A Semi-Analytical Surrogate and Two-Stage Deep Learning Framework for Defect Detection and Sizing in Above-Ground Inspection of Buried Pipelines
Este artículo presenta un modelo sustituto semianalítico para generar un conjunto de datos a gran escala para el entrenamiento de un marco de aprendizaje profundo de dos etapas que detecta y dimensiona eficazmente defectos de pérdida de metal en tuberías enterradas utilizando datos de inspección electromagnética sobre el suelo, logrando una alta precisión y correlación a pesar de los desafíos de las señales débiles y confundidas.