基于动态深度可分离卷积神经网络的管道泄漏孔径识别

摘要

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。

关键词

泄漏孔径识别 / 动态深度可分离卷积 / 轻量化网络 / 动态卷积

基金资助

黑龙江省自然科学基金项目(LH2022E024)