CN113763327A - 一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法 - Google Patents
一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法 Download PDFInfo
- Publication number
- CN113763327A CN113763327A CN202110914532.6A CN202110914532A CN113763327A CN 113763327 A CN113763327 A CN 113763327A CN 202110914532 A CN202110914532 A CN 202110914532A CN 113763327 A CN113763327 A CN 113763327A
- Authority
- CN
- China
- Prior art keywords
- cbam
- res
- pressure steam
- unet
- steam leakage
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 abstract description 36
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 230000000694 effects Effects 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 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
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- 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
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及一种基于CBAM‑Res_Unet的电厂管道高压蒸汽泄露检测方法，方法包括：获取待测试的高压蒸汽泄漏图片，使用CBAM‑Res_Unet网络模型，网络中还加入了损失函数和评价标准，对所述高压蒸汽泄漏图片进行图像分割，终输出检测结果。现有技术相比，本发明使用了对高压蒸汽泄漏的适应性更强的深度学习网络CBAM‑Res_Unet，对损失函数Dice Loss函数和Focal Loss函数进行结合后提高了网络训练的稳定性，实现了电厂管道高压蒸汽的监测，本发明具有对于电厂管道高压蒸汽泄漏的有较好的泛用性、检测蒸汽泄漏区域的准确性高等优点。
Description
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法。
背景技术
发电厂管道因受环境、人为等因素的影响容易发生蒸汽泄漏，这不但会浪费资源，还会威胁现场工作人员的生命安全。而发电厂设备长期稳定运行关乎整个电力***供电的可持续性，所以快速准确识别出管道是否发生蒸汽泄漏具有重大的现实意义。
大多数气体泄漏检测的方法可以分为两类：一种是基于硬件，另一种是基于软件。基于硬件的方法通常是使用传感器或探测器，但是该方法对泄漏的气体有较高要求，且大部分精密度较高的气体泄漏检测硬件设备的成本较高，因此基于软件的方法目前有着更为广泛的应用前景，如2014年FCN网络的首次提出拉开了基于深度学习像素级语义分割的序幕，后续提出的UNet和Deeplabv系列延续了FCN的思想，但是现有技术依然存在适应性差的问题，而对于高压蒸汽泄漏常常会出现复杂情况的事件，则更难以保证检测的精确性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法及设备，实现了对于电厂高压蒸汽泄露情况的精确检测
本发明的目的可以通过以下技术方案来实现：
一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法，其特征在于，包括以下步骤：
获取待测试的高压蒸汽泄漏图片，使用CBAM-Res_Unet网络模型对所述高压蒸汽泄漏图片进行图像分割，并输出检测结果；
其中，所述CBAM-Res_Unet网络模型左侧为下采样层，每一层经过两个n*n的卷积层和一个m*m的最大池化层，激活函数为线性整流函数，右侧为上采样层，每一层经过两个n*n的卷积层和一个p*p*p的卷积层，激活函数为S型生长曲线函数，在这两侧中均加入了残差网络模块，并在所述残差网络模块中加入注意力机制模块；同时所述CBAM-Res_Unet网络模型加入了损失函数以及评价标准，所述损失函数为Dice Loss函数和Focal Loss函数的结合，所述评价标准为F1_score分数。
进一步地，所述损失函数L表达式为：
式中，C表示输入的样本数，i表示包括区域的类别数，即一共有蒸汽泄漏区域和蒸汽非泄漏区域两种，TPp(i)表示i的真阳性，FNp(i)表示i的假阴性，FPp(i)表示i的假阳性；pn(i)表示对i的预测值；gn(i)表示i的真实值；λ表示权重；α和β分别是假阴性和假阳性的惩罚值，均设置为0.5；N表示图像的所有像素值。
进一步地，所述CBAM-Res_Unet网络模型的上采样过程和下采样过程中残差网络模块的两个n*n的卷积层参数设置相同，且均使用dropoot减少卷积层参数。
进一步地，所述CBAM-Res_Unet网络模型中注意力机制模块中的通道注意力子模块对输入特征图采用全局平均池化和最大值池化，通过MLP多层感知器进行相加操作，使用S型生长曲线激活函数生成通道注意力子模块的输出特征图。
进一步地，所述CBAM-Res_Unet网络模型中注意力机制模块的空间注意力子模块将通道注意力模块的输入特征图和输出特征图基于元素的相乘结果作为空间注意力模块的输入特征图，采用全局平均池化和最大值池化后经过卷积操作将通道数变为1，使用S型生长曲线激活函数生成空间注意力子模块的输出特征图，而注意力机制模块的输出特征图是空间注意力模块的输入特征图和输出特征图的相乘结果。
进一步地，所述CBAM-Res_Unet网络模型的上采样过程通过反卷积使特征通道数减少一半，并裁剪、复制输入特征图，继而拼接下采样过程和上采样过程大小相同的特征图。
进一步地，所述CBAM-Res_Unet网络模型的训练方法步骤包括：
S1、从电厂管道高压蒸汽泄漏的视频每隔多帧提取出一张图片组成图片集，
S2、从图片集中随机抽取设定数量的图片作为初始样本图；
S3、对所述初始样本图进行标记，分为高压蒸汽泄漏区域和高压蒸汽非泄漏区域，得到带标签样本图；
S4、将初始样本图和带标签样本图进行预处理，并将初始样本图和带标签样本图大小调整为设定值；
S5、对上述处理后初始样本图和带标签样本图采用数据增强的方法增加多倍样本数量；
S6、将数据增强后的初始样本图和带标签样本图作为训练数据集，加入损失函数后，训练CBAM-Res_Unet网络模型。
进一步地，F1_score分数的计算表达式为：
式中，TP表示真阳性率，FP表示假阳性率，P表示准确率，R表示召回率，F表示F1_score分数。
进一步地，步骤S4中所述预处理为灰度化操作。
进一步地，步骤S5中所述数据增强方法包括对图片和标签数据采用旋转、镜像、翻转、水平或垂直翻转等。
与现有技术相比，本发明具有以下优点：
1、使用的CBAM-Res_Unet网络模型在UNet的基础下加入了残差网络模块，获取了有利于分析高压蒸汽泄漏情况的特征信息，同时融入了注意力机制模块，可适应因高压蒸汽泄漏速度快而不断变化的背景；同时针对蒸汽泄漏区域较小时CBAM-Res_Unet网络模型会较不稳定的情况，在网络训练中使用了损失函数Dice Loss和Focal Loss的结合，提高了检测的稳定性；以及使用了F1_score分数作为评价标准，对于图像分割结果的评价更为准确。目前该算法对应用于电厂管道高压蒸汽泄漏的检测还是首次，具有一定的创新性和实用性。
2、在获取样本训练集中对数据进行了数据增强、数据预处理等操作，使得训练样本的精度以及数量都有所提升，保证了训练的质量，使得最终对于高压蒸汽泄漏的检测效率更高。
附图说明
图1为本发明的具体流程示意图。
图2为本发明使用的CBAM-Res_UNet网络结构示意图。
图3为本发明使用的CBAM-Res_UNet网络模型中的CBAM结构示意图。
图4为本发明涉及到的CBAM中的通道注意力模块结构示意图。
图5为本发明涉及到CBAM中的空间注意力模块结构示意图。
图6为本发明所使用的部分蒸汽泄漏样本图像示意图。
图7为本发明所使用的部分蒸汽泄漏样本图像及其对应标签样本图示意图。
图8为本发明通过对比实验得出不同网络模型的电厂管道高压蒸汽泄漏检测结果示意图。
图9为本发明通过对比实验得出不同损失函数的电厂管道高压蒸汽泄漏检测结果示意图。
图10为本发明通过对比实验得出不同评价标准的电厂管道高压蒸汽泄漏检测结果示意图。
图11为本发明通过对比实验得出不同网络模型的评价标准值示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供了一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法，主要流程如图1中实线箭头指引的步骤所示，具体步骤如下：
获取待测试的高压蒸汽泄漏图片，使用经过训练的CBAM-Res_Unet网络模型对高压蒸汽泄漏图片进行图像分割，并输出检测结果，若出现泄漏区域则将结果上传至软件平台并发出警报。
本实施例所采用的网络模型CBAM-Res_Unet网络模型是以UNet网络为基础，在特征提取网络中加入残差网络模块(residual_block)结构来获取有利于高压蒸汽泄漏检测的特征信息，为了适应因高压蒸汽泄漏速度快而不断变化的背景，同时融入注意力机制模块(CBAM)，重新给图像特征的不同等级像素分配适合的权重系数，形成新的如图2所示网络结构，左边是收缩路径，称为下采样过程，作用是提取高分辨率的特征信息，每一层经过两个3*3卷积和一个2*2的最大池化层，激活函数选择线性整流函数(ReLU)，特征通道数经过4次下采样之后相应增加4倍；右边是扩张路径，也是上采样过程，作用是提取低分辨率的特征信息，每一次上采样先通过反卷积ConvTranspose2D使特征通道数缩小一半，然后通过复制和裁剪特征图大小，将收缩路径和扩张路径相同大小特征图进行基于通道的拼接，减少因直接上采样而造成分割精度降低，每一层上采样同样经过两个3*3卷积，最后一步经过1*1*1的卷积层，基于二分类问题选择S型生长曲线(Sigmoid)激活函数，最终输出两位的特征向量。
每次下采样过程中采用两个residual_block模块，每个residual_block中包含两个卷积层，卷积核大小为3*3，最开始卷积核个数为16，步长设置为1，基于CNN的结构特点，采用ReLU为激活函数，为了使网络训练中每一个卷积层的输入都得到相同分布，对输入图像使用BatchNormalization。
每次上采样过程中也采用了两个residual_block，卷积层参数设置与下采样过程相同。因为网络深度的加深，不重要的网络参数也会相应增加，上采样和下采样过程使用dropout减少一些不必要的参数，从而减轻网络训练的负担。
同时每一个residual_block中加入CBAM可以让网络对不同的特征添加不同的权重。CBAM由空间注意力机制和通道注意力机制模块组成，整体模块如图3所示，其中通道注意力模块结构如图4所示，它对CBAM的输入特征图进行全局平均池化和最大池化，通过多层感知器MLP的两个特征图进行基于像素的相加操作，最后经过激活函数Sigmoid，生成该模块最终的特征图。空间注意力模块结构如图5所示，它的输入特征图是通道注意力模块输出特征图与输入特征图进行基于元素的相乘操作，经过全局平均池化和最大值池化的特征图进行基于通道的相加操作，再通过卷积操作将通道数变为1，最后经过激活函数Sigmoid生成空间注意力模块的最终的特征图。CBAM的输出特征图是将空间注意力模块的输出特征图与输入特征图相乘得到的结果。
CBAM-Res_Unet网络模型的训练步骤如图1中虚线指引的步骤所示，具体包括：
步骤S1、从电厂管道高压蒸汽泄漏的视频每隔十帧提取出一张图片组成图片集，图片可参考图6。
步骤S2、从图片集中随机抽取50张图片作为初始样本图。
步骤S3、使用软件labelme对初始样本图进行标记，分为高压蒸汽泄漏区域和高压蒸汽非泄漏区域，得到带标签样本图，可参考图7。
步骤S4、将初始样本图和带标签样本图进行预处理，包括灰度化处理，并将初始样本图和带标签样本图大小利用双线性插值原理批量裁剪为512*512。
步骤S5、对上述处理后初始样本图和带标签样本图采用旋转、镜像、翻转、水平或垂直翻转等数据增强方法来增加数据样本数量为原来的10倍。
步骤S6、将数据增强后的初始样本图和带标签样本图作为训练数据集，加入损失函数Dice loss+Focal loss后，该损失函数的表达式为：
式中，C表示输入的样本数，i表示包括区域的类别数，即一共有蒸汽泄漏区域和蒸汽非泄漏区域两种。TPp(i)表示i的真阳性，FNp(i)表示i的假阴性，FPp(i)表示i的假阳性；pn(i)表示对i的预测值；gn(i)表示i的真实值；λ表示权重；α和β分别是假阴性和假阳性的惩罚值，均设置为0.5；N表示图像的所有像素值。
经过400次迭代训练，得到本实施例所使用的CBAM-Res_Unet网络模型。
得到CBAM-Res_Unet网络模型后，使用评价标准F1_score分数对网络模型的分割能力进行评估。
F1_score分数的计算表达式为：
式中，TP表示真阳性率，FP表示假阳性率，P表示准确率，R表示召回率，F表示F1_score分数。P越接近1说明网络的分割能力越好。
本实施例在发明构思时对于深度学习网络模型的设计进行了对比试验，图8分别展示了传统Unet网络模型、仅仅加入CBAM的Unet网络模型、Res Unet网络模型和本实施例使用的CBAM-Res_Unet网络模型对于图像分割的效果，由图8中效果图与标签图的对照，可明显看出本实施例所使用的CBAM-Res_Unet网络模型对于管道高压蒸汽泄露的图像分割效果远远好于其它网络模型，验证了本实施例在深度学习网络模型设计上的优越性。
同时、本实施例对于损失函数以及评价标准的设计也进行了对比实验，图9分别展示了在CBAM-Res_Unet网络模型训练过程中分别使用交叉熵损失函数、Dice Loss函数和本实施例所使用的Dice Loss函数和Focal Loss函数的结合在网络模型建立后对于图像分割的效果，由图9可知，本实施例所使用的Dice Loss函数和Focal Loss函数的结合对于管道高压蒸汽泄露的图像分割效果最佳，验证了本实施例在训练网络模型上损失函数设计上的优越性。图10分别展示了在不同评价标准下模型建立后图像分割的效果，由图10可知，本实施例所使用的评价标准F1_score分数效果更优。除此之外，在该评价标准下对不同深度学习网络模型进行对比，结果如图11所示，本实施例所使用的CBAM-Res_Unet网络模型在管道高压蒸汽泄露的图像分割上的评价标准值远远高于其它网络模型，进一步验证了本实施例的优越性。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (5)
1.一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法，其特征在于，包括以下步骤：
获取待测试的高压蒸汽泄漏图片，使用CBAM-Res_Unet网络模型对所述高压蒸汽泄漏图片进行图像分割，并输出检测结果；
其中，所述CBAM-Res_Unet网络模型左侧为下采样层，每一层经过两个n*n的卷积层和一个m*m的最大池化层，激活函数为线性整流函数，右侧为上采样层，每一层经过两个n*n的卷积层和一个p*p*p的卷积层，激活函数为S型生长曲线函数，在这两侧中均加入了残差网络模块，并在所述残差网络模块中加入注意力机制模块；同时所述CBAM-Res_Unet网络模型加入了损失函数以及评价标准，所述损失函数为Dice Loss函数和Focal Loss函数的结合，所述评价标准为F1_score分数。
2.根据权利要求1所述的一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法，其特征在于，所述损失函数L的表达式为：
式中，C表示输入的样本数，i表示包括区域的类别数，即一共有蒸汽泄漏区域和蒸汽非泄漏区域两种，TPp(i)表示i的真阳性，FNp(i)表示i的假阴性，FPp(i)表示i的假阳性；pn(i)表示对i的预测值；gn(i)表示i的真实值；λ表示权重；α和β分别是假阴性和假阳性的惩罚值，均设置为0.5；N表示图像的所有像素值。
3.根据权利要求1所述的一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法，其特征在于，所述CBAM-Res_Unet网络模型中注意力机制模块中的通道注意力子模块对输入特征图采用全局平均池化和最大值池化，通过MLP多层感知器进行相加操作，使用S型生长曲线激活函数生成通道注意力子模块的输出特征图。
4.根据权利要求3所述的一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法，其特征在于，所述CBAM-Res_Unet网络模型中注意力机制模块的空间注意力子模块将通道注意力模块的输入特征图和输出特征图基于元素的相乘结果作为空间注意力模块的输入特征图，采用全局平均池化和最大值池化后经过卷积操作将通道数变为1，使用S型生长曲线激活函数生成空间注意力子模块的输出特征图，而注意力机制模块的输出特征图是空间注意力模块的输入特征图和输出特征图的相乘结果。
5.根据权利要求1所述的一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法，所述CBAM-Res_Unet网络模型的训练方法步骤包括：
S1、从电厂管道高压蒸汽泄漏的视频每隔多帧提取出一张图片组成图片集，
S2、从图片集中随机抽取设定数量的图片作为初始样本图；
S3、对所述初始样本图进行标记，分为高压蒸汽泄漏区域和高压蒸汽非泄漏区域，得到带标签样本图；
S4、将初始样本图和带标签样本图进行预处理，并将初始样本图和带标签样本图大小调整为设定值；
S5、对上述处理后初始样本图和带标签样本图采用数据增强的方法增加多倍样本数量；
S6、将数据增强后的初始样本图和带标签样本图作为训练数据集，加入损失函数后，训练CBAM-Res_Unet网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110914532.6A CN113763327B (zh) | 2021-08-10 | 2021-08-10 | 一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110914532.6A CN113763327B (zh) | 2021-08-10 | 2021-08-10 | 一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113763327A true CN113763327A (zh) | 2021-12-07 |
| CN113763327B CN113763327B (zh) | 2023-11-24 |
Family
ID=78788912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110914532.6A Active CN113763327B (zh) | 2021-08-10 | 2021-08-10 | 一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113763327B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187293A (zh) * | 2022-02-15 | 2022-03-15 | 四川大学 | 基于注意力机制和集成配准的口腔腭部软硬组织分割方法 |
| CN115170579A (zh) * | 2022-09-09 | 2022-10-11 | 之江实验室 | 一种金属锈蚀图像分割方法和装置 |
| CN116206221A (zh) * | 2023-01-16 | 2023-06-02 | 北京师范大学 | 一种水体耀斑检测方法和*** |
| CN116576405A (zh) * | 2023-07-12 | 2023-08-11 | 上海电机学院 | 一种风管泄漏信号检测方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3010163A1 (en) * | 2017-07-01 | 2019-01-01 | Algolux Inc. | Method and apparatus for joint image processing and perception |
| CN110120055A (zh) * | 2019-04-12 | 2019-08-13 | 浙江大学 | 基于深度学习的眼底荧光造影图像无灌注区自动分割方法 |
| CN111709886A (zh) * | 2020-05-27 | 2020-09-25 | 杭州电子科技大学 | 一种基于u型空洞残差网络的图像去高光方法 |
| CN113012172A (zh) * | 2021-04-09 | 2021-06-22 | 杭州师范大学 | 一种基于AS-UNet的医学图像分割方法及*** |
| WO2021134871A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳市爱协生科技有限公司 | 基于局部二值模式和深度学习的合成人脸图像取证方法 |
| WO2021139069A1 (zh) * | 2020-01-09 | 2021-07-15 | 南京信息工程大学 | 自适应注意力指导机制的一般性目标检测方法 |
-
2021
- 2021-08-10 CN CN202110914532.6A patent/CN113763327B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3010163A1 (en) * | 2017-07-01 | 2019-01-01 | Algolux Inc. | Method and apparatus for joint image processing and perception |
| CN110120055A (zh) * | 2019-04-12 | 2019-08-13 | 浙江大学 | 基于深度学习的眼底荧光造影图像无灌注区自动分割方法 |
| WO2021134871A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳市爱协生科技有限公司 | 基于局部二值模式和深度学习的合成人脸图像取证方法 |
| WO2021139069A1 (zh) * | 2020-01-09 | 2021-07-15 | 南京信息工程大学 | 自适应注意力指导机制的一般性目标检测方法 |
| CN111709886A (zh) * | 2020-05-27 | 2020-09-25 | 杭州电子科技大学 | 一种基于u型空洞残差网络的图像去高光方法 |
| CN113012172A (zh) * | 2021-04-09 | 2021-06-22 | 杭州师范大学 | 一种基于AS-UNet的医学图像分割方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 谭雨婷;李家琨;金伟其;王霞: "气体泄漏的单点探测器与红外成像检测的灵敏度模拟分析", 红外与激光工程, vol. 43, no. 8 * |
| 金耀;徐阳;韩飞杨;何少阳;王俊博;: "基于深度学习语义分割的桥梁病害图像像素级识别方法", 公路交通科技(应用技术版), no. 01 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187293A (zh) * | 2022-02-15 | 2022-03-15 | 四川大学 | 基于注意力机制和集成配准的口腔腭部软硬组织分割方法 |
| CN115170579A (zh) * | 2022-09-09 | 2022-10-11 | 之江实验室 | 一种金属锈蚀图像分割方法和装置 |
| CN116206221A (zh) * | 2023-01-16 | 2023-06-02 | 北京师范大学 | 一种水体耀斑检测方法和*** |
| CN116206221B (zh) * | 2023-01-16 | 2023-09-05 | 北京师范大学 | 一种水体耀斑检测方法和*** |
| CN116576405A (zh) * | 2023-07-12 | 2023-08-11 | 上海电机学院 | 一种风管泄漏信号检测方法及*** |
| CN116576405B (zh) * | 2023-07-12 | 2023-10-31 | 上海电机学院 | 一种风管泄漏信号检测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113763327B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113763327A (zh) | 一种基于CBAM-Res_Unet的电厂管道高压蒸汽泄露检测方法 | |
| CN111639692B (zh) | 一种基于注意力机制的阴影检测方法 | |
| CN111524135A (zh) | 基于图像增强的输电线路细小金具缺陷检测方法及*** | |
| CN111768388A (zh) | 一种基于正样本参考的产品表面缺陷检测方法及*** | |
| CN115131797B (zh) | 一种基于特征增强金字塔网络的场景文本检测方法 | |
| CN112861729A (zh) | 一种基于伪深度图引导的实时深度补全方法 | |
| CN110020658B (zh) | 一种基于多任务深度学习的显著目标检测方法 | |
| CN110751649A (zh) | 视频质量评估方法、装置、电子设备及存储介质 | |
| CN113066089B (zh) | 一种基于注意力引导机制的实时图像语义分割方法 | |
| CN113554032B (zh) | 基于高度感知的多路并行网络的遥感图像分割方法 | |
| CN115035295B (zh) | 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法 | |
| CN111798469A (zh) | 基于深度卷积神经网络的数字图像小数据集语义分割方法 | |
| CN114639102B (zh) | 基于关键点与尺寸回归的细胞分割方法和装置 | |
| CN115375999A (zh) | 应用于危化品车检测的目标检测模型、方法及装置 | |
| CN115063833A (zh) | 一种基于图像分层视觉的机房人员检测方法 | |
| CN113052103A (zh) | 一种基于神经网络的电气设备缺陷检测方法及装置 | |
| CN112418229A (zh) | 一种基于深度学习的无人船海上场景图像实时分割方法 | |
| CN115587967B (zh) | 一种基于HA-UNet网络的眼底图像视盘检测方法 | |
| CN113723414B (zh) | 一种蒙面人脸遮挡物分割方法与装置 | |
| CN115661097A (zh) | 一种物体表面缺陷检测方法及*** | |
| CN113034432B (zh) | 一种产品缺陷检测方法、***、装置及存储介质 | |
| CN114897765A (zh) | 一种基于深度特征重建的复杂场景中螺栓异常检测方法 | |
| CN113888424A (zh) | 文物历史照片色彩复原方法、装置、电子设备及存储介质 | |
| CN113222012A (zh) | 一种肺部数字病理图像自动定量分析方法及*** | |
| CN115311542B (zh) | 一种目标检测方法、装置、设备和介质 |
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 |