CN110646507A - 基于锁相放大的多频旋转磁场的金属缺陷检测装置及方法 - Google Patents

Abstract

本发明提供一种基于锁相放大的多频旋转磁场的金属缺陷检测装置及方法，涉及电磁无损检测技术领域。该方法首先通过正弦激励信号发生模块产生正弦电流激励信号为检测探头提供激励，检测探头检测到电压信号并通过信号处理模块对信号数据处理后输入到缺陷数据识别模块，缺陷数据识别模块基于可扩展处理平台ZYNQ采用归一化动态阈值法对管道金属数据进行归一化，识别出管道缺陷特征，同时对异常数据进行滤波；将识别到的缺陷特征数据输入到基于随机森林的缺陷角度识别模块对缺陷的角度进行识别，得到最终的缺陷分类结果。该装置及方法能够实现非接触耦合检测及金属近表面的任意方向缺陷检测，同时可以实现缺陷任意角度的识别。

Description

基于锁相放大的多频旋转磁场的金属缺陷检测装置及方法

技术领域

本发明涉及电磁无损检测技术领域，尤其涉及一种基于锁相放大的多频旋转磁场的金属缺陷检测装置及方法。

背景技术

管道运输由于其运输方式，运量大，效率高；运输成本较低；一般不产生污染；通常埋在地下，安全可靠，不易受外界条件限制等优势，已经成为了继公路、铁路、水路、航空等运输之后的第五大大运输工具。由于管道长时间深埋地下或者海底等恶劣环境中，其管壁会出现自然腐蚀等损害问题，这些问题很有可能导日后的管道泄漏等安全事故的发生。因此迫切需要一种能够精确时间管道缺陷检测，并进行缺陷定位的系统，为管道系统的安全运行保驾护航。

常用的无损检测方法：涡流检测(ECT)、射线照相检验(RT)、超声检测(UT)、磁粉检测(MT)和液体渗透检测(PT)五种。其他无损检测方法：声发射检测(AE)、热像/红外(TIR)、泄漏试验(LT)、交流场测量技术(ACFMT)、漏磁检验(MFL)、远场测试检测方法(RFT)、超声波衍射时差法(TOFD)等。但这些方法都有自己的适用范围与相应的局限性：有些需要试剂耦合；有些对被测试剂表明洁净度较高；有些对缺陷的识别精度较低，无法识别缺陷的角度。

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，提供一种基于锁相放大的多频旋转磁场的金属缺陷检测装置及方法，实现管道内缺陷角度的识别。

为解决上述技术问题，本发明所采取的技术方案是：一方面，本发明提供一种基于锁相放大的多频旋转磁场的金属缺陷检测装置，包括正弦激励信号发生模块，检测探头，信号处理模块，缺陷数据识别模块和基于随机森林的缺陷角度识别模块；

所述正弦激励信号发生模块用于产生正弦电流激励信号，为检测金属缺陷的检测探头提供激励；所述检测探头包括和旋转磁场检测线圈，TMR巨磁阻传感器；所述旋转磁场检测线圈，包括三个互成120°的矩形线圈，并通过一个互成120°的三角形磁轭相连，用于产生三相旋转磁场，以此在待检测试件表面感应出三相旋转涡流；所述TMR巨磁阻传感器放置在旋转磁场检测线圈的中心位置，用来检测旋转磁场检测线圈与待检测试件引起的磁场变化，并将检测的电压信号传输到信号处理模块；所述信号处理模块对检测到的电压信号进行选频滤波及模数转换后输入到缺陷数据识别模块；所述缺陷数据识别模块接收信号处理模块传送的数据，并对数据进行归一化处理与缺陷识别处理，得到缺陷数据并送入缺陷角度识别模块；所述缺陷角度识别模块接收缺陷数据识别模块传送的缺陷数据，通过角度识别算法对缺陷的角度进行识别。

优选地，所述正弦激励信号发生模块包括DDS芯片和电压电流转换模块；DDS芯片产生电压信号，然后通过电压-电流转换模块将其转换为电流信号；

优选地，所述信号处理模块包括锁定放大器模块和AD转换模块；所述锁定放大器模块用于将TMR巨磁阻传感器检测到的电压信号进行选频滤波、放大后输入到AD转换模块；所述AD转换模块得到模拟信号转为数字信号，并将转换后的数字信号输入到缺陷数据识别模块。

优选地，所述缺陷数据识别模块基于可扩展处理平台ZYNQ采用归一化动态阈值法对信号处理模块输出的数据进行处理，对管道数据进行归一化，并计算动态阈值，用于识别出管道金属缺陷特征，并且在得到缺陷数据特征的同时对异常数据进行滤波，将识别到的缺陷特征数据输入到基于随机森林的缺陷角度识别模块。

优选地，所述基于随机森林的角度缺陷识别模块在上位机上通过训练样本集D_a，构建缺陷角度识别模型，通过测试样本集D_b对识别模型的准确性进行验证，并且对识别模型进行迭代反馈，得到最优的角度识别模型；通过已经建立的最优缺陷角度识别模型，在缺陷角度分析过程中通过检测信号特征向量X＝{B_angle，B_heigh}，获得对应的标签向量Y＝{angle，h}，其中，angle为缺陷的角度，h为缺陷的深度，B_angle为缺陷X轴分量磁场差值，B_heigh为缺陷Z轴分量磁场差值。

另一方面，本发明还提供一种基于锁相放大的多频旋转磁场的金属缺陷检测方法，包括以下步骤：

步骤1、通过正弦激励信号发生模块产生正弦电流激励信号，并通过检测探头中的旋转磁场检测线圈产生三相旋转磁场，以此在待检测试件表面感应出三相旋转涡流；检测探头中TMR巨磁阻传感器检测旋转磁场检测线圈与待检测试件引起的磁场变化，并将检测的电压信号传输到信号处理模块；

步骤2、信号处理模块对检测到的电压信号进行选频滤波及模数转换后输入到缺陷数据识别模块；

步骤3、缺陷数据识别模块基于可扩展处理平台ZYNQ采用归一化动态阈值法对信号处理模块输出的的数据进行处理，对管道金属数据进行归一化，并计算动态阈值，用于识别出管道缺陷特征，并且在得到缺陷数据特征的同时对异常数据进行滤波，将识别到的缺陷特征数据输入到基于随机森林的缺陷角度识别模块，具体方法为：

步骤3.1：设立管道金属缺陷角度和缺陷高度的初始阈值λ_angle，λ_heigh；

步骤3.2：将采集到的X轴磁场数据与Z轴磁场数据依靠其背景磁场进行归一化处理，如下公式所示：

其中，B_{x_back}为无缺陷时检测磁场的X轴分量，B_x为有缺陷时检测到磁场的X轴分量，B_{z_back}为无缺陷时检测磁场的Z轴分量，B_z为有缺陷时检测到磁场的Z轴分量；

步骤3.3：将归一化后的B_angle，B_heigh与阈值λ_angle，λ_heigh做比较，当B_angle≥λ_angle时，将B_angle标记为有效数据，用于表述管道金属缺陷的角度；同理当B_heigh≥λ_heigh时，将B_heigh标记为有效数据，用于表述管道金属缺陷的深度；

步骤4、缺陷角度识别模块通过角度识别算法对缺陷的角度进行识别，得到最终的缺陷分类结果，具体方法为：

步骤4.1：将金属缺陷检测装置在位置和尺寸已知的管道内运行，记录实验数据的样本数据集X₁和样本标签集Y₁；

所述样本数据集中包括管道金属缺陷角度和缺陷高度数据；所述样本标签集中包括对样本数据集中管道金属缺陷角度数据和缺陷高度数据分别于实际的缺陷角度与缺陷高度的对应关系的样本标签；

步骤4.2：使用有限元仿真软件建立管道缺陷检测仿真模型，记录仿真数据的样本数据集X₂和样本标签集Y₂；

步骤4.3：随机选择样本；通过在样本数据集X₁与X₂当中进行有放回的随机抽样，构建一定数量的新的测试样本集，其中进行M次有放回随机抽样，每次抽样N个数据，以此构建M个测试样本集X_m；

步骤4.4：随机选择样本标签；从样本标签集Y₁与Y₂中进行无放回随机抽样，构建一定数量的新的测试样本标签集；其中随机无放回抽样k个样本标签，并计算其信息增益，然后选择最优标签；

步骤4.5：构建决策树；使用信息熵方法来确定决策树的节点选择，即通过计算每个节点的信息熵大小来选择决策树的节点顺序，以此来构建决策树；

步骤4.6：进行决策树的裁剪；通过使用代价复杂性修剪法，对步骤4.5建立的决策树进行裁剪；

步骤4.7：进行随机森林投票分类；重复执行步骤4.5-步骤4.6来构建L棵决策树，针对测试样本使用这L棵决策树分别进行训练，得到L个结果，其结果构成投票结果集T_l，并计算投票结果T_i与T_j之间的欧氏距离d(T_i，T_j)，如下公式所示：

其中，T_i为第i个投票结果，T_j为第j个投票结果，i＝1，…，L，j＝1，…，L，且i≠j；将距离最大的分类结果所对应的决策树进行深度裁剪，然后重新进行分类，直到投票结果的距离小于阈值d_stop时，停止裁剪，得到最终的缺陷分类结果。

采用上述技术方案所产生的有益效果在于：本发明提供的基于锁相放大的多频旋转磁场的金属缺陷检测装置及方法，基于电磁涡流原理实现，因此可以实现非接触耦合检测；激励信号为三相旋转涡流，能够实现金属近表面的任意方向缺陷检测，且检测深度根据激励信号频率可调；基于动态阈值的缺陷检测，可以实现缺陷的识别；基于随机森林的缺陷角度识别模块，可以实现缺陷任意角度的识别。

附图说明

图1为本发明实施例提供的基于锁相放大的多频旋转磁场的金属缺陷检测装置的结构框图；

图2为本发明实施例提供的三相旋转磁场探头的模型示意图；

图3为本发明实施例提供的正弦激励电流波形图；

图4为本发明实施例提供的AB相旋转磁场合成的原理图。

图5为本发明实施例提供的锁定放大器的电路原理图；

图6为本发明实施例提供的基于随机森林的缺陷角度识别模块对金属缺陷角度进行识别的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

基于锁相放大的多频旋转磁场的金属缺陷检测装置，如图1所示，包括正弦激励信号发生模块，检测探头，信号处理模块，缺陷数据识别模块和基于随机森林的缺陷角度识别模块；

所述正弦激励信号发生模块用于产生正弦电流激励信号，为检测金属缺陷的检测探头提供激励；所述检测探头包括和旋转磁场检测线圈，TMR巨磁阻传感器；所述旋转磁场检测线圈，如图2所示，包括三个互成120°的矩形线圈，并通过一个互成120°的三角形磁轭相连，用于产生三相旋转磁场，以此在待检测试件表面感应出三相旋转涡流；所述TMR巨磁阻传感器放置在旋转磁场检测线圈的中心位置，用来检测旋转磁场检测线圈与待检测试件引起的磁场变化，并将检测的电压信号传输到信号处理模块；所述信号处理模块对检测到的电压信号进行选频滤波及模数转换后输入到缺陷数据识别模块；所述缺陷数据识别模块接收信号处理模块传送的数据，并对数据进行归一化处理与缺陷识别处理，得到缺陷数据并送入缺陷角度识别模块；所述缺陷角度识别模块接收缺陷数据识别模块传送的缺陷数据，通过角度识别算法对缺陷的角度进行识别。

所述正弦激励信号发生模块包括DDS芯片和电压电流转换模块；DDS芯片产生电压信号，然后通过电压-电流转换模块将其转换为电流信号；

所述信号处理模块包括锁定放大器模块和AD转换模块；所述锁定放大器模块用于将TMR巨磁阻传感器检测到的电压信号进行选频滤波、放大后输入到AD转换模块；所述AD转换模块得到模拟信号转为数字信号，并将转换后的数字信号输入到缺陷数据识别模块。

所述缺陷数据识别模块基于可扩展处理平台ZYNQ采用归一化动态阈值法对信号处理模块输出的数据进行处理，对管道数据进行归一化，并计算动态阈值，用于识别出管道金属缺陷特征，并且在得到缺陷数据特征的同时对异常数据进行滤波，将识别到的缺陷特征数据输入到基于随机森林的缺陷角度识别模块。

所述基于随机森林的角度缺陷识别模块在上位机上通过训练样本集D_a，构建缺陷角度识别模型，通过测试样本集D_b对识别模型的准确性进行验证，并且对识别模型进行迭代反馈，得到最优的角度识别模型；通过已经建立的最优缺陷角度识别模型，在缺陷角度分析过程中通过检测信号特征向量X＝{B_angle，B_heigh}，获得对应的标签向量Y＝{angle，h}，其中，angle为缺陷的角度，h为缺陷的深度，B_angle为缺陷X轴分量磁场差值，B_heigh为缺陷Z轴分量磁场差值。

本实施例中，正弦激励信号发生模块由DDS芯片AD9851与电压电流转换模块组成，三相旋转磁场检测探头由0.4mm的铜线绕制而成，TMR传感器采用的型号为TMR1302S，锁定放大器使用的芯片型号为AD620，AD转换模块的型号为AD633JRZ，缺陷识别模块基于的可扩展处理平台ZYNQ使用的的芯片型号为XC7Z020-2CLG484I。

正弦电流激励信号发生模块由DDS芯片AD9851与电压电流转换模块组成。通过对AD9851芯片进行控制字编程，来实现对电压信号幅值、频率及相位的控制，产生如下所示电压信号：

V(t)＝sin(2*π*100*t)+sin(2*π*300*t)+sin(2*π*500*t)

再通过由运算放大器LM358所搭建的电压电流转换模块，将电压信号转换为电流信号，即I(t)＝sin(2*π*100*t)+sin(2*π*300*t)+sin(2*π*500*t)，输出波形如图3所示；该信号用于驱动后级的三相旋转磁场探头。

三相旋转磁场检测探头由三个互成120°的矩形漆包线线圈组成，其中每个线圈的匝数均为500匝。漆包线线径为0.4mm。所缠绕的矩形漆包线线圈的长为20mm，宽为10mm，探头线圈通过上述电流信号后，产生电磁场用于对管道进行感应作用。

旋转磁场检测线圈产生三相旋转涡流的方法为：三相线圈顺时针标记为ABC。其中ABC三相采用分时复用的扫描方式，即先进行AB两相扫描，然后BC两相扫描，最后CA两相扫描，这样就完成了三相探头上一整个圆周的扫描。在AB两相扫描探头部分建立直角坐标系，如图4所示，在AB两项120°的角度中，采取每30°为一个步长的步进扫描模式，其合成磁场的方向与Y轴的夹角分别为0°，30°，60°，90°，120°。其中

的方向向量为(0，1)，

的方向向量为

通过调整

的模长来控制合成磁场的方向，计算出

与

所需要的模长，具体推导步骤如下：

(1)设

(2)当合成电流方向为与Y轴成30°时，合成向量为

(3)由于

使用待定系数法可求得b＝1，

即

(4)因为a，b为

的模长，事实上是激励电流的幅值，因此此时为了产生与Y轴成30°的磁场，则设置

I_b＝1*sin(2*π*100*t)+1*sin(2*π*300*t)+1*sin(2*π*500*t)。

依次类推，在AB两相间产生各角度的磁场与AB两相的幅值关系如表1所示：

剩余BC，CA两相的合成磁场推导与上述方法相同。

TMR巨磁阻传感器放置在线圈的中心位置，距离试件表面的高度为2mm。当检测探头放置在试件上方时，TMR巨磁阻传感器捕捉到磁场信号的变化，将采集到的模拟信号输入到信号调理模块中。

信号调理电路主要由如图5所示的AD620搭建的锁定放大器模块与AD633JRZ所搭建的AD转换模块组成。TMR巨磁阻传感器的输出信号作为锁定放大器模块的信号输入端，正弦激励信号发生模块所产生的信号作为锁定放大器模块的参考信号端。经过锁定放大器模块所输出的信号为经过滤波的信号，再将其输入AD转换模块，将信号由模拟值转换为数字值，之后送入基于ZYNQ的缺陷识别模块。

基于锁相放大的多频旋转磁场的金属缺陷检测方法，包括以下步骤：

步骤1、通过正弦激励信号发生模块产生正弦电流激励信号，并通过检测探头中的旋转磁场检测线圈产生三相旋转磁场，以此在待检测试件表面感应出三相旋转涡流；检测探头中TMR巨磁阻传感器检测旋转磁场检测线圈与待检测试件引起的磁场变化，并将检测的电压信号传输到信号处理模块；

步骤2、信号处理模块对检测到的电压信号进行选频滤波及模数转换后输入到缺陷数据识别模块；

步骤3、缺陷数据识别模块基于的可扩展处理平台ZYNQ采用归一化动态阈值法对AD转换模块输出的的数据进行处理，对管道金属数据进行归一化，并计算动态阈值，用于识别出管道缺陷特征，并且在得到缺陷数据特征的同时对异常数据进行滤波，具体方法为：

步骤3.1：设立管道金属缺陷角度和缺陷高度的初始阈值λ_angle，λ_heigh；

步骤3.2：将采集到的X轴磁场数据与Z轴磁场数据依靠其背景磁场进行归一化处理，如下公式所示：

其中，B_{x_back}为无缺陷时检测磁场的x轴分量，B_x为有缺陷时检测到磁场的X轴分量，B_{z_back}为无缺陷时检测磁场的Z轴分量，B_z为有缺陷时检测到磁场的Z轴分量；

步骤3.3：将归一化后的B_angle，B_heigh与阈值λ_angle，λ_heigh做比较，当B_angle≥λ_angle时，将B_angle标记为有效数据，用于表述管道金属缺陷的角度；同理当B_heigh≥λ_heigh时，将B_heigh标记为有效数据，用于表述管道金属缺陷的深度；

步骤4、缺陷角度识别模块通过角度识别算法对缺陷的角度进行识别，得到最终的缺陷分类结果，如图6所示，具体方法为：

步骤4.1：将金属缺陷检测装置在位置和尺寸已知的管道内运行，记录实验数据的样本数据集X₁和样本标签集Y₁；所述样本数据集中包括管道金属缺陷角度和缺陷高度数据；所述样本标签集中包括对样本数据集中管道金属缺陷角度数据和缺陷高度数据分别于实际的缺陷角度与缺陷高度的对应关系的样本标签；

步骤4.2：使用有限元仿真软件建立管道缺陷检测仿真模型，记录仿真数据的样本数据集X₂和样本标签集Y₂；

步骤4.3：随机选择样本；通过在样本数据集X₁与X₂当中进行有放回的随机抽样，构建一定数量的新的测试样本集，其中进行M次有放回随机抽样，每次抽样N个数据，以此构建M个测试样本集X_m；

步骤4.4：随机选择样本标签；从样本标签集Y₁与Y₂中进行无放回随机抽样，构建一定数量的新的测试样本标签集；其中随机无放回抽样k个样本标签，并计算其信息增益，然后选择最优标签；

步骤4.5：构建决策树；使用信息熵方法来确定决策树的节点选择，即通过计算每个节点的信息熵大小来选择决策树的节点顺序，以此来构建决策树；

步骤4.6：进行决策树的裁剪；通过使用代价复杂性修剪法，对步骤4.5建立的决策树进行裁剪；

步骤4.7：进行随机森林投票分类；重复执行步骤4.5-步骤4.6来构建L棵决策树，针对测试样本使用这L棵决策树分别进行训练，得到L个结果，其结果构成投票结果集T_l，并计算投票结果T_i与T_j之间的欧氏距离d(T_i，T_j)，如下公式所示：

其中，T_i为第i个投票结果，T_j为第j个投票结果，i＝1，…，L，j＝1，…，L，且i≠j；将距离最大的分类结果所对应的决策树进行深度裁剪，然后重新进行分类，直到投票结果的距离小于阈值d_stop时，停止裁剪，得到最终的缺陷分类结果。

最后应说明的是：以上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 (8)

1.一种基于锁相放大的多频旋转磁场的金属缺陷检测装置，其特征在于：包括正弦激励信号发生模块，检测探头，信号处理模块，缺陷数据识别模块和基于随机森林的缺陷角度识别模块；

所述正弦激励信号发生模块用于产生正弦电流激励信号，为检测金属缺陷的检测探头提供激励；所述检测探头包括和旋转磁场检测线圈，TMR巨磁阻传感器；所述旋转磁场检测线圈，包括三个互成120°的矩形线圈，并通过一个互成120°的三角形磁轭相连，用于产生三相旋转磁场，以此在待检测试件表面感应出三相旋转涡流；所述TMR巨磁阻传感器放置在旋转磁场检测线圈的中心位置，用来检测旋转磁场检测线圈与待检测试件引起的磁场变化，并将检测的电压信号传输到信号处理模块；所述信号处理模块对检测到的电压信号进行选频滤波及模数转换后输入到缺陷数据识别模块；所述缺陷数据识别模块接收信号处理模块传送的数据，并对数据进行归一化处理与缺陷识别处理，得到缺陷数据并送入缺陷角度识别模块；所述缺陷角度识别模块接收缺陷数据识别模块传送的缺陷数据，通过角度识别算法对缺陷的角度进行识别。

2.根据权利要求1所述的基于锁相放大的多频旋转磁场的金属缺陷检测装置，其特征在于：所述正弦激励信号发生模块包括DDS芯片和电压电流转换模块；DDS芯片产生电压信号，然后通过电压-电流转换模块将其转换为电流信号。

3.根据权利要求1所述的基于锁相放大的多频旋转磁场的金属缺陷检测装置，其特征在于：所述信号处理模块包括锁定放大器模块和AD转换模块；所述锁定放大器模块用于将TMR巨磁阻传感器检测到的电压信号进行选频滤波、放大后输入到AD转换模块；所述AD转换模块得到模拟信号转为数字信号，并将转换后的数字信号输入到缺陷数据识别模块。

4.根据权利要求1所述的基于锁相放大的多频旋转磁场的金属缺陷检测装置，其特征在于：所述缺陷数据识别模块基于可扩展处理平台ZYNQ采用归一化动态阈值法对信号处理模块输出的数据进行处理，对管道数据进行归一化，并计算动态阈值，用于识别出管道金属缺陷特征，并且在得到缺陷数据特征的同时对异常数据进行滤波，将识别到的缺陷特征数据输入到基于随机森林的缺陷角度识别模块。

5.根据权利要求1-4任一项所述的基于锁相放大的多频旋转磁场的金属缺陷检测装置，其特征在于：所述基于随机森林的角度缺陷识别模块在上位机上通过训练样本集D_a，构建缺陷角度识别模型，通过测试样本集D_b对识别模型的准确性进行验证，并且对识别模型进行迭代反馈，得到最优的角度识别模型；通过已经建立的最优缺陷角度识别模型，在缺陷角度分析过程中通过检测信号特征向量X＝{B_angle，B_heigh}，获得对应的标签向量Y＝{angle，h}，其中，angle为缺陷的角度，h为缺陷的深度，B_angle为缺陷X轴分量磁场差值，B_heigh为缺陷Z轴分量磁场差值。

6.一种基于锁相放大的多频旋转磁场的金属缺陷检测方法，采用权利要求5所述检测装置进行金属缺陷检测，其特征在于：包括以下步骤：

步骤1、通过正弦激励信号发生模块产生正弦电流激励信号，并通过检测探头中的旋转磁场检测线圈产生三相旋转磁场，以此在待检测试件表面感应出三相旋转涡流；检测探头中TMR巨磁阻传感器检测旋转磁场检测线圈与待检测试件引起的磁场变化，并将检测的电压信号传输到信号处理模块；

步骤2、信号处理模块对检测到的电压信号进行选频滤波及模数转换后输入到缺陷数据识别模块；

步骤3、缺陷数据识别模块基于可扩展处理平台ZYNQ采用归一化动态阈值法对信号处理模块输出的数据进行处理，对管道金属数据进行归一化，并计算动态阈值，用于识别出管道缺陷特征，并且在得到缺陷数据特征的同时对异常数据进行滤波，将识别到的缺陷特征数据输入到基于随机森林的缺陷角度识别模块；

步骤4、缺陷角度识别模块通过角度识别算法对缺陷的角度进行识别，得到最终的缺陷分类结果。

7.根据权利要求6所述的基于锁相放大的多频旋转磁场的金属缺陷检测方法，其特征在于：所述步骤3的具体方法为：

步骤3.1：设立管道金属缺陷角度和缺陷高度的初始阈值λ_angle，λ_heigh；

步骤3.2：将采集到的X轴磁场数据与Z轴磁场数据依靠其背景磁场进行归一化处理，如下公式所示：

其中，B_{x_back}为无缺陷时检测磁场的X轴分量，B_x为有缺陷时检测到磁场的X轴分量，B_{z_back}为无缺陷时检测磁场的Z轴分量，B_z为有缺陷时检测到磁场的Z轴分量；

步骤3.3：将归一化后的B_angle，B_heigh与阈值λ_angle，λ_heigh做比较，当B_angle≥λ_angle时，将B_angle标记为有效数据，用于表述管道金属缺陷的角度；同理当B_heigh≥λ_heigh时，将B_heigh标记为有效数据，用于表述管道金属缺陷的深度。

8.根据权利要求7所述的基于锁相放大的多频旋转磁场的金属缺陷检测方法，其特征在于：所述步骤4的具体方法为：

具体方法为：

步骤4.1：将金属缺陷检测装置在位置和尺寸已知的管道内运行，记录实验数据的样本数据集X₁和样本标签集Y₁；

所述样本数据集中包括管道金属缺陷角度和缺陷高度数据；所述样本标签集中包括对样本数据集中管道金属缺陷角度数据和缺陷高度数据分别于实际的缺陷角度与缺陷高度的对应关系的样本标签；

步骤4.2：使用有限元仿真软件建立管道缺陷检测仿真模型，记录仿真数据的样本数据集X₂和样本标签集Y₂；

步骤4.3：随机选择样本；通过在样本数据集X₁与X₂当中进行有放回的随机抽样，构建一定数量的新的测试样本集，其中进行M次有放回随机抽样，每次抽样N个数据，以此构建M个测试样本集X_m；

步骤4.4：随机选择样本标签；从样本标签集Y₁与Y₂中进行无放回随机抽样，构建一定数量的新的测试样本标签集；其中随机无放回抽样k个样本标签，并计算其信息增益，然后选择最优标签；

步骤4.5：构建决策树；使用信息熵方法来确定决策树的节点选择，即通过计算每个节点的信息熵大小来选择决策树的节点顺序，以此来构建决策树；

步骤4.6：进行决策树的裁剪；通过使用代价复杂性修剪法，对步骤4.5建立的决策树进行裁剪；

步骤4.7：进行随机森林投票分类；重复执行步骤4.5-步骤4.6来构建L棵决策树，针对测试样本使用这L棵决策树分别进行训练，得到L个结果，其结果构成投票结果集T_l，并计算投票结果T_i与T_j之间的欧氏距离d(T_i，T_j)，如下公式所示：

其中，T_i为第i个投票结果，T_j为第j个投票结果，i＝1，…，L，j＝1，…，L，且i≠j；将距离最大的分类结果所对应的决策树进行深度裁剪，然后重新进行分类，直到投票结果的距离小于阈值d_stop时，停止裁剪，得到最终的缺陷分类结果。

Images