CN106018545A - 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 - Google Patents

Abstract

本发明提供一种基于Adaboost‑RBF协同的管道缺陷漏磁反演方法，涉及管道漏磁检测技术领域。该方法包括：对标准缺陷进行漏磁检测，并进行特征提取；测量待测缺陷所在管道前若干米的缺陷形状参数；对待测缺陷所在管道进行漏磁检测，并进行特征提取；确定样本数据和待测数据；建立Adaboost‑RBF神经网络初始模型；校正Adaboost‑RBF神经网络初始模型；将待测数据输入最终模型，得到待测缺陷的形状参数，完成反演。本发明运用Adaboost‑RBF神经网络模型对管道缺陷进行反演，能够进行快速的缺陷形状重构，学习速度快，精度高，泛化性能好，并能判断该缺陷的严重性，从而预防管道泄漏，避免损失。

Description

一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法

技术领域：

本发明涉及管道漏磁检测技术领域，尤其涉及一种基于Adaboost-RBF协同(Adaboost算法与RBF神经网络结合后协同作用)的管道缺陷漏磁反演方法。

背景技术：

漏磁检测是无损检测的一种方式，相比较其他无损检测方式，其有高效、可靠、无污染并能实现自动化等优势，而且也是能够用于管道内检测的为数不多的方法之一。漏磁检测中的反演问题，是指根据给定的磁场信号数据求出被测材料中是否存在缺陷、并标定缺陷的位置和形状，进而实现缺陷检测的可视化。但是，由于信号数据与被测缺陷的参数之间的关系非常复杂，虽然多年来科研人员作出很多努力，缺陷的反演问题依然是这个领域的技术难关。

传统反演方法中，基于有限元的缺陷反演方法通过有限元方法计算人工给定的缺陷漏磁信号来与未知缺陷的漏磁信号进行对比，不断调整给定的缺陷尺寸，从而得到未知缺陷的尺寸，虽然该方法精度较高，但是十分依赖操作人员的检测经验，并且用时很长，资源消耗高；基于RBF径向基神经网络的缺陷反演方法根据已知缺陷信号与缺陷尺寸的关系，通过建立RBF神经网络模型，再通过测得的未知缺陷的信号数据与RBF模型得到未知缺陷的尺寸，该方法的运算速度很快，但是精确度较低，容易失灵；基于RBF神经网络与有限元的缺陷反演方法通过有限元方法计算出多种规格缺陷的信号数据，构建缺陷数据库，再使用RBF神经网络学习该库数据特征，再通过该模型计算人工给定的缺陷尺寸的信号数据，与测得的未知缺陷的信号数据对比并修正，从而得到未知缺陷的尺寸，该方法既提高了计算速度，也有较好的精度，但是其精度比较依赖初始人工给定缺陷的参数。

发明内容：

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，将RBF神经网络方法与Adaboost算法结合，运用Adaboost-RBF神经网络模型对管道缺陷形状进行反演，能够对管道缺陷进行快速的缺陷形状重构，学习速度快，精度高，泛化性能好，并能判断该缺陷的严重性，从而预防管道泄漏，避免损失。

为解决上述技术问题，本发明所采取的技术方案是：一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，包括：

步骤1：对标准缺陷进行漏磁检测，并将其漏磁信号进行特征提取，得到缺陷漏磁信号波形特征值；

步骤2：利用标尺等工具人工测量待测缺陷所在管道起点处前若干米的缺陷形状参数；

步骤3：对待测缺陷所在管道进行漏磁检测，并将其漏磁信号进行特征提取；

步骤4：确定样本数据和待测数据，并将所述样本数据分为训练样本数据和测试样本数据；

步骤5：通过训练样本数据建立Adaboost-RBF神经网络初始模型；

步骤6：利用测试样本数据校正Adaboost-RBF神经网络初始模型，得到Adaboost-RBF神经网络最终模型；

步骤7：将待测数据输入Adaboost-RBF神经网络最终模型，得到待测缺陷的形状参数，完成对待测管道漏磁信号的反演。

进一步地，标准缺陷为按照国家标准NB/T 47013.12-2015中附录B的规范在标准管上加工所得，标准管为与待测缺陷所在管道材质相同、规格相同的管道。

进一步地，标准缺陷的加工应可以分为三组，分别满足缺陷长度单一变化、缺陷宽度单一变化和缺陷深度单一变化，且每组尺寸范围应满足实际可能情况。

进一步地，特征提取的过程包括：

步骤a：根据缺陷实际轴向位置与设备提供的位置信息，确定缺陷对应信号的位置；

步骤b：统计每个缺陷对应区域波动剧烈的信号所在的信号采集频道的数量；

步骤c：提取每个缺陷处波形波动最明显的波形，得到缺陷漏磁信号波形特征值。

进一步地，缺陷漏磁信号波形分为单峰双谷和双峰双谷两种情况，缺陷漏磁信号波形特征值包括：

信号波形的平均峰谷值，表示信号波形的波峰与其最近的波谷的纵向差值的平均值；

幅度阂值长度，表示满足信号阂值强度时，对应点之间的横向距离；

信号能量，表示漏磁信号的二阶中心距；

信号微分峰谷平均距离，表示信号波形微分后波形的波峰与其最近的波谷的横向距离的平均值；

信号微分平均峰谷值，表示信号波形微分后波形的波峰与其最近的波谷的纵向差值的平均值；

信号周向长度，表示每个缺陷对应区域波动剧烈的信号所在的信号采集频道的数量。

进一步地，步骤4的具体确定方法为：将标准管道和待测管道前若干米的缺陷形状参数及其对应的漏磁信号特征值数据作为样本数据，每组样本数据包括缺陷形状参数及其漏磁信号的特征提取数据；待测管道上剩余的其他漏磁信号特征数据作为待测数据；样本数据按一定比例随机分为训练样本数据和测试样本数据。

进一步地，步骤5的具体方法包括：

步骤501：将训练样本数据、测试样本数据和待测数据中的漏磁信号特征值数据分别进行归一化处理；

步骤502：初始化RBF神经网络，确定基函数、散步常数和神经元个数；

步骤503：初始化Adaboost样本权值；

步骤504：将训练样本数据中的每组数据乘以初始权值作为训练集Set1；以训练集Set1中的缺陷漏磁信号特征值数据作为输入，以缺陷形状参数作为输出，训练初始化的RBF神经网络，得到RBF神经网络子模型1，其输出结果记为Y₁；

步骤505：计算输出结果Y₁中的数据组与训练样本数据中已知的缺陷性转参数数据组的相对误差，选出相对误差超过预设阂值的数据组，并记为错误结果，统计错误结果数，计算子模型1的错误率；

步骤506：根据步骤505得到的错误率，调整Adaboost样本权值，增大误差较大的数据组的样本权值，减小误差较小的数据组的样本权值，得到新的Adaboost样本权值；

步骤507：将每组训练样本数据与对应的新的Adaboost样本权值相乘，得到新的子训练集Set2，并用来训练新的RBF神经网络，记为RBF神经网络模型2，其输出结果记为Y₂，计算子模型2的错误率，方法同步骤505和步骤506。

步骤508：重复步骤507，直至得到错误率小于阂值的子模型。

步骤509：建立Adaboost-RBF神经网络初始模型，模型输出公式为：

$Y_{A-RBF}=\underset{k=1}{\overset{n}{\Σ}}{w}_k{Y}_k$

其中，n为RBF神经网络子模型的个数；Y_A-RBF为Adaboost-RBF神经网络初始模型的输出，即缺陷形状参数；Y_k为第k个RBF神经网络子模型的输出结果；w_k为Y_k的权值。

进一步地，步骤6的具体方法为：

步骤601：将测试样本数据中缺陷的漏磁信号特征数据输入Adaboost-RBF神经网络初始模型，得到输出为缺陷形状参数；

步骤602：计算初始模型输出的缺陷形状数据与测试样本数据中缺陷形状参数的相对误差，当相对误差超过预设误差阂值时，将对应输出记为错误结果，并统计模型输出的错误结果数，计算模型错误率；

步骤603：当模型错误率下雨预设错误率阂值时，当前Adaboost-RBF神经网络模型为最终可用的Adaboost-RBF神经网络模型，进入步骤7，否则，重新调节RBF神经网络的神经元个数与散布常数，再返回步骤5，重新建立Adaboost-RBF神经网络初始模型。

进一步地，重新调节的神经元个数与散布常数在初始的神经元个数与散布常数附近一定范围内变动。

进一步地，缺陷形状参数包括相应缺陷的长度、宽度和深度；所述长度为所述缺陷的轴向最长距离，所述宽度为所述缺陷的周向最长距离，所述深度为所述缺陷的径向最长距离。

采用上述技术方案所产生的有益效果在于，本发明提供的一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，将RBF神经网络方法与Adaboost算法结合，运用Adaboost-RBF神经网络模型对管道缺陷形状进行反演，建立了Adaboost-RBF神经网络模型，能够对管道缺陷进行快速的缺陷形状重构。与传统有限元或单RBF方法相比，本发明在步骤1中保证模型的泛化能力，利用RBF神经网络使模型的学习速度快，Adaboost方法能有效提高模型精度，Adaboost-RBF神经网络模型整体提高了缺陷反演计算速度。通过漏磁检测得到的信号数据，该模型能快速准确地反演缺陷形状，判断该缺陷的严重性，从而预防管道泄漏，避免损失。

附图说明：

图1是本发明实施例的方法流程总图；

图2是本发明实施例中管道缺陷漏磁单峰信号特征提取示意图；

图3是本发明实施例中管道缺陷漏磁单峰信号微分曲线的特征提取示意图；

图4是本发明实施例中管道缺陷漏磁双峰信号特征提取示意图；

图5是本发明实施例中管道缺陷漏磁双峰信号微分曲线的特征提取示意图；

图6是本发明实施例中步骤5的流程图。

图中：A、单峰信号波形峰谷值；B、单峰信号幅度阂值长度；C、单峰信号能量；D、单峰信号微分峰谷距离；E、单峰信号微分峰谷值；F、双峰信号波形峰谷值；G、双峰信号幅度阂值长度；H、双峰信号能量；I、双峰信号微分峰谷距离；J、双峰信号微分峰谷值。

具体实施方式：

下面结合附图和具体实施方式对本发明作进一步详细说明。

一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，如图1所示，为本实施例的方法流程总图，本实施例的方法具体如下所述。

步骤1：对标准缺陷进行漏磁检测，并将其漏磁信号进行特征提取。

步骤101：取与待测缺陷所在管道相同材质相同规格的标准管，按国家标准NB/T47013.12-2015中附录B的规范，在其上加工给定标准缺陷。具体实施中，标准管长度应在实际工况允许下，尽量取长；加工的标准缺陷尺寸应可以归类分成3组，分别满足缺陷长度单一变化、缺陷宽度单一变化及缺陷深度单一变化，且每组尺寸范围应满足实际可能情况。

步骤102：对步骤101中的给定标准缺陷进行漏磁检测。

步骤103：将步骤102测得的给定缺陷漏磁信号进行特征提取。根据缺陷实际轴向位置与设备提供的位置信息，确定缺陷对应信号的位置，并统计每个缺陷对应区域波动剧烈的信号所在的信号采集频道的数量，提取每个缺陷处波形波动最明显的波形，得到缺陷信号波形特征值，即信号波形的平均峰谷值、幅度阂值长度、信号能量、信号微分峰谷平均距离、信号微分平均峰谷值及信号周向长度。

如图2至图5所示，为缺陷信号波形示意图。根据管道长度的不同，管道缺陷漏磁信号波形可分为单峰双谷和双峰双谷两种情况，信号特征值分别与缺陷形状参数有一定关系。

信号平均峰谷值表示信号波形的波峰与其最近的波谷的纵向差值A或F的平均值。信号幅度阂值长度B或G表示满足信号阂值强度时，对应点之间的横向距离，本实施例中的阂值为每个采集频道的信号强度幅值的40％。信号能量C或H表示漏磁信号的二阶中心距，其公式为：

$E=\underset{t}{\overset{T}{\Σ}}{\{y\left(t\right)-\min \[y\left(t\right)\]\}}^2$

其中，E为信号能量，y(t)表示缺陷漏磁信号的幅值，t与T分别表示缺陷信号的起始位置和终止位置的采样点编号。

信号微分峰谷平均距离表示信号波形微分后波形的波峰与其最近的波谷的横向距离D或I的平均值。信号微分平均峰谷值表示信号波形微分后波形的波峰与其最近的波谷的纵向差值E或J的平均值。信号周向长度表示每个缺陷对应区域波动剧烈的信号所在的信号采集频道的数量。

步骤2：利用标尺等工具人工测量待测缺陷所在管道起点处前若干米的缺陷形状参数，即长度、宽度、深度。

待测管道前若干米根据实际情况选取，取值依赖于管道检测起点处管道的长度，一股取10至20米，缺陷的形状参数取其轴向最长距离作为长度、取其周向最长距离作为宽度、，取其径向最长距离作为深度。

步骤3：对待测缺陷所在管道进行漏磁检测，并将其漏磁信号进行特征提取。

对待测缺陷所在的整个管道进行漏磁检测，并将得到的漏磁信号数据进行特征提取，信号特征提取方法与步骤103一致。

步骤4：确定样本数据和待测数据，并将样本数据分为训练样本数据和测试样本数据。

将标准管道和待测管道前若干米的缺陷形状参数及其对应的漏磁信号特征数据作为样本数据，每组样本数据包括缺陷形状参数及其漏磁信号特征数据，并将样本数据按一定比例随机分为训练样本数据和测试样本数据，本实施例中，在样本数据中随机选取70％的数据作为训练样本数据，剩余的样本数据作为测试样本数据，具体实施中，随机选取的比例可以按实际情况进行适当调试，待测管道其他的漏磁信号特征数据作为待测数据。

步骤5：通过训练样本数据建立Adaboost-RBF神经网络初始模型。

将训练样本数据中的缺陷的漏磁信号特征数据作为该模型的输入，统一给定RBF网络神经元参数，运用递增法选取神经网络个数，计算神经网络的样本输出权值，缺陷的长度、宽度及深度作为该模型的输出。初始模型的建立过程如图6所示，具体包括如下步骤。

步骤501：将训练样本数据、测试样本数据和待测数据中的特征提取数据分别进行归一化处理。

步骤502：初始化RBF神经网络。本实施例选择高斯函数作为RBF神经网络的基函数，其计算公式为：

$\mathrm{\φ}=\exp (-\frac{\left|\right|x-C|{|}^2}{{\mathrm{\σ}}^2})$

其中，x表示神经网络的输入数据；C为基函数中心，本实例利用K-均值聚类方法求得；σ为散布常数，散布常数根据经验取值范围为1至20。

神经元个数均为固定值，且取值不超过训练样本数据数量。

网络输出公式为：

$Y_{RBF}=\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\ω}}_i\mathrm{\φ}\left(x_i\right)=\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\ω}}_i\exp (-\frac{\left|\right|x_i-C|{|}^2}{{\mathrm{\σ}}^2})$

其中，i表示RBF神经网络隐含层节点数，p为隐含层节点总数；ω为神经网络权值。

步骤503：初始化Adaboost样本权值，初始权值都取1/N_x，其中N_x为训练样本数据组数量。

步骤504：训练样本每组数据乘以初始权值作为训练集Set1，以训练集Set1中的缺陷漏磁信号特征值数据作为输入，以缺陷形状参数作为输出，训练步骤502中的RBF神经网络，得到RBF神经网络子模型1，其输出结果记为Y₁。

步骤505：：提取出输出结果中与训练样本中数据中已知的缺陷性转参数数据组的相对误差超过设定阂值的数据组，记为错误结果，其中设定阂值为5％，统计错误结果数记为N_x-fault，计算模型错误率Δ₁。错误率计算公式为：

${\mathrm{\Δ}}_1=\frac{N_{x-fault}}{N_x}$

步骤506：根据错误率，调整Adaboost样本权值，增大误差较大的数据组的样本权值，本实例中分别增大一倍；减小误差较小的数据组的样本权值，本实例中分别减小一倍，得到新的Adaboost样本权值。

步骤507：将每组训练样本数据与新的对应的样本权值相乘，得到新的子训练集Set2，并用来训练新的RBF神经网络，记为RBF神经网络子模型2，其输出结果记为Y₂，并提取出其中结果误差超过设定阂值的数据组，计算错误率Δ₂，方法同子模型1。

步骤508：重复步骤507，直至得到错误率小于阂值的子模型。

步骤506：建立Adaboost-RBF神经网络初始模型，初始模型的输出公式为：

$Y_{A-RBF}=\underset{k=1}{\overset{n}{\Σ}}{w}_k{Y}_k=\underset{k=1}{\overset{n}{\Σ}}{w}_k\[\underset{i=1}{\overset{p}{\Σ}}{\mathrm{\ω}}_i\exp (-\frac{\left|\right|x_i-C|{|}^2}{{\mathrm{\σ}}^2})\]$

其中，n为RBF神经网络子模型的个数；Y_A-RBF为Adaboost-RBF神经网络初始模型的输出，即缺陷形状参数；Y_k为第k个RBF神经网络子模型的输出结果；w_k为Y_k的权值，其取值与对应错误率Δ_k有关，权值计算公式为：

$w_k=\frac{1}{n}(1-\frac{{\mathrm{\Δ}}_k}{\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\Δ}}_k})+\frac{1}{n^2}$

步骤6：利用测试样本数据校正步骤5中建立的Adaboost-RBF神经网络初始模型。

将测试样本数据中缺陷的漏磁信号特征数据输入步骤4中建立的Adaboost-RBF神经网络初始模型，得到输出为缺陷形状参数Y_A-RBFi∈R³，i＝1…N，其中Y_A-RBFi为三维变量，此处N为测试样本数据个数；

计算模型输出的缺陷形状参数与测试样本数据中缺陷形状参数的相对误差，将其中相对误差超过阂值的结果记为错误结果，本实施例中，相对误差阂值预设为10％，当相对误差超过10％时，记为错误结果，统计模型输出的错误结果数记为N_fault，并计算模型错误率，模型错误率Δ计算公式为：

$\mathrm{\Δ}=\frac{N_{fault}}{N}$

本实施例中，模型错误率阂值预设为5％，当模型错误率Δ＜5％时，当前Adaboost-RBF神经网络模型为最终可用的Adaboost-RBF神经网络模型，进入步骤7，否则，重新调节RBF神经网络的神经元个数与散布常数，重新选择的神经元个数与散布常数在初始的神经元个数与散布常数附近一定范围内变动，再返回步骤5，重新建立Adaboost-RBF神经网络初始模型。

步骤7：将待测数据输入Adaboost-RBF神经网络模型，输出缺陷的形状参数，即缺陷的长度、宽度及深度，完成对管道缺陷漏磁信号的反演。

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征，并放在关键的训练数据上面。Adaboost算法能使RBF神经网络方法在保持其原有的计算速度快的优势上，有效地提高其计算精度。

本实施例提供的一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，将RBF神经网络方法与Adaboost算法结合，运用Adaboost-RBF神经网络模型对管道缺陷形状进行反演，建立了Adaboost-RBF神经网络模型，能够对管道缺陷进行快速的缺陷形状重构，具有学习速度快，精度高，泛化性能好等特点，通过漏磁检测得到的信号数据，该模型能快速准确地反演缺陷形状，判断该缺陷的严重性，从而预防管道泄漏，避免损失。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (10)

1.一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，其特征在于，包括：

步骤1：对标准缺陷进行漏磁检测，并将其漏磁信号进行特征提取，得到缺陷漏磁信号波形特征值；

步骤2：利用标尺等工具人工测量待测缺陷所在管道起点处前若干米的缺陷形状参数；

步骤3：对待测缺陷所在管道进行漏磁检测，并将其漏磁信号进行特征提取；

步骤4：确定样本数据和待测数据，并将所述样本数据分为训练样本数据和测试样本数据；

步骤5：通过训练样本数据建立Adaboost-RBF神经网络初始模型；

步骤6：利用测试样本数据校正所述Adaboost-RBF神经网络初始模型，得到Adaboost-RBF神经网络最终模型；

步骤7：将所述待测数据输入所述Adaboost-RBF神经网络最终模型，得到待测缺陷的形状参数，完成对待测管道漏磁信号的反演。

2.根据权利要求1所述的一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，其特征在于，所述标准缺陷为按照国家标准NB/T 47013.12-2015中附录B的规范在标准管上加工所得，所述标准管为与所述待测缺陷所在管道材质相同、规格相同的管道。

3.根据权利要求2所述的一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，其特征在于，所述标准缺陷的加工应可以分为三组，分别满足缺陷长度单一变化、缺陷宽度单一变化和缺陷深度单一变化，且每组尺寸范围应满足实际可能情况。

4.根据权利要求1所述的一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，其特征在于，所述特征提取的过程包括：

步骤a：根据缺陷实际轴向位置与设备提供的位置信息，确定缺陷对应信号的位置；

步骤b：统计每个缺陷对应区域波动剧烈的信号所在的信号采集频道的数量；

步骤c：提取每个缺陷处波形波动最明显的波形，得到缺陷漏磁信号波形特征值。

5.根据权利要求4所述的一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，其特征在于，所述缺陷漏磁信号波形分为单峰双谷和双峰双谷两种情况，所述缺陷漏磁信号波形特征值包括：

信号波形的平均峰谷值，表示信号波形的波峰与其最近的波谷的纵向差值的平均值；

幅度阈值长度，表示满足信号阈值强度时，对应点之间的横向距离；

信号能量，表示漏磁信号的二阶中心距；

信号微分峰谷平均距离，表示信号波形微分后波形的波峰与其最近的波谷的横向距离的平均值；

信号微分平均峰谷值，表示信号波形微分后波形的波峰与其最近的波谷的纵向差值的平均值；

信号周向长度，表示每个缺陷对应区域波动剧烈的信号所在的信号采集频道的数量。

6.根据权利要求1所述的一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，其特征在于，所述步骤4的具体确定方法为：将所述标准管道和待测管道前若干米的缺陷形状参数及其对应的漏磁信号特征值数据作为所述样本数据，每组所述样本数据包括缺陷形状参数及其漏磁信号的特征提取数据；所述待测管道上剩余的其他漏磁信号特征数据作为待测数据；所述样本数据按一定比例随机分为训练样本数据和测试样本数据。

7.根据权利要求1所述的一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，其特征在于，所述步骤5的具体方法包括：

步骤501：将所述训练样本数据、测试样本数据和待测数据中的漏磁信号特征值数据分别进行归一化处理；

步骤502：初始化RBF神经网络，确定基函数、散步常数和神经元个数；

步骤503：初始化Adaboost样本权值；

步骤504：将所述训练样本数据中的每组数据乘以初始权值作为训练集Set1；以所述训练集Set1中的缺陷漏磁信号特征值数据作为输入，以缺陷形状参数作为输出，训练初始化的所述RBF神经网络，得到RBF神经网络子模型1，其输出结果记为Y₁；

步骤505：计算所述输出结果Y₁中的数据组与训练样本数据中已知的缺陷性转参数数据组的相对误差，选出所述相对误差超过预设阈值的输出结果数据组，并记为错误结果，统计错误结果数，计算子模型1的错误率；

步骤506：根据所述步骤505得到的错误率，调整Adaboost样本权值，增大误差较大的数据组的样本权值，减小误差较小的数据组的样本权值，得到新的Adaboost样本权值；

步骤507：将每组训练样本数据与对应的所述新的Adaboost样本权值相乘，得到新的子训练集Set2，并用来训练新的RBF神经网络，记为RBF神经网络模型2，其输出结果记为Y₂，计算子模型2的错误率，方法同步骤505和步骤506；

步骤508：重复步骤507，直至得到错误率小于阈值的子模型；

步骤509：建立Adaboost-RBF神经网络初始模型，初始模型的输出公式为：

$Y_{A-\mathrm{RBF}}=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{w}_k{Y}_k$

其中，n为RBF神经网络子模型的个数；Y_A-RBF为Adaboost-RBF神经网络初始模型的输出，即缺陷形状参数；Y_k为第k个RBF神经网络子模型的输出结果；w_k为Y_k的权值。

8.根据权利要求1所述的一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，其特征在于，所述步骤6的具体方法为：

步骤601：将所述测试样本数据中缺陷的漏磁信号特征数据输入所述Adaboost-RBF神经网络初始模型，得到输出为缺陷形状参数；

步骤602：计算所述初始模型输出的缺陷形状数据与所述测试样本数据中缺陷形状参数的相对误差，当所述相对误差超过预设误差阈值时，将对应输出记为错误结果，并统计模型输出的错误结果数，计算模型错误率；

步骤603：当模型错误率小于预设错误率阈值时，当前Adaboost-RBF神经网络模型为最终可用的Adaboost-RBF神经网络模型，进入所述步骤7，否则，重新调节RBF神经网络的神经元个数与散布常数，再返回所述步骤5，重新建立Adaboost-RBF神经网络初始模型。

9.根据权利要求8所述的一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，其特征在于，所述重新调节的神经元个数与散布常数在初始的神经元个数与散布常数附近一定范围内变动。

10.根据权利要求1至9任一项所述的一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法，其特征在于，所述缺陷形状参数包括相应缺陷的长度、宽度和深度；所述长度为所述缺陷的轴向最长距离，所述宽度为所述缺陷的周向最长距离，所述深度为所述缺陷的径向最长距离。