发电总厂 | 高压电缆铅封缺陷脉冲涡流检测方法、***、终端及介质 |
CN116309580A (zh) * | 2023-05-19 | 2023-06-23 | 克拉玛依市百事达技术开发有限公司 | 基于磁应力的油气管道腐蚀检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1963491A (zh) * | 2006-12-08 | 2007-05-16 | 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 |
CN102122351A (zh) * | 2011-03-01 | 2011-07-13 | 哈尔滨工程大学 | 一种基于rbf神经网络的管道缺陷智能识别方法 |
CN104990977A (zh) * | 2015-06-29 | 2015-10-21 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
CN106950276A (zh) * | 2017-03-21 | 2017-07-14 | 东北大学 | 一种基于卷积神经网络的管道缺陷深度的反演方法 |
CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
CN109001211A (zh) * | 2018-06-08 | 2018-12-14 | 苏州赛克安信息技术有限公司 | 基于卷积神经网络的长输管道焊缝检测***及方法 |
CN109060944A (zh) * | 2018-08-31 | 2018-12-21 | 南京航空航天大学 | 基于漏磁检测装置和神经网络的钢轨缺陷深度检测方法 |
-
2019
- 2019-05-14 CN CN201910399916.1A patent/CN110108783B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1963491A (zh) * | 2006-12-08 | 2007-05-16 | 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 |
CN102122351A (zh) * | 2011-03-01 | 2011-07-13 | 哈尔滨工程大学 | 一种基于rbf神经网络的管道缺陷智能识别方法 |
CN104990977A (zh) * | 2015-06-29 | 2015-10-21 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
CN106950276A (zh) * | 2017-03-21 | 2017-07-14 | 东北大学 | 一种基于卷积神经网络的管道缺陷深度的反演方法 |
CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
CN109001211A (zh) * | 2018-06-08 | 2018-12-14 | 苏州赛克安信息技术有限公司 | 基于卷积神经网络的长输管道焊缝检测***及方法 |
CN109060944A (zh) * | 2018-08-31 | 2018-12-21 | 南京航空航天大学 | 基于漏磁检测装置和神经网络的钢轨缺陷深度检测方法 |
Non-Patent Citations (2)
Title |
---|
岳明星等: "基于卷积神经网络的管道漏磁内检测焊缝识别方法", 《电子世界》 * |
王长龙等: "基于BP神经网络的漏磁定量化检测", 《兵器材料科学与工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114926692A (zh) * | 2022-06-01 | 2022-08-19 | 国家石油天然气管网集团有限公司 | 管道斜接角度检测方法及装置 |
CN114926692B (zh) * | 2022-06-01 | 2023-09-05 | 国家石油天然气管网集团有限公司 | 管道斜接角度检测方法及装置 |
CN115791957A (zh) * | 2022-11-25 | 2023-03-14 | 国网四川省电力公司映秀湾水力发电总厂 | 高压电缆铅封缺陷脉冲涡流检测方法、***、终端及介质 |
CN116309580A (zh) * | 2023-05-19 | 2023-06-23 | 克拉玛依市百事达技术开发有限公司 | 基于磁应力的油气管道腐蚀检测方法 |
CN116309580B (zh) * | 2023-05-19 | 2023-08-15 | 克拉玛依市百事达技术开发有限公司 | 基于磁应力的油气管道腐蚀检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110108783B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110108783A (zh) | 一种基于卷积神经网络的管道缺陷检测方法和装置 | |
Hou et al. | Deep features based on a DCNN model for classifying imbalanced weld flaw types | |
CN107871119B (zh) | 一种基于目标空间知识和两阶段预测学习的目标检测方法 | |
CN108154504A (zh) | 一种基于卷积神经网络的钢板表面缺陷的检测方法 | |
CN107392019A (zh) | 一种恶意代码家族的训练和检测方法及装置 | |
CN110287932A (zh) | 基于深度学习图像语义分割的道路阻断信息提取 | |
CN105447235B (zh) | 一种土地未来利用情景动态模拟方法 | |
CN112270722B (zh) | 一种基于深度神经网络的数码印花织物缺陷检测方法 | |
CN106980858A (zh) | 一种语言文本检测与定位***及应用该***的语言文本检测与定位方法 | |
CN110533631A (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN107844770A (zh) | 一种基于视频的电熔镁炉异常工况自动识别*** | |
CN103268607B (zh) | 一种弱监督条件下的共同对象检测方法 | |
Shipway et al. | Using ResNets to perform automated defect detection for Fluorescent Penetrant Inspection | |
CN110706211A (zh) | 基于卷积神经网络的铁路路基病害雷达图实时检测方法 | |
CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
CN104200422A (zh) | 一种用于遥感图像处理的专家*** | |
CN101706443A (zh) | 一种服装面料接缝平整度评定方法 | |
CN110441820A (zh) | 地质构造的智能解释方法 | |
CN109684910A (zh) | 一种网络检测输电线路地表环境变化的方法及*** | |
CN111429547A (zh) | 一种基于假同色搜索的异常色觉测试图合成方法 | |
Pokonieczny et al. | Using artificial neural network for labelling polygon features in topographic maps | |
CN103354073A (zh) | 一种lcd色偏纠正方法 | |
CN104933435A (zh) | 基于模拟人类视觉的机器视觉构建方法 | |
Lynda | Systematic survey of convolutional neural network in satellite image classification for geological mapping |
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 |