石油、天然氣等能源運(yùn)輸?shù)淖钪饕绞绞枪艿肋\(yùn)輸,管道的損壞主要是由于管道鐵磁性材料的損壞,出現(xiàn)包括腐蝕、穿孔、泄漏、爆管等,不僅會(huì)造成重大的直接或間接的經(jīng)濟(jì)損失,而且會(huì)造成嚴(yán)重的環(huán)境污染。管道漏磁內(nèi)檢測(cè)方法是針對(duì)于石油天然氣運(yùn)輸管道最為有效的檢測(cè)方法之一,管道缺陷的評(píng)估主要依靠漏磁內(nèi)檢測(cè)數(shù)據(jù)的分析和判讀,石油天然氣管道管線鋪設(shè)距離都是上千公里,漏磁內(nèi)檢測(cè)數(shù)據(jù)量過于龐大,基于漏磁內(nèi)檢測(cè)數(shù)據(jù)可視化的圖像數(shù)據(jù),采用人工判讀的方法標(biāo)記管道特征,完成缺陷的識(shí)別與判定,出具管道缺陷報(bào)告開挖單。針對(duì)管道漏磁內(nèi)檢測(cè)缺陷識(shí)別的問題,研究了基于深度學(xué)習(xí)理論的、人工智能的方法對(duì)于管道漏磁內(nèi)檢測(cè)缺陷進(jìn)行識(shí)別。主要研究了人工智能的理論方法與應(yīng)用;深度學(xué)習(xí)的基本理念和神經(jīng)網(wǎng)絡(luò)對(duì)于不同數(shù)據(jù)的訓(xùn)練方法;通過研究深度學(xué)習(xí)平臺(tái)TensorFlow的工作圖模型的搭建,為深度神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)搭建平臺(tái);研究了管道漏磁內(nèi)檢測(cè)數(shù)據(jù)的基本格式和類型,通過分析管道漏磁內(nèi)檢測(cè)數(shù)據(jù)中不同管道特征和缺陷的圖像數(shù)據(jù),建立管道漏磁內(nèi)檢測(cè)圖像數(shù)據(jù)集。研究卷積神經(jīng)網(wǎng)絡(luò)的基本實(shí)現(xiàn)原理和模型的優(yōu)化方法,卷積神經(jīng)網(wǎng)絡(luò)通過設(shè)計(jì)卷積核的方法對(duì)于輸入圖像數(shù)據(jù)進(jìn)行特... 

【文章來(lái)源】：沈陽(yáng)工業(yè)大學(xué)遼寧省

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

油氣管道a管道鋪設(shè)現(xiàn)場(chǎng)圖b管道缺陷圖

圖 2.4 Logistic-Sigmoid 激活函數(shù) 圖 2.5 Than-Sigmoid 激活函數(shù)Fig 2.4 Logistic-Sigmoid activation function Fig 2.5 Than-Sigmoid activation function對(duì)于 Logistic-Sigmoid 函數(shù)，如圖 2.4 所示，該函數(shù)的圖形為“S”形的，是嚴(yán)格遞增函數(shù)，在線性和非線性顯示出很好的平衡，其定義為：ave 11 ( )（2.4公式 2.4 中，a 為函數(shù)的傾斜參數(shù)，修改參數(shù) a 就可以改變函數(shù)的傾斜度。在原處，函數(shù)的傾斜度等于 a/4，在極限的情況下，傾斜參數(shù)趨近于無(wú)窮，Sigmoid 函數(shù)變成了最簡(jiǎn)單的閾值函數(shù)，閾值函數(shù)的取值為 0 或 1，而 Sigomid 函數(shù)的值域?yàn)閇0的連續(xù)區(qū)間。Sigmoid 函數(shù)是可微分的，而閾值函數(shù)不是。當(dāng)需要期望激活函數(shù)的閾為[-1,1]時(shí)，選擇雙曲正切函數(shù)，即 Tanh 函數(shù)，如圖 2.5 所示，它允許函數(shù)取到負(fù)值非線性的 Sigmoid 函數(shù)對(duì)于神經(jīng)元輸入的中央?yún)^(qū)域的信號(hào)增益較大，對(duì)兩側(cè)區(qū)的信號(hào)增益較小，在信號(hào)的特征空間映射上有很好的效果[38]。從生物神經(jīng)元的角度-8 -6 -4 -2 0 2 4 6 8 10-8 -6 -4 -2 0 2 4 6 8 10

圖 2.4 Logistic-Sigmoid 激活函數(shù) 圖 2.5 Than-Sigmoid 激活函數(shù)Fig 2.4 Logistic-Sigmoid activation function Fig 2.5 Than-Sigmoid activation function對(duì)于 Logistic-Sigmoid 函數(shù)，如圖 2.4 所示，該函數(shù)的圖形為“S”形的，是嚴(yán)格遞增函數(shù)，在線性和非線性顯示出很好的平衡，其定義為：ave 11 ( )（2.4公式 2.4 中，a 為函數(shù)的傾斜參數(shù)，修改參數(shù) a 就可以改變函數(shù)的傾斜度。在原處，函數(shù)的傾斜度等于 a/4，在極限的情況下，傾斜參數(shù)趨近于無(wú)窮，Sigmoid 函數(shù)變成了最簡(jiǎn)單的閾值函數(shù)，閾值函數(shù)的取值為 0 或 1，而 Sigomid 函數(shù)的值域?yàn)閇0的連續(xù)區(qū)間。Sigmoid 函數(shù)是可微分的，而閾值函數(shù)不是。當(dāng)需要期望激活函數(shù)的閾為[-1,1]時(shí)，選擇雙曲正切函數(shù)，即 Tanh 函數(shù)，如圖 2.5 所示，它允許函數(shù)取到負(fù)值非線性的 Sigmoid 函數(shù)對(duì)于神經(jīng)元輸入的中央?yún)^(qū)域的信號(hào)增益較大，對(duì)兩側(cè)區(qū)的信號(hào)增益較小，在信號(hào)的特征空間映射上有很好的效果[38]。從生物神經(jīng)元的角度-8 -6 -4 -2 0 2 4 6 8 10-8 -6 -4 -2 0 2 4 6 8 10

【參考文獻(xiàn)】：
期刊論文
[1]基于TensorFlow深度學(xué)習(xí)框架的卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 袁文翠,孔雪.  微型電腦應(yīng)用. 2018(02)
[2]基于循環(huán)卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)與分類[J]. 艾玲梅,葉雪娜.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(02)
[3]基于Lorentz函數(shù)的稀疏約束RBM模型的算法研究[J]. 鄒維寶,于昕玉,麥超.  計(jì)算機(jī)工程與應(yīng)用. 2018(07)
[4]長(zhǎng)輸油氣管道漏磁內(nèi)檢測(cè)技術(shù)[J]. 楊理踐,耿浩,高松巍.  儀器儀表學(xué)報(bào). 2016(08)
[5]深度學(xué)習(xí)框架Caffe在圖像分類中的應(yīng)用[J]. 王茜,張海仙.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2016(05)
[6]基于優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的管道缺陷量化分析方法[J]. 朱紅秀,劉歡,李宏遠(yuǎn),黃松嶺,蘇志毅.  儀表技術(shù)與傳感器. 2016(02)
[7]基于Sigmoid函數(shù)擬合的多曝光圖像直接融合算法[J]. 付爭(zhēng)方,朱虹,薛杉,余順園,史靜.  儀器儀表學(xué)報(bào). 2015(10)
[8]漏磁檢測(cè)中的缺陷重構(gòu)方法[J]. 彭麗莎,黃松嶺,趙偉,王珅.  電測(cè)與儀表. 2015(13)
[9]基于深度學(xué)習(xí)網(wǎng)絡(luò)的射線圖像缺陷識(shí)別方法[J]. 余永維,殷國(guó)富,殷鷹,杜柳青.  儀器儀表學(xué)報(bào). 2014(09)
[10]長(zhǎng)輸管道漏磁內(nèi)檢測(cè)缺陷識(shí)別方法[J]. 高松巍,鄭樹林,楊理踐.  無(wú)損檢測(cè). 2013(01)

博士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺關(guān)鍵技術(shù)研究[D]. 李彥冬.電子科技大學(xué) 2017
[2]鐵磁性平板腐蝕缺陷多通道漏磁信號(hào)的反演與重構(gòu)[D]. 楊志軍.東北石油大學(xué) 2011
[3]基于BP和RBF神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測(cè)研究[D]. 牟洪波.東北林業(yè)大學(xué) 2010
[4]圖像高斯混合模型的判別學(xué)習(xí)方法[D]. 陳雪峰.北京理工大學(xué) 2009
[5]圖像復(fù)原—模型、貝葉斯推理及迭代算法研究[D]. 魯曉磊.華中科技大學(xué) 2009
[6]管道漏磁檢測(cè)中數(shù)據(jù)壓縮及缺陷定量識(shí)別技術(shù)的研究[D]. 馬鳳銘.沈陽(yáng)工業(yè)大學(xué) 2006
[7]油氣管道在線內(nèi)檢測(cè)技術(shù)若干關(guān)鍵問題研究[D]. 李鶯鶯.天津大學(xué) 2006
[8]管道缺陷漏磁檢測(cè)量化技術(shù)及其應(yīng)用研究[D]. 蔣奇.天津大學(xué) 2003

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法研究[D]. 段萌.鄭州大學(xué) 2017
[2]基于Theano深度學(xué)習(xí)框架的圖像識(shí)別算法研究[D]. 孫園欽.吉林大學(xué) 2017
[3]基于深度信念網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)研究[D]. 崔東東.華中科技大學(xué) 2016
[4]基于深度學(xué)習(xí)框架的動(dòng)作識(shí)別研究[D]. 劉彥鑌.天津大學(xué) 2016
[5]基于RBF算法的管道漏磁無(wú)損檢測(cè)缺陷識(shí)別的研究[D]. 王柯.電子科技大學(xué) 2013
[6]基于BP神經(jīng)網(wǎng)絡(luò)的缺陷漏磁檢測(cè)量化技術(shù)研究[D]. 趙海龍.東北石油大學(xué) 2011
[7]基于強(qiáng)化學(xué)習(xí)改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[D]. 馬力.西安電子科技大學(xué) 2011
[8]管道漏磁檢測(cè)缺陷識(shí)別技術(shù)的研究[D]. 余文來(lái).沈陽(yáng)工業(yè)大學(xué) 2009
[9]鋼絲繩缺陷漏磁場(chǎng)的有限元仿真研究[D]. 趙敏.哈爾濱工業(yè)大學(xué) 2008
[10]基于小波分析和神經(jīng)網(wǎng)絡(luò)的管道漏磁信號(hào)處理[D]. 胡浪濤.合肥工業(yè)大學(xué) 2007



本文編號(hào)：3094441