Multi-modal cascade detection of pipeline defects based on deep transfer metric learning

级联 管道(软件) 情态动词 公制(单位) 学习迁移 计算机科学 人工智能 传输(计算) 模式识别(心理学) 工程类 材料科学 复合材料 并行计算 程序设计语言 运营管理 化学工程
作者
Boxuan Gao,Zhonghua Hong,Xingyuan Miao
出处
期刊:Engineering Failure Analysis [Elsevier]
卷期号:: 108216-108216
标识
DOI:10.1016/j.engfailanal.2024.108216
摘要

Pipeline defect detection technology plays an important role in pipeline maintenance and transportation. Defect detection based on machine learning methods has gained considerable attention in practical engineering. However, it is still challenging to provide an accurate diagnosis and defect size estimation due to the poor inter-class discriminability and intra-class concentration. Such as, it is difficult to distinguish the hole defect, which is similar in appearance to dent defect. For this purpose, a multi-modal cascade detection framework of pipeline defects based on Deep Transfer Metric Learning (DTML) is proposed for defect recognition and defect size estimation, which integrates with machine vision and Magnetic Flux Leakage (MFL). DTML model based on ResNet50 is designed to extract discriminative features from defect images obtained through vision sensor. To enhance the features of MFL signals, Gramian Angular Field (GAF) is used to achieve the two-dimensional feature extraction. After that, three ResNet101 models are developed to estimate the pipeline defect size of different types. The experimental results demonstrate that the proposed multi-modal cascade detection framework performs well in defect recognition and defect size estimation.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
2秒前
cxqygdn完成签到,获得积分10
2秒前
大模型应助朴实初夏采纳,获得10
3秒前
haowang发布了新的文献求助10
4秒前
4秒前
秋海棠发布了新的文献求助10
6秒前
FashionBoy应助吹气球的金毛采纳,获得10
6秒前
Orange应助石董宝宝采纳,获得10
8秒前
上官若男应助小凉采纳,获得10
8秒前
9秒前
萧不凡发布了新的文献求助50
9秒前
10秒前
无限的含羞草完成签到,获得积分10
11秒前
SciGPT应助所有事情都上岸采纳,获得10
12秒前
阿腾发布了新的文献求助10
14秒前
子衿完成签到 ,获得积分10
14秒前
如约而至发布了新的文献求助10
15秒前
Dayon完成签到 ,获得积分10
16秒前
17秒前
20秒前
寒冷寒安发布了新的文献求助10
20秒前
20秒前
斯文败类应助小蒋采纳,获得10
21秒前
Fx发布了新的文献求助10
25秒前
26秒前
27秒前
123完成签到,获得积分10
27秒前
27秒前
如约而至完成签到,获得积分20
29秒前
ding应助马界泡泡采纳,获得10
30秒前
zedmaster完成签到,获得积分10
30秒前
科研通AI2S应助IAMXC采纳,获得10
30秒前
Wang发布了新的文献求助10
31秒前
儒雅紫夏发布了新的文献求助10
31秒前
Cc发布了新的文献求助10
31秒前
yoyo发布了新的文献求助10
31秒前
金燕子完成签到 ,获得积分0
32秒前
33秒前
石董宝宝发布了新的文献求助10
34秒前
薰硝壤应助灵巧冷菱采纳,获得10
34秒前
高分求助中
The Oxford Handbook of Social Cognition (Second Edition, 2024) 1050
Kinetics of the Esterification Between 2-[(4-hydroxybutoxy)carbonyl] Benzoic Acid with 1,4-Butanediol: Tetrabutyl Orthotitanate as Catalyst 1000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Chen Hansheng: China’s Last Romantic Revolutionary 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3140918
求助须知:如何正确求助?哪些是违规求助? 2791878
关于积分的说明 7800737
捐赠科研通 2448159
什么是DOI,文献DOI怎么找? 1302404
科研通“疑难数据库(出版商)”最低求助积分说明 626548
版权声明 601226