System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及漏磁检测,具体涉及一种基于多尺度卷积神经网络的油气管道漏磁检测方法和系统。
技术介绍
1、对油气管道缺陷进行检测与识别时,以往漏磁检测方法中,多采用单一的深度神经网络方法,忽略庞大样本中同一缺陷类因差异过大导致的分类误判,从而影响分类精确度。
2、随着计算机技术的不断发展,可以通过不同的分类方法进行组合来补偿单个深度神经网的缺点,以提升分类结果的准确度。然而,现有的多个分类方法中,如何进行模式融合以及手动尝试初始化操作的方面仍存在着一定的提升空间,相应的融合算法极易陷入局部最优解的陷阱。
3、基于上述因素,亟需一种油气管道漏磁检测方法,以提升漏磁检测分类结果的准确度。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本专利技术提供了一种基于多尺度卷积神经网络的油气管道漏磁检测方法和系统,解决了现有技术中漏磁检测分类结果准确度较低的问题。
3、(二)技术方案
4、为实现以上目的,本专利技术通过以下技术方案予以实现:
5、在本专利技术的第一方面,提供了一种基于多尺度卷积神经网络的油气管道漏磁检测方法,所述方法包括:
6、获取油气管道漏磁检测的待分类图像;
7、基于预先训练完成后的多尺度卷积神经网络对所述待分类图像进行分类处理,得到缺陷分类结果;
8、其中,所述多尺度卷积神经网络包括输入层、特征提取处理层和融合输出层;
9、所述输入层用于接
10、所述特征提取处理层用于提取所述第一处理图像的图像特征,将提取出的图像特征作为第一图像特征,并输入至融合输出层;
11、所述融合输出层用于将所述第一图像特征进行特征融合,并基于softmax分类器对特征融合后的第一图像特征进行处理,得到对应的待分类图像属于不同缺陷类别的概率分布,作为缺陷分类结果。
12、可选的,所述多尺度卷积神经网络的训练过程,包括以下步骤:
13、获取样本漏磁检测图像;
14、将所述样本漏磁检测图像输入至初始结构的多尺度卷积神经网络中,得到预测分类结果;
15、基于所述预测结果和所述漏磁检测图像的真实分类结果,计算损失值;
16、基于所述损失值对所述初始结构的多尺度卷积神经网络的网络权重进行调整,继续训练,直至训练次数大于预设数值。
17、可选的,所述将所述样本漏磁检测图像输入至初始结构的多尺度卷积神经网络中,得到预测分类结果,包括:
18、将所述样本漏磁检测图像输入到多尺度卷积神经网络中,并利用预设的特征网络对所述样本漏磁检测图像进行多次迭代处理,得到多尺度特征矩阵
19、其中,所述多尺度特征矩阵为
20、预设的特征网络为:
21、表示第z次迭代下第l个尺度采用的卷积核,表示第z次迭代下第l个尺度的偏置,i=1,2,3,…,l,l表示尺度总数,t表示矩阵转置,表示卷积操作,表示relu激活函数,“:”表示拼接操作;
22、利用预设的池化网络层对所述多尺度特征矩阵进行池化处理,得到池化处理后的多尺度特征矩阵,作为池化特征矩阵;
23、利用预设的特征提取网络对所述池化特征矩阵进行特征提取,并将提取到所述池化特征矩阵的特征值,作为待处理特征;
24、其中,对所述池化特征矩阵进行特征提取的公式为:
25、和为第z次迭代下第l个尺度的权重和偏置,h(·)为激活函数;
26、将softmax函数作为所述多尺度卷积神经网络中全连接输出层的激活函数,并利用预设的公式计算所述待处理特征对应的预测分类结果;
27、其中,预设的公式为:n表示预测缺陷的类别总数,为每类缺陷输出的概率值。
28、在本专利技术的第二方面,提供了一种基于多尺度卷积神经网络的油气管道漏磁检测系统,所述系统包括:
29、第一获取模块,用于获取油气管道漏磁检测的待分类图像;
30、分类处理模块,用于基于预先训练完成后的多尺度卷积神经网络对所述待分类图像进行分类处理,得到缺陷分类结果;
31、其中,所述多尺度卷积神经网络包括输入层、特征提取处理层和融合输出层;
32、所述输入层用于接收所述待分类图像,将所述待分类图像处理成相同维度的图像,作为第一处理图像,并将所述第一处理图像输入至所述特征提取处理层;
33、所述特征提取处理层用于提取所述第一处理图像的图像特征,将提取出的图像特征作为第一图像特征,并输入至融合输出层;
34、所述融合输出层用于将所述第一图像特征进行特征融合,并基于softmax分类器对特征融合后的第一图像特征进行处理,得到对应的待分类图像属于不同缺陷类别的概率分布,作为缺陷分类结果。
35、可选的,所述多尺度卷积神经网络的训练过程,包括以下步骤:
36、获取样本漏磁检测图像;
37、将所述样本漏磁检测图像输入至初始结构的多尺度卷积神经网络中,得到预测分类结果;
38、基于所述预测结果和所述漏磁检测图像的真实分类结果,计算损失值;
39、基于所述损失值对所述初始结构的多尺度卷积神经网络的网络权重进行调整,继续训练,直至训练次数大于预设数值。
40、可选的,所述将所述样本漏磁检测图像输入至初始结构的多尺度卷积神经网络中,得到预测分类结果,包括:
41、将所述样本漏磁检测图像输入到多尺度卷积神经网络中,并利用预设的特征网络对所述样本漏磁检测图像进行多次迭代处理,得到多尺度特征矩阵
42、其中,所述多尺度特征矩阵为
43、预设的特征网络为:
44、表示第z次迭代下第l个尺度采用的卷积核,表示第z次迭代下第l个尺度的偏置,l=1,2,3,…,l,l表示尺度总数,t表示矩阵转置,表示卷积操作,表示relu激活函数,“:”表示拼接操作;
45、利用预设的池化网络层对所述多尺度特征矩阵进行池化处理,得到池化处理后的多尺度特征矩阵,作为池化特征矩阵;
46、利用预设的特征提取网络对所述池化特征矩阵进行特征提取,并将提取到所述池化特征矩阵的特征值,作为待处理特征;
47、其中,对所述池化特征矩阵进行特征提取的公式为:
48、和为第z次迭代下第l个尺度的权重和偏置,h(·)为激活函数;
49、将softmax函数作为所述多尺度卷积神经网络中全连接输出层的激活函数,并利用预设的公式计算所述待处理特征对应的预测分类结果;
50、其中,预设的公式为:n表示预测缺陷的类别总数,为每类缺陷输出的概率值。
51、在本专利技术的第三方面,提供了一种电子设备,包括处理器、通信接口、存储器和通本文档来自技高网...
【技术保护点】
1.一种基于多尺度卷积神经网络的油气管道漏磁检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的油气管道漏磁检测方法,其特征在于,所述多尺度卷积神经网络的训练过程,包括以下步骤:
3.根据权利要求2所述的油气管道漏磁检测方法,其特征在于,所述将所述样本漏磁检测图像输入至初始结构的多尺度卷积神经网络中,得到预测分类结果,包括:
4.一种基于多尺度卷积神经网络的油气管道漏磁检测系统,其特征在于,所述系统包括:
5.根据权利要求4所述的油气管道漏磁检测系统,其特征在于,所述多尺度卷积神经网络的训练过程,包括以下步骤:
6.根据权利要求5所述的油气管道漏磁检测系统,其特征在于,所述将所述样本漏磁检测图像输入至初始结构的多尺度卷积神经网络中,得到预测分类结果,包括:
7.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现权利要求1~3任一所述的方法步骤。
< ...【技术特征摘要】
1.一种基于多尺度卷积神经网络的油气管道漏磁检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的油气管道漏磁检测方法,其特征在于,所述多尺度卷积神经网络的训练过程,包括以下步骤:
3.根据权利要求2所述的油气管道漏磁检测方法,其特征在于,所述将所述样本漏磁检测图像输入至初始结构的多尺度卷积神经网络中,得到预测分类结果,包括:
4.一种基于多尺度卷积神经网络的油气管道漏磁检测系统,其特征在于,所述系统包括:
5.根据权利要求4所述的油气管道漏磁检测系统,其特征在于,所述多尺度卷积神经网络的训练过程,包括以下步骤:...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。