公开(公告)号：CN109325544A

公开(公告)日：2019-02-12

申请号：CN201811182189.5

申请日：2018-10-11

Applicant: 东北大学

Inventor： 张化光 ,  孙允 ,  刘金海 ,  冯健 ,  卢森骧 ,  汪刚 ,  马大中

IPC: G06K9/62

Abstract: 本发明提供一种基于中层特征的管道异常分类方法，涉及管道无损检测和数据挖掘领域。该方法包括：步骤1.管道漏磁信号的预处理；步骤2.获取漏磁数据样本集；步骤3.生成漏磁数据样本的显性特征；步骤4.基于BOW模型生成漏磁数据样本的中层特征：对每个样本圈框并计算差分特征向量；对待聚类差分特征向量集进行K-Means聚类，得到k个视觉单词；统计每个视觉单词在每个样本中的频数，得到每个样本的中层特征向量；步骤5.基于联合稀疏表示的特征融合算法，将样本的显性特征与中层特征融合，形成联合稀疏矩阵，利用分类判别函数对样本分类。本发明解决了现有技术中管道异常的特征提取和分类准确性低、检测效果不理想的技术问题。

公开(公告)号：CN109325544B

公开(公告)日：2021-10-19

申请号：CN201811182189.5

申请日：2018-10-11

Applicant: 东北大学

Inventor： 张化光 ,  孙允 ,  刘金海 ,  冯健 ,  卢森骧 ,  汪刚 ,  马大中

IPC: G06K9/62

Abstract: 本发明提供一种基于中层特征的管道异常分类方法，涉及管道无损检测和数据挖掘领域。该方法包括：步骤1.管道漏磁信号的预处理；步骤2.获取漏磁数据样本集；步骤3.生成漏磁数据样本的显性特征；步骤4.基于BOW模型生成漏磁数据样本的中层特征：对每个样本圈框并计算差分特征向量；对待聚类差分特征向量集进行K‑Means聚类，得到k个视觉单词；统计每个视觉单词在每个样本中的频数，得到每个样本的中层特征向量；步骤5.基于联合稀疏表示的特征融合算法，将样本的显性特征与中层特征融合，形成联合稀疏矩阵，利用分类判别函数对样本分类。本发明解决了现有技术中管道异常的特征提取和分类准确性低、检测效果不理想的技术问题。