天然气管道腐蚀速率的预测方法与流程

1.本发明涉及一种天然气管道腐蚀预测技术领域，特别涉及一种天然气管道腐蚀速率的预测方法。


背景技术：

2.由于长输天然气管道被架空敷设和埋在地下，所以会受环境和气候的影响，很容易出现管道腐蚀的现象。目前大多数对天然气管道的预测方法均是通过构建模型并基于腐蚀因素考虑进行综合判断得到。这种方式只能宏观的得到管道整体的腐蚀状况，而不能对管道腐蚀的区域进行精确的腐蚀程度预测。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种天然气管道腐蚀速率的预测方法。
4.本发明提供了一种天然气管道腐蚀速率的预测方法，包括如下步骤：
5.获取管道外壁具有腐蚀区域的腐蚀图像；
6.对腐蚀图像进行预处理操作，形成预处理图像，将预处理图像输入至预测模型进行腐蚀程度预测；
7.其中，所述预测模型被设置成以预处理图像作为模板，以所述模板建立二维坐标系，通过设定大小的预览框在模板上依次滑动，每一次滑动用于获取预处理图像上对应单位区域的每一像素点的像素值，并以所述单位区域对应的所有像素点的像素值形成像素值集合，标记预览框在模板上的位置坐标；
8.以位置坐标进行对应编码，将编码与像素值集合进行对应，基于所述单位区域每一像素点的像素值集合来计算所述单位区域像素点的平均值；
9.按照编码顺序依次对每一所述单位区域的平均值进行比对，并按照多个设定范围将连续编码对应的至少一个所述单位区域进行组合，形成对应的区块；
10.一方面，基于每一所述区块对应的设定范围值在第一神经网络模型进行预测得到所述区块对应的第一腐蚀速率；另一方面，每一单位区域对应的平均值分别在多个第二神经网络模型进行预测，得到所述区块内每一单位区域对应的多个第二腐蚀速率；
11.基于第一腐蚀速率和第二腐蚀速率来综合评判每一区块的总体腐蚀速率。
12.进一步地，所述预处理操包括：
13.将腐蚀图像输入至预处理模型，通过所述预处理模型来识别腐蚀图像中有效图像的边界，并按照有效图像的边界将所述腐蚀图像进行切割，得到有效图像边界内的部分腐蚀图像作为预处理图像。
14.进一步地，所述预处理模型按照如下的方法形成：
15.获取大量的管道外壁的历史腐蚀图像；
16.通过人工专家对历史腐蚀图像的腐蚀边界进行标定，并确定腐蚀边界附近的有效腐蚀图像部分的腐蚀等级；
17.将标定好的历史腐蚀图像输入至神经网络工具中，在设定的训练资源下进行迭代训练，以形成所述预处理模型。
18.进一步地，在所述预测模型内设置有同步联动模块和二值化处理模块，其中，同步联动模块用于当按照设定大小的预览框在模板上依次滑动时，对应的在所述预处理图像上框选并切割该位置的框定图像作为单位区域，记录该位置的坐标数据，并将所述单位区域同步发送至二值化处理模块进行二值化处理操作，对应的得到所述单位区域内每一像素点的像素值。
19.进一步地，所述同步联动模块具有：
20.监听单元，用于当预览框在模板上滑动时，预览框的控制进程对应的线程处于活动状态，通过获取线程的参数信息来监听预览框是否处于工作状态；
21.位移确定单元，当监听单元监听到预览框处于工作状态时，向所述位移确定单元发送一个开始指令，基于所述开始指令所述位移确定单元来确定预览框在模板上的移动距离；
22.同步控制单元，用于位移确定单元确定预览框移动到设定移动距离时，控制预览框的控制进程关闭，使得预览框停止移动；
23.切割单元，用于当预览框停止移动时，以预览框所在的位置框选并切割该位置的框定图像作为单位区域；
24.同步单元，用于将所述单位区域同步发送至二值化处理模块；
25.记录单元，用于记录所述位置对应的坐标数据。
26.进一步地，所述同步控制单元内设置有移动距离配置单元，移动距离配置单元与外部的输入装置通过接口配置连接，其中，移动距离配置单元用于设定预览框每次移动的距离。
27.进一步地，所述二值化处理模块连接设置在预测模型内的统计模块，所述统计模块包括：
28.统计单元，用于获取所述单位区域内每一像素点的像素值，并以所述单位区域对应的所有像素点的像素值形成像素值集合；
29.标记单元，用于标记预览框在模板上的位置坐标；
30.编码单元，连接所述标记单元和统计单元，用于以位置坐标进行对应编码，将编码与统计单元形成的像素值集合进行对应；
31.均值计算单元，用于基于所述单位区域每一像素点的像素值集合来计算所述单位区域像素点的平均值。
32.进一步地，所述预测模型内设置有比对模块、存储模块以及组合模块；
33.其中，所述存储模块内设置有多个连续的分区范围，每一个分区范围用于记录一设定范围；
34.所述比对模块连接所述存储模块，用于将获取的所述单位区域的平均值与多个分区范围记录的设定范围进行一一比对，以确定所述单位区域的平均值对应的设定范围，并按照所述编码进行标记，以使得连续编码的两个及以上的设定范围被标记到同一标记码中；
35.组合模块，连接所述比对单元，用于按照所述标记码将所述单位区域进行组合，形
成对应的区块，组合后区块对应的顺序按照组合顺序进行重新排列。
36.进一步地，所述第一神经网络模型和多个第二神经网络模型分别设置在预测模型内，且由设置在预测模型内的资源分配模块来控制第一神经网络模型和多个第二神经网络模型的训练资源的分配；
37.其中，所述资源分配模块具有：
38.第一预测任务处理单元，连接设置在预测模型内的统计模块，用于基于每一编码对应的进行预测列队，并获取列队中任务的第一数量；
39.第二预测任务处理单元，连接设置在预测模型内的组合模块，用于基于组合模块得到的区块并按照区块顺序列队，并获取列队中的第二数量；
40.预测控制单元，用于基于第一数量和第二数量之间的比值来确定第二神经网络模型的启用数量；
41.资源分配单元，用于根据第二神经网络模型的启用数量来确定每一第二神经网络模型能够获取的训练资源的第二比例，以及第一神经网络模型的获取的训练资源的第一比例。
42.本技术通过对管道外壁腐蚀区域进行图像样本采集，然后对采集的腐蚀图像进行预处理操作，以将腐蚀图像中未腐蚀的部分剔除，然后根据有效腐蚀图像进行预测，在进行预测时，将有效腐蚀图像按照区域进行二值化处理操作，得到每一区域中每一像素点的像素值，通过像素值就可以预测出每一个像素点的腐蚀程度，由于像素点过于小，作为预测具有误差，因此本技术利用每一区域的像素值的平均值来对每一区域的腐蚀状况进行预测，比如，将每一腐蚀区域设定为边长为1cm的正方形，通过计算每一正方形内所有像素点的平均值，再通过平均值即可获得对应的腐蚀状态。相对于传统宏观的确定管道整体的腐蚀状态，本技术能够对不同区域进行分别采样，能够获取每个采样区域精确的腐蚀状态。
附图说明
43.图1为本发明的方法流程图；
44.图2为本发明中在预测模型进行预测的方法流程图；
45.图3为本发明的系统框架原理示意图；
46.图4为本发明中同步联动模块的框架原理示意图。
具体实施方式
47.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
48.实施例1
49.参照图3、图4，为了匹配本技术提出的预测方法，本技术构建了预测方法的硬件系统，具体的，本技术提供了一种天然气管道腐蚀速率的预测系统，包括：
50.预处理模型，用于识别腐蚀图像中有效图像的边界，按照有效图像的边界将所述腐蚀图像进行切割，得到有效图像边界内的部分腐蚀图像作为预处理图像；
51.以及预测模型，所述预测模型具有：
52.同步联动模块、二值化处理模块、比对模块、存储模块、组合模块、资源分配模块、第一神经网络模型、第二神经网络模型以及综合评判模块；
53.其中，同步联动模块用于当按照设定大小的预览框在模板上依次滑动时，对应的在所述预处理图像上框选并切割该位置的框定图像作为单位区域，记录该位置的坐标数据；
54.二值化处理模块连接所述同步联动模块，所述同步联动模块将所述单位区域同步发送至二值化处理模块进行二值化处理操作，对应的得到所述单位区域内每一像素点的像素值；
55.所述存储模块内设置有多个连续的分区范围，每一个分区范围用于记录一设定范围；
56.所述比对模块连接所述存储模块，用于将获取的所述单位区域的平均值与多个分区范围记录的设定范围进行一一比对，以确定所述单位区域的平均值对应的设定范围，并按照所述编码进行标记，以使得连续编码的两个及以上的设定范围被标记到同一标记码中；
57.组合模块，连接所述比对单元，用于按照所述标记码将所述单位区域进行组合，形成对应的区块，组合后区块对应的顺序按照组合顺序进行重新排列；
58.所述资源分配模块用于控制第二神经网络模型的启用数量以及第一神经网络模型和多个第二神经网络模型的训练资源的分配；
59.所述第一神经网络模型用于基于每一所述区块对应的设定范围值在设定的第一训练资源下进行预测得到所述区块对应的第一腐蚀速率；
60.多个所述第二神经网络模型用于每一单位区域对应的平均值按照设定的第二训练资源进行预测，得到所述区块内每一单位区域对应的多个第二腐蚀速率；
61.所述综合评判模块用于基于第一腐蚀速率和第二腐蚀速率来综合评判每一区块的总体腐蚀速率。
62.在上述中，所述预处理模型按照如下的方法形成：
63.获取大量的管道外壁的历史腐蚀图像；
64.通过人工专家对历史腐蚀图像的腐蚀边界进行标定，并确定腐蚀边界附近的有效腐蚀图像部分的腐蚀等级；
65.将标定好的历史腐蚀图像输入至神经网络工具中，在设定的训练资源下进行迭代训练，以形成所述预处理模型。
66.在上述中，所述同步联动模块具有：
67.监听单元，用于当预览框在模板上滑动时，预览框的控制进程对应的线程处于活动状态，通过获取线程的参数信息来监听预览框是否处于工作状态；
68.位移确定单元，当监听单元监听到预览框处于工作状态时，向所述位移确定单元发送一个开始指令，基于所述开始指令所述位移确定单元来确定预览框在模板上的移动距离；
69.同步控制单元，用于位移确定单元确定预览框移动到设定移动距离时，控制预览框的控制进程关闭，使得预览框停止移动；
70.切割单元，用于当预览框停止移动时，以预览框所在的位置框选并切割该位置的框定图像作为单位区域；
71.同步单元，用于将所述单位区域同步发送至二值化处理模块；
72.记录单元，用于记录所述位置对应的坐标数据。
73.在上述中，所述同步控制单元内设置有移动距离配置单元，移动距离配置单元与外部的输入装置通过接口配置连接，其中，移动距离配置单元用于设定预览框每次移动的距离。
74.进一步地，所述二值化处理模块连接设置在预测模型内的统计模块，所述统计模块包括：
75.统计单元，用于获取所述单位区域内每一像素点的像素值，并以所述单位区域对应的所有像素点的像素值形成像素值集合；
76.标记单元，用于标记预览框在模板上的位置坐标；
77.编码单元，连接所述标记单元和统计单元，用于以位置坐标进行对应编码，将编码与统计单元形成的像素值集合进行对应；
78.均值计算单元，用于基于所述单位区域每一像素点的像素值集合来计算所述单位区域像素点的平均值。
79.在上述中，所述资源分配模块具有：
80.第一预测任务处理单元，连接设置在预测模型内的统计模块，用于基于每一编码对应的进行预测列队，并获取列队中任务的第一数量；
81.第二预测任务处理单元，连接设置在预测模型内的组合模块，用于基于组合模块得到的区块并按照区块顺序列队，并获取列队中的第二数量；
82.预测控制单元，用于基于第一数量和第二数量之间的比值来确定第二神经网络模型的启用数量；
83.资源分配单元，用于根据第二神经网络模型的启用数量来确定每一第二神经网络模型能够获取的训练资源的第二比例，以及第一神经网络模型的获取的训练资源的第一比例。
84.本技术的原理如下：管道的腐蚀受环境和气候的影响，一开始，出现点状腐蚀，此时该位置开始出现锈点，慢慢的点状腐蚀数量增加，且由开始的锈点向外逐步腐蚀，到腐蚀中期，腐蚀锈点连成一片，开始起皮，随着腐蚀时间的进行，起皮开始脱落并在该位置出现多次起皮，到了腐蚀后期，明显出现腐蚀凹陷的特征，在腐蚀变化过程中，其对应的颜色从初期到后期为：由发黄-褐色-黑褐色；根据腐蚀的这些特点，可以根据不同的腐蚀程度获取的大量历史腐蚀图像来进行人工专家标准，在标注时，一方面标注出腐蚀边界，另一方面，对腐蚀图像中的不同位置的腐蚀状态进行标注，并对应的标注出腐蚀时期和腐蚀特点。
85.根据这些标注，对应的将这些标注好的历史腐蚀图像输入至神经网络工具进行迭代训练，一方面，通过对腐蚀边界的迭代训练得到腐蚀边界的进行识别的预处理模型，通过对历史腐蚀图像进行二值化处理操作，并对应的获取标注出的腐蚀区域对应的二值化处理得到的平均像素值，将平均像素值与该区域对应的人工标注特征进行对应在神经网络工具中得到对腐蚀状态进行预测的神经网络模型。
86.本技术通过对管道外壁腐蚀区域进行图像样本采集，然后对采集的腐蚀图像进行
预处理操作，以将腐蚀图像中未腐蚀的部分剔除，然后根据有效腐蚀图像进行预测，在进行预测时，将有效腐蚀图像按照区域进行二值化处理操作，得到每一区域中每一像素点的像素值，通过像素值就可以预测出每一个像素点的腐蚀程度，由于像素点过于小，作为预测具有误差，因此本技术利用每一区域的像素值的平均值来对每一区域的腐蚀状况进行预测，比如，将每一腐蚀区域设定为边长为1cm的正方形，通过计算每一正方形内所有像素点的平均值，再通过平均值即可获得对应的腐蚀状态。相对于传统宏观的确定管道整体的腐蚀状态，本技术能够对不同区域进行分别采样，能够获取每个采样区域精确的腐蚀状态。
87.实施例2
88.参照图1、图2，本发明提供了一种天然气管道腐蚀速率的预测方法，包括如下步骤：获取管道外壁具有腐蚀区域的腐蚀图像；
89.对腐蚀图像进行预处理操作，形成预处理图像，将预处理图像输入至预测模型进行腐蚀程度预测；
90.其中，所述预测模型被设置成以预处理图像作为模板，以所述模板建立二维坐标系，通过设定大小的预览框在模板上依次滑动，每一次滑动用于获取预处理图像上对应单位区域的每一像素点的像素值，并以所述单位区域对应的所有像素点的像素值形成像素值集合，标记预览框在模板上的位置坐标；
91.以位置坐标进行对应编码，将编码与像素值集合进行对应，基于所述单位区域每一像素点的像素值集合来计算所述单位区域像素点的平均值；
92.按照编码顺序依次对每一所述单位区域的平均值进行比对，并按照多个设定范围将连续编码对应的至少一个所述单位区域进行组合，形成对应的区块；
93.一方面，基于每一所述区块对应的设定范围值在第一神经网络模型进行预测得到所述区块对应的第一腐蚀速率；另一方面，每一单位区域对应的平均值分别在多个第二神经网络模型进行预测，得到所述区块内每一单位区域对应的多个第二腐蚀速率；
94.基于第一腐蚀速率和第二腐蚀速率来综合评判每一区块的总体腐蚀速率。
95.进一步地，所述预处理操作包括：
96.将腐蚀图像输入至预处理模型，通过所述预处理模型来识别腐蚀图像中有效图像的边界，并按照有效图像的边界将所述腐蚀图像进行切割，得到有效图像边界内的部分腐蚀图像作为预处理图像。
97.进一步地，所述预处理模型按照如下的方法形成：
98.获取大量的管道外壁的历史腐蚀图像；
99.通过人工专家对历史腐蚀图像的腐蚀边界进行标定，并确定腐蚀边界附近的有效腐蚀图像部分的腐蚀等级；
100.将标定好的历史腐蚀图像输入至神经网络工具中，在设定的训练资源下进行迭代训练，以形成所述预处理模型。
101.进一步地，在所述预测模型内设置有同步联动模块和二值化处理模块，其中，同步联动模块用于当按照设定大小的预览框在模板上依次滑动时，对应的在所述预处理图像上框选并切割该位置的框定图像作为单位区域，记录该位置的坐标数据，并将所述单位区域同步发送至二值化处理模块进行二值化处理操作，对应的得到所述单位区域内每一像素点的像素值。
102.进一步地，所述同步联动模块具有：
103.监听单元，用于当预览框在模板上滑动时，预览框的控制进程对应的线程处于活动状态，通过获取线程的参数信息来监听预览框是否处于工作状态；
104.位移确定单元，当监听单元监听到预览框处于工作状态时，向所述位移确定单元发送一个开始指令，基于所述开始指令所述位移确定单元来确定预览框在模板上的移动距离；
105.同步控制单元，用于位移确定单元确定预览框移动到设定移动距离时，控制预览框的控制进程关闭，使得预览框停止移动；
106.切割单元，用于当预览框停止移动时，以预览框所在的位置框选并切割该位置的框定图像作为单位区域；
107.同步单元，用于将所述单位区域同步发送至二值化处理模块；
108.记录单元，用于记录所述位置对应的坐标数据。
109.进一步地，所述同步控制单元内设置有移动距离配置单元，移动距离配置单元与外部的输入装置通过接口配置连接，其中，移动距离配置单元用于设定预览框每次移动的距离。
110.进一步地，所述二值化处理模块连接设置在预测模型内的统计模块，所述统计模块包括：
111.统计单元，用于获取所述单位区域内每一像素点的像素值，并以所述单位区域对应的所有像素点的像素值形成像素值集合；
112.标记单元，用于标记预览框在模板上的位置坐标；
113.编码单元，连接所述标记单元和统计单元，用于以位置坐标进行对应编码，将编码与统计单元形成的像素值集合进行对应；
114.均值计算单元，用于基于所述单位区域每一像素点的像素值集合来计算所述单位区域像素点的平均值。
115.进一步地，所述预测模型内设置有比对模块、存储模块以及组合模块；
116.其中，所述存储模块内设置有多个连续的分区范围，每一个分区范围用于记录一设定范围；
117.所述比对模块连接所述存储模块，用于将获取的所述单位区域的平均值与多个分区范围记录的设定范围进行一一比对，以确定所述单位区域的平均值对应的设定范围，并按照所述编码进行标记，以使得连续编码的两个及以上的设定范围被标记到同一标记码中；
118.组合模块，连接所述比对单元，用于按照所述标记码将所述单位区域进行组合，形成对应的区块，组合后区块对应的顺序按照组合顺序进行重新排列。
119.进一步地，所述第一神经网络模型和多个第二神经网络模型分别设置在预测模型内，且由设置在预测模型内的资源分配模块来控制第一神经网络模型和多个第二神经网络模型的训练资源的分配；
120.其中，所述资源分配模块具有：
121.第一预测任务处理单元，连接设置在预测模型内的统计模块，用于基于每一编码对应的进行预测列队，并获取列队中任务的第一数量；
122.第二预测任务处理单元，连接设置在预测模型内的组合模块，用于基于组合模块得到的区块并按照区块顺序列队，并获取列队中的第二数量；
123.预测控制单元，用于基于第一数量和第二数量之间的比值来确定第二神经网络模型的启用数量；
124.资源分配单元，用于根据第二神经网络模型的启用数量来确定每一第二神经网络模型能够获取的训练资源的第二比例，以及第一神经网络模型的获取的训练资源的第一比例。
125.在上述中，需要说明的是，由于一个像素点对应的腐蚀预测具有一定的误差，因此本技术利用每一单位区域的像素值的平均值来对每一区域的腐蚀状况进行预测，比如，将每一腐蚀区域设定为边长为1cm的正方形，通过计算每一正方形内所有像素点的平均值，再通过平均值即可获得对应的腐蚀状态。为了降低本技术在预测阶段在神经网络模型的训练时间，提高训练效率，本技术在进行训练之前，按照不同的腐蚀时期将多个连续的单位区域组合成一个区块，在该区块内，属于同一腐蚀时期，当然，本技术还能够对不同的腐蚀时期进行再次细化，以提高预测的准确性，但均采用将连续的多个单位区域进行组合，且组合时，每一单位区域的像素点的平均值均在同一设定范围。
126.需要说明的是，多个单位区域进行组合时，多个单位区域必须时连续的临界区域，也就是多个单位区域组合后刚好形成一个完整的大的区域。为了能够实现这种组合方式，本技术首先采用了设定预览框，当按照设定大小的预览框在预处理图像上依次滑动时，对应的在所述预处理图像上框选并切割(或者复制)该位置的框定图像作为单位区域，同时以预处理图像作为模板，以所述模板建立二维坐标系，当预览框在模板上滑动时，确定预览框移动距离，以预览框所在的位置框选并切割该位置的框定图像作为单位区域；记录所述位置对应的坐标数据，并以所述坐标数据进行编码，并将编码与单位区域形成对应。
127.需要说明的是，管道的腐蚀受环境和气候的影响，一开始，出现点状腐蚀，此时该位置开始出现锈点，慢慢的点状腐蚀数量增加，且由开始的锈点向外逐步腐蚀，到腐蚀中期，腐蚀锈点连成一片，开始起皮，随着腐蚀时间的进行，起皮开始脱落并在该位置出现多次起皮，到了腐蚀后期，明显出现腐蚀凹陷的特征，在腐蚀变化过程中，其对应的颜色从初期到后期为：由发黄-褐色-黑褐色；根据腐蚀的这些特点，可以根据不同的腐蚀程度时获取的大量历史腐蚀图像来进行人工专家标准，在标注时，一方面标注出腐蚀边界，另一方面，对腐蚀图像中的不同位置的腐蚀状态进行标注，并对应的标注出腐蚀时期和腐蚀特点。
128.根据这些标注，对应的将这些标注好的历史腐蚀图像输入至神经网络工具进行迭代训练，一方面，通过对腐蚀边界的迭代训练得到腐蚀边界的进行识别的预处理模型，通过对历史腐蚀图像进行二值化处理操作，并对应的获取标注出的腐蚀区域对应的二值化处理得到的平均像素值，将平均像素值与该区域对应的人工标注特征进行对应在神经网络工具中得到对腐蚀状态进行预测的神经网络模型。
129.对应的，基于每一所述区块对应的设定范围值在第一神经网络模型进行预测得到所述区块对应的第一腐蚀速率；每一单位区域对应的平均值分别在多个第二神经网络模型进行预测，得到所述区块内每一单位区域对应的多个第二腐蚀速率；基于第一腐蚀速率和第二腐蚀速率来综合评判每一区块的总体腐蚀速率。
130.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以
理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.天然气管道腐蚀速率的预测方法，其特征在于，包括如下步骤：获取管道外壁具有腐蚀区域的腐蚀图像；对腐蚀图像进行预处理操作，形成预处理图像，将预处理图像输入至预测模型进行腐蚀程度预测；其中，所述预测模型被设置成以预处理图像作为模板，以所述模板建立二维坐标系，通过设定大小的预览框在模板上依次滑动，每一次滑动用于获取预处理图像上对应单位区域的每一像素点的像素值，并以所述单位区域对应的所有像素点的像素值形成像素值集合，标记预览框在模板上的位置坐标；以位置坐标进行对应编码，将编码与像素值集合进行对应，基于所述单位区域每一像素点的像素值集合来计算所述单位区域像素点的平均值；按照编码顺序依次对每一所述单位区域的平均值进行比对，并按照多个设定范围将连续编码对应的至少一个所述单位区域进行组合，形成对应的区块；一方面，基于每一所述区块对应的设定范围值在第一神经网络模型进行预测得到所述区块对应的第一腐蚀速率；另一方面，每一单位区域对应的平均值分别在多个第二神经网络模型进行预测，得到所述区块内每一单位区域对应的多个第二腐蚀速率；基于第一腐蚀速率和第二腐蚀速率来综合评判每一区块的总体腐蚀速率。2.根据权利要求1所述的天然气管道腐蚀速率的预测方法，其特征在于，所述预处理操作包括：将腐蚀图像输入至预处理模型，通过所述预处理模型来识别腐蚀图像中有效图像的边界，并按照有效图像的边界将所述腐蚀图像进行切割，得到有效图像边界内的部分腐蚀图像作为预处理图像。3.根据权利要求2所述的天然气管道腐蚀速率的预测方法，其特征在于，所述预处理模型按照如下的方法形成：获取大量的管道外壁的历史腐蚀图像；通过人工专家对历史腐蚀图像的腐蚀边界进行标定，并确定腐蚀边界附近的有效腐蚀图像部分的腐蚀等级；将标定好的历史腐蚀图像输入至神经网络工具中，在设定的训练资源下进行迭代训练，以形成所述预处理模型。4.根据权利要求1所述的天然气管道腐蚀速率的预测方法，其特征在于，在所述预测模型内设置有同步联动模块和二值化处理模块，其中，同步联动模块用于当按照设定大小的预览框在模板上依次滑动时，对应的在所述预处理图像上框选并切割该位置的框定图像作为单位区域，记录该位置的坐标数据，并将所述单位区域同步发送至二值化处理模块进行二值化处理操作，对应的得到所述单位区域内每一像素点的像素值。5.根据权利要求4所述的天然气管道腐蚀速率的预测方法，其特征在于，所述同步联动模块具有：监听单元，用于当预览框在模板上滑动时，预览框的控制进程对应的线程处于活动状态，通过获取线程的参数信息来监听预览框是否处于工作状态；位移确定单元，当监听单元监听到预览框处于工作状态时，向所述位移确定单元发送开始指令，基于所述开始指令所述位移确定单元来确定预览框在模板上的移动距离；
同步控制单元，用于位移确定单元确定预览框移动到设定移动距离时，控制预览框的控制进程关闭，使得预览框停止移动；切割单元，用于当预览框停止移动时，以预览框所在的位置框选并切割该位置的框定图像作为单位区域；同步单元，用于将所述单位区域同步发送至二值化处理模块；记录单元，用于记录所述位置对应的坐标数据。6.根据权利要求5所述的天然气管道腐蚀速率的预测方法，其特征在于，所述同步控制单元内设置有移动距离配置单元，移动距离配置单元与外部的输入装置通过接口配置连接，其中，移动距离配置单元用于设定预览框每次移动的距离。7.根据权利要求4所述的天然气管道腐蚀速率的预测方法，其特征在于，所述二值化处理模块连接设置在预测模型内的统计模块，所述统计模块包括：统计单元，用于获取所述单位区域内每一像素点的像素值，并以所述单位区域对应的所有像素点的像素值形成像素值集合；标记单元，用于标记预览框在模板上的位置坐标；编码单元，连接所述标记单元和统计单元，用于以位置坐标进行对应编码，将编码与统计单元形成的像素值集合进行对应；均值计算单元，用于基于所述单位区域每一像素点的像素值集合来计算所述单位区域像素点的平均值。8.根据权利要求1所述的天然气管道腐蚀速率的预测方法，其特征在于，所述预测模型内设置有比对模块、存储模块以及组合模块；其中，所述存储模块内设置有多个连续的分区范围，每一个分区范围用于记录一设定范围；所述比对模块连接所述存储模块，用于将获取的所述单位区域的平均值与多个分区范围记录的设定范围进行一一比对，以确定所述单位区域的平均值对应的设定范围，并按照所述编码进行标记，以使得连续编码的两个及以上的设定范围被标记到同一标记码中；组合模块，连接所述比对单元，用于按照所述标记码将所述单位区域进行组合，形成对应的区块，组合后区块对应的顺序按照组合顺序进行重新排列。9.根据权利要求1所述的天然气管道腐蚀速率的预测方法，其特征在于，所述第一神经网络模型和多个第二神经网络模型分别设置在预测模型内，且由设置在预测模型内的资源分配模块来控制第一神经网络模型和多个第二神经网络模型的训练资源的分配；其中，所述资源分配模块具有：第一预测任务处理单元，连接设置在预测模型内的统计模块，用于基于每一编码对应的进行预测列队，并获取列队中任务的第一数量；第二预测任务处理单元，连接设置在预测模型内的组合模块，用于基于组合模块得到的区块并按照区块顺序列队，并获取列队中的第二数量；预测控制单元，用于基于第一数量和第二数量之间的比值来确定第二神经网络模型的启用数量；资源分配单元，用于根据第二神经网络模型的启用数量来确定每一第二神经网络模型能够获取的训练资源的第二比例，以及第一神经网络模型的获取的训练资源的第一比例。

技术总结
本发明涉及一种天然气管道腐蚀预测技术领域，具体公开了一种天然气管道腐蚀速率的预测方法，包括：获取管道外壁具有腐蚀区域的腐蚀图像；对腐蚀图像进行预处理操作，形成预处理图像，将预处理图像输入至预测模型进行腐蚀程度预测；本申请在进行预测时，将有效腐蚀图像按照区域进行二值化处理操作，得到每一区域中每一像素点的像素值，通过像素值就可以预测出每一个像素点的腐蚀程度，由于像素点过于小，因此本申请利用每一区域的像素值的平均值来对每一区域的腐蚀状况进行预测，相对于传统宏观的确定管道整体的腐蚀状态，本申请能够对不同区域进行分别采样，能够获取每个采样区域精确的腐蚀状态。精确的腐蚀状态。精确的腐蚀状态。


技术研发人员：王韬
受保护的技术使用者：西咸新区康元燃气有限公司
技术研发日：2023.06.27
技术公布日：2023/9/22