亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        深度學習技術在海底管道巡檢中的研究與應用

        2022-02-22 00:38:52宋哲旭徐志毅李學成陳開潤李小斌
        中國新技術新產品 2022年22期
        關鍵詞:檢測模型

        宋哲旭 徐志毅 曾 晉 李學成 陳開潤 李小斌

        (1.中海石油(中國)有限公司深圳分公司,廣東 深圳 518000;2.中海輝固地學服務(深圳)有限公司,廣東 深圳 518000;3.重慶米弘科技有限公司,重慶 400000)

        0 引言

        由于沖刷腐蝕、拖網(wǎng)錨害等原因,海底管道頻繁發(fā)生事故,因此準確掌握海底管道狀態(tài)可以及時預防和排除安全隱患。隨著海底管道鋪設距離和運行時間的延長,海底管線巡檢技術亟需迭代升級。

        邢海燕等人提出了一種IPSO-GRU神經(jīng)網(wǎng)絡對海底管道缺陷進行定量識別,獲得96%的識別精度[1]。羅東浩基于深度學習方法檢測管道的泄漏點,達到了較好的實時性和準確性[2]。馬建民等人設計了一種基于光視覺技術的自主巡檢系統(tǒng),識別準確率達96%,但該系統(tǒng)仍缺乏深海試驗[3]。東京大學研制了一款名為Twin-Burger2的水下機器人,對水下管道進行跟蹤,但在海底環(huán)境無法進行實時性應用[4]。KHAN A等人提出了一種圖像恢復和增強算法,能夠處理水域較渾濁的情況[5]。SCH?YEN等人提出了一種基于多波束回聲測深儀數(shù)據(jù)的自動化管道探測方法,為海底管道智能巡檢提供了新思路[6]。

        該文基于ROV采集的海底管道圖像提出了一種深度學習檢測技術,建立了一套巡檢系統(tǒng)輔助識別海管事件,以解決人工巡檢存在的漏檢、誤檢等問題,提高巡檢作業(yè)效率。

        1 深度學習檢測技術

        深度學習檢測技術避免了傳統(tǒng)機器學習的大量手工設計特征工作,并且能取得更優(yōu)的檢測結果。海底管道巡檢需要識別的事件包括海管節(jié)點(fieldjoint)、陽極(anode)、雜物(debris:金屬、塑料、木材和漁網(wǎng)等)、支撐(sleeper)、懸空(freespan)、拋石(gravel)以及沙包(sandbag)。

        1.1 數(shù)據(jù)集預處理

        該文數(shù)據(jù)來源于ROV巡檢某海管采集的左、中、右3路視頻。中路圖像存在對比度低以及細節(jié)模糊等問題,采用多操作聯(lián)合增強技術可獲得穩(wěn)定的清晰圖像。該文方案采用優(yōu)化對比度增強[7]、限制對比度自適應直方圖均衡化(CLAHE)[8]以及色階調整等操作實現(xiàn)圖像增強。圖像增強效果如圖1所示。

        圖1 圖像增強

        1.2 基于YOLOv5的事件檢測模型設計

        由于事件的多樣性和海底圖像質量低下等問題,該文平衡檢測速度與檢測效果,選取了Anchor based中的一階段法YOLOv5(you only look once)端到端的訓練目標檢測模型,以識別事件的具體類別和位置。

        1.2.1 數(shù)據(jù)集構建

        該文選取8 936張分辨率為720×576的圖像進行檢測模型的訓練,其中訓練集和驗證集的比例為17∶3,測試集來源于ROV巡檢的實時圖像。試驗的每個評估指標通過5折交叉驗證并最終取平均結果。所有試驗均在Amax NVIDIA Titan V一張12G GPU的服務器上進行。

        1.2.2 YOLOv5網(wǎng)絡搭建

        該文基于YOLOv5搭建了深度學習檢測模型,模型結構如圖2所示。

        圖2 YOLOv5模型結構

        骨干網(wǎng)絡用于海管圖像的特征提取,其中聚焦是指進行下采樣操作,以減少計算量;殘差單元用于學習更豐富的特征;金字塔池化可實現(xiàn)局部特征和全局特征的特征圖級別的融合。YOLOv5先將輸入圖片縮放到統(tǒng)一尺寸,然后送入骨干網(wǎng)絡,最后處理網(wǎng)絡預測結果,得到檢測的目標。其中,YOLOv5采用了馬賽克(Mosaic)數(shù)據(jù)增強,在一定程度上解決了數(shù)據(jù)量缺乏的問題,還采用非極大值抑制算法解決了一個目標被多次檢測的問題,能在檢測的同時實現(xiàn)分類。訓練YOLOv5檢測模型的損失函數(shù)由3個部分組成:置信度損失Lobj、類損失Lclass和位置損失Lbox。

        Lobj和Lclass考慮了正、負樣本不均衡的影響,如公式(1)所示。在Lobj中,y′i為預測輸出的置信度,yi為真實概率0或1。在Lclass中,y′i為模型的預測輸出類別,yi為樣本的真實類別。

        其中σ(y′i)=1/(1+exp(-y′i))。

        Lbox采用了GIoU Loss,如公式(2)所示。其中GIoU表示對2個任意框A、B,找到一個最小的封閉形狀C,讓C把A、B包括在內,計算C中沒有覆蓋A和B的面積占C總面積的比值,然后用A與B的交并比(IoU)減去這個比值。最后用1減去GIoU,轉化為最小值的優(yōu)化問題。

        1.2.3 對比方法

        本節(jié)選擇了SSD[9]、EfficientDet與該文方法做對比。SSD使用anchor機制,易于訓練和集成。EfficientDet提出了目標檢測網(wǎng)絡聯(lián)合調整復雜度的策略,在COCO數(shù)據(jù)集上取得了較好的效果。該文通過這2種方法進一步驗證該文方法的有效性。

        1.2.4 評價指標

        海管事件檢測以幀率FPS、均值平均精度mAP作為評價指標。FPS用來評估目標檢測的速度,即每秒內可以處理的圖像數(shù)量。對類別為C的事件,在一張圖像上的精度PC如公式(3)所示,TP為正確檢測的事件數(shù)量,F(xiàn)P為未正確檢測的事件數(shù)量(錯檢、漏檢)。

        類別為C的事件在所有圖像上的精度如公式(4)所示,其中N為圖像總量。

        所有類別的事件在所有圖像上的精度如公式(5)所示,Nc為類別數(shù)量。

        mAP在固定的數(shù)據(jù)集上計算,在分析模型結果的同時查看各類的平均精度,避免了對某些易檢測類別的偏好,適用于比較不同目標的檢測方法。

        1.2.5 試驗結果及分析

        海底管道事件檢測結果見表1。EfficientDet通過設計的BiFPN結構取得了88%的mAP,SSD使用的Anchor機制不利于小目標的檢測。SSD與EfficientDet由于參數(shù)量和網(wǎng)絡結構龐大,因此檢測效率不高。YOLOv5通過回歸實現(xiàn)了端到端的目標檢測,取得了最高的mAP和FPS。每類事件的具體檢測結果見表2。

        表1 事件檢測結果

        表2 每類事件檢測結果

        由表2可知,對海管節(jié)點、陽極、雜物、支撐等特征比較明顯的事件,YOLOv5取得了高于95%的精度,可有效用于海管巡檢系統(tǒng)。直觀的檢測結果如圖3所示。SSD與EfficientDet仍存在較多的錯檢和漏檢情況,而YOLOv5適合各類事件的檢測,且能克服水圖像偏色、模糊以及較暗等問題,證明了該文選取的YOLOv5檢測方法在精度和速度方面能基本滿足海管巡檢系統(tǒng)的要求。

        圖3 事件檢測結果

        2 海底管道巡檢系統(tǒng)設計

        海底管道巡檢軟件系統(tǒng)是結合深度學習算法訓練的檢測模型與巡檢作業(yè)業(yè)務流程開發(fā)的應用軟件。巡檢軟件系統(tǒng)功能包括海管管理、用戶管理、事件類型、事件管理、參數(shù)設置、巡檢任務、設備管理、離線視頻、巡檢操作以及事件記錄等模塊。功能結構如圖4所示。

        圖4 海底管道巡檢軟件功能結構

        海底管道巡檢軟件客戶端為巡檢作業(yè)用戶日常工作操作的主入口,用戶登錄進入系統(tǒng)后,可進行參數(shù)設置、創(chuàng)建巡檢任務、執(zhí)行巡檢任務、進行設備連接、播放ROV視頻、開啟事件檢測、記錄異常事件和導出巡檢報告等業(yè)務操作。海底管道巡檢軟件主操作界面包括巡檢操作區(qū)、視頻顯示區(qū)、事件列表區(qū)、定位數(shù)據(jù)區(qū)以及上次巡檢事件區(qū)等區(qū)域。巡檢操作區(qū)域包括連接/斷開ROV、開始巡檢、暫停巡檢、視頻選擇和圖像增強等操作入口。視頻顯示區(qū)域用于顯示三路視頻實時的檢測效果。事件列表顯示巡檢過程中檢測到的事件,包括事件代碼、事件級別、事件發(fā)生位置以及是否是異常事件等信息。定位數(shù)據(jù)區(qū)域顯示當前海管巡檢到的具體位置,包括經(jīng)緯度、到達的海管長度等。上次巡檢事件區(qū)域顯示之前對同一根海管巡檢所檢測出的事件記錄,用于與本次巡檢結果進行比較,進而檢查之前發(fā)生的異常事件是否已修復。

        3 結論

        海底環(huán)境復雜多變,海底管道會不可避免地遭受自然侵蝕和磨損,而人工巡檢效率低下,誤檢率與漏檢率居高不下,因此該文提出了一種基于深度學習技術的海底管道輔助巡檢方法,可自動識別各類事件并進行記錄。系統(tǒng)主要通過目標檢測方法確定事件的具體位置和類別,并通過巡檢系統(tǒng)記錄識別的事件,供后續(xù)分析查詢。海底試驗表明,和人工巡檢相比,該方法大大提升了海管巡檢的效率和準確率。未來將進一步完善海底管道巡檢系統(tǒng)識別事件的種類,并對懸空、拋石及破損等事件進行定量分析。

        猜你喜歡
        檢測模型
        一半模型
        “不等式”檢測題
        “一元一次不等式”檢測題
        “一元一次不等式組”檢測題
        “幾何圖形”檢測題
        “角”檢測題
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權M-估計的漸近分布
        3D打印中的模型分割與打包
        小波變換在PCB缺陷檢測中的應用
        日韩一线无码av毛片免费| 日韩精品一区二区三区中文 | 日本精品一区二区三区在线视频| 日日摸夜夜欧美一区二区| 日韩人妻无码一区二区三区| 日日干夜夜操高清视频| 曰韩精品无码一区二区三区| jiZZ国产在线女人水多| 综合中文字幕亚洲一区二区三区| 精品一级一片内射播放| 日日麻批免费40分钟无码| 国产高潮视频在线观看| 波多野结衣有码| 亚洲九九九| 蜜桃av噜噜噜一区二区三区| 一区二区在线观看日本视频| 国产精品日日做人人爱| 狠狠噜天天噜日日噜无码| 亚洲美免无码中文字幕在线| 亚洲男人天堂网站| 无码伊人久久大香线蕉| 男女搞事在线观看视频| 日日摸夜夜添夜夜添高潮喷水| 天天天天躁天天爱天天碰2018| 久久亚洲精品无码gv| 欧美日韩亚洲综合久久久| 精品国产色哟av一区二区三区| 一区二区三区字幕中文| 伊人久久大香线蕉av不卡| 91日韩高清在线观看播放| 亚洲中文字幕女同一区二区三区| 亚洲中文字幕一二区精品自拍 | 国产乱人伦偷精品视频| 538任你爽精品视频国产| 中国少妇和黑人做爰视频| 亚洲一区二区三区成人网| 国产精品久久久久久久久久红粉 | 人妻体内射精一区二区三区| 亚洲色无码播放| 国产精品午夜波多野结衣性色| 亚洲区一区二区三区四|