CN106950276A - 一种基于卷积神经网络的管道缺陷深度的反演方法 - Google Patents
一种基于卷积神经网络的管道缺陷深度的反演方法 Download PDFInfo
- Publication number
- CN106950276A CN106950276A CN201710168186.5A CN201710168186A CN106950276A CN 106950276 A CN106950276 A CN 106950276A CN 201710168186 A CN201710168186 A CN 201710168186A CN 106950276 A CN106950276 A CN 106950276A
- Authority
- CN
- China
- Prior art keywords
- defect
- pipeline
- leakage signal
- depth
- neural networks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 169
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000010606 normalization Methods 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000000205 computational method Methods 0.000 claims description 4
- 238000005094 computer simulation Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000004907 flux Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于卷积神经网络的管道缺陷深度的反演方法,随机生成管道缺陷轮廓:生成n组管道缺陷深度矩阵,基于磁偶极子模型仿真得到n组管道缺陷轮廓的轴向漏磁信号,获取实测的k组管道缺陷深度矩阵,并采用磁场传感器测量其相应的轴向漏磁信号,构造卷积神经网络模型,采用仿真的管道缺陷轮廓的轴向漏磁信号和实测的管道缺陷轮廓的轴向漏磁信号对卷积神经网络模型进行训练,得到最终的卷积神经网络模型,将未知深度的管道缺陷的轴向漏磁信号进行预处理后,输入最终的卷积神经网络模型,得到未知深度的管道缺陷的深度预测值,本发明方法有效地减少了网络训练所需要的参数,减少了对缺陷反演所需的时间。
Description
技术领域
本发明属于故障诊断和人工智能技术领域,具体涉及一种基于卷积神经网络的管道缺陷深度的反演方法。
背景技术
在经济建设中,管道运输起着非常关键的作用。由于管道经常工作在恶劣的环境中,管壁会因腐蚀、外力等因素而变薄。这种带有缺陷的管道很容易导致泄漏事故的发生。
漏磁检测技术是目前国内外最有效的管道缺陷检测方法之一,由于其拥有较好的可靠性、较高的稳定性和较快的检测速度,这一技术越来越多的被用在管道缺陷的检测上。缺陷识别是管道漏磁检测系统的重要组成部分,只有进行正确的识别,才能够为业主提供准确的信息,判断管道能否被使用。随着现代计算机技术的发展,对管道的检测不仅仅局限于发现缺陷,更为重要的是能够对缺陷进行定量分析,也就是说,能够由缺陷漏磁信号反演到缺陷实际尺寸的问题。
其中,在管道缺陷的所有尺寸参数中,人们最为关心的是缺陷的深度信息。因为缺陷的深度直接关系到管道的失效压力,决定它能否继续使用。
漏磁信号的反演是尽可能地利用隐含在缺陷测量信号中的信息评估缺陷的深度参数。它的求解是一类典型的缺陷漏磁场和缺陷几何尺寸之间的非线性不完全映射问题。
反演问题中采取的方法有很多种,总的来说可以分为直接反演法和迭代反演法。
直接反演法是一种非模型的方法。它的主要步骤是:(1)获取缺陷的漏磁信号;(2)通过特征提取算法得到与计算缺陷深度有关的缺陷漏磁信号特征;(3)利用神经网络或支持向量机等智能算法建立这些漏磁信号特征与缺陷几何尺寸之间的关系。
通过上述步骤,就可以得到缺陷的几何尺寸数据。
直接反演算法具有一定的局限性:①需要大量的样本数据以建立漏磁信号特征与缺陷几何尺寸之间的映射关系,如果样本数量不足,则反演得到的结果误差较大;②需要有准确的特征提取算法作为基础,如果无法准确地提取缺陷漏磁信号的特征,就无法准确地建立漏磁信号特征与缺陷几何尺寸之间的关系;③反演结果受信号噪声和信号畸变的影响较大。
迭代反演法是一种基于模型的方法。迭代反演法的主要步骤是:(1)依据反演精度设定逼近阈值ε;(2)建立正演模型获得缺陷的漏磁信号;(3)比较正演信号和实测信号得到偏差结果d;(4)如果d小于ε,就将正演模型的缺陷尺寸作为反演结果;如果d大于ε,调整正演模型中的缺陷尺寸,并重复步骤(2)-(4)。
通过上述步骤,就可以得到缺陷的几何尺寸数据。
迭代反演法相比于直接反演法精度更高。但是迭代反演法仍然存在以下缺点:①需要较长的计算时间;②很难保证正演模型的准确性;③缺陷尺寸优化算法易陷入局部最优解;④反演结果受信号噪声和信号畸变的影响较大。
发明内容
针对现有技术的不足,本发明提出一种基于卷积神经网络的管道缺陷深度的反演方法。
本发明的技术方案是:
一种基于卷积神经网络的管道缺陷深度的反演方法,包括以下步骤:
步骤1:随机生成管道缺陷轮廓:生成n组管道缺陷深度矩阵D仿=(D1,D2,...,Dn),基于磁偶极子模型仿真得到n组管道缺陷轮廓的轴向漏磁信号Y仿=(Y1,Y2,...,Yn);
步骤1.1:随机生成一组管道缺陷轮廓:管道缺陷长度L、管道缺陷宽度W及其深度矩阵D:
步骤1.1.1:随机生成管道缺陷长度L和管道缺陷宽度W,其中,L∈Lmin~Lmax,W∈Wmin~Wmax,Lmin为随机生成管道缺陷长度的最小值,Lmax为随机生成管道缺陷长度的最大值,Wmin为随机生成管道缺陷宽度的最小值,Wmax为随机生成管道缺陷宽度的最大值;
步骤1.1.2:随机生成c个深度值d=(d1,d2,d3,...,dc)及其对应的深度点坐标其中,为深度dc的坐标;
步骤1.1.3:根据生成的c个深度值d=(d1,d2,d3,...,dc),采用三次样条算法,按照长度采样间隔ΔL和宽度采样间隔ΔW生成该组管道缺陷的深度矩阵D。
步骤1.2:采用磁偶极子模型对步骤1.1生成的管道缺陷轮廓进行仿真,得到仿真的管道缺陷轮廓的轴向漏磁信号Y;
步骤1.2.1:对生成的管道缺陷的尺寸进行扩展:对管道缺陷轴向方向两边分别扩展L/2,管道缺陷周向方向两侧分别扩展W/2,得到拓展后的管道缺陷;
步骤1.2.2:取扩展后的管道缺陷的缺陷单元Mij,采用轴向磁偶极子模型得到各缺陷单元的轴向漏磁信号Yij,并计算仿真的管道缺陷轮廓的轴向漏磁信号Y,其中i∈(-L,-L+ΔL,-L+2ΔL,...,L),j∈(-W,-W+ΔW,-W+2ΔW,...,W)。
步骤1.3:重复步骤1.1至步骤1.2,生成n组管道缺陷深度矩阵D仿=(D1,D2,...,Dn),并仿真得到n组管道缺陷轮廓的轴向漏磁信号Y仿=(Y1,Y2,...,Yn)。
步骤2:获取实测的k组管道缺陷深度矩阵D实=(D1,D2,...,Dk),并采用磁场传感器测量其相应的轴向漏磁信号Y实=(Y1,Y2,...,Yk);
步骤3:构造卷积神经网络模型,采用仿真的管道缺陷轮廓的轴向漏磁信号Y仿和实测的管道缺陷轮廓的轴向漏磁信号Y实进行预处理后对卷积神经网络模型进行训练,得到最终的卷积神经网络模型;
步骤3.1:将仿真的管道缺陷轮廓的轴向漏磁信号Y仿和实测的管道缺陷轮廓的轴向漏磁信号Y实转换为相应的仿真漏磁信号的灰度图像g仿=(g1,g2,...,gn)和实测漏磁信号的灰度图像g实=(g1,g2,...,gk);
步骤3.2:将仿真漏磁信号的灰度图像g仿=(g1,g2,...,gn)和实测漏磁信号的灰度图像g实=(g1,g2,...,gk)进行归一化处理;
步骤3.3:将归一化后的仿真漏磁信号的灰度图像g′仿=(g′1,g′2,...,g′n)和归一化后的实测漏磁信号的灰度图像g′实=(g′1,g′2,...,g′k)均缩放为N*N像素点的图像,得到n+k幅N*N像素点图像,作为卷积神经网络的输入图像集合G;
步骤3.4:根据n组管道缺陷深度矩阵D仿=(D1,D2,...,Dn)和k组管道缺陷深度矩阵D实=(D1,D2,...,Dk)中各深度矩阵中的最大深度值Dμmax和各缺陷深度的管壁厚度Dμwall得到各缺陷深度的标签Pμ,作为卷积神经网络的输出P=P1,P2,...,Pn+k,其中,μ∈1,2,...,n+k;
步骤3.5:将卷积神经网络的输入图像集合G与其对应的卷积神经网络的输出P=P1,P2,...,Pn+k一一对应后作为样本集中的样本,构造卷积神经网络模型,对卷积神经网络模型进行训练,得到最终的卷积神经网络模型。
步骤4:采用磁场传感器测得未知深度的管道缺陷的轴向漏磁信号Y测,将未知深度的管道缺陷的轴向漏磁信号Y测进行预处理后,输入最终的卷积神经网络模型,得到未知深度的管道缺陷的深度预测值D测。
步骤4.1:采用磁场传感器测得未知深度的管道缺陷的轴向漏磁信号Y测,转换为相应的未知深度漏磁信号的灰度图像g测;
步骤4.2:将未知深度漏磁信号的灰度图像g测进行归一化处理;
步骤4.3:将归一化后的未知深度漏磁信号的灰度图像g′测缩放为N*N像素点的图像,输入最终的卷积神经网络模型,得到其对应的缺陷深度的标签P测,即未知深度的管道缺陷的深度预测值。
本发明的有益效果:
本发明提出一种基于卷积神经网络的管道缺陷深度的反演方法,本发明方法采用卷积神经网络中的局部感受野和权值共享方法,有效地减少了网络训练所需要的参数,减少了对缺陷反演所需的时间。与现有技术相比,本发明提高了反演精度,减少了反演时间,同时对于信号噪声具有较好的鲁棒性。
附图说明
图1为本发明具体实施方式中基于卷积神经网络的管道缺陷深度的反演方法的流程图;
图2为本发明具体实施方式中卷积神经网络示意图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细说明。
1、一种基于卷积神经网络的管道缺陷深度的反演方法,如图1所示,包括以下步骤:
步骤1:随机生成管道缺陷轮廓:生成n组管道缺陷深度矩阵D仿=(D1,D2,...,Dn),基于磁偶极子模型仿真得到n组管道缺陷轮廓的轴向漏磁信号Y仿=(Y1,Y2,...,Yn)。
步骤1.1:随机生成一组管道缺陷轮廓:管道缺陷长度L、管道缺陷宽度W及其深度矩阵D。
步骤1.1.1:随机生成管道缺陷长度L和管道缺陷宽度W,其中,L∈Lmin~Lmax,W∈Wmin~Wmax,Lmin为随机生成管道缺陷长度的最小值,Lmax为随机生成管道缺陷长度的最大值,Wmin为随机生成管道缺陷宽度的最小值,Wmax为随机生成管道缺陷宽度的最大值。
本实施方式中,随机生成管道缺陷长度L=40mm,其中,Lmin=5mm为随机生成管道缺陷长度的最小值,Lmax=60mm为随机生成管道缺陷长度的最大值,随机生成管道缺陷宽度W=30mm,Wmin=5mm为随机生成管道缺陷宽度的最小值,Wmax=60mm为随机生成管道缺陷宽度的最大值。
步骤1.1.2:随机生成c个深度值d=(d1,d2,d3,...,dc)及其对应的深度点坐标其中,为深度dc的坐标。
本实施方式中,随机生成c=4个深度值d=(d1,d2,d3,d4)=(3,1,4,6),对应的深度点坐标
步骤1.1.3:根据生成的c个深度值d=(d1,d2,d3,...,dc),采用三次样条算法,按照长度采样间隔ΔL和宽度采样间隔ΔW生成该组管道缺陷的深度矩阵D。
本实施方式中,根据生成的4个深度值d=(3,1,4,6)采用三次样条算法,按照长度采样间隔ΔL=1mm和宽度采样间隔ΔW=1mm生成该组管道缺陷的深度矩阵D如式(1)所示:
步骤1.2:采用磁偶极子模型对步骤1.1生成的管道缺陷轮廓进行仿真,得到仿真的管道缺陷轮廓的轴向漏磁信号Y。
步骤1.2.1:对生成的管道缺陷的尺寸进行扩展:对管道缺陷轴向方向两边分别扩展L/2,管道缺陷周向方向两侧分别扩展W/2,得到拓展后的管道缺陷。
本实施方式中,对管道缺陷轴向两边分别扩展20mm,管道缺陷周向两侧分别扩展15mm。得到缺陷的检测区域长80mm、宽60mm。
步骤1.2.2:取扩展后的管道缺陷的缺陷单元Mij,采用轴向磁偶极子模型得到各缺陷单元的轴向漏磁信号Yij,并计算仿真的管道缺陷轮廓的轴向漏磁信号Y,其中i∈(-L,-L+ΔL,-L+2ΔL,...,L),j∈(-W,-W+ΔW,-W+2ΔW,...,W)。
本实施方式中,取扩展后的管道缺陷的缺陷单元Mij,采用轴向磁偶极子模型得到各缺陷单元的轴向漏磁信号Yij如式(2)所示:
其中,Dij为缺陷单元Mij的深度,x为轴向检测向量(-L,-L+ΔL,-L+2ΔL,......,2L),y为周向检测向量(-W,-W+ΔW,-W+2ΔW,...,W),σms=2.53e-5为等效磁化面电荷,μ0=4π×10-7为真空磁导率,z为提离值。
得到的仿真的各缺陷单元的轴向漏磁信号Yij如式(3)所示:
计算仿真的管道缺陷轮廓的轴向漏磁信号Y如式(4)所示:
步骤1.3:重复步骤1.1至步骤1.2,生成n组管道缺陷深度矩阵D仿=(D1,D2,...,Dn),并仿真得到n组管道缺陷轮廓的轴向漏磁信号Y仿=(Y1,Y2,...,Yn)。
本实施方式中,共生成60000组管道缺陷深度矩阵D仿=(D1,D2,...,D60000),并仿真得到60000组管道缺陷轮廓的轴向漏磁信号Y仿=(Y1,Y2,...,Y60000)。
步骤2:获取实测的k组管道缺陷深度矩阵D实=(D1,D2,...,Dk),并采用磁场传感器测量其相应的轴向漏磁信号Y实=(Y1,Y2,...,Yk)。
本实施方式中,获取实测的100组管道缺陷深度矩阵D实=(D1,D2,...,D100),并采用磁场传感器测量其相应的轴向漏磁信号Y实=(Y1,Y2,...,Y100)。
步骤3:构造卷积神经网络模型,采用仿真的管道缺陷轮廓的轴向漏磁信号Y仿和实测的管道缺陷轮廓的轴向漏磁信号Y实进行预处理后对卷积神经网络模型进行训练,得到最终的卷积神经网络模型。
步骤3.1:将仿真的管道缺陷轮廓的轴向漏磁信号Y仿和实测的管道缺陷轮廓的轴向漏磁信号Y实转换为相应的仿真漏磁信号的灰度图像g仿=(g1,g2,...,g60000)和实测漏磁信号的灰度图像g实=(g1,g2,...,g100)。
步骤3.2:将仿真漏磁信号的灰度图像g仿=(g1,g2,...,g60000)和实测漏磁信号的灰度图像g实=(g1,g2,...,g100)进行归一化处理。
本实施方式中,将仿真漏磁信号的灰度图像g仿=(g1,g2,...,g60000)和实测漏磁信号的灰度图像g实=(g1,g2,...,g100)进行归一化处理,将其灰度值归一化到[0,1]之间。
步骤3.3:将归一化后的仿真漏磁信号的灰度图像g′仿=(g′1,g′2,...,g′60000)和归一化后的实测漏磁信号的灰度图像g′实=(g′1,g′2,...,g′100)均缩放为N*N像素点的图像,得到n+k幅N*N像素点图像,作为卷积神经网络的输入图像集合G。
本实施方式中,将归一化后的仿真漏磁信号的灰度图像g′仿=(g′1,g′2,...,g′60000)和归一化后的实测漏磁信号的灰度图像g′实=(g′1,g′2,...,g′100)均缩放为56×56像素点的图像,得到60100幅56×56像素点图像,作为卷积神经网络的输入图像集合G。
步骤3.4:根据60000组管道缺陷深度矩阵D仿=(D1,D2,...,D60000)和100组管道缺陷深度矩阵D实=(D1,D2,...,Dk)中各深度矩阵中的最大深度值Dμmax和各缺陷深度的管壁厚度Dμwall得到各缺陷深度的标签Pμ,作为卷积神经网络的输出P=P1,P2,...,Pn+k,其中,μ∈1,2,...,n+k。
本实施方式中,各缺陷深度的标签Pμ的计算公式如式(5)所示:
Pμ=round(Dμmax/Dμwall×10) (5)
其中,缺陷最大深度为Dμmax=7mm,管壁厚度为Dμwall=10mm,round()为对数作四舍五入取整运算。
步骤3.5:将卷积神经网络的输入图像集合G与其对应的卷积神经网络的输出P=P1,P2,...,Pn+k一一对应后作为样本集中的样本,构造卷积神经网络模型,对卷积神经网络模型进行训练,得到最终的卷积神经网络模型。
本实施方式中,构造的卷积神经网络模型如图2所示,为5层卷积神经网络,卷积神经网络的中间层包括2个卷积层,2个降采样层和1个全连接层。其中,每个卷积层后面都紧跟着一个用来求局部加权平均的降采样层作为二次特征提取。这种特有的两次特征提取相结合的结构使网络对输入图片具有一定的容忍噪声能力,即表现为网络的鲁棒性。
指定卷积神经网络的输入为56×56的灰度图。卷积层C1有8张52×52特征图,池化层S2有8张13×13特征图,卷积层C3有16张9×9特征图,池化层S4有16张3×3特征图。连接层p设置144个节点,输出层设置10个节点。
步骤3.5.1:采用不同的小随机数初始化卷积神经网络中待训练参数。
步骤3.5.2:将卷积神经网络的输入图像集合G与其对应的卷积神经网络的输出P=P1,P2,...,Pn+k一一对应后作为样本集中的样本,从样本集中随机选取80%个样本作为训练样本,将20%个样本作为测试样本。每条样本包括输入向量和理想输出向量。
步骤3.5.3:将训练样本输入卷积神经网络进行训练,输入向量经过逐层变换,传送到输出层,得到实际输出向量。
步骤3.5.4:使用交叉熵损失函数,结合BP反向传播算法调整卷积神经网络参数,利用softmax回归作为分类算法,完成卷积神经网络的训练。
步骤3.5.5:重复步骤3.5.3至步骤3.5.4将卷积神经网络反复训练100次,其中测试成功率最高为95%,将其作为最终的卷积神经网络模型。
步骤4:采用磁场传感器测得未知深度的管道缺陷的轴向漏磁信号Y测,将未知深度的管道缺陷的轴向漏磁信号Y测进行预处理后,输入最终的卷积神经网络模型,得到未知深度的管道缺陷的深度预测值。
步骤4.1:采用磁场传感器测得未知深度的管道缺陷的轴向漏磁信号Y测,转换为相应的未知深度漏磁信号的灰度图像g测;
步骤4.2:将未知深度漏磁信号的灰度图像g测进行归一化处理;
步骤4.3:将归一化后的未知深度漏磁信号的灰度图像g′测缩放为N*N像素点的图像,输入最终的卷积神经网络模型,得到未知深度的管道缺陷的深度预测值D测。
本实施方式中,根据计算得到的未知深度的管道缺陷的深度预测值D测与实际深度D实的误差δ如式(6)所示:
测试200个未知缺陷,准确度达到90%。
Claims (6)
1.一种基于卷积神经网络的管道缺陷深度的反演方法,其特征在于,包括以下步骤:
步骤1:随机生成管道缺陷轮廓:生成n组管道缺陷深度矩阵D仿=(D1,D2,...,Dn),基于磁偶极子模型仿真得到n组管道缺陷轮廓的轴向漏磁信号Y仿=(Y1,Y2,...,Yn);
步骤2:获取实测的k组管道缺陷深度矩阵D实=(D1,D2,...,Dk),并采用磁场传感器测量其相应的轴向漏磁信号Y实=(Y1,Y2,...,Yk);
步骤3:构造卷积神经网络模型,采用仿真的管道缺陷轮廓的轴向漏磁信号Y仿和实测的管道缺陷轮廓的轴向漏磁信号Y实进行预处理后对卷积神经网络模型进行训练,得到最终的卷积神经网络模型;
步骤4:采用磁场传感器测得未知深度的管道缺陷的轴向漏磁信号Y测,将未知深度的管道缺陷的轴向漏磁信号Y测进行预处理后,输入最终的卷积神经网络模型,得到未知深度的管道缺陷的深度预测值D测。
2.根据权利要求1所述的基于卷积神经网络的管道缺陷深度的反演方法,其特征在于,所述步骤1包括以下步骤:
步骤1.1:随机生成一组管道缺陷轮廓:管道缺陷长度L、管道缺陷宽度W及其深度矩阵D;
步骤1.2:采用磁偶极子模型对步骤1.1生成的管道缺陷轮廓进行仿真,得到仿真的管道缺陷轮廓的轴向漏磁信号Y;
步骤1.3:重复步骤1.1至步骤1.2,生成n组管道缺陷深度矩阵D仿=(D1,D2,...,Dn),并仿真得到n组管道缺陷轮廓的轴向漏磁信号Y仿=(Y1,Y2,...,Yn)。
3.根据权利要求1所述的基于卷积神经网络的管道缺陷深度的反演方法,其特征在于,所述步骤3包括以下步骤:
步骤3.1:将仿真的管道缺陷轮廓的轴向漏磁信号Y仿和实测的管道缺陷轮廓的轴向漏磁信号Y实转换为相应的仿真漏磁信号的灰度图像g仿=(g1,g2,...,gn)和实测漏磁信号的灰度图像g实=(g1,g2,...,gk);
步骤3.2:将仿真漏磁信号的灰度图像g仿=(g1,g2,...,gn)和实测漏磁信号的灰度图像g实=(g1,g2,...,gk)进行归一化处理;
步骤3.3:将归一化后的仿真漏磁信号的灰度图像g′仿=(g′1,g′2,...,g′n)和归一化后的实测漏磁信号的灰度图像g′实=(g′1,g′2,...,g′k)均缩放为N*N像素点的图像,得到n+k幅N*N像素点图像,作为卷积神经网络的输入图像集合G;
步骤3.4:根据n组管道缺陷深度矩阵D仿=(D1,D2,...,Dn)和k组管道缺陷深度矩阵D实=(D1,D2,...,Dk)中各深度矩阵中的最大深度值Dμmax和各缺陷深度的管壁厚度Dμwall得到各缺陷深度的标签Pμ,作为卷积神经网络的输出P=P1,P2,...,Pn+k,其中,μ∈1,2,...,n+k;
步骤3.5:将卷积神经网络的输入图像集合G与其对应的卷积神经网络的输出P=P1,P2,...,Pn+k一一对应后作为样本集中的样本,构造卷积神经网络模型,对卷积神经网络模型进行训练,得到最终的卷积神经网络模型。
4.根据权利要求1所述的基于卷积神经网络的管道缺陷深度的反演方法,其特征在于,所述步骤4包括以下步骤:
步骤4.1:采用磁场传感器测得未知深度的管道缺陷的轴向漏磁信号Y测,转换为相应的未知深度漏磁信号的灰度图像g测;
步骤4.2:将未知深度漏磁信号的灰度图像g测进行归一化处理;
步骤4.3:将归一化后的未知深度漏磁信号的灰度图像g′测缩放为N*N像素点的图像,输入最终的卷积神经网络模型,得到其对应的缺陷深度的标签P测,即未知深度的管道缺陷的深度预测值。
5.根据权利要求2所述的基于卷积神经网络的管道缺陷深度的反演方法,其特征在于,所述步骤1.1包括以下步骤:
步骤1.1.1:随机生成管道缺陷长度L和管道缺陷宽度W,其中,L∈Lmin~Lmax,W∈Wmin~Wmax,Lmin为随机生成管道缺陷长度的最小值,Lmax为随机生成管道缺陷长度的最大值,Wmin为随机生成管道缺陷宽度的最小值,Wmax为随机生成管道缺陷宽度的最大值;
步骤1.1.2:随机生成c个深度值d=(d1,d2,d3,...,dc)及其对应的深度点坐标其中,为深度dc的坐标;
步骤1.1.3:根据生成的c个深度值d=(d1,d2,d3,...,dc),采用三次样条算法,按照长度采样间隔ΔL和宽度采样间隔ΔW生成该组管道缺陷的深度矩阵D。
6.根据权利要求2所述的基于卷积神经网络的管道缺陷深度的反演方法,其特征在于,所述步骤1.2包括以下步骤:
步骤1.2.1:对生成的管道缺陷的尺寸进行扩展:对管道缺陷轴向方向两边分别扩展L/2,管道缺陷周向方向两侧分别扩展W/2,得到拓展后的管道缺陷;
步骤1.2.2:取扩展后的管道缺陷的缺陷单元Mij,采用轴向磁偶极子模型得到各缺陷单元的轴向漏磁信号Yij,并计算仿真的管道缺陷轮廓的轴向漏磁信号Y,其中i∈(-L,-L+ΔL,-L+2ΔL,...,L),j∈(-W,-W+ΔW,-W+2ΔW,...,W)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710168186.5A CN106950276B (zh) | 2017-03-21 | 2017-03-21 | 一种基于卷积神经网络的管道缺陷深度的反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710168186.5A CN106950276B (zh) | 2017-03-21 | 2017-03-21 | 一种基于卷积神经网络的管道缺陷深度的反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106950276A true CN106950276A (zh) | 2017-07-14 |
CN106950276B CN106950276B (zh) | 2020-05-05 |
Family
ID=59472665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710168186.5A Expired - Fee Related CN106950276B (zh) | 2017-03-21 | 2017-03-21 | 一种基于卷积神经网络的管道缺陷深度的反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106950276B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106918639A (zh) * | 2017-04-18 | 2017-07-04 | 清华大学 | 沿磁化方向的单元组合缺陷漏磁信号计算方法 |
CN107817290A (zh) * | 2017-10-19 | 2018-03-20 | 清华大学 | 一种基于深度‑提离值变换的缺陷漏磁信号求解方法 |
CN109613109A (zh) * | 2018-12-19 | 2019-04-12 | 智云安科技(北京)有限公司 | 一种管道漏磁检测数据自动分析系统 |
CN110096790A (zh) * | 2019-04-28 | 2019-08-06 | 东北大学 | 一种基于强化学习的不规则缺陷漏磁信号反演方法 |
CN110108783A (zh) * | 2019-05-14 | 2019-08-09 | 上海市特种设备监督检验技术研究院 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析系统 |
CN111448453A (zh) * | 2017-10-06 | 2020-07-24 | 罗森瑞士股份公司 | 确定缺陷的几何结构的方法以及确定负荷能力极限的方法 |
CN111750283A (zh) * | 2020-06-26 | 2020-10-09 | 西北工业大学 | 基于深度学习的强背景噪声环境下的气体管道泄漏识别方法 |
CN113049676A (zh) * | 2021-03-09 | 2021-06-29 | 中国矿业大学 | 一种管道缺陷量化分析方法 |
CN113063845A (zh) * | 2021-03-25 | 2021-07-02 | 西南石油大学 | 一种基于自漏磁场和人工神经网络的埋地管线埋深快速探测方法 |
CN113390956A (zh) * | 2021-06-18 | 2021-09-14 | 西安建筑科技大学 | 双磁敏元件探头及基于探头的漏磁检测缺陷定量评价方法 |
CN113899809A (zh) * | 2021-08-20 | 2022-01-07 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
WO2022196425A1 (ja) * | 2021-03-16 | 2022-09-22 | 住友化学株式会社 | 情報処理方法、プログラム、情報処理装置及びモデル生成方法 |
CN115264408A (zh) * | 2022-06-23 | 2022-11-01 | 大连理工大学 | 一种基于音频处理的管道泄漏检测方法及系统 |
US11488010B2 (en) | 2018-12-29 | 2022-11-01 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
CN115791957A (zh) * | 2022-11-25 | 2023-03-14 | 国网四川省电力公司映秀湾水力发电总厂 | 高压电缆铅封缺陷脉冲涡流检测方法、系统、终端及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002122571A (ja) * | 2000-10-12 | 2002-04-26 | Kenzo Miya | 欠陥検査方法と欠陥検査装置 |
CN103544705A (zh) * | 2013-10-25 | 2014-01-29 | 华南理工大学 | 一种基于深度卷积神经网络的图像质量测试方法 |
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN104990977A (zh) * | 2015-06-29 | 2015-10-21 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
-
2017
- 2017-03-21 CN CN201710168186.5A patent/CN106950276B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002122571A (ja) * | 2000-10-12 | 2002-04-26 | Kenzo Miya | 欠陥検査方法と欠陥検査装置 |
CN103544705A (zh) * | 2013-10-25 | 2014-01-29 | 华南理工大学 | 一种基于深度卷积神经网络的图像质量测试方法 |
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN104990977A (zh) * | 2015-06-29 | 2015-10-21 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
CN106018545A (zh) * | 2016-06-29 | 2016-10-12 | 东北大学 | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 |
Non-Patent Citations (2)
Title |
---|
FENG JIAN ET AL.: "Injurious or Noninjurious Defect Identification From MFL Images in Pipeline Inspection Using Convolutional Neural Network", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
马凤铭 等: "BP神经网络在管道缺陷定量识别中的应用", 《鞍山师范学院学报》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106918639B (zh) * | 2017-04-18 | 2019-07-02 | 清华大学 | 沿磁化方向的单元组合缺陷漏磁信号计算方法 |
CN106918639A (zh) * | 2017-04-18 | 2017-07-04 | 清华大学 | 沿磁化方向的单元组合缺陷漏磁信号计算方法 |
CN111448453A (zh) * | 2017-10-06 | 2020-07-24 | 罗森瑞士股份公司 | 确定缺陷的几何结构的方法以及确定负荷能力极限的方法 |
CN107817290A (zh) * | 2017-10-19 | 2018-03-20 | 清华大学 | 一种基于深度‑提离值变换的缺陷漏磁信号求解方法 |
CN109613109A (zh) * | 2018-12-19 | 2019-04-12 | 智云安科技(北京)有限公司 | 一种管道漏磁检测数据自动分析系统 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析系统 |
US11488010B2 (en) | 2018-12-29 | 2022-11-01 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
CN110096790B (zh) * | 2019-04-28 | 2022-05-20 | 东北大学 | 一种基于强化学习的不规则缺陷漏磁信号反演方法 |
CN110096790A (zh) * | 2019-04-28 | 2019-08-06 | 东北大学 | 一种基于强化学习的不规则缺陷漏磁信号反演方法 |
CN110108783A (zh) * | 2019-05-14 | 2019-08-09 | 上海市特种设备监督检验技术研究院 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
CN111750283A (zh) * | 2020-06-26 | 2020-10-09 | 西北工业大学 | 基于深度学习的强背景噪声环境下的气体管道泄漏识别方法 |
CN113049676A (zh) * | 2021-03-09 | 2021-06-29 | 中国矿业大学 | 一种管道缺陷量化分析方法 |
WO2022196425A1 (ja) * | 2021-03-16 | 2022-09-22 | 住友化学株式会社 | 情報処理方法、プログラム、情報処理装置及びモデル生成方法 |
CN113063845A (zh) * | 2021-03-25 | 2021-07-02 | 西南石油大学 | 一种基于自漏磁场和人工神经网络的埋地管线埋深快速探测方法 |
CN113390956A (zh) * | 2021-06-18 | 2021-09-14 | 西安建筑科技大学 | 双磁敏元件探头及基于探头的漏磁检测缺陷定量评价方法 |
CN113390956B (zh) * | 2021-06-18 | 2024-02-20 | 西安建筑科技大学 | 双磁敏元件探头及基于探头的漏磁检测缺陷定量评价方法 |
CN113899809A (zh) * | 2021-08-20 | 2022-01-07 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
CN113899809B (zh) * | 2021-08-20 | 2024-02-27 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
CN115264408A (zh) * | 2022-06-23 | 2022-11-01 | 大连理工大学 | 一种基于音频处理的管道泄漏检测方法及系统 |
CN115791957A (zh) * | 2022-11-25 | 2023-03-14 | 国网四川省电力公司映秀湾水力发电总厂 | 高压电缆铅封缺陷脉冲涡流检测方法、系统、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106950276B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106950276A (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
Feng et al. | Injurious or noninjurious defect identification from MFL images in pipeline inspection using convolutional neural network | |
CN112130132B (zh) | 基于探地雷达和深度学习的地下管线探测方法和系统 | |
CN105809693B (zh) | 基于深度神经网络的sar图像配准方法 | |
CN110659591B (zh) | 基于孪生网络的sar图像变化检测方法 | |
CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
CN111639747B (zh) | 一种基于bp神经网络的gnss-r海面风速反演方法及系统 | |
CN111639746B (zh) | 一种基于cnn神经网络的gnss-r海面风速反演方法及系统 | |
CN105844279A (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
CN113009447B (zh) | 基于深度学习和探地雷达的道路地下空洞检测预警方法 | |
CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统 | |
CN111161224A (zh) | 基于深度学习的铸件内部缺陷分级评估系统及方法 | |
Wang et al. | Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM | |
CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN104680151B (zh) | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 | |
CN102158486A (zh) | 一种网络入侵快速检测方法 | |
CN110297041A (zh) | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 | |
CN103268607A (zh) | 一种弱监督条件下的共同对象检测方法 | |
CN109556797A (zh) | 基于样条局部均值分解和卷积神经网络的管道泄漏检测与定位方法 | |
CN110108783B (zh) | 一种基于卷积神经网络的管道缺陷检测方法和装置 | |
CN113640712B (zh) | 一种舰船垂向感应磁场垂向分量的预测方法 | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
CN112734695B (zh) | 基于区域增强卷积神经网络的sar图像变化检测方法 | |
Hu et al. | Defects identification and location of underground space for ground penetrating radar based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200505 |