Nov, 2023

基于逻辑语义判别的油污泄漏区域图像识别

PDF
TL;DR通过图像分析准确检测峰值负载设备中的油泄漏，可以显著提高检查质量，确保系统的安全性和可靠性。该方法通过将逻辑规则辨别与图像识别集成，整合了 Mask RCNN 网络的语义图像分割技术，以识别潜在的油污染区域，并应用逻辑规则来确定疑似区域是否为油泄漏，通过测试表明，与现有方法相比，该方法在准确识别油污染区域方面取得了显著的改进。
oil leaksimage analysislogical rule-based discriminationmask rcnn networkoil-contaminated areas
发现论文，激发创造
  • 无人机油污漏油检测数据集：港口环境下无人机拍摄的分段式 RGB 图像

    利用无人机进行自动化油污泄漏检测可以显著提高速度和准确性，本研究提出了一个独特的、有注释的数据集，通过使用卷积神经网络在台式机和边缘计算平台上分析，证明了该数据集在港口环境中对于油污检测实际应用的实用性。

    Feb, 2024

  • 利用深度编码器 — 解码器模型进行油污分割

    本研究测试了使用深度编码器 - 解码器模型检测油污泄漏的可行性，并比较了几种不同模型的实验结果，其中最佳模型是使用 ResNet-50 编码器和 DeepLabV3 + 解码器，相比当前基准模型，该模型在 “油污泄漏” 类上的平均 IoU 为 64.868％，类 IoU 为 61.549％。

    May, 2023

  • SRCNet: 面向海洋溢油分割的语义表征协同网络

    该研究提出了一个名为 SRCNet 的有效油污图像分割网络，利用合成孔径雷达（SAR）图像表示和油污分割培训同时进行，该网络由一对协作的深度神经网络构成，在训练过程中，利用 SAR 图像的内在特性，与正解油污分割图的相关特征进行协同表示。结果表明，SRCNet 能够在经济高效的情况下对油污图像进行有效的分割。

    Apr, 2023

  • 基于目标检测器和经适应的 SAR 图像分割模型的组成式油污检测

    利用语义分割方法进行 SAR 图像中的油污检测，提出了一个包括目标检测器、自适应分割器（SAM）和有序融合模块的 SAM-OIL 组合油污检测框架，证明了 SAM-OIL 可以超越现有的基于语义分割的油污检测方法，实现了 69.52% 的 mIoU，并提高了 SAM-OIL 的准确性。

    Jan, 2024

  • 利用热像技术进行液体泄漏检测

    利用计算机视觉和深度学习方法，本文提出了一种全面解决油气行业中液体泄漏的关键挑战的方案。通过采用 You Only Look Once (YOLO) 和 Real-Time Detection Transformer (RT DETR) 模型，我们的项目集中于提高对管道、泵和储罐等关键基础设施组件中液体泄漏的早期识别能力。通过集成监控热成像摄像头和传感器，结合 YOLO 和 RT DETR 模型在油气设施内对视觉数据进行持续监控和分析，这种方法显著提高了泄漏检测的准确性和速度，最终减轻了液体泄漏所带来的环境和财务风险。

    Dec, 2023

  • 基于无监督语义分割的架空线缺陷识别

    该研究提出了一种基于 Faster RCNN 网络和无监督语义分割的新型缺陷识别框架，通过识别目标设备的类型和位置、利用语义分割区分设备和背景，并运用相似度度量和逻辑规则对缺陷进行分类，从而提高了空中线路中设备问题的准确性和适应性，为配电网络设备检测的自动化提供了新的视角。

    Nov, 2023

  • 基于深度学习的扫描电子显微镜图像缺陷分类和检测：一种 Mask R-CNN 方法

    本研究展示了将深度学习算法 Mask-RCNN 应用于半导体缺陷检测领域，通过改进缺陷实例分割技术，成功地检测和分割在半导体制造过程中不同类型的随机缺陷图案，并且可以精确计算缺陷表面积和数量。

    Nov, 2022

  • 热成像图像中热损失识别的分割框架：为苏格兰改造和热像测量公司赋能

    使用深度学习方法基于热像图的分割框架，自动识别与剪裁导致能量损耗的热量损失源，并消除图像中的障碍物，从而减少人力繁重的任务，并提供自动化、一致且可靠的解决方案，以准确衡量苏格兰住宅中的能量损失。

    Aug, 2023

  • 基于 Mask R-CNN 的土壤图像分割

    通过深度学习方法，利用 Mask R-CNN 模型完成土壤图像的定位和分割，从而实现对不同环境下采集的土壤图像的准确分割结果，满足自然环境下田间土壤图像实时分割和检测的需求。

    Sep, 2023

  • 基于人工智能智能图像识别的河湖漂浮物检测研究

    通过使用人工智能技术中的图像识别，本研究专注于探索一种创新的基于深度学习的方法，用于在河流和湖泊环境中检测浮游物，通过严格的实验验证，证明了该系统能够显著提高浮游物的检测准确性和效率，为河流和湖泊的水质监测提供了新的技术途径。

    Apr, 2024