共查询到20条相似文献,搜索用时 219 毫秒
1.
目前国内各城市已普遍采用管道机器人深入管道内部摄取视频影像,有效获取到可供管道缺陷检测的一手资料,但缺陷识别依靠人工目视识别,耗时耗力,生产周期长.本文利用福州市勘测院多年累积的管道检测数据,在Pytorch框架下、基于深度学习建立了排水管道缺陷内窥检测智能识别系统,包括:数据预处理,残差神经网络设计与训练、系统集成等.重点实现了三级组合识别模型建构(二分类,类型识别,等级识别),解决了系统准确度等技术难题.经生产实践表明:模型准确率高,可有效提高管道健康状况检查质量和效率. 相似文献
2.
从钢质管道检测和PE管道检测两方面,对比分析了超声相控阵、数字射线、超声导波、微波等无损检测技术的特点以及在城市燃气管道的应用场景。通过实验验证了超声相控阵和数字射线检测技术对PE管道电熔接头和热熔接头的检测效果。超声相控阵检测技术可以用于钢质管道焊缝检测和PE管道电熔接头检测,可有效检测出钢质管道焊缝和PE管道电熔接头中各类缺陷,可以检测出PE管道热熔接头中的金属物和非金属物夹杂缺陷。数字射线检测技术可以有效检测出钢质管道焊缝中各种缺陷,可以检测出PE管道电熔接头和热熔接头中金属物夹杂缺陷。超声导波检测技术能够进行快速、长距离钢质管道管体缺陷检测,但无法有效识别焊缝中的缺陷。微波技术能够有效检测出PE管道热熔接头中的未充分熔合、夹杂等缺陷,相关标准的制定将有效推进微波检测技术的使用。 相似文献
3.
城市排水管道常出现堵塞、老化、腐蚀、破损等情况,严重影响城市的健康发展和市民的正常生活。通过分析当前排水管道缺陷识别方法的局限性,构建了基于YOLOv5s的排水管道缺陷识别模型,对10种常见的排水管道缺陷进行学习、训练和验证,通过数据收集、数据处理、模型训练和目标检测4个步骤,完成了排水管道缺陷的智能识别。实验结果表明,排水管道缺陷识别模型的多类别平均精确度达到了85.42%(其中错口、异物穿入、渗漏(附着型)和破裂4种缺陷识别的平均精确度分别达到了93.6%、91.7%、91.7%和91.3%),验证了该模型的有效性。另外,YOLOv5s模型相较于Faster R-CNN模型,多类别平均精确度更高,并且具有模型内存更小、检测速度更快的明显优势,大幅提升了模型的工程适用性。 相似文献
4.
城市排水设施的服役可靠性成为越来越重要的工程问题,高效率、自动化、大规模的管道缺陷智能检测是城市排水设施建设和管理的迫切需求和重要发展趋势。近年来深度学习技术发展迅速,为排水管道缺陷检测提供了新方法。然而,数据量不足和样本不均衡是深度学习模型普遍存在的问题,影响模型的泛化能力和识别鲁棒性。基于当前先进的生成对抗网络(StyleGAN),提出了一种高质量的排水管道缺陷图像合成方法,以解决训练样本问题。进一步采用卷积神经网络算法,借助迁移学习和预训练模型(SqueezeNet网络)实现管道缺陷识别,提升模型识别效率,并对合成图像进行效果验证。结果表明,StyleGAN能高效合成高质量的缺陷图像,识别模型的平均精度达到90.0%(对树根、错口、残墙坝根和障碍物的精度分别为99.7%、92.3%、87.7%和81.7%)。借助生成对抗网络实现数据增强,为深度学习模型训练提供了一种有前景的方法,具有重要的应用意义。 相似文献
5.
6.
缺陷识别是钢铁检测领域的重要问题之一。人工检测经常会出现误检、漏检等问题,最终导致准确率低、检测返工、延迟交付等一系列影响检测质量的问题。利用深度学习神经网络模型代替传统人工检测的解决方案逐渐成为工业检测领域的研究热点。针对钢材表面缺陷检测问题,对现有钢材数据集进行了低光处理数据增强,输入深度学习框架优化训练,得到了神经网络钢材缺陷检测模型。实验结果显示,神经网络钢铁检测模型在检测速度与准确率方面均超过人类检测员,提供一种多场景下代替传统人工检测的钢材缺陷检测深度学习工业部署方案。 相似文献
7.
8.
9.
10.
11.
《Structure and Infrastructure Engineering》2013,9(9):1161-1175
This paper presents a methodology for evaluating the time-dependent system reliability of a pressurised gas pipeline segment containing multiple active metal-loss corrosion defects. The methodology incorporates three distinctive failure modes of the pipe segment due to corrosion, namely small leak, large leak and rupture. The growth of the depth of individual corrosion defect is assumed to follow a power-law function of time. The Bayesian updating and Markov Chain Monte Carlo (MCMC) simulation techniques are used to quantify the parameters of the power-law growth model based on data obtained from multiple inspections carried out at different times. The simple Monte Carlo and MCMC techniques are combined to evaluate the system reliability. A numerical example involving an in-service gas pipeline located in Alberta, Canada, is used to illustrate the proposed methodology. Results of the sensitivity analysis suggest that the use of a defect-specific or segment-specific growth model for the defect depth has a marked impact on the evaluated system reliability. The proposed methodology can be incorporated in reliability-based pipeline corrosion management programmes to assist integrity engineers in making informed decisions about defect repair and mitigation. 相似文献
12.
针对张弦桁架采用单损伤指标识别损伤位置易受到干扰甚至产生误判的问题,提出基于曲率模态差和模态柔度差曲率融合的损伤识别方法。基于D-S证据矩阵和加权平均两种数据融合准则,建立张弦桁架损伤识别的单次融合和两阶段融合识别流程。采用有限元软件ANSYS建立张弦桁架分析模型,利用减小构件截面积模拟弦杆损伤,分别采用非融合单损伤指标、单次数据融合和两阶段融合方法进行损伤识别分析。结果表明:单损伤识别指标的抗干扰能力较低,尤其对支座附近下弦杆的识别效果差;基于数据融合的损伤识别方法能够综合多种指标损伤识别结果,有效提高损伤位置识别的准确性;与加权平均数据融合准则相比,基于D-S证据矩阵准则的数据融合方法更能有效降低非损伤位置干扰,识别效果更好;两阶段融合方法效果优于单次融合方法,损伤位置的损伤概率愈发接近于1,非损伤位置的损伤概率愈发趋近于0。最后开展了一榀张弦桁架模型的损伤识别试验,通过试验验证了当所获取模态数据受到环境或测试噪声等因素影响下,文章提出的基于数据融合的损伤识别方法仍具有较好的鲁棒性,能够有效识别实际张弦桁架结构的损伤位置。但由于曲率模态差以及模态柔度差曲率难以识别损伤程度,因此文章方法仅能够提高损伤位置的识别精度。 相似文献
13.
随着我国公路隧道由建设为主朝建养并重转化,在运营里程快速增长与既有隧道劣化加剧的双重作用下,移动检测及结构安全快速诊断已成为目前公路隧道运营维养领域的研究热点之一。我国已研发了多种类型的隧道检测车,为裂缝、渗漏水等表观病害的快速检测提供了手段,然而公路隧道衬砌图像背景复杂、干扰因素多、裂缝占比小的特点,给检测数据的快速分析带来巨大挑战,已成为制约技术推广的主要瓶颈。基于深度学习算法,本文提出了一种将目标识别与语义分割进行组合的裂缝快速提取方法,首先采用Faster R-CNN网络对原始衬砌图像进行目标识别,判定所采集图片是否存在裂缝并智能框选出裂缝区域;随后对框选出的裂缝区域自动裁切,由此过滤不含裂缝的图片并去除含裂缝图片中的干扰背景,再利用U-Net语义分割网络对裂缝进行像素级分割。通过实际工程验证发现,单幅图像裂缝整体分割时间小于0.15 s,在常见各类干扰因素下,目标识别F1值可达到92%,语义分割像素准确度可达到98%以上。与阈值分割和同类智能分割算法相比,本方法显著提高了识别速度与精度,为从隧道检测车海量数据中进行快速准确的裂缝提取提供了良好手段。 相似文献
14.
针对公路隧道火灾样本量少、深度学习效果不理想的问题,研究一种小样本学习技术,以提高对隧道火灾样本的利用率,并在此基础上利用成熟的机器学习方法,提出一种基于自注意力的隧道视频火灾识别技术。该技术采用自注意力机制结合SVM分类器搭建火焰识别模型,该模型针对各项特征对火焰识别的重要性分配不同的注意力权重,形成注意力矩阵,并将权重矩阵与特征向量的值相加权,通过SVM的Hinge Loss进行线性支持向量机分类,对公路隧道火灾进行识别和预警。在火灾识别训练过程中,通过对火焰疑似区域进行检测,并利用数据增强技术达到样本扩增的目的,随后采用多通道融合的特征提取方式构建特征向量,输入设计的自注意力火焰识别模型中,通过梯度下降优化器进行小批量模型训练,降低迭代次数,最终获得最优特征权重参数,得到最佳识别模型。试验结果表明,该方法在模型训练时收敛较快,在火焰识别时相比未使用小样本学习的传统SVM算法,准确率提高了5%,因此能在小样本环境下有效提高火灾识别的准确度。 相似文献
15.
为提高张弦桁架多位置损伤识别的准确性,将数据融合方法与损伤识别指标相结合,采用D-S证据矩阵理论融合叠加曲率模态改变率和模态柔度差曲率两项指标的损伤识别结果,提出了张弦桁架多损伤的单次融合和两阶段融合识别方法。以某实际工程缩尺简化得到的张弦桁架作为研究对象,设计了两种不同的多损伤工况,通过有限元分析获取了结构损伤前后的前三阶模态数据,并进行了损伤识别分析。结果表明:基于数据融合的多损伤识别方法能够准确地识别张弦桁架多损伤,其能够综合两种单指标的识别结果,降低甚至消除非损伤位置的干扰,有效解决了单指标识别精度低、不能全面反映损伤位置的问题;两阶段融合方法通过两次融合逐步降低了非损伤位置的干扰,识别效果优于单次融合方法。此外,分析中考虑了不同水平噪声对张弦桁架多损伤识别的影响,结果表明:基于数据融合的多损伤识别方法具有较好的抗噪能力,能够降低噪声和非损伤位置的干扰,且两阶段融合方法的抗噪能力优于单次融合方法。 相似文献
16.
To regularly and proactively assess conditions of sewer infrastructure systems to ensure their structural integrity and continuity of services, it is critical to advance the state of automated pipeline inspection and condition assessment. Currently, a critical issue is to address realistic defect detection that deals with real sewer inspection data. This paper presents the findings of a research project that seeks to enable automated detection of defects in sewer pipelines from inspection videos and images. The need for and the challenges of automated defect detection in sewer infrastructure condition monitoring are presented. Based on a general detection and recognition model established in this paper, a change detection based approach which is tailored to solve the challenges in this sewer pipeline domain is described and illustrated through case study. 相似文献
17.
对卷积神经网络(CNN)在工程结构损伤诊断中的应用进行了深入探讨; 以多层框架结构节点损伤位置的识别问题为研究对象,构建了可以直接从结构动力反应信号中进行学习并完成分类诊断的基于原始信号和傅里叶频域信息的一维卷积神经网络模型和基于小波变换数据的二维卷积神经网络模型; 从输入数据样本类别、训练时间、预测准确率、浅层与深层卷积神经网络以及不同损伤程度的影响等多方面进行了研究。结果表明:卷积神经网络能从结构动力反应信息中有效提取结构的损伤特征,且具有很高的识别精度; 相比直接用加速度反应样本,使用傅里叶变换后的频域数据作为训练样本能使CNN的收敛速度更快、更稳定,并且深层CNN的性能要好于浅层CNN; 将卷积神经网络用于工程结构损伤诊断具有可行性,特别是在大数据处理和解决复杂问题能力方面与其他传统诊断方法相比有很大优势,应用前景广阔。 相似文献
18.
19.
屈曲约束支撑(buckling-restrained brace, BRB)恢复力模型的合理与否直接影响BRB结构计算分析的准确度。改进的Bouc-Wen模型能很好地描述钢板装配式BRB的滞回特性。为了提高BRB改进Bouc-Wen模型参数识别的自动化程度及精度,采用GSO群智能搜索算法编写了BRB改进Bouc-Wen模型的参数识别优化程序。对不同屈服承载力的两根钢板装配式BRB滞回曲线进行了参数识别,把识别的滞回曲线与钢板装配式BRB试验结果所得的滞回曲线进行了对比。研究结果表明:采用GSO群智能搜索算法对BRB改进Bouc-Wen模型参数优化识别的方法可行,自动化程度高,拟合结果吻合良好,只需根据钢板装配式BRB试验结果所给出的力、位移以及对应的时间点便可实现对改进Bouc-Wen模型参数的自动识别。基于试验结果和相关参数的物理意义限定所识别参数取值范围的方法提高了GSO群智能搜索算法的识别效率。 相似文献
20.
为提高复杂环境下烟火识别的精度,提出一种基于3D卷积和时空注意力机制的双波段烟火识别方法,该方法融合近红外和可见光双波段图像数据,使用视频流中基于时间的动态特征和基于空间的静态特征降低漏报率、误报率。实验结果表明,该算法在双波段数据集上的烟火识别精度达到99.90%,优于其他基于3D卷积的烟火识别算法,同时,模型具有较小的参数量,能够满足实时推理需求。因此,使用双波段特征的同时,结合注意力机制充分利用视频的动态信息,可以有效提高烟火识别精度。 相似文献