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

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

一种基于卷积神经网络的管道缺陷深度的反演方法

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，...，D_n)，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，...，Y_n)；

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∈L_min～L_max，W∈W_min～W_max，L_min为随机生成管道缺陷长度的最小值，L_max为随机生成管道缺陷长度的最大值，W_min为随机生成管道缺陷宽度的最小值，W_max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，...，d_c)及其对应的深度点坐标其中，为深度d_c的坐标；

步骤1.1.3：根据生成的c个深度值d＝(d₁，d₂，d₃，...，d_c)，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M_ij，采用轴向磁偶极子模型得到各缺陷单元的轴向漏磁信号Y_ij，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，...，D_n)，并仿真得到n组管道缺陷轮廓的轴向漏磁信号Y_仿＝(Y₁，Y₂，...，Y_n)。

步骤2：获取实测的k组管道缺陷深度矩阵D_实＝(D₁，D₂，...，D_k)，并采用磁场传感器测量其相应的轴向漏磁信号Y_实＝(Y₁，Y₂，...，Y_k)；

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，...，g_n)和实测漏磁信号的灰度图像g_实＝(g₁，g₂，...，g_k)；

步骤3.2：将仿真漏磁信号的灰度图像g_仿＝(g₁，g₂，...，g_n)和实测漏磁信号的灰度图像g_实＝(g₁，g₂，...，g_k)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，...，D_n)和k组管道缺陷深度矩阵D_实＝(D₁，D₂，...，D_k)中各深度矩阵中的最大深度值D_μmax和各缺陷深度的管壁厚度D_μwall得到各缺陷深度的标签P_μ，作为卷积神经网络的输出P＝P₁，P₂，...，P_n+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，...，P_n+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，...，D_n)，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，...，Y_n)。

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∈L_min～L_max，W∈W_min～W_max，L_min为随机生成管道缺陷长度的最小值，L_max为随机生成管道缺陷长度的最大值，W_min为随机生成管道缺陷宽度的最小值，W_max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，L_min＝5mm为随机生成管道缺陷长度的最小值，L_max＝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，W_min＝5mm为随机生成管道缺陷宽度的最小值，W_max＝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，...，d_c)及其对应的深度点坐标其中，为深度d_c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，...，d_c)，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M_ij，采用轴向磁偶极子模型得到各缺陷单元的轴向漏磁信号Y_ij，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M_ij，采用轴向磁偶极子模型得到各缺陷单元的轴向漏磁信号Y_ij如式(2)所示：

其中，D_ij为缺陷单元M_ij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)，σ_ms＝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Y_ij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，...，D_n)，并仿真得到n组管道缺陷轮廓的轴向漏磁信号Y_仿＝(Y₁，Y₂，...，Y_n)。

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，...，D_k)，并采用磁场传感器测量其相应的轴向漏磁信号Y_实＝(Y₁，Y₂，...，Y_k)。

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，...，D_k)中各深度矩阵中的最大深度值D_μmax和各缺陷深度的管壁厚度D_μwall得到各缺陷深度的标签P_μ，作为卷积神经网络的输出P＝P₁，P₂，...，P_n+k，其中，μ∈1，2，...，n+k。

本实施方式中，各缺陷深度的标签P_μ的计算公式如式(5)所示：

P_μ＝round(D_μmax/D_μwall×10) (5)

其中，缺陷最大深度为D_μmax＝7mm，管壁厚度为D_μwall＝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，...，P_n+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，...，P_n+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，...，D_n)，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，...，Y_n)；

步骤2：获取实测的k组管道缺陷深度矩阵D_实＝(D₁，D₂，...，D_k)，并采用磁场传感器测量其相应的轴向漏磁信号Y_实＝(Y₁，Y₂，...，Y_k)；

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，...，D_n)，并仿真得到n组管道缺陷轮廓的轴向漏磁信号Y_仿＝(Y₁，Y₂，...，Y_n)。

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，...，g_n)和实测漏磁信号的灰度图像g_实＝(g₁，g₂，...，g_k)；

步骤3.2：将仿真漏磁信号的灰度图像g_仿＝(g₁，g₂，...，g_n)和实测漏磁信号的灰度图像g_实＝(g₁，g₂，...，g_k)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，...，D_n)和k组管道缺陷深度矩阵D_实＝(D₁，D₂，...，D_k)中各深度矩阵中的最大深度值D_μmax和各缺陷深度的管壁厚度D_μwall得到各缺陷深度的标签P_μ，作为卷积神经网络的输出P＝P₁，P₂，...，P_n+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，...，P_n+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∈L_min～L_max，W∈W_min～W_max，L_min为随机生成管道缺陷长度的最小值，L_max为随机生成管道缺陷长度的最大值，W_min为随机生成管道缺陷宽度的最小值，W_max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，...，d_c)及其对应的深度点坐标其中，为深度d_c的坐标；

步骤1.1.3：根据生成的c个深度值d＝(d₁，d₂，d₃，...，d_c)，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M_ij，采用轴向磁偶极子模型得到各缺陷单元的轴向漏磁信号Y_ij，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)。