基于U-Net卷积神经网络的管道漏磁异常检测

• 作 者: 曹辉 杨理践 杨文俊 邵一川 刘斌
• 机 构: 沈阳工业大学信息科学与工程学院,沈阳大学信息工程学院,华盛顿大学工程与技术学院
• 出 处: 沈阳大学学报(自然科学版)
• 发表日期: 2020年05期
• 关键词: 漏磁图像 异常检测 图像分割 U-Net卷积神经网络 对抗网络 GAN网络 magnetic leakage imageanomaly detectionima
• 基金项目: 国家自然科学基金资助项目(F011403),中国博士后面上基金资助项目(M601332).

提出了一种基于深度网络的图像分割方法,对漏磁图像进行异常检测.该方法基于U-Net网络模型来提取管道图像异常特征,该网络模型分成2个部分,分别是Encoder和Decoder.其中Encoder是基于Resnet的改进网络,Decoder是基于U-Net的网络.在Encoder部分用深度可分离卷积代替原始的卷积部分,引入空洞卷积.运用基于对抗网络的训练方法对异常图像进行进一步修正,提升了检测准确性.实验结果显示:该方法在真实管道数据集上的IoU达到了0.983,可以满足众多工业应用的需求.