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

        ?

        基于計算機視覺的油氣管道失效識別技術(shù)

        2023-06-29 14:13:17周權(quán)宮彥雙吳超安超劉杰
        四川建筑 2023年1期
        關(guān)鍵詞:殘差油氣準確率

        周權(quán) 宮彥雙 吳超 安超 劉杰

        目前,傳統(tǒng)的油氣管道失效識別技術(shù)依然采用人工檢測分析的方法為主,耗時較長且智能化程度低。提出了一種基于殘差網(wǎng)絡(luò)與遷移學習的管道失效圖像識別算法,通過深度卷積網(wǎng)絡(luò)建立了管道失效識別模型,然后利用大型ImageNet 數(shù)據(jù)集中訓練好的Resnet152模型參數(shù),在包含1萬余張的管道失效圖像數(shù)據(jù)集上進行微調(diào)與模型優(yōu)化,最終實現(xiàn)對細菌腐蝕、土壤腐蝕、環(huán)境敏感開裂等15種失效類型的準確識別。實驗結(jié)果表明,算法的準確率達到95%以上,并具有較強的泛化能力,能夠?qū)崿F(xiàn)對油氣管道失效類型的快速準確識別。所提算法可以為油氣管道失效的統(tǒng)計與分析提供簡單快捷的方法,提高信息化管理水平。

        油氣管道失效; 圖像識別; 殘差網(wǎng)絡(luò); 遷移學習

        TP391.413 A

        [定稿日期]2021-12-27

        [基金項目]四川省科技計劃項目(項目編號:2020YFG0303、2020YFH0111);成都市科技項目(項目編號:2019-YF05-02657-SN)

        [作者簡介]周權(quán)(1999—),男,在讀碩士,研究方向為機器學習、計算機視覺。

        1 油氣管道失效識別

        隨著天然氣及石油工業(yè)快速發(fā)展,我國的油氣管道運輸建設(shè)已相對完整,在2020年期間,新建成油氣管道里程高達5 081 km,管道總里程累計達到14.4萬km[1]。相比于油氣管道的飛速建設(shè),管道的日常維護卻相對薄弱,相關(guān)部門對其投入的人力物力不足。管道的管理和檢測體系不完善,給管道的安全運行造成一定的威脅。

        目前,我國每年新增被石油污染的土壤約為10萬t,部分重油田污染區(qū)的土壤原油含量遠遠超過國家標準臨界值。另外,水資源石油污染現(xiàn)狀也不容樂觀,如2006年發(fā)生的長達一個多月的渤海石油污染事件和2009年陜西發(fā)生的地下輸油管道泄漏事件等,給我國海洋環(huán)境和地下水資源造成了嚴重污染[2]。

        開展油氣管道失效的識別與統(tǒng)計,可以明確不同類型風險權(quán)重,對提高風險概率計算精度和提高風險評價工作科學性具有重要作用,有助于采取有針對性的維修維護方法,進而提升管理對象本質(zhì)安全,防范失效泄漏的發(fā)生。由于油氣田管線的失效問題涉及材料本身、服役環(huán)境、工藝流程等多個方面,給失效識別工作帶來較大的困難。目前,管道一線巡檢人員在缺乏專業(yè)知識的情況下,難以在現(xiàn)場對失效類型進行準確判斷,失效類型往往不能被有效識別。專業(yè)實驗室識別在時間和費用上較高,不適用于油氣田管道失效多發(fā)的現(xiàn)狀。因此急需建立一種能夠為現(xiàn)場工作人員所掌握的,較為便捷的失效類型識別方法,低成本快速有效識別一些失效類型。

        隨著人工智能的快速發(fā)展,計算機視覺技術(shù)已經(jīng)廣泛應(yīng)用于日常生活的各個領(lǐng)域,出現(xiàn)了一系列高效準確的圖像識別算法,如基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識別、垃圾圖像分類、手寫數(shù)字識別等[3-4]。因此,本文提出了一種基于深度學習的油氣管道失效類型識別算法,使用殘差結(jié)構(gòu)搭建了圖像分類神經(jīng)網(wǎng)絡(luò),并采用遷移學習的方法,對油氣管道圖像數(shù)據(jù)集進行識別和分類。最終的模型能夠?qū)崿F(xiàn)對油氣管道典型失效類型的快速準確識別,有助于完善油氣管道腐蝕管理檢測系統(tǒng),提高信息化管理水平,為油氣管道工程管理提供簡單快捷的方法和科學的指導(dǎo)意見。

        2 生成數(shù)據(jù)集

        根據(jù)所采集到的數(shù)據(jù),制作了相應(yīng)的腐蝕分類圖表,一共分了15個類型,如表1所示。

        由于原始采集到的數(shù)據(jù)集較小,約為1 000張圖片,遠遠不夠?qū)嶒炓?,所以先對?shù)據(jù)集進行增強處理以得到更多的數(shù)據(jù),處理方法有放大縮小、旋轉(zhuǎn)、改變明亮度、平移、添加噪聲等。部分圖片處理后的效果如圖1所示,各類型的原始數(shù)據(jù)量與增強后的數(shù)據(jù)量如表2所示。

        增強后一共得到了約10 000張圖片,共15個類型,每個類型約700張,最后按照7∶2∶1的比例劃分訓練集、驗證集和測試集,訓練集數(shù)量約為7 000張,驗證集約為2 000張,測試集約為1 000張,滿足后續(xù)模型訓練要求。

        3 算法設(shè)計

        3.1 遷移學習

        對比傳統(tǒng)機器學習,遷移學習在微調(diào)之前,模型的初始性能更高;在訓練過程中,模型提升的速率更快;在訓練結(jié)束后,得到的模型收斂效果更好,解決了小數(shù)據(jù)樣本在訓練時容易出現(xiàn)的過擬合問題,提高了小數(shù)據(jù)樣本分類問題的準確性和效率性。

        本實驗將先凍結(jié)前面卷積層參數(shù),只訓練最后新建立的全連接層,保存下該次訓練的最優(yōu)模型;然后在前面保存的最優(yōu)模型基礎(chǔ)上,解凍前面的所有的卷積層,進行第二次全局訓練。

        3.2 Resnet152

        傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)當堆疊到一定網(wǎng)絡(luò)深度時,會出現(xiàn)梯度爆炸和退化問題。2015年提出的Resnet網(wǎng)絡(luò)解決了以上問題,它提出殘差結(jié)構(gòu),建立了輸入與輸出之間的有效連接,使神經(jīng)網(wǎng)絡(luò)在深度拓寬的同時還能保持其特征表達的能力,成功解決了退化問題,可以搭建超深的網(wǎng)絡(luò)結(jié)構(gòu),超過了1 000層[5]。殘差塊的基本結(jié)構(gòu)如圖2所示。

        Resnet中提出了2種映射:

        (1)恒等映射(Identity Mapping),指的是圖2中數(shù)字2所標示的部分。

        (2)殘差映射(Residual Mapping),指的是圖2中減去恒等映射剩下的部分。

        殘差塊的最后的輸出如式(1)所示。

        y=F(x)+x(1)

        其中殘差指的就是F(x)部分。

        在圖2的殘差塊中有2層結(jié)構(gòu),第一層結(jié)構(gòu)的表達式如式(2)所示。

        F=W2σ(W1x)(2)

        其中σ代表非線性激活函數(shù)ReLU函數(shù)。

        然后通過一個恒等映射和第二個ReLU函數(shù),得到輸出y ,第二層表達式如式(3)所示。

        y=F(x,{Wi})+x(3)

        Resnet152的網(wǎng)絡(luò)結(jié)構(gòu)多達152層,可以更加充分提取提取圖像特征,其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。從第 1 組卷積塊起到第 5 組均為殘差模塊,將大小為 224×224 的圖像數(shù)據(jù)輸送后,經(jīng)殘差網(wǎng)絡(luò)提取特征進行學習訓練。經(jīng)過訓練后,將圖像輸入平均池化層取平均,最終由全連接層的 LogSoftmax 函數(shù)進行圖像類別的劃分。

        4 實驗流程

        運行環(huán)境為Windows10 64bit系統(tǒng),CPU為AMD Ryzen 9 5900HX,GPU為NVIDIA Geforce RTX 3070。實驗基于Facebook開源的Pytorch框架運行,采用Python3語言編寫。

        具體流程:

        (1)數(shù)據(jù)預(yù)處理:加載訓練集和驗證集,通過torch中的transforms函數(shù),對每個epoch數(shù)據(jù)圖像進行處理。

        (2)模型初始化:加載在ImageNet上預(yù)訓練的Resnet152模型參數(shù),凍住前面所有的卷積層參數(shù)。

        (3)修改全連接層:重新定義最后的全連接層參數(shù),將其改為15分類問題,采用LogSoftmax。

        (4)設(shè)置優(yōu)化器和損失函數(shù):采用NLLLoss損失函數(shù)和Adam優(yōu)化器,學習率為 0.000 1。

        (5)全連接層訓練:總共訓練25個epoch,畫出模型的性能曲線,保存驗證集準確率最高的模型。

        (6)全局訓練:先加載(5)中保存的模型,解凍前面的卷積層,使所有參數(shù)可以參與訓練,學習率為0.000 1,訓練30個epoch,最后保存驗證集準確率最高的那次模型作為最優(yōu)實驗?zāi)P汀?/p>

        (7)模型測試:加載測試集數(shù)據(jù)與最優(yōu)模型,對測試集進行驗證。

        5 實驗結(jié)果與分析

        對2次訓練和一次測試過程進行性能分析,以迭代過程中損失函數(shù)值和預(yù)測精度為性能評估標準,分析模型的收斂性能及預(yù)測準確率。

        5.1 全連接層訓練

        圖4為模型準確率曲線,圖5為模型的損失函數(shù)曲線。從圖4可以看出,隨著迭代次數(shù)的增加,準確率一直處于上升狀態(tài)。當?shù)螖?shù)到達第20次時,驗證集準確率超過95%,訓練集準確率接近90%,曲線趨于穩(wěn)定,基本達到收斂狀態(tài)。

        從圖5可以看出,訓練過程中,訓練集和驗證集的損失函數(shù)值一直呈平穩(wěn)下降趨勢,并沒有出現(xiàn)過擬合情況。

        實驗結(jié)果可知,全連接層訓練的驗證集最高準確率出現(xiàn)在第23個epoch時,其數(shù)值為0.964 3,保存下該次訓練的模型。

        5.2 全局訓練

        加載全連接層訓練保存的模型,解凍前面的卷積層,訓練所有網(wǎng)絡(luò)參數(shù),圖6、圖7分別為訓練過程中模型準確率曲線與損失函數(shù)值曲線。

        從圖6可知,模型的準確率在小范圍內(nèi)發(fā)生波動,總體呈上升趨勢,epoch為29時,準確率達到98%。從圖7可知,訓練集和驗證集的損失函數(shù)值整體處于下降狀態(tài),并未出現(xiàn)過擬合現(xiàn)象。

        全局訓練的驗證集最高準確率出現(xiàn)在第29個epoch時,其數(shù)值為0.980 3,保存下該模型,作為訓練的最優(yōu)模型。

        5.3 模型測試

        測試集數(shù)量為1 000張左右,加載前面訓練保存的最優(yōu)模型,在測試集上進行實驗。圖8是部分圖片預(yù)測結(jié)果,圖9是所有圖片預(yù)測結(jié)果的混淆矩陣。

        從圖8的預(yù)測結(jié)果和圖9的混淆矩陣可以看出,模型識別的準確率較高。從混淆矩陣可以看到,1 000余張測試圖片,僅有35張圖片預(yù)測錯誤,預(yù)測準確率達到了95%以上。

        6 結(jié)論

        本文將深度學習應(yīng)用于油氣管道失效類型的識別中,建立了一種基于遷移學習和殘差網(wǎng)絡(luò)的管道失效分類模型。實驗結(jié)果表明,Resnet152模型能夠做到在較少的Epoch次數(shù)中獲得高準確度。實驗過程包括兩次訓練,在第一次全連接層訓練中,僅經(jīng)過20次Epoch,其識別準確率能達到95%;在第二次全局訓練中,經(jīng)過30次Epoch,模型達到98%的準確率,并且最后的測試集準確率達到了95%以上。因此,該模型具有泛化能力較強、準確率較高、魯棒性較好等特點,可以為油氣管道失效類型的識別提供科學參考意見,提高信息化管理水平,有利于減少因管道失效泄露導(dǎo)致的環(huán)境污染。

        參考文獻

        [1] 關(guān)鵬.論我國石油管道建設(shè)的特點和發(fā)展趨勢[J].中國石油和化工標準與質(zhì)量,2019,39(18):103-104.

        [2] 郭峰.石油污染治理技術(shù)綜述[J].化工管理,2021(19):51-53.

        [3] 邱靖,劉繼榮,曹志勇,等.基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識別研究[J].云南農(nóng)業(yè)大學學報(自然科學),2019,34(5):884-888.

        [4] 李優(yōu),穆林平.基于遷移學習的垃圾圖像分類模型研究[J].電腦與信息技術(shù),2021,29(4):17-21.

        [5] 郭玥秀,楊偉,劉琦,等.殘差網(wǎng)絡(luò)研究綜述[J].計算機應(yīng)用研究,2020,37(5):1292-1297.

        猜你喜歡
        殘差油氣準確率
        基于雙向GRU與殘差擬合的車輛跟馳建模
        平?jīng)?,油氣雙破2萬噸
        “峰中”提前 油氣轉(zhuǎn)舵
        《非常規(guī)油氣》第二屆青年編委征集通知
        乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
        健康之家(2021年19期)2021-05-23 11:17:39
        不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
        2015—2017 年寧夏各天氣預(yù)報參考產(chǎn)品質(zhì)量檢驗分析
        基于殘差學習的自適應(yīng)無人機目標跟蹤算法
        基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
        自動化學報(2019年6期)2019-07-23 01:18:32
        高速公路車牌識別標識站準確率驗證法
        91盗摄偷拍一区二区三区| 久久久国产精品ⅤA麻豆| 在线观看国产内射视频| 午夜婷婷国产麻豆精品| 精品一区三区视频在线观看| 最新亚洲人成网站在线观看| 91av精品视频| 日本中文字幕一区二区在线观看 | 国产激情久久久久影院老熟女 | 少妇愉情理伦片丰满丰满午夜| √最新版天堂资源在线| 亚洲色图在线视频观看| 男女真人后进式猛烈视频网站| 日本高清h色视频在线观看| 国产爆乳乱码女大生Av| 国产自产在线视频一区| 亚洲av中文无码乱人伦在线观看| 88久久精品无码一区二区毛片| 波霸影院一区二区| 我想看久久久一级黄片| 国产在热线精品视频| 欧美黑人乱大交| 亚洲一区二区观看网站| 国产精品无套一区二区久久| 国产精品无码一区二区在线看| 久久精品这里只有精品| 精品国产污黄网站在线观看| 麻豆国产精品久久人妻| 最新国产av无码专区亚洲| 精品无码国产一二三区麻豆| 日本成年一区久久综合| 人人爽久久涩噜噜噜丁香| 久久免费大片| 国产精品自拍网站在线| 婷婷综合另类小说色区| 曰本无码人妻丰满熟妇5g影院| 国产人妖一区二区在线| 久久伊人最新网址视频| 7777奇米四色成人眼影| 无码区a∨视频体验区30秒| 一道之本加勒比热东京|