文献类型：期刊文章

作　　者：刘金海[1] 赵贺[1] 神祥凯[1] 鲁丹宇[2] 唐建华[3]

Liu Jinhai;Zhao He;Shen Xiangkai;Lu Danyu;Tang Jianhua(School of Information Science and Engineering,Northeastern University,Shenyang 110004,China;Shenyang Zhigu Technology Co.,Ltd.,Shenyang 110004,China;Energy Development Equipment Technology Co.,Ltd.,CNOOC,Tianjin 300452,China)

机构地区：[1]东北大学信息科学与工程学院,沈阳110004 [2]沈阳智谷科技有限公司,沈阳110004 [3]中海油能源发展装备技术有限公司,天津300452

出　　处：《仪器仪表学报》

基　　金：国家重点研发计划(2017YFF0108800);国家自然科学基金(61973071,61627809,61703087);辽宁省自然科学基金(2019-KF-03-04)项目资助

年　　份：2020

期　　号：9

起止页码：180-187

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：漏磁内检测是长输管道主要检测方式。目前漏磁内检测数据分析中的缺陷检测方法环境适应性差,需要大量样本为不同环境分别建立检测模型,难以满足实用需求。本文提出一种自监督的缺陷检测方法,可以在少量样本下建立精确缺陷检测模型,克服目前缺陷检测方法需要大量样本才能训练精确模型的问题,并且在不同环境下检测效果都有所提升,因此具有良好的适用性和迁移性。首先对漏磁内检测缺陷数据进行预处理,接着将缺陷数据自适应的可视化,然后利用视觉表示对比学习的简单框架(SIMCLR)对可视化后的缺陷进行训练获得预训练权重,最后采用深度学习完成对缺陷的识别与定位。试验研究表明,本文设计的自监督检测方法能够有效解决可标记数据少的问题,具有检测精度高,迁移性好,泛化能力强的特点。

关 键 词：缺陷检测  深度学习  自监督  视觉表示对比学习的简单框架  

分 类 号：TE973.6]