针对管道内检测中焊缝法兰组件的识别精度不够问题,提出了一种基于深度学习网络的智能识别方法。该方法利用漏磁检测（MFL）图像而不是MFL测量量,因此它可以跳过特征提取的过程。改进的结构主要包括2个卷积层、1个局部响应归一化层、2...针对管道内检测中焊缝法兰组件的识别精度不够问题,提出了一种基于深度学习网络的智能识别方法。该方法利用漏磁检测（MFL）图像而不是MFL测量量,因此它可以跳过特征提取的过程。改进的结构主要包括2个卷积层、1个局部响应归一化层、2个池化层、1个全连接分类层和1个Softmax层。实验结果表明,提出的基于深度学习网络的焊缝法兰组件识别方法拥有良好的识别精度,所提出的3项指标均在90%以上;在信噪比小于10 d B特征不明显样本中,所提方法的识别灵敏度为85.3%,优于其他基于特征的智能识别方法,同时,改进的深度学习网络对于漏磁图像具有良好的位移和畸变鲁棒性。展开更多
文摘针对管道内检测中焊缝法兰组件的识别精度不够问题,提出了一种基于深度学习网络的智能识别方法。该方法利用漏磁检测（MFL）图像而不是MFL测量量,因此它可以跳过特征提取的过程。改进的结构主要包括2个卷积层、1个局部响应归一化层、2个池化层、1个全连接分类层和1个Softmax层。实验结果表明,提出的基于深度学习网络的焊缝法兰组件识别方法拥有良好的识别精度,所提出的3项指标均在90%以上;在信噪比小于10 d B特征不明显样本中,所提方法的识别灵敏度为85.3%,优于其他基于特征的智能识别方法,同时,改进的深度学习网络对于漏磁图像具有良好的位移和畸变鲁棒性。
