CN119445566A 一种石油管材微观断口形貌识别方法、系统、设备及介质 （中国石油天然气集团有限公司）

一种石油管材微观断口形貌识别方法、系本发明公开了一种石油管材微观断口形貌2S4：将待测试对象区域影像输入至已载入网络连接权重矩阵的深度学习分类网络中，8.一种石油管材微观断口形貌识别系统，用于实现权利要求1_7任一项所述石油管材获取处理模块，用于获取石油管材的微观断口电镜构建网络模块，用于构建深度学习分类网络，形貌识别模块，用于将待测试对象区域影像输入3处理器，用于执行所述计算机程序时实现权利要求1_7任一项所述石油管材微观断口于，所述计算机程序被处理器执行时用于实现权利要求1_7任一项所述石油管材微观断口4[0002]石油管材典型微观断口的模式识别是实现石油管材失效分析智能诊断的重要内[0012]将石油管材的微观断口电镜图像转换成灰度图像，将灰度图像依次进行归一化、5类权重以及基于Adam优化算法结合学习率分段常数衰减策略对深度学习分类网络进行训算机程序被处理器执行时用于实现上述石油管材微观[0030]本发明对于石油管材微观断口形6[0037]图2为本发明实施例提供的模型结构图，其中图2(a)为SE(SE_BasicBlock)模块7所述计算机程序时实现所述的石油管材微观断口[0056]所述处理器执行所述计算机程序时实现上述石油管材微观断口8个模块/单元可以是能够完成预设功能的一系列计算机程序指令段，所述指令段用于描述练数据对深度学习分类网络进行训练，得到已载入网络连接权重矩阵的深度学习分类网立硬件组件等。通用处理器可以是微处理器或者所述处理器也可以是任何常规的处理器[0061]所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行[0064]所述石油管材微观断口形貌识别系统集成的模块/单元如果以软件功能单元的形9[0070]为了解决上述背景技术中如何提升石油管材典型微观断口形貌分类识别效率与取每个测试对象的图像区域并将其依次输入步骤(3)中得到的深度学习分类网络，完成石建疲劳断裂样本图像和其对应类型标号为3的集合，从而组成包含断口典型微观断裂模式[0081]步骤(3)中设计用于石油管材典型微观断口模式识别的深度学习分类网络的进一(初始端效果更好)，后进行一次3×3卷积，其次进行批标准化(batchnormalization)和加后进行ReLU函数激活。输出部分通过将全局平均池化改进为空间金字塔池化(Spp)来实现提取不同输出尺寸的空间特征信息，进一步提升模型对于空间布局和物体变形的鲁棒[0083]3.2深度学习分类网络具体主要由网得到完成训练后的深度学习分类网络中各个参数组建的网络连接权重矩阵H，其中损失计[0088]下面结合图2至图5对本实施例提供的一种石油管材微观断口形貌识别方法进行[0092]构建解理断裂样本图像和其对应类型标号为0的集合，构建韧窝断裂样本图像和劳断裂样本图像和其对应类型标号为3的集合，从而组成包含断口典型微观断裂模式的训[0094]步骤三：设计如图2所示的典型微观断口断裂形貌的深度学习分类网络，进行训型特征提取能力。分别试验了SE模块加入到残差结构的初始端和末端(初始端效果更好)，通过空间金字塔池化(Spp)来实现提取不同输出尺寸的空间特征信息，进一步提升模型对[0099]第二，将训练数据输入到深度学习分类网络的输入层，采用标签平滑(label度学习分类网络中各个参数组建的网络连接权重矩阵H，其中损失计算采用多分类交叉熵[0102]如图4所示，采用本方法完成了典型微观断口形貌的分类识别，采用Resnet18模的分类。其中，ResSNet模型是本实施例中深度学习分类网络的基本架构，Resnet18是将已经训练好的深度学习分类网络进行影像分类检测，完成典型微观断口形貌的分类检测。[0104]1.本方法特殊构建的网络结构通过其中改进的残差结构结合空间金字塔池化使[0105]2.本方法对于石油管材微观断口形貌分类