基于动态深度可分离卷积神经网络的管道泄漏孔径识别

TP277; 针对传统模型为提高管道泄漏检测的精度而导致的模型结构复杂度、参数量和计算量大的问题,提出一种基于动态深度可分离卷积神经网络的管道泄漏孔径识别方法;动态卷积层将提取到的泄漏信号特征经过通道注意力权值计算和动态权值融合,通过动态深度可分离卷积层获得更强的特征表达能力,利用全局平均池化层降低网络模型参数,通过全连接层识别管道泄漏孔径.结果表明:新方法具有较高的识别精度,克服了传统模型资源开销大、功耗高的问题,降低了模型的训练时间,提升了管道泄漏孔径的识别速度,可用于工业中的管道泄漏程度监测....

Full description

Saved in:
Bibliographic Details
Published in中国石油大学学报（自然科学版） Vol. 48; no. 5; pp. 183 - 189
Main Authors 王秀芳, 刘源, 李月明
Format Journal Article
LanguageChinese
Published 东北石油大学电气信息工程学院,黑龙江 大庆 163318 01.10.2024
Subjects
dynamic convolu-tion
动态卷积
lightweight networks
identification of leakage aperture
泄漏孔径识别
动态深度可分离卷积
轻量化网络
dynamic depth-separable convolution
Online AccessGet full text
ISSN1673-5005
DOI10.3969/j.issn.1673-5005.2024.05.021

Cover

More Information
Summary:TP277; 针对传统模型为提高管道泄漏检测的精度而导致的模型结构复杂度、参数量和计算量大的问题,提出一种基于动态深度可分离卷积神经网络的管道泄漏孔径识别方法;动态卷积层将提取到的泄漏信号特征经过通道注意力权值计算和动态权值融合,通过动态深度可分离卷积层获得更强的特征表达能力,利用全局平均池化层降低网络模型参数,通过全连接层识别管道泄漏孔径.结果表明:新方法具有较高的识别精度,克服了传统模型资源开销大、功耗高的问题,降低了模型的训练时间,提升了管道泄漏孔径的识别速度,可用于工业中的管道泄漏程度监测.
ISSN:1673-5005
DOI:10.3969/j.issn.1673-5005.2024.05.021