CN108131568A - 一种管道无损检测的人工智能识别方法 - Google Patents
一种管道无损检测的人工智能识别方法 Download PDFInfo
- Publication number
- CN108131568A CN108131568A CN201711393735.5A CN201711393735A CN108131568A CN 108131568 A CN108131568 A CN 108131568A CN 201711393735 A CN201711393735 A CN 201711393735A CN 108131568 A CN108131568 A CN 108131568A
- Authority
- CN
- China
- Prior art keywords
- function
- ultrasonic
- damage
- pipeline
- detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 16
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 239000007788 liquid Substances 0.000 claims abstract description 17
- 230000008595 infiltration Effects 0.000 claims abstract description 14
- 238000001764 infiltration Methods 0.000 claims abstract description 14
- 238000002604 ultrasonography Methods 0.000 claims abstract description 10
- 230000001627 detrimental effect Effects 0.000 claims abstract description 8
- 230000001066 destructive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/0806—Details, e.g. sample holders, mounting samples for testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/082—Investigating permeability by forcing a fluid through a sample
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/048—Marking the faulty objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种管道无损检测的人工智能识别方法,属于管道无损检测领域和人工智能识别领域。它包括以下步骤:采用超声检测方法对可能有损的管道进行检测,并记录下超声检测结果;采用渗透检测方法对可能有损的管道重复检测,并记录下渗透检测的结果;根据超声检测的结果,建立超声数学期望值和超声欧拉距离函数;根据渗透检测的结果,建立各个检测点的渗透数学期望值和渗透欧拉距离函数;将超声欧拉距离函数与渗透欧拉距离函数进行加权求和组成损伤函数;给出各个检测点或检测部位的损伤函数,损伤函数越大表示管道损伤越严重。本发明是一种无需人工参与识别检测结果、识别管道损伤部位准确率更高的人工智能识别方法。
Description
技术领域
本发明主要涉及管道无损检测领域和人工智能识别领域,特指一种管道无损检测的人工智能识别方法。
背景技术
对管道的无损检测后进行损伤识别是无损检测识别中的研究热点之一。现有技术中,均采用单一检测数据库进行损伤识别,这种识别方法存在一定的缺陷:单一检测结果存在一定的不可靠性,检测结果的识别准确率较低。尽管所有的检测数据均是采用微机进行处理,然而最后的识别仍然要由人工辅助完成。因此,需要提出一种完全由计算机进行智能识别的损伤识别方法,代替人工的参与。
发明内容
本发明需解决的技术问题是:针对现有技术存在的技术问题,本发明提供一种无需人工参与识别检测结果、具有双重检测方法加权处理检测数据、从而提高管道损伤部位识别准确率的管道无损检测的人工智能识别方法。
为了解决上述问题,本发明提出的解决方案为:一种管道无损检测的人工智能识别方法,它包括以下步骤:
步骤一、采用超声检测方法对可能有损的管道进行检测,并记录下超声检测结果;
步骤二、采用渗透检测方法对可能有损的管道重复检测,并记录下渗透检测的结果;
步骤三、根据超声检测的结果,建立各个检测点的超声数学期望值,以及偏离数学期望值的超声欧拉距离函数;
步骤四、根据渗透检测的结果,建立各个检测点的渗透数学期望值,以及偏离数学期望值的渗透欧拉距离函数;
五、将步骤三中的超声欧拉距离函数与步骤四中的渗透欧拉距离函数进行加权求和,进行归一化处理组成损伤函数,所述损伤函数的数值大小即可表示管道损伤的程度;
步骤六、根据步骤五给出各个检测点或检测部位的损伤函数,损伤函数越大表示管道损伤越严重。
进一步的,所述步骤二渗透检测的检测点或检测部位必须与所述步骤一中超声检测的检测点或检测部位一一对应。
进一步的,所述步骤五中的加权求和中,选择权函数时可根据步骤一种的超声检测精度与步骤二中的渗透检测精度确定相对大小。
本发明与现有技术相比,具有如下优点和有益效果:
本发明的一种管道无损检测的人工智能识别方法,同时采用超声检测和渗透检测,克服了单一检测结果的不可靠性,并根据检测的相对精度取加权函数构建损伤函数,最后根据损伤函数的相对大小给出管道损伤程度的识别,从而提高管道损伤点的识别准确率。由此可知,本发明的人工识别方法无需人工参与识别检测结果、具有双重检测方法加权处理检测数据、对管道损伤部位识别准确率更高。
附图说明
图1是本发明的一种管道无损检测的人工智能识别方法的识别步骤流程图。
具体实施方式
以下将结合附图和具体实施例对本发明作进一步详细说明。
参见图1所示,本发明的一种管道无损检测的人工智能识别方法,包括以下步骤:
参见图1所示,步骤一、采用超声检测方法对可能有损的管道进行检测,并记录下超声检测结果ft=f(xt);式中,xi为管道检测的检测点坐标,fi为检测xi的超声检测结果。
参见图1所示,步骤二、采用渗透检测方法对可能有损的管道重复检测,并记录下渗透检测的结果gt=g(xt);式中,xi为管道检测的检测点坐标,gt为检测xi的渗透检测结果。
参见图1所示,步骤三、根据超声检测的结果,建立各个检测点的超声数学期望值以及偏离数学期望值的超声欧拉距离函数
参见图1所示,步骤四、根据渗透检测的结果,建立各个检测点的渗透数学期望值以及偏离数学期望值的渗透欧拉距离函数
参见图1所示,步骤五、将步骤三中的超声欧拉距离函数与步骤四中的渗透欧拉距离函数进行加权求和,进行归一化处理组成损伤函数损伤函数的数值大小即可表示管道损伤的程度;式中λ为权函数,且满足条件λ∈(0,1)。
参见图1所示,六、根据步骤五给出各个检测点或检测部位的损伤函数,损伤函数越大表示管道损伤越严重。
参见图1所示,作为优选的,步骤二渗透检测的检测点或检测部位必须与步骤一中超声检测的检测点或检测部位一一对应。
参见图1所示,作为优选的,步骤五中的加权求和中,选择权函数λ可根据步骤一种的超声检测精度与步骤二中的渗透检测精度确定相对大小。
作为优选的,当超声检测精度与渗透检测精度基本相当时,取λ=0.5;当超声检测精度明显高于渗透检测精度时,取λ=0.6-0.8;当超声检测精度明显低于渗透检测精度时,取λ=0.2-0.4。
作为优选的,欧拉距离函数定义为四次方,
即
Claims (3)
1.一种管道无损检测的人工智能识别方法,其特征在于包括以下步骤:
步骤一、采用超声检测方法对可能有损的管道进行检测,并记录下超声检测结果;
步骤二、采用渗透检测方法对可能有损的管道重复检测,并记录下渗透检测的结果;
步骤三、根据超声检测的结果,建立各个检测点的超声数学期望值,以及偏离数学期望值的超声欧拉距离函数;
步骤四、根据渗透检测的结果,建立各个检测点的渗透数学期望值,以及偏离数学期望值的渗透欧拉距离函数;
步骤五、将步骤三中的超声欧拉距离函数与步骤四中的渗透欧拉距离函数进行加权求和,进行归一化处理组成损伤函数,所述损伤函数的数值大小即可表示管道损伤的程度;
步骤六、根据步骤五给出各个检测点或检测部位的损伤函数,损伤函数越大表示管道损伤越严重。
2.根据权利要求1所述的一种管道无损检测的人工智能识别方法,其特征在于:所述步骤二渗透检测的检测点或检测部位必须与所述步骤一中超声检测的检测点或检测部位一一对应。
3.根据权利要求1所述的一种管道无损检测的人工智能识别方法,其特征在于:所述步骤五中的加权求和中,选择权函数时可根据步骤一种的超声检测精度与步骤二中的渗透检测精度确定相对大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711393735.5A CN108131568B (zh) | 2017-12-21 | 2017-12-21 | 一种管道无损检测的人工智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711393735.5A CN108131568B (zh) | 2017-12-21 | 2017-12-21 | 一种管道无损检测的人工智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108131568A true CN108131568A (zh) | 2018-06-08 |
CN108131568B CN108131568B (zh) | 2019-06-04 |
Family
ID=62391169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711393735.5A Active CN108131568B (zh) | 2017-12-21 | 2017-12-21 | 一种管道无损检测的人工智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108131568B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11965728B2 (en) | 2021-04-06 | 2024-04-23 | Saudi Arabian Oil Company | Intelligent piping inspection machine |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762633A (zh) * | 2008-12-25 | 2010-06-30 | 中国石油天然气股份有限公司 | 一种管道本体缺陷快速检测方法 |
CN102086972A (zh) * | 2010-11-17 | 2011-06-08 | 广州精测管线技术有限公司 | 一种使用气体检测埋地管道泄漏点位置的方法 |
US20130031979A1 (en) * | 2011-08-02 | 2013-02-07 | Robert William Bergman | Methods and apparatus for porosity measurement and defect detection |
CN103198210A (zh) * | 2013-03-07 | 2013-07-10 | 中国石油天然气集团公司 | 一种天然气管道减阻内涂层检测评价方法及设备 |
CN103512951A (zh) * | 2012-06-18 | 2014-01-15 | 上海宝钢工业技术服务有限公司 | 低频超声导波检测管道对接焊缝缺陷的方法 |
CN104034797A (zh) * | 2014-06-30 | 2014-09-10 | 成都高普石油工程技术有限公司 | 用于钻杆无损检测的工艺 |
WO2016114136A1 (ja) * | 2015-01-14 | 2016-07-21 | 日本電気株式会社 | 配管検査システム、配管検査装置、配管検査方法、及び、記録媒体 |
-
2017
- 2017-12-21 CN CN201711393735.5A patent/CN108131568B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762633A (zh) * | 2008-12-25 | 2010-06-30 | 中国石油天然气股份有限公司 | 一种管道本体缺陷快速检测方法 |
CN102086972A (zh) * | 2010-11-17 | 2011-06-08 | 广州精测管线技术有限公司 | 一种使用气体检测埋地管道泄漏点位置的方法 |
US20130031979A1 (en) * | 2011-08-02 | 2013-02-07 | Robert William Bergman | Methods and apparatus for porosity measurement and defect detection |
CN103512951A (zh) * | 2012-06-18 | 2014-01-15 | 上海宝钢工业技术服务有限公司 | 低频超声导波检测管道对接焊缝缺陷的方法 |
CN103198210A (zh) * | 2013-03-07 | 2013-07-10 | 中国石油天然气集团公司 | 一种天然气管道减阻内涂层检测评价方法及设备 |
CN104034797A (zh) * | 2014-06-30 | 2014-09-10 | 成都高普石油工程技术有限公司 | 用于钻杆无损检测的工艺 |
WO2016114136A1 (ja) * | 2015-01-14 | 2016-07-21 | 日本電気株式会社 | 配管検査システム、配管検査装置、配管検査方法、及び、記録媒体 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11965728B2 (en) | 2021-04-06 | 2024-04-23 | Saudi Arabian Oil Company | Intelligent piping inspection machine |
Also Published As
Publication number | Publication date |
---|---|
CN108131568B (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232400B (zh) | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 | |
CN107657603B (zh) | 一种基于智能视觉的工业外观检测方法 | |
CN105389814B (zh) | 一种用于气密性试验的气泡检测方法 | |
CN107229930A (zh) | 一种指针式仪表数值智能识别方法及装置 | |
CN108629369A (zh) | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 | |
CN109124660B (zh) | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 | |
CN112326192B (zh) | 一种支撑剂平板输送实验中支撑剂速度定量表征方法 | |
CN107016233A (zh) | 运动行为和认知能力的关联分析方法及系统 | |
CN106548213B (zh) | 血管识别方法和装置 | |
CN110675036A (zh) | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 | |
CN111351860A (zh) | 基于Faster R-CNN的木材内部缺陷检测方法 | |
CN109146873A (zh) | 一种基于学习的显示屏缺陷智能检测方法及装置 | |
Virupakshappa et al. | Multi-class classification of defect types in ultrasonic NDT signals with convolutional neural networks | |
CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
CN110376290A (zh) | 基于多维核密度估计的声发射源定位方法 | |
CN112990082A (zh) | 一种水声脉冲信号的检测识别方法 | |
CN114359542A (zh) | 基于计算机视觉与深度学习的混凝土结构裂缝识别方法 | |
CN108131568A (zh) | 一种管道无损检测的人工智能识别方法 | |
WO2020191896A1 (zh) | 一种树木纵截面内部缺陷成像方法 | |
CN107121439A (zh) | 一种移液吸头的检验方法和系统 | |
Carvalho et al. | Pattern recognition techniques applied to the detection and classification of welding defects by magnetic testing | |
Xiao-Guang et al. | The research of defect recognition for radiographic weld image based on fuzzy neural network | |
Schier et al. | Automated counting of yeast colonies using the fast radial transform algorithm | |
CN115587963A (zh) | 一种基于hed模型和视觉测量的平面板件圆孔测量方法 | |
CN111739108B (zh) | 一种基于卷积神经网络的铁矿粉品位快速估测方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240220 Address after: 066000, 16 # -20 Tengfei Road, West District, Economic and Technological Development Zone, Qinhuangdao City, Hebei Province Patentee after: Qinhuangdao Baigang Metal Structure Co.,Ltd. Country or region after: China Address before: Gehu Lake Road Wujin District 213164 Jiangsu city of Changzhou province No. 1 Patentee before: CHANGZHOU University Country or region before: China |