CN110516589A - 一种管道漏磁数据的边界精确识别方法 - Google Patents
一种管道漏磁数据的边界精确识别方法 Download PDFInfo
- Publication number
- CN110516589A CN110516589A CN201910788496.6A CN201910788496A CN110516589A CN 110516589 A CN110516589 A CN 110516589A CN 201910788496 A CN201910788496 A CN 201910788496A CN 110516589 A CN110516589 A CN 110516589A
- Authority
- CN
- China
- Prior art keywords
- window
- candidate
- score
- data
- region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000007547 defect Effects 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 230000004907 flux Effects 0.000 claims description 29
- 238000012417 linear regression Methods 0.000 claims description 12
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 claims description 7
- 230000005764 inhibitory process Effects 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 18
- 238000013461 design Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000013077 scoring method Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Mechanical Engineering (AREA)
- Electrochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Multimedia (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明提供一种管道漏磁数据的边界精确识别方法,涉及管道故障诊断和人工智能领域。该方法首先对漏磁信号进行边缘特征提取预处理;对预处理后的漏磁信号划分多尺度层级并进行异常边缘提取,得到候选窗体集合;然后提取候选窗体内数据,并利用双向LSTM网络检测候选窗体类别和得分;计算初始判断为是缺陷的波动系数,利用设计的自适应更新窗体得分方法得到最终检测结果;最后进行位置区域估计后选用局部感知softnms算法得到各个区域最终剩余窗体集合,并汇总各区域中的最佳窗***置。本发明方法有效地保证剩余窗体内不会出现有错检的窗体信息,有效地实现边框回归并避免了出现同一检测区域出现多个检测结果的情况,最终边框位置回归更精确。
Description
技术领域
本发明涉及管道故障诊断和人工智能技术领域,尤其涉及一种管道漏磁数据的边界精确识别方法。
背景技术
在经济建设中,深海油气管道运输起着关键的作用,由于长期工作在恶劣的海底环境中,管道会因腐蚀、高压强和外力等因素受到一定的影响,随着时间的推移,带有这种缺陷影响的管道很容易发生管道泄漏的事故,一旦发生泄漏,将造成极大的生态污染及能源浪费。
漏磁检测技术是目前国内外最有效的管道缺陷检测方法之一,由于其拥有较好的可靠性、较高的稳定性和较快的检测速度,这一技术越来越多的被用在管道缺陷的检测中,缺陷识别以及定位是管道漏磁检测***的重要组成部分。随着现代计算机技术的迅猛发展,对管道的检测不仅仅局限于识别缺陷,更重要的是能够对缺陷实现精确定位,以便提取更加准确的特征信息用于后续的定量分析。
在目标检测任务中,由于待测目标提供了丰富的位置和特征信息,所以在同一个待测目标,尤其是特征明显的待测目标附近通常会产生大量预测框。因此要用非极大值抑制消除物体多余的检测框,找到最佳的目标位置。非极大值抑制是目标检测领域的一个应用十分广泛的技术,其本质是搜索局部最大值,抑制非极大值元素,用于目标检测中提取分数最高的窗口。然而传统非极大值抑制方法对检测信息特征利用不充分,直接对预测窗口取交并集的方法导致检测框过大或者过小,同时会出现在得分置信度相同的两个窗体的情况下不能精确判断哪一个是最终结果。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种精确性更高的管道漏磁数据的边缘精确识别方法,实现对管道漏磁数据识别后边缘位置更加精确。
为解决上述技术问题,本发明所采取的技术方案是:
一种管道漏磁数据的边界精确识别方法,包括以下步骤:
步骤1:获取一段管道的漏磁信号D,对漏磁信号进行预处理;利用Sobel算子对漏磁信号进行边缘特征提取,突出漏磁信号中缺陷两边的谷底及谷底范围,得到预处理后的漏磁信号D1;
步骤2:将预处理后的漏磁信号D1划分为多尺度层级并进行异常边缘提取,得到候选窗体集合W={W1,W2,...,Wk,…,WN};其中,为第k个尺度层级下候选窗体集合,b为第k个尺度层级包含的窗体数;
步骤3:根据步骤2中得到的候选窗口集合W中的位置信息,在初始获得的漏磁信号D上进行信号提取,得到N个候选区域数据M={M1,M2…MN};
步骤4:得到N个候选区域内最终判断是缺陷的候选区域:先利用分类器依次对N个候选区域内数据进行分类,并根据分类得分判断得到缺陷区域,并计算判断是缺陷区域内原始漏磁数据的波动系数;采用层次聚类算法对波动系数聚类,得到簇划分结果,根据簇划分结果更新分类器初始分类得分,得到最终为缺陷的候选区域;
步骤4.1:将N个候选区域数据依次放入到预先训练完成的Bi-LSTM分类器中进行判断,将判断是缺陷的候选区域所对应的窗体信息及分类得分组成集合K={K1,K2…Kn},Kn={locn,scoren},其中n为判断是缺陷区域的个数,locn是第n个缺陷数据的位置信息,scoren是第n个缺陷数据的得分;
步骤4.2:根据上述判断是缺陷的候选区域中的窗体信息提取候选区域内原始数据,并对原始数据计算两次标准差得到该缺陷区域内漏磁数据的波动系数,得到波动系数集合B={b1,b2…bn};采用层次聚类算法对波动系数聚类,设置层次聚类算法中切分层次树的阈值Threshold大小为3,根据聚类出的簇团中最大最小值边界找到簇间的边界P=[p1,p2],其中,p1为第一个簇和第二个簇之间的边界,p2为第二个簇和第三个簇之间的边界;
步骤4.3:根据步骤4.2中得到的簇间的边界P=[p1,p2],将步骤4.1中缺陷数据的得分划分3个区间,将各区间初始分类得分和窗体内数据的波动系数相结合,在不同的区间内自适应更新分类得分Scorenew,公式如下:
其中,score为初始分类器分类得分,b为缺陷区域内漏磁数据的波动系数,α及β均为调节因子,取值范围为0.6~1.2;
步骤4.4:通过设置判断阈值thres,将更新后分类得分大于阈值thres的窗体信息和分类得分组合成集合Knew={K1,K2…Km},Km={locm,Scorenew m},其中,m为判断是缺陷区域的个数,locm是第n个缺陷数据的位置信息,Scorenew m是第n个缺陷数据的得分;
步骤5:对步骤4中得到的集合Knew中的窗***置信息进行位置区域估计;
步骤5.1:根据步骤4中得到的集合Knew中的窗***置信息得到候选区域中心点集合locmid={locmid 1,locmid 2…locmid m};
步骤5.2:选取半径为r,密度阈值MinPts,对中心点集合locmid采用DBSCAN算法,得到簇划分结果KDBSC4N={k1,k2,...,kt},根据各簇内中心点所对应的初始位置坐标信息,获得t个局部候选区域集合kt={kt1,kt2…ktr},其中,表示第t个区域内的第r个候选窗体综合信息,j为该区域内候选窗体的数目;
步骤6:边缘精确:在步骤5划分出的各个区域中计算重叠面积比,采用线性回归方法实现位置回归和分类得分累加,并结合非极大值抑制,得到各个区域最佳窗体集合;
步骤6.1:判断同一尺度层级下是否存在并列窗体,若存在则将该尺度下的并列候选窗体全部删除,得到单个区域中候选窗体集合k={k1,k2…kr′},r为单个区域内窗体个数;
步骤6.2:根据步骤6.1得到的单个区域候选窗体集合k,将集合k中第一个元素放入到集合S中,其中,集合S的初始值为空集;
步骤6.3:判断集合k中的元素个数是否为1,若不是,则删除集合k中的第一个元素,执行步骤6.4,若是,则执行步骤6.7;
步骤6.4:计算当前集合k中第一个元素和集合S中元素的重叠面积比,并判断是否大于预设阈值,若是,则执行步骤6.5;否则执行步骤6.6;
重叠面积比率公式为:
其中,Iou为两个元素根据位置信息计算得到的重叠面积比,||*||表示窗体面积;
步骤6.5:根据两个元素中分类得分对两个元素中的窗***置信息进行线性回归方法和对分类得分进行累加,将得到新的位置信息locnew和得分scorenew替换当前集合S中元素中相应信息,重新执行步骤6.3直至判断完集合k中所有元素;
线性回归方法公式为:
步骤6.6:输出当前集合k1中第一个元素到最终剩余窗体集合S1,并选取集合S中的元素替换当前集合k1中第一个元素,重新执行步骤6.3直至判断完集合k中所有元素;
步骤6.7:直接输出当前选取集合k1中的元素到最终剩余窗体集合S1;
步骤6.8:采用非极大值抑制方法判断剩余窗体集合S1,并选取分类得分最高的窗体作为该区域内最佳窗体其中locbest是该区域内判断后最佳窗***置信息,scorehigh是该区域内判断后最佳窗体对应的分类得分;
步骤7:重复执行步骤6得到t个候选各区域的最佳窗体,完成对管道漏磁数据边界的精确识别。
采用上述技术方案所产生的有益效果在于:本发明提供的一种管道漏磁数据的区域边界精确识别方法,通过对Sobel算子边缘提取管道的漏磁数据进行多尺度划分获得候选区域,利用深度学习分类器和候选区域波动系数更新得分置信度,结合线性回归方法和非极大值抑制得到最终边缘精确后的窗体;本发明方法从多角度出发:
第一、本发明方法利用Sobel算子对预检测的漏磁数据进行边缘提取,获取到边框更合适且包含漏磁数据谷底特征在内的候选区域,保证了包含较为完整的漏磁信号特征;
第二、本发明方法采用层次聚类和密度聚类算法并结合候选区域内漏磁数据自身特点,设计一种自适应更新初始分类得分置信度方法,有效地保证剩余窗体内不会出现有错检的窗体信息;
第三、本发明方法设计一种线性回归和得分置信度累加的方法,有效地实现边框回归并避免了出现同一检测区域出现多个检测结果的情况。
附图说明
图1为本发明实施例提供的某段管道数据曲线效果显示图;
图2为本发明实施例提供的一种管道漏磁数据的区域边界精确识别方法的流程图;
图3为本发明实施例提供的某段管道数据Sobel处理后与原始漏磁数据显示对比图,(a)为原始漏磁数据曲线显示图,(b)为漏磁数据经Sobel处理后的曲线显示图;
图4为本发明实施例提供的管道漏磁数据局部感知非极大值抑制的流程图;
图5为本发明实施例提供的某段管道数据区域划分后某一区域上候选窗体变化对比显示图,(a)为某区域上两个候选窗体在管道数据曲线上位置显示图,(b)为两个候选窗体经线性回归方法处理后在管道数据曲线上位置显示图;
图6为本发明实施例提供的某段管道数据上最佳候选窗体的曲线效果显示图;
图7为本发明实施例提供的某段管道数据上最佳候选窗体的灰度效果显示图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例对图1所示的某段管道数据,采用本发明的管道漏磁数据的边界精确识别方法进行管道漏磁数据识别,使识别后的漏磁数据边缘位置更加精确。
本实施例中,一种管道漏磁数据的边界精确识别方法,如图2所示,包括以下步骤:
步骤1:获取一段管道的漏磁信号D,对漏磁信号进行预处理;利用Sobel算子对漏磁信号进行边缘特征提取,突出漏磁信号中缺陷两边的谷底及谷底范围,得到预处理后的漏磁信号D1;
本实施例中,在漏磁信号D的水平和竖直方形分别用一个奇数大小的Sobel算子内核模板Gx、Gy进行卷积,综合两个方向上的卷积结果求出近似梯度,得到预处理后的漏磁信号D1,如下公式所示:
其中:
本实施例中,该段管道数据经Sobel处理后的漏磁数据与原始漏磁数据对比如图3所示。
步骤2:将预处理后的漏磁信号D1划分为多尺度层级并进行异常边缘提取,得到候选窗体集合W={W1,W2,...,Wk,…,WN};其中,为第k个尺度层级下候选窗体集合,b为第k个尺度层级包含的窗体数;本实施例中,N=5609;
步骤3:根据步骤2中得到的候选窗口集合W中的位置信息,在初始获得的漏磁信号D上进行信号提取,得到N个候选区域数据M={M1,M2…MN};
步骤4:得到N个候选区域内最终判断是缺陷的候选区域:先利用分类器依次对N个候选区域内数据进行分类,并根据分类得分判断得到缺陷区域,并计算判断是缺陷区域内原始漏磁数据的波动系数;采用层次聚类算法对波动系数聚类,得到簇划分结果,根据簇划分结果更新分类器初始分类得分,得到最终为缺陷的候选区域;
步骤4.1:将N个候选区域数据依次放入到预先训练完成的Bi-LSTM分类器中进行判断,将判断是缺陷的候选区域所对应的窗体信息及分类得分组成集合K={K1,K2…Kn},Kn={locn,scoren},其中n为判断是缺陷区域的个数,locn是第n个缺陷数据的位置信息,scoren是第n个缺陷数据的得分;本实施例中,n=789;
步骤4.2:根据上述判断是缺陷的候选区域中的窗体信息提取候选区域内原始数据,并对原始数据计算两次标准差得到该缺陷区域内漏磁数据的波动系数,得到波动系数集合B={b1,b2…bn};采用层次聚类算法对波动系数聚类,设置层次聚类算法中切分层次树的阈值Threshold大小为3,根据聚类出的簇团中最大最小值边界找到簇间的边界P=[p1,p2],其中,p1为第一个簇和第二个簇之间的边界,p2为第二个簇和第三个簇之间的边界;本实施例中,P=[0.0028,0.0054];
步骤4.3:根据步骤4.2中得到的簇间的边界P=[p1,p2],将步骤4.1中缺陷数据的得分划分3个区间,将各区间初始分类得分和窗体内数据的波动系数相结合,在不同的区间内自适应更新分类得分Scorenew,公式如下:
其中,score为初始分类器分类得分,b为缺陷区域内漏磁数据的波动系数,α及β均为调节因子,取值范围为0.6~1.2;本实施例中,α取0.6,β取0.8;
步骤4.4:通过设置判断阈值thres,将更新后分类得分大于阈值thres的窗体信息和分类得分组合成集合Knew={K1,K2…Km},Km={locm,Scorenew m},其中,m为判断是缺陷区域的个数,locm是第n个缺陷数据的位置信息,Scorenew m是第n个缺陷数据的得分;
本实施例中,设置判断阈值thres=0.5;
步骤5:对步骤4中得到的集合Knew中的窗***置信息进行位置区域估计;
步骤5.1:根据步骤4中得到的集合Knew中的窗***置信息得到候选区域中心点集合locmid={locmid 1,locmid 2…locmid m};
步骤5.2:选取半径为r,密度阈值MinPts,对中心点集合locmid采用DBSCAN算法,得到簇划分结果KDBSCAN={k1,k2,...,kt},根据各簇内中心点所对应的初始位置坐标信息,获得t个局部候选区域集合kt={kt1,kt2…ktr},其中,表示第t个区域内的第r个候选窗体综合信息,j为该区域内候选窗体的数目;
本实施例中,r=0.5,MinPts=3,t=6;
步骤6:边缘精确:在步骤5划分出的各个区域中计算重叠面积比,采用线性回归方法实现位置回归和分类得分累加,并结合非极大值抑制即Soft-nms算法,得到各个区域最佳窗体集合,如图4所示,具体方法为:
步骤6.1:判断同一尺度层级下是否存在并列窗体,若存在则将该尺度下的并列候选窗体全部删除,得到单个区域中候选窗体集合k={k1,k2…kr′},r为单个区域内窗体个数;
步骤6.2:根据步骤6.1得到的单个区域候选窗体集合k,将集合k中第一个元素放入到集合S中,其中,集合S的初始值为空集;
步骤6.3:判断集合k中的元素个数是否为1,若不是,则删除集合k中的第一个元素,执行步骤6.4,若是,则执行步骤6.7;
步骤6.4:计算当前集合k中第一个元素和集合S中元素的重叠面积比,并判断是否大于预设阈值,若是,则执行步骤6.5;否则执行步骤6.6;
重叠面积比率公式为:
其中,Iou为两个元素根据位置信息计算得到的重叠面积比,||*||表示窗体面积;
步骤6.5:根据两个元素中分类得分对两个元素中的窗***置信息进行线性回归方法和对分类得分进行累加,将得到新的位置信息locnew和得分scorenew替换当前集合S中元素中相应信息,重新执行步骤6.3直至判断完集合k中所有元素;
线性回归方法公式为:
步骤6.6:输出当前集合k1中第一个元素到最终剩余窗体集合S1,并选取集合S中的元素替换当前集合k1中第一个元素,重新执行步骤6.3直至判断完集合k中所有元素;
步骤6.7:直接输出当前选取集合k1中的元素到最终剩余窗体集合S1;
步骤6.8:采用非极大值抑制方法判断剩余窗体集合S1,并选取分类得分最高的窗体作为该区域内最佳窗体其中locbest是该区域内判断后最佳窗***置信息,scorehigh是该区域内判断后最佳窗体对应的分类得分;
本实施例中,该段管道数据区域划分后某一区域上候选窗体变化对比如图5所示。
步骤7:重复执行步骤6得到t个候选各区域的最佳窗体,如图6和7所示,完成对管道漏磁数据边界的精确识别。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (4)
1.一种管道漏磁数据的边界精确识别方法,其特征在于:包括以下步骤:
步骤1:获取一段管道的漏磁信号D,对漏磁信号进行预处理;利用Sobel算子对漏磁信号进行边缘特征提取,突出漏磁信号中缺陷两边的谷底及谷底范围,得到预处理后的漏磁信号D1;
步骤2:将预处理后的漏磁信号D1划分为多尺度层级并进行异常边缘提取,得到候选窗体集合W={W1,W2,...,Wk,…,WN};其中,为第k个尺度层级下候选窗体集合,b为第k个尺度层级包含的窗体数;
步骤3:根据步骤2中得到的候选窗口集合W中的位置信息,在初始获得的漏磁信号D上进行信号提取,得到N个候选区域数据M={M1,M2…MN};
步骤4:得到N个候选区域内最终判断是缺陷的候选区域:先利用分类器依次对N个候选区域内数据进行分类,并根据分类得分判断得到缺陷区域,并计算判断是缺陷区域内原始漏磁数据的波动系数;采用层次聚类算法对波动系数聚类,得到簇划分结果,根据簇划分结果更新分类器初始分类得分,并将更新的窗体和得分组合成集合,得到最终为缺陷的候选区域;
步骤5:对步骤4中更新的窗体和得分组合成的集合中的窗***置信息进行窗***置区域估计;
步骤6:边缘精确:在步骤5划分出的各个区域中计算重叠面积比,采用线性回归方法实现位置回归和分类得分累加,并结合非极大值抑制,得到各个区域最佳窗体集合;
步骤7:重复执行步骤6得到t个候选各区域的最佳窗体,完成对管道漏磁数据边界的精确识别。
2.根据权利要求1所述的一种管道漏磁数据的边界精确识别方法,其特征在于:所述步骤4的具体方法为:
步骤4.1:将N个候选区域数据依次放入到预先训练完成的Bi-LSTM分类器中进行判断,将判断是缺陷的候选区域所对应的窗体信息及分类得分组成集合K={K1,K2…Kn},Kn={locn,scoren},其中n为判断是缺陷区域的个数,locn是第n个缺陷数据的位置信息,scoren是第n个缺陷数据的得分;
步骤4.2:根据上述判断是缺陷的候选区域中的窗体信息提取候选区域内原始数据,并对原始数据计算两次标准差得到该缺陷区域内漏磁数据的波动系数,得到波动系数集合B={b1,b2…bn};采用层次聚类算法对波动系数聚类,设置层次聚类算法中切分层次树的阈值Threshold大小为3,根据聚类出的簇团中最大最小值边界找到簇间的边界P=[p1,p2],其中,p1为第一个簇和第二个簇之间的边界,p2为第二个簇和第三个簇之间的边界;
步骤4.3:根据步骤4.2中得到的簇间的边界P=[p1,p2],将步骤4.1中缺陷数据的得分划分3个区间,将各区间初始分类得分和窗体内数据的波动系数相结合,在不同的区间内自适应更新分类得分Scorenew,公式如下:
其中,score为初始分类器分类得分,b为缺陷区域内漏磁数据的波动系数,α及β均为调节因子,取值范围为0.6~1.2;
步骤4.4:通过设置判断阈值thres,将更新后分类得分大于阈值thres的窗体信息和分类得分组合成集合Knew={K1,K2…Km},Km={locm,Scorenew m},其中,m为判断是缺陷区域的个数,locm是第n个缺陷数据的位置信息,Scorenew m是第n个缺陷数据的得分。
3.根据权利要求2所述的一种管道漏磁数据的边界精确识别方法,其特征在于:所述步骤5的具体方法为:
步骤5.1:根据步骤4中得到的集合Knew中的位置信息得到候选区域中心点集合locmid=={locmid 1,locmid 2…locmid m};
步骤5.2:选取半径为r,密度阈值MinPts,对中心点集合locmid采用DBSCAN算法,得到簇划分结果KDBSCAN={k1,k2,...,kt},根据各簇内中心点所对应的初始位置坐标信息,获得t个局部候选区域集合kt={kt1,kt2…ktr},其中,表示第t个区域内的第r个候选窗体综合信息,j为该区域内候选窗体的数目。
4.根据权利要求3所述的一种管道漏磁数据的边界精确识别方法,其特征在于:所述步骤6的具体方法为:
步骤6.1:判断同一尺度层级下是否存在并列窗体,若存在则将该尺度下的并列候选窗体全部删除,得到单个区域中候选窗体集合k={k1,k2…kr′},r为单个区域内窗体个数;
步骤6.2:根据步骤6.1得到的单个区域候选窗体集合k,将集合k中第一个元素放入到集合S中,其中,集合S的初始值为空集;
步骤6.3:判断集合k中的元素个数是否为1,若不是,则删除集合k中的第一个元素,执行步骤6.4,若是,则执行步骤6.7;
步骤6.4:计算当前集合k中第一个元素和集合S中元素的重叠面积比,并判断是否大于预设阈值,若是,则执行步骤6.5;否则执行步骤6.6;
重叠面积比率公式为:
其中,Iou为两个元素根据位置信息计算得到的重叠面积比,||*||表示窗体面积;
步骤6.5:根据两个元素中分类得分对两个元素中的窗***置信息进行线性回归方法和对分类得分进行累加,将得到新的位置信息locnew和得分scorenew替换当前集合S中元素中相应信息,重新执行步骤6.3直至判断完集合k中所有元素;
线性回归方法公式为:
步骤6.6:输出当前集合k1中第一个元素到最终剩余窗体集合S1,并选取集合S中的元素替换当前集合k1中第一个元素,重新执行步骤6.3直至判断完集合k中所有元素;
步骤6.7:直接输出当前选取集合k1中的元素到最终剩余窗体集合S1;
步骤6.8:采用非极大值抑制方法判断剩余窗体集合S1,并选取分类得分最高的窗体作为该区域内最佳窗体其中locbest是该区域内判断后最佳窗***置信息,scorehigh是该区域内判断后最佳窗体对应的分类得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910788496.6A CN110516589B (zh) | 2019-08-26 | 2019-08-26 | 一种管道漏磁数据的边界精确识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910788496.6A CN110516589B (zh) | 2019-08-26 | 2019-08-26 | 一种管道漏磁数据的边界精确识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516589A true CN110516589A (zh) | 2019-11-29 |
CN110516589B CN110516589B (zh) | 2023-06-02 |
Family
ID=68626795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910788496.6A Active CN110516589B (zh) | 2019-08-26 | 2019-08-26 | 一种管道漏磁数据的边界精确识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516589B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337566A (zh) * | 2020-02-25 | 2020-06-26 | 清华大学 | 漏磁检测缺陷边沿识别的方法 |
CN117576100A (zh) * | 2024-01-16 | 2024-02-20 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19542890C1 (de) * | 1995-11-17 | 1997-07-17 | Hansaconsult Ingenieurgesellsc | Verfahren zur Erkennung von Leckagen in Rohrleitungen |
JP2004271323A (ja) * | 2003-03-07 | 2004-09-30 | Delta Tooling Co Ltd | 漏洩磁場検出装置 |
GB201109371D0 (en) * | 2011-06-06 | 2011-07-20 | Silverwing Uk Ltd | Magnetic flux leakage inspection method and apparatus |
CN104034796A (zh) * | 2014-06-16 | 2014-09-10 | 东北大学 | 一种管道漏磁内检测数据实时处理装置及方法 |
CN107024532A (zh) * | 2017-04-12 | 2017-08-08 | 东北大学 | 一种基于窗体特征的漏磁管道缺陷位置提取方法 |
CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
CN109000645A (zh) * | 2018-04-26 | 2018-12-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 复杂环境目标经典航迹提取方法 |
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 |
CN110082424A (zh) * | 2019-05-10 | 2019-08-02 | 东北大学 | 一种快速管道漏磁数据多尺度异常区域推荐***及方法 |
-
2019
- 2019-08-26 CN CN201910788496.6A patent/CN110516589B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19542890C1 (de) * | 1995-11-17 | 1997-07-17 | Hansaconsult Ingenieurgesellsc | Verfahren zur Erkennung von Leckagen in Rohrleitungen |
JP2004271323A (ja) * | 2003-03-07 | 2004-09-30 | Delta Tooling Co Ltd | 漏洩磁場検出装置 |
GB201109371D0 (en) * | 2011-06-06 | 2011-07-20 | Silverwing Uk Ltd | Magnetic flux leakage inspection method and apparatus |
CN104034796A (zh) * | 2014-06-16 | 2014-09-10 | 东北大学 | 一种管道漏磁内检测数据实时处理装置及方法 |
CN107024532A (zh) * | 2017-04-12 | 2017-08-08 | 东北大学 | 一种基于窗体特征的漏磁管道缺陷位置提取方法 |
CN109000645A (zh) * | 2018-04-26 | 2018-12-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 复杂环境目标经典航迹提取方法 |
CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
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 |
CN110082424A (zh) * | 2019-05-10 | 2019-08-02 | 东北大学 | 一种快速管道漏磁数据多尺度异常区域推荐***及方法 |
Non-Patent Citations (3)
Title |
---|
JINHAI LIU ET AL.: "Window Feature-Based Two-Stage Defect Identification Using Magnetic Flux Leakage Measurements", 《 IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
KEXIN XU ET AL.: "MFL data feature extraction based on KPCA-BOMW model", 《2019 CCDC》 * |
张化光 等: "长距离流体输送管道泄漏检测与定位技术的现状与展望", 《化工自动化及仪表》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337566A (zh) * | 2020-02-25 | 2020-06-26 | 清华大学 | 漏磁检测缺陷边沿识别的方法 |
CN111337566B (zh) * | 2020-02-25 | 2021-10-22 | 清华大学 | 漏磁检测缺陷边沿识别的方法 |
CN117576100A (zh) * | 2024-01-16 | 2024-02-20 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
CN117576100B (zh) * | 2024-01-16 | 2024-03-22 | 浙江合丰科技有限公司 | 一种fpc连接器表面缺陷分级检测评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110516589B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932489A (zh) | 焊缝缺陷检测方法、***、存储介质、计算机设备、终端 | |
CN110390251B (zh) | 一种基于多神经网络模型融合处理的图像文字语义分割方法 | |
CN109598287B (zh) | 基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法 | |
CN111507371B (zh) | 自动评估对训练图像的标签可靠性的方法和装置 | |
CN111091095B (zh) | 一种遥感图像中船只目标的检测方法 | |
CN110516589B (zh) | 一种管道漏磁数据的边界精确识别方法 | |
US11790517B2 (en) | Subtle defect detection method based on coarse-to-fine strategy | |
CN115496746A (zh) | 基于图像和点云数据融合的板材表面缺陷检测方法和*** | |
CN111881741A (zh) | 车牌识别方法、装置、计算机设备和计算机可读存储介质 | |
CN116665095B (zh) | 一种运动舰船检测方法、***、存储介质和电子设备 | |
CN110866931B (zh) | 图像分割模型训练方法及基于分类的强化图像分割方法 | |
CN107688822B (zh) | 基于深度学习的新增类别识别方法 | |
CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN116469020A (zh) | 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法 | |
CN112258532B (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
CN106951924B (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及*** | |
CN110705631B (zh) | 一种基于svm的散货船舶设备状态检测方法 | |
CN116594057B (zh) | 一种基于深度学习和边缘计算的地震预警方法与装置 | |
CN113705672B (zh) | 图像目标检测的阈值选取方法、***、装置及存储介质 | |
US20190213486A1 (en) | Virtual Adaptive Learning of Financial Articles Utilizing Artificial Intelligence | |
CN114663760A (zh) | 模型训练的方法、目标检测方法、存储介质及计算设备 | |
CN114155411A (zh) | 一种弱小目标智能检测识别方法 | |
CN113673589A (zh) | 基于边框距离度量的标签选择自适应增量检测方法及*** | |
CN113869194A (zh) | 基于深度学习的变参数铣削加工过程信号标记方法及*** | |
CN115393388A (zh) | 一种基于位置不确定性估计的单目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |