2種基于模式識(shí)別的環(huán)狀燃?xì)夤芫W(wǎng)泄漏檢測(cè)方法*

虞丹陽，玉建軍，靳新迪,2

(1.天津城建大學(xué) 能源與安全學(xué)院，天津 300384；2. 中國石化銷售有限公司 上海石油分公司，上海 200000)

0　引言

現(xiàn)階段大部分城市燃?xì)夤芫W(wǎng)服役年限較長，具有一定的脆弱性[1]，且燃?xì)饩哂幸兹家妆奶匦裕@些因素都極易引發(fā)燃?xì)夤芫W(wǎng)的泄漏事故，進(jìn)而導(dǎo)致火災(zāi)、爆炸、中毒窒息等事故。盡早檢測(cè)出燃?xì)夤芫W(wǎng)的泄漏，及時(shí)啟動(dòng)應(yīng)急預(yù)案，有助于減少和避免事故的發(fā)生。

國內(nèi)外各方面的專家和學(xué)者對(duì)燃?xì)夤芫W(wǎng)的泄漏檢測(cè)進(jìn)行了長期探索和實(shí)踐[2-8]。目前檢測(cè)泄漏的方法主要有人工巡檢法、聲波法、負(fù)壓波法、分布式光纖檢測(cè)法、磁通量漏損檢測(cè)器檢測(cè)法和人工智能法等，其中，模式識(shí)別方法是人工智能法的一種。

目前，國內(nèi)已將模式識(shí)別技術(shù)應(yīng)用于燃?xì)夤芫W(wǎng)泄漏檢測(cè)。但很多方法只局限于單條管線[9]或枝狀管線[10]，對(duì)環(huán)狀管網(wǎng)的泄漏檢測(cè)則研究較少。調(diào)研發(fā)現(xiàn)，在少數(shù)的環(huán)狀管網(wǎng)泄漏檢測(cè)的研究中，由于對(duì)環(huán)狀管網(wǎng)應(yīng)用模式識(shí)別技術(shù)中存在特征向量維度大的問題[11]，檢測(cè)效果也并不理想。與此同時(shí)，采用模式識(shí)別方法過程中特征向量的選取并不相同，究竟哪種形式的特征向量最優(yōu)，學(xué)術(shù)界并沒有統(tǒng)一的認(rèn)識(shí)。有些專家認(rèn)為采用壓力矩陣可以得到更為準(zhǔn)確的結(jié)果，但并未進(jìn)行實(shí)際比較和論證。因此，以下以天津城建大學(xué)燃?xì)鈱?shí)驗(yàn)室環(huán)狀燃?xì)夤芫W(wǎng)泄漏為例，分別采用節(jié)點(diǎn)壓力矩陣與提取壓力圖像特征向量法來對(duì)環(huán)狀燃?xì)夤芫W(wǎng)泄漏進(jìn)行檢測(cè)，進(jìn)而找到一種較好的檢測(cè)方法。

1　模式識(shí)別技術(shù)概述

模式識(shí)別是對(duì)表征事物或現(xiàn)象的數(shù)值、文字或邏輯關(guān)系信息進(jìn)行處理和分析，以對(duì)事物或現(xiàn)象進(jìn)行描述、辨識(shí)、分類和解釋的工程。模式識(shí)別也可以稱為模式分類，就是把具體的樣本歸類到某一個(gè)模式。在設(shè)計(jì)模式識(shí)別系統(tǒng)時(shí)，選擇不同的特征提取方法將會(huì)關(guān)系到整個(gè)系統(tǒng)的好壞[12-13]。

以下設(shè)計(jì)了2種特征提取方法，一種是提取壓力圖像特征向量法，另一種是節(jié)點(diǎn)壓力矩陣法。提取壓力圖像特征向量法主要是受模式識(shí)別應(yīng)用中指紋識(shí)別的啟發(fā)[14]。并且近些年來，已有學(xué)者利用圖像的識(shí)別來進(jìn)行單條管網(wǎng)的泄漏檢測(cè)[15-16]。于是，產(chǎn)生了將環(huán)網(wǎng)的壓力圖像進(jìn)行識(shí)別的想法，以期進(jìn)行環(huán)狀管網(wǎng)泄漏檢測(cè)。而壓力矩陣法是保持最原始數(shù)據(jù)的一種模式識(shí)別方法，與此做比對(duì)有一定的意義。

模式識(shí)別系統(tǒng)主要由數(shù)據(jù)獲取、預(yù)處理(數(shù)據(jù)處理)、特征提取和選擇、分類決策4個(gè)部分組成。本文采用模式識(shí)別技術(shù)來進(jìn)行環(huán)狀燃?xì)夤芫W(wǎng)泄漏檢測(cè)的主要流程如圖1。下面將按照下圖流程對(duì)每一步驟進(jìn)行詳細(xì)的介紹。

圖1　基于模式識(shí)別技術(shù)的燃?xì)夤芫W(wǎng)泄漏檢測(cè)流程Fig.1　The flow chart of gas pipeline leak detection based on the pattern recognition

2　數(shù)據(jù)獲取

2.1　燃?xì)鈱?shí)驗(yàn)室環(huán)狀燃?xì)夤芫W(wǎng)系統(tǒng)介紹

天津城建大學(xué)燃?xì)鈱?shí)驗(yàn)室環(huán)狀燃?xì)夤芫W(wǎng)系統(tǒng)包括供氣系統(tǒng)、燃?xì)夤芫W(wǎng)系統(tǒng)和數(shù)據(jù)處理系統(tǒng)。其中，供氣系統(tǒng)由活塞式空氣壓縮機(jī)、緩沖罐、過濾器、調(diào)壓器和壓力表等組成；燃?xì)夤芫W(wǎng)系統(tǒng)由U-PVC管、法蘭、彎頭和球閥等組成；數(shù)據(jù)處理系統(tǒng)由轉(zhuǎn)子流量計(jì)、渦輪流量計(jì)、壓差表、傳輸電纜、計(jì)算機(jī)、SETP7編程軟件和WINCC軟件等組成。燃?xì)夤芫W(wǎng)系統(tǒng)為9個(gè)相同單環(huán)構(gòu)成的環(huán)狀管網(wǎng)，見圖2。環(huán)網(wǎng)包含24個(gè)管段，考慮局部阻力，每個(gè)管段的當(dāng)量長度為48 m。設(shè)備詳細(xì)情況見表1；總體簡化流程見圖3。

2.2　模擬管網(wǎng)與實(shí)驗(yàn)管網(wǎng)水力工況基本相同論證

首先，利用環(huán)狀燃?xì)夤芫W(wǎng)系統(tǒng)分別調(diào)節(jié)實(shí)驗(yàn)管網(wǎng)中球閥開度來調(diào)節(jié)負(fù)荷點(diǎn)Q1，Q2，Q3的流量，選取(Q1=15，Q2=0，Q3=0)，(Q1=15，Q2=2.5，Q3=0)，(Q1=5，Q2=6，Q3=10) (單位：Nm3/h) 3種工況，并將各工況下實(shí)驗(yàn)管網(wǎng)中16個(gè)節(jié)點(diǎn)壓力記錄下來。然后，使用Pipeline Studio模擬與實(shí)驗(yàn)同樣的3種工況，得到各工況下模擬管網(wǎng)中節(jié)點(diǎn)壓力。最后，分別繪制各工況下模擬節(jié)點(diǎn)壓力以及實(shí)測(cè)節(jié)點(diǎn)壓力散點(diǎn)圖。以工況2(Q1=15，Q2=2.5，Q3=0)為例，如圖4所示。

圖2　燃?xì)鈱?shí)驗(yàn)室環(huán)狀燃?xì)夤芫W(wǎng)系統(tǒng)Fig. 2　The loop pipe network system of Gas Laboratory

通過圖4對(duì)模擬節(jié)點(diǎn)壓力與實(shí)測(cè)節(jié)點(diǎn)壓力的對(duì)比可以發(fā)現(xiàn)，二者節(jié)點(diǎn)壓力散點(diǎn)圖十分接近。因此，可以認(rèn)為對(duì)于上述環(huán)狀管網(wǎng)的模擬管網(wǎng)與實(shí)驗(yàn)管網(wǎng)水力工況基本相同。

表1　實(shí)驗(yàn)室設(shè)備情況

圖3　燃?xì)鈱?shí)驗(yàn)室環(huán)狀燃?xì)夤芫W(wǎng)流程Fig.3　The flow chart of loop pipe network of Gas Laboratory

圖4　模擬節(jié)點(diǎn)壓力以及實(shí)測(cè)節(jié)點(diǎn)壓力散點(diǎn)圖(工況2)Fig. 4　The scatter diagram of the Simulated and measured pressure of pipe nodes (the condition 2)

2.3　訓(xùn)練和測(cè)試樣本來源

由于上述已論證模擬與實(shí)驗(yàn)管網(wǎng)水力工況基本相同，則本文將實(shí)驗(yàn)測(cè)得28個(gè)工況作為測(cè)試樣本，而與之對(duì)應(yīng)的模擬獲得的28個(gè)工況作為訓(xùn)練樣本。

利用圖2所示實(shí)驗(yàn)室環(huán)狀燃?xì)夤芫W(wǎng)系統(tǒng)進(jìn)行管網(wǎng)泄漏實(shí)驗(yàn)，將Q1，Q2看做正常用氣負(fù)荷，Q3作為泄漏點(diǎn)，氣源點(diǎn)壓力保持在300 kPa，測(cè)得28個(gè)工況下各節(jié)點(diǎn)壓力，作為測(cè)試樣本。具體步驟如下：

1)單負(fù)荷工況。關(guān)閉Q2處閥門，即Q2=0 Nm3/h，將負(fù)荷Q1流量依次設(shè)置為5，10，15和20 Nm3/h，Q3依次設(shè)置為0，2.5，4和6 Nm3/h，由此構(gòu)成單負(fù)荷狀態(tài)下Q3=0 Nm3/h的4種正常運(yùn)行工況和Q3≠0 Nm3/h的12種泄漏工況，使用差壓變送器測(cè)量并記錄上述16種工況下各節(jié)點(diǎn)與氣源點(diǎn)處壓力差，并換算為各處表壓。

2)多負(fù)荷工況。保持負(fù)荷Q1=5 Nm3/h，Q2依次設(shè)置為5，10，15 Nm3/h，Q3依次設(shè)置為0，2.5，4和6 Nm3/h，由此構(gòu)成多負(fù)荷狀態(tài)下Q3=0 Nm3/h的3種正常運(yùn)行工況和Q3≠0的9種泄漏工況，使用差壓變送器測(cè)量并記錄上述12種工況下各節(jié)點(diǎn)與氣源點(diǎn)處壓力差，并換算為各處表壓。

利用由圖3建立的計(jì)算機(jī)模擬管網(wǎng)對(duì)實(shí)驗(yàn)選取的28個(gè)工況分別進(jìn)行模擬，并提取各節(jié)點(diǎn)壓力，作為訓(xùn)練樣本。

3　研究方法

3.1　提取壓力圖像特征向量法

3.1.1數(shù)據(jù)處理

通過下述步驟將各工況下的節(jié)點(diǎn)壓力經(jīng)過一定的數(shù)據(jù)處理獲得燃?xì)夤芫W(wǎng)壓力圖。示例如圖5所示。

1)結(jié)合燃?xì)夤芫W(wǎng)的管段走向及長度信息繪制燃?xì)夤芫W(wǎng)拓?fù)浣Y(jié)構(gòu)，并選取管網(wǎng)上節(jié)點(diǎn)作為控制點(diǎn)。

2)將各管段上的壓力變化簡化為線性公式：

(1)

3)忽略燃?xì)夤芫W(wǎng)中存在的高差，以其所在平面為基準(zhǔn)面(xoy平面)，建立oxyz三維坐標(biāo)系，其中，z軸為壓力值。每隔一定的間隔選取一個(gè)壓力值，代入式(1)，則可得到由多個(gè)平面組成的分段曲面方程z=f(x,y)。

4)按照上述曲面方程繪制“分段等壓曲面”，將該曲面投影至基準(zhǔn)面，并將每個(gè)分段投影所得閉合區(qū)域按照一定的規(guī)律著色。

圖5　燃?xì)夤芫W(wǎng)壓力圖舉例Fig.5　Example of gas pipe network pressure diagram

3.1.2壓力圖像特征向量

可以用于描述管網(wǎng)泄漏壓力圖的統(tǒng)計(jì)特征眾多，包括紋理、顏色、等壓區(qū)域形狀、等壓線在管道上的截距以及等壓區(qū)域周長等。利用自編MATLAB提取程序?qū)⑷細(xì)夤芫W(wǎng)泄漏壓力圖批量進(jìn)行彩色圖像轉(zhuǎn)換為灰度圖像的預(yù)處理，然后，由該程序提取得到各燃?xì)夤芫W(wǎng)壓力圖的特征向量feature(t,n)，其中，t為特征圖像編號(hào)，n為樣本特征圖像數(shù)量，feature(t,n)為一個(gè)由管網(wǎng)泄漏壓力圖像均值、角二階距、標(biāo)準(zhǔn)差和熵值依序組成四維行向量的4×n階矩陣。

3.2　節(jié)點(diǎn)壓力矩陣法

將節(jié)點(diǎn)壓力依序排列構(gòu)成特征向量，形式如下：

式中:pi,j為第i種工況下節(jié)點(diǎn)j的壓力值。

4　支持向量機(jī)分類器

支持向量機(jī)(Support Vector Machine，SVM)是實(shí)現(xiàn)統(tǒng)計(jì)學(xué)習(xí)理論的一種學(xué)習(xí)算法，它遵循機(jī)構(gòu)風(fēng)險(xiǎn)最小化原則。支持向量機(jī)的主要模塊是最大間隔分類器，它的原理在于求解線性可分下的最優(yōu)分類超平面。最優(yōu)分類超平面在保證將2類樣本無錯(cuò)誤分開的前提下，盡量使2類之間的分類距離最大。

LIBSVM是通用SVM軟件包，可以用來解決多種SVM相關(guān)分類問題。利用LIBSVM提供的MATLAB語言接口，通過Visual C++6.0將源代碼編譯為MATLAB程序，對(duì)2種方法獲得的特征向量用于支持向量機(jī)的訓(xùn)練與分類檢驗(yàn)。LIBSVM的主要參數(shù)設(shè)置有SVM類型、核函數(shù)類型、懲罰因子C與核函數(shù)中的gamma函數(shù)設(shè)置參數(shù)g等。參數(shù)C控制對(duì)大間隔和最小訓(xùn)練錯(cuò)誤率之間的平衡，其與參數(shù)g對(duì)支持向量機(jī)分類性能影響較大。因此，研究中采用C-SVM類型，核函數(shù)為徑向基核函數(shù)(RBF)，對(duì)于參數(shù)C與g則分別使用基于交互檢驗(yàn)(Cross Validation，CV)的網(wǎng)格搜索算法(Grid Search Method，GS)、遺傳算法(Genetic Algorithm，GA)和粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)進(jìn)行尋優(yōu)運(yùn)算，以獲取最佳參數(shù)C與g。GS算法中，C與g的搜索范圍為-8～8，步長為0.5，交叉驗(yàn)證折數(shù)V=5。GA算法與PSO算法中，C與g的范圍設(shè)置為0～100，進(jìn)化代數(shù)均設(shè)置為100，種群數(shù)量均為20，交叉驗(yàn)證折數(shù)V=5。最終輸出與最佳參數(shù)C與g對(duì)應(yīng)的最終交互檢驗(yàn)意義下的分類準(zhǔn)確率(CV accuracy)、學(xué)習(xí)精度(train set accuracy)、分類準(zhǔn)確率(test set accuracy)。

5　結(jié)果對(duì)比與分析

對(duì)訓(xùn)練樣本與測(cè)試樣本分別進(jìn)行圖像預(yù)處理及特征提取，按照管網(wǎng)是否泄漏將管網(wǎng)工況分為2種模式，即當(dāng)Q3=0 Nm3/h時(shí)，管網(wǎng)未發(fā)生泄漏，對(duì)該種工況所對(duì)應(yīng)的特征向量賦予分類標(biāo)簽0；當(dāng)Q3≠0Nm3/h時(shí)，管網(wǎng)存在泄漏，對(duì)該工況所對(duì)應(yīng)的特征向量賦予分類標(biāo)簽1。按照上述取值，對(duì)LIBSVM進(jìn)行參數(shù)設(shè)置。使用訓(xùn)練樣本提取的特征向量對(duì)SVM進(jìn)行訓(xùn)練，并利用測(cè)試樣本對(duì)訓(xùn)練好的支持向量機(jī)進(jìn)行測(cè)試。采用提取壓力圖像特征向量法的結(jié)果見表2，采用節(jié)點(diǎn)壓力矩陣為特征向量的結(jié)果見表3。

由提取壓力圖像特征向量法的測(cè)試結(jié)果(表2)可知訓(xùn)練獲得的支持向量機(jī)分類結(jié)果較為準(zhǔn)確，其分類準(zhǔn)確率均在90%左右，這表示該支持向量機(jī)基本能正確判斷實(shí)驗(yàn)管網(wǎng)中Q3位置是否發(fā)生泄漏。

表2　采用提取壓力圖像特征向量法的泄漏檢測(cè)測(cè)試結(jié)果

表3　采用節(jié)點(diǎn)壓力矩陣為特征向量的泄漏檢測(cè)測(cè)試結(jié)果

下面主要通過Q1=5 Nm3/h，Q3位置發(fā)生6Nm3/h泄漏前后的訓(xùn)練樣本和測(cè)試樣本壓力圖對(duì)比，簡單分析分類準(zhǔn)確率未能達(dá)到100%的原因。樣本圖像如圖6所示。

圖6　4種燃?xì)夤芫W(wǎng)壓力圖對(duì)比Fig. 6　Comparison of four kinds of gas pipe network pressure diagram

通過對(duì)比發(fā)生泄漏前后訓(xùn)練樣本和測(cè)試樣本圖像，可以看出計(jì)算機(jī)管網(wǎng)模擬數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)之間仍然存在一定的誤差，并非完全吻合。這樣將會(huì)對(duì)分類造成干擾，導(dǎo)致同一泄漏工況下，訓(xùn)練樣本圖像與測(cè)試樣本圖像存在略微的不同，因此導(dǎo)致結(jié)果中的分類準(zhǔn)確率并未達(dá)到100%。在實(shí)際的工程應(yīng)用中，通過采用實(shí)際管網(wǎng)泄漏作為訓(xùn)練樣本可以避免此種現(xiàn)象的發(fā)生，提高燃?xì)夤芫W(wǎng)泄漏檢測(cè)準(zhǔn)確率。

由表3所示結(jié)果，利用節(jié)點(diǎn)壓力矩陣構(gòu)成的特征向量訓(xùn)練所得支持向量機(jī)其學(xué)習(xí)精度、分類準(zhǔn)確率以及最終交互檢驗(yàn)意義下的分類準(zhǔn)確率均低于采用提取壓力圖像特征向量法所訓(xùn)練的支持向量機(jī)，且該方法特征向量維度為16，其維度遠(yuǎn)遠(yuǎn)大于管網(wǎng)壓力圖提取的4維特征向量。因此，提取壓力圖像特征向量法在準(zhǔn)確率和特征向量維數(shù)上均優(yōu)于壓力矩陣法。

采用提取壓力圖像特征向量法可將泄漏點(diǎn)定位到一個(gè)小區(qū)域。由于實(shí)驗(yàn)室管網(wǎng)具有對(duì)稱性，所以采用一半?yún)^(qū)域進(jìn)行定位，其區(qū)域劃分如圖7所示，實(shí)際當(dāng)中可根據(jù)需要來劃分區(qū)域。利用前文的方法獲取樣本，將樣本處理成壓力圖，提取壓力圖的均值、角二階距、標(biāo)準(zhǔn)差和熵值作為特征向量，送入SVM分類器，最后得到的結(jié)果見表4。

圖7　泄漏定位區(qū)域劃分情況Fig. 7　Regional division of leakage location

由表4可知，采用壓力圖像法進(jìn)行泄漏定位到重疊小區(qū)域的分類準(zhǔn)確率在45%左右，并且A，B，C區(qū)域的分類效果優(yōu)于I，II，III區(qū)域，這說明不同區(qū)域的劃分對(duì)壓力圖像法泄漏定位的效果會(huì)產(chǎn)生影響。同時(shí)，提取壓力圖像的均值、角二階距、標(biāo)準(zhǔn)差和熵值作為特征向量，對(duì)于提取壓力圖的特征向量不同必然也會(huì)影響其效果。對(duì)于如何用壓力圖像法提高泄漏定位準(zhǔn)確率需更深入的研究。

表4　泄漏定位測(cè)試結(jié)果

6　結(jié)論

1)提取壓力圖像特征向量法和壓力矩陣法2種方法均可用于環(huán)狀管網(wǎng)燃?xì)庑孤┳R(shí)別。提取壓力圖像特征向量法有效地降低了特征向量的維度和數(shù)據(jù)波動(dòng)的干擾，因此，其識(shí)別結(jié)果優(yōu)于節(jié)點(diǎn)壓力矩陣法。

2)在實(shí)踐中可結(jié)合SCADA和GIS系統(tǒng)，利用提取壓力圖像特征向量法進(jìn)行實(shí)際供水、燃?xì)狻⑤斢偷拳h(huán)狀管網(wǎng)泄漏檢測(cè)和定位，這樣無需對(duì)管網(wǎng)現(xiàn)有硬件設(shè)施進(jìn)行改造，或只需在控制點(diǎn)處增加壓力變送器，其成本較低。

3)與現(xiàn)有技術(shù)相比，提取壓力圖像特征向量法不受城市燃?xì)夤芫W(wǎng)拓?fù)浣Y(jié)構(gòu)復(fù)雜及其附屬設(shè)施的影響，且以圖像特征作為分類特征，具有一定的模糊性，其適應(yīng)性較強(qiáng)。

[1]王春雪, 呂淑然. 城市燃?xì)夤芫€泄漏致災(zāi)災(zāi)害鏈研究[J]. 中國安全生產(chǎn)科學(xué)技術(shù), 2016, 12(5):16-21.

WANG Chunxue, LYU Shuran. Research on disaster chain of leakage disaster in urban gas pipeline [J]. Journal of Safety Science and Technology, 2016, 12(5): 16-21.

[2]GAO Xiaoming, FAN Hong, HUANG Teng, et al. Natural gas pipeline leak detector based on NIR diode laser absorption spectroscopy[J]. Spectrochimica Acta Part A-Molecular and Biomolecular Spectroscopy, 2006, 65(1): 133-138.

[3]MENG Lingya, LI Yuxing, WANG Wuchang, et al. Experimental study on leak detection and location for gas pipeline based on acoustic method[J]. Journal of Loss Prevention in the Process Industries, 2012, 25(1): 90-102.

[4]李軍, 徐永生, 玉建軍.燃?xì)夤艿佬孤z測(cè)新技術(shù)[J].煤氣與熱力, 2007, 27(7):56-59.

LI Jun, XU Yongsheng, YU Jianjun. New technologies for leakage detection of gas pipelin [J]. GAS & HEAT, 2007, 27(7): 56-59.

[5]Fukushima K, Maeshima R, Kinoshita A. Gas pipeline leak detection system using the online simulation method [J]. Computers and Chemical Engineering, 2000, 24: 453-456.

[6]張麗娟.基于小波分析的燃?xì)夤艿佬孤z測(cè)與定位研究[D]. 武漢: 華中科技大學(xué), 2006.

[7]黃鳳潔，田貫三，賈文磊，等．基于BP神經(jīng)網(wǎng)絡(luò)的城市燃?xì)夤芫W(wǎng)泄漏定位[J]．山東建筑大學(xué)學(xué)報(bào)，2011，26(5)：436-439, 475．

HUANG Fengjie，TIAN Guansan，JIA Wenlei, et al. Research on the leak location of urban gas pipe network based on BP network [J]. Journal of Shandong Jianzhu University, 2011, 26(5): 436-439, 475.

[8]季娟,田貴云,王平. 燃?xì)夤艿罊z測(cè)技術(shù)研究進(jìn)展[J]. 無損檢測(cè), 2012, 34(12):20-24.

JI Juan, TIAN Guiyun, WANG Ping. Research and development of detection technologies for gas pipeline [J]. Nondestructive Testing, 2012, 34(12):20-24.

[9]侯慶民.燃?xì)忾L直管道泄漏檢測(cè)及定位方法研究 [D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2014.

[10]張麗娟, 李帆, 王文龍. 2種基于模式識(shí)別的枝狀燃?xì)夤芫W(wǎng)泄漏定位方法[J]. 天然氣工業(yè), 2007, 27(8):106-108.

ZHANG Lijuan, LI Fan, WANG Wenlong. Two leakage positioning methods for dentritic gas pipeline network based on pattern recognition [J]. Natural Gas Industry, 2007, 27(8): 106-108.

[11]段昱, 武平. 基于模式識(shí)別的燃?xì)夤芫W(wǎng)泄漏檢測(cè)技術(shù)[J]. 能源研究與管理, 2014(2):69-72.

DUAN Li, WU Ping. Leak detection of gas pipeline network based on pattern recognition [J]. Energy research and management, 2014(2):69-72.

[12]范會(huì)敏, 王浩. 模式識(shí)別方法概述 [J].電子設(shè)計(jì)工程, 2012, 20(19):48-51.

FAN Huimin, WANG Hao. An overview of the pattern recognition methods [J]. Electronic Design Engineering, 2012, 20(19): 48-51.

[13]張錚,倪紅霞,苑春苗.精通Matlab數(shù)字圖像處理與識(shí)別[M].北京：人民郵電出版社,2013:42.

[14]王健康.自動(dòng)指紋識(shí)別技術(shù)研究 [D]. 長沙: 中南大學(xué), 2010.

[15]劉煒, 劉宏昭. 檢測(cè)與定位管道泄漏的圖像處理方法研究[J].控制工程, 2014, 21(2):294-297.

LIU Wei, LIU Hongzhao. Application of image processing technology on detection and location of pipeline leak [J]. Control Engineering of China, 2014, 21(2):294-297.

[16]陳華立，葉昊．基于圖像處理的管道泄漏檢測(cè)與定位[J]．清華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2005，45(1)：119-122.

CHEN Huali, YE Hao. Oil pipeline leak detection and location based on image processing [J]. Journal of Tsinghua University(Science and Technology), 2005, 45(1):119-122.

[17]焦嬌娜. 變負(fù)荷工況下燃?xì)夤芫W(wǎng)泄漏特性實(shí)驗(yàn)研究與仿真模擬[D]. 天津: 天津城建大學(xué), 2013.