基于人工智能的管道漏磁内检测缺陷识别方法研究
发布时间：2021-03-22 20:41
石油、天然气等能源运输的最主要方式是管道运输,管道的损坏主要是由于管道铁磁性材料的损坏,出现包括腐蚀、穿孔、泄漏、爆管等,不仅会造成重大的直接或间接的经济损失,而且会造成严重的环境污染。管道漏磁内检测方法是针对于石油天然气运输管道最为有效的检测方法之一,管道缺陷的评估主要依靠漏磁内检测数据的分析和判读,石油天然气管道管线铺设距离都是上千公里,漏磁内检测数据量过于庞大,基于漏磁内检测数据可视化的图像数据,采用人工判读的方法标记管道特征,完成缺陷的识别与判定,出具管道缺陷报告开挖单。针对管道漏磁内检测缺陷识别的问题,研究了基于深度学习理论的、人工智能的方法对于管道漏磁内检测缺陷进行识别。主要研究了人工智能的理论方法与应用;深度学习的基本理念和神经网络对于不同数据的训练方法;通过研究深度学习平台TensorFlow的工作图模型的搭建,为深度神经网络的实现搭建平台;研究了管道漏磁内检测数据的基本格式和类型,通过分析管道漏磁内检测数据中不同管道特征和缺陷的图像数据,建立管道漏磁内检测图像数据集。研究卷积神经网络的基本实现原理和模型的优化方法,卷积神经网络通过设计卷积核的方法对于输入图像数据进行特...
【文章来源】：沈阳工业大学辽宁省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
油气管道a管道铺设现场图b管道缺陷图
图 2.4 Logistic-Sigmoid 激活函数 图 2.5 Than-Sigmoid 激活函数Fig 2.4 Logistic-Sigmoid activation function Fig 2.5 Than-Sigmoid activation function对于 Logistic-Sigmoid 函数，如图 2.4 所示，该函数的图形为“S”形的，是严格递增函数，在线性和非线性显示出很好的平衡，其定义为：ave 11 ( )（2.4公式 2.4 中，a 为函数的倾斜参数，修改参数 a 就可以改变函数的倾斜度。在原处，函数的倾斜度等于 a/4，在极限的情况下，倾斜参数趋近于无穷，Sigmoid 函数变成了最简单的阈值函数，阈值函数的取值为 0 或 1，而 Sigomid 函数的值域为[0的连续区间。Sigmoid 函数是可微分的，而阈值函数不是。当需要期望激活函数的阈为[-1,1]时，选择双曲正切函数，即 Tanh 函数，如图 2.5 所示，它允许函数取到负值非线性的 Sigmoid 函数对于神经元输入的中央区域的信号增益较大，对两侧区的信号增益较小，在信号的特征空间映射上有很好的效果[38]。从生物神经元的角度-8 -6 -4 -2 0 2 4 6 8 10-8 -6 -4 -2 0 2 4 6 8 10
图 2.4 Logistic-Sigmoid 激活函数 图 2.5 Than-Sigmoid 激活函数Fig 2.4 Logistic-Sigmoid activation function Fig 2.5 Than-Sigmoid activation function对于 Logistic-Sigmoid 函数，如图 2.4 所示，该函数的图形为“S”形的，是严格递增函数，在线性和非线性显示出很好的平衡，其定义为：ave 11 ( )（2.4公式 2.4 中，a 为函数的倾斜参数，修改参数 a 就可以改变函数的倾斜度。在原处，函数的倾斜度等于 a/4，在极限的情况下，倾斜参数趋近于无穷，Sigmoid 函数变成了最简单的阈值函数，阈值函数的取值为 0 或 1，而 Sigomid 函数的值域为[0的连续区间。Sigmoid 函数是可微分的，而阈值函数不是。当需要期望激活函数的阈为[-1,1]时，选择双曲正切函数，即 Tanh 函数，如图 2.5 所示，它允许函数取到负值非线性的 Sigmoid 函数对于神经元输入的中央区域的信号增益较大，对两侧区的信号增益较小，在信号的特征空间映射上有很好的效果[38]。从生物神经元的角度-8 -6 -4 -2 0 2 4 6 8 10-8 -6 -4 -2 0 2 4 6 8 10
【参考文献】：
期刊论文
[1]基于TensorFlow深度学习框架的卷积神经网络研究[J]. 袁文翠,孔雪. 微型电脑应用. 2018(02)
[2]基于循环卷积神经网络的目标检测与分类[J]. 艾玲梅,叶雪娜. 计算机技术与发展. 2018(02)
[3]基于Lorentz函数的稀疏约束RBM模型的算法研究[J]. 邹维宝,于昕玉,麦超. 计算机工程与应用. 2018(07)
[4]长输油气管道漏磁内检测技术[J]. 杨理践,耿浩,高松巍. 仪器仪表学报. 2016(08)
[5]深度学习框架Caffe在图像分类中的应用[J]. 王茜,张海仙. 现代计算机(专业版). 2016(05)
[6]基于优化RBF神经网络的管道缺陷量化分析方法[J]. 朱红秀,刘欢,李宏远,黄松岭,苏志毅. 仪表技术与传感器. 2016(02)
[7]基于Sigmoid函数拟合的多曝光图像直接融合算法[J]. 付争方,朱虹,薛杉,余顺园,史静. 仪器仪表学报. 2015(10)
[8]漏磁检测中的缺陷重构方法[J]. 彭丽莎,黄松岭,赵伟,王珅. 电测与仪表. 2015(13)
[9]基于深度学习网络的射线图像缺陷识别方法[J]. 余永维,殷国富,殷鹰,杜柳青. 仪器仪表学报. 2014(09)
[10]长输管道漏磁内检测缺陷识别方法[J]. 高松巍,郑树林,杨理践. 无损检测. 2013(01)
博士论文
[1]基于卷积神经网络的计算机视觉关键技术研究[D]. 李彦冬.电子科技大学 2017
[2]铁磁性平板腐蚀缺陷多通道漏磁信号的反演与重构[D]. 杨志军.东北石油大学 2011
[3]基于BP和RBF神经网络的木材缺陷检测研究[D]. 牟洪波.东北林业大学 2010
[4]图像高斯混合模型的判别学习方法[D]. 陈雪峰.北京理工大学 2009
[5]图像复原—模型、贝叶斯推理及迭代算法研究[D]. 鲁晓磊.华中科技大学 2009
[6]管道漏磁检测中数据压缩及缺陷定量识别技术的研究[D]. 马凤铭.沈阳工业大学 2006
[7]油气管道在线内检测技术若干关键问题研究[D]. 李莺莺.天津大学 2006
[8]管道缺陷漏磁检测量化技术及其应用研究[D]. 蒋奇.天津大学 2003
硕士论文
[1]基于卷积神经网络的图像识别方法研究[D]. 段萌.郑州大学 2017
[2]基于Theano深度学习框架的图像识别算法研究[D]. 孙园钦.吉林大学 2017
[3]基于深度信念网络的股票价格预测研究[D]. 崔东东.华中科技大学 2016
[4]基于深度学习框架的动作识别研究[D]. 刘彦镔.天津大学 2016
[5]基于RBF算法的管道漏磁无损检测缺陷识别的研究[D]. 王柯.电子科技大学 2013
[6]基于BP神经网络的缺陷漏磁检测量化技术研究[D]. 赵海龙.东北石油大学 2011
[7]基于强化学习改进的模糊神经网络及其应用研究[D]. 马力.西安电子科技大学 2011
[8]管道漏磁检测缺陷识别技术的研究[D]. 余文来.沈阳工业大学 2009
[9]钢丝绳缺陷漏磁场的有限元仿真研究[D]. 赵敏.哈尔滨工业大学 2008
[10]基于小波分析和神经网络的管道漏磁信号处理[D]. 胡浪涛.合肥工业大学 2007
本文编号：3094441
【文章来源】：沈阳工业大学辽宁省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
油气管道a管道铺设现场图b管道缺陷图
图 2.4 Logistic-Sigmoid 激活函数 图 2.5 Than-Sigmoid 激活函数Fig 2.4 Logistic-Sigmoid activation function Fig 2.5 Than-Sigmoid activation function对于 Logistic-Sigmoid 函数，如图 2.4 所示，该函数的图形为“S”形的，是严格递增函数，在线性和非线性显示出很好的平衡，其定义为：ave 11 ( )（2.4公式 2.4 中，a 为函数的倾斜参数，修改参数 a 就可以改变函数的倾斜度。在原处，函数的倾斜度等于 a/4，在极限的情况下，倾斜参数趋近于无穷，Sigmoid 函数变成了最简单的阈值函数，阈值函数的取值为 0 或 1，而 Sigomid 函数的值域为[0的连续区间。Sigmoid 函数是可微分的，而阈值函数不是。当需要期望激活函数的阈为[-1,1]时，选择双曲正切函数，即 Tanh 函数，如图 2.5 所示，它允许函数取到负值非线性的 Sigmoid 函数对于神经元输入的中央区域的信号增益较大，对两侧区的信号增益较小，在信号的特征空间映射上有很好的效果[38]。从生物神经元的角度-8 -6 -4 -2 0 2 4 6 8 10-8 -6 -4 -2 0 2 4 6 8 10
图 2.4 Logistic-Sigmoid 激活函数 图 2.5 Than-Sigmoid 激活函数Fig 2.4 Logistic-Sigmoid activation function Fig 2.5 Than-Sigmoid activation function对于 Logistic-Sigmoid 函数，如图 2.4 所示，该函数的图形为“S”形的，是严格递增函数，在线性和非线性显示出很好的平衡，其定义为：ave 11 ( )（2.4公式 2.4 中，a 为函数的倾斜参数，修改参数 a 就可以改变函数的倾斜度。在原处，函数的倾斜度等于 a/4，在极限的情况下，倾斜参数趋近于无穷，Sigmoid 函数变成了最简单的阈值函数，阈值函数的取值为 0 或 1，而 Sigomid 函数的值域为[0的连续区间。Sigmoid 函数是可微分的，而阈值函数不是。当需要期望激活函数的阈为[-1,1]时，选择双曲正切函数，即 Tanh 函数，如图 2.5 所示，它允许函数取到负值非线性的 Sigmoid 函数对于神经元输入的中央区域的信号增益较大，对两侧区的信号增益较小，在信号的特征空间映射上有很好的效果[38]。从生物神经元的角度-8 -6 -4 -2 0 2 4 6 8 10-8 -6 -4 -2 0 2 4 6 8 10
【参考文献】：
期刊论文
[1]基于TensorFlow深度学习框架的卷积神经网络研究[J]. 袁文翠,孔雪. 微型电脑应用. 2018(02)
[2]基于循环卷积神经网络的目标检测与分类[J]. 艾玲梅,叶雪娜. 计算机技术与发展. 2018(02)
[3]基于Lorentz函数的稀疏约束RBM模型的算法研究[J]. 邹维宝,于昕玉,麦超. 计算机工程与应用. 2018(07)
[4]长输油气管道漏磁内检测技术[J]. 杨理践,耿浩,高松巍. 仪器仪表学报. 2016(08)
[5]深度学习框架Caffe在图像分类中的应用[J]. 王茜,张海仙. 现代计算机(专业版). 2016(05)
[6]基于优化RBF神经网络的管道缺陷量化分析方法[J]. 朱红秀,刘欢,李宏远,黄松岭,苏志毅. 仪表技术与传感器. 2016(02)
[7]基于Sigmoid函数拟合的多曝光图像直接融合算法[J]. 付争方,朱虹,薛杉,余顺园,史静. 仪器仪表学报. 2015(10)
[8]漏磁检测中的缺陷重构方法[J]. 彭丽莎,黄松岭,赵伟,王珅. 电测与仪表. 2015(13)
[9]基于深度学习网络的射线图像缺陷识别方法[J]. 余永维,殷国富,殷鹰,杜柳青. 仪器仪表学报. 2014(09)
[10]长输管道漏磁内检测缺陷识别方法[J]. 高松巍,郑树林,杨理践. 无损检测. 2013(01)
博士论文
[1]基于卷积神经网络的计算机视觉关键技术研究[D]. 李彦冬.电子科技大学 2017
[2]铁磁性平板腐蚀缺陷多通道漏磁信号的反演与重构[D]. 杨志军.东北石油大学 2011
[3]基于BP和RBF神经网络的木材缺陷检测研究[D]. 牟洪波.东北林业大学 2010
[4]图像高斯混合模型的判别学习方法[D]. 陈雪峰.北京理工大学 2009
[5]图像复原—模型、贝叶斯推理及迭代算法研究[D]. 鲁晓磊.华中科技大学 2009
[6]管道漏磁检测中数据压缩及缺陷定量识别技术的研究[D]. 马凤铭.沈阳工业大学 2006
[7]油气管道在线内检测技术若干关键问题研究[D]. 李莺莺.天津大学 2006
[8]管道缺陷漏磁检测量化技术及其应用研究[D]. 蒋奇.天津大学 2003
硕士论文
[1]基于卷积神经网络的图像识别方法研究[D]. 段萌.郑州大学 2017
[2]基于Theano深度学习框架的图像识别算法研究[D]. 孙园钦.吉林大学 2017
[3]基于深度信念网络的股票价格预测研究[D]. 崔东东.华中科技大学 2016
[4]基于深度学习框架的动作识别研究[D]. 刘彦镔.天津大学 2016
[5]基于RBF算法的管道漏磁无损检测缺陷识别的研究[D]. 王柯.电子科技大学 2013
[6]基于BP神经网络的缺陷漏磁检测量化技术研究[D]. 赵海龙.东北石油大学 2011
[7]基于强化学习改进的模糊神经网络及其应用研究[D]. 马力.西安电子科技大学 2011
[8]管道漏磁检测缺陷识别技术的研究[D]. 余文来.沈阳工业大学 2009
[9]钢丝绳缺陷漏磁场的有限元仿真研究[D]. 赵敏.哈尔滨工业大学 2008
[10]基于小波分析和神经网络的管道漏磁信号处理[D]. 胡浪涛.合肥工业大学 2007
本文编号：3094441
本文链接：https://www.wllwen.com/kejilunwen/rengongzhinen/3094441.html
