CN112329590A - 一种管道组件检测系统及检测方法 - Google Patents

Abstract

本发明公开了一种管道组件检测系统，该系统包括：距离度量模块，均由神经网络构建的疑似区域生成模块和特征模块，作为管道组件类别对比辨识基准的组件特征样本库；疑似区域生成模块输入待辨识的管道漏磁数据并生成管道组件疑似区域；特征模块用于提取管道组件漏磁数据特征；其输入多种管道组件类别的样本漏磁数据并生成特征样本库；其输入管道组件疑似区域的漏磁数据，其输出疑似管道组件特征；距离度量模块计算疑似管道组件特征与组件特征样本库中的每个组件特征样本间的相似度，并根据相似度的值来判定管道组件类别。本发明还提供了一种管道组件检测方法。本发明克服了样本数量不足情况下检测精确度低的问题，提高了实际管道组件检测的精确度。

Description

一种管道组件检测系统及检测方法

技术领域

本发明涉及一种人工智能管道组件故障诊断技术领域，特别涉及一种管道组件检测系统及检测方法。

背景技术

目前，管道运输是石油、天然气的主要运输方式。在役管道长期处于泥土或者海水等恶劣工作环境下，需要定期对管道腐蚀区域进行修补。在管道腐蚀区修补作业中，定位管道腐蚀区域的具体位置非常具有挑战性。尤其是在长距离管道的情况下，利用绝对里程对腐蚀区进行定位存在较大的误差。在实际工程中，往往利用腐蚀区域与管道组件之间的相对距离对其进行定位。因此对油气管道的组件准确识别是至关重要的。

漏磁内检测是目前应用最广泛的管道无损检测方法。其原理是安装在管道漏磁内检测器上的霍尔元件记录管壁周围漏磁场的变化，通过分析漏磁信号，来确定管壁的情况。

传统的基于漏磁信号的管道组件辨识是通过人工检查确认的。这种方法耗时长，效率低，费用较高。

随着机器学习算法的发展，将信号特征与非线性分类器相结合的方法被应用于对不同类别的组件进行识别。首先构建特征工程提取与信号辨识相关的特征，然后利用分类器对具体信号进行分类。然而，这一类方法需要大量的专家经验，且对于制造工艺不同的管道组件通用性较差。

近年来，深度学习算法取得了快速发展，并在自然语言处理、计算机视觉等领域取得了较大突破。相比于传统的机器学习算法，深度学习算法不依赖于特征工程，具有较好的鲁棒性与可移植性，可以适应多场景的变化。这些特点非常契合对于管道组件漏磁信号识别的应用场景。然而，基于深度学习的算法也存在一些缺点。最关键的一点就是深度学习模型对于数据的依赖性极强，需要大量的训练数据支撑。然而，对于管道漏磁信号而言，数据量是非常有限的。尤其是对于管道组件漏磁信号。因为在一条管道上，诸如管道阀门、三通等组件安装的数量较少，获取大量的管道组件样本信号几乎是不可能的。

发明内容

本发明为解决公知技术中存在的技术问题而提供一种管道组件检测系统及检测方法。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种管道组件检测系统，该系统包括：距离度量模块，均由神经网络构建的疑似区域生成模块和特征模块，作为管道组件类别对比辨识基准的组件特征样本库；疑似区域生成模块，其用于确定管道组件疑似区域，其输入待辨识的管道漏磁数据，其生成管道组件疑似区域；特征模块，其用于提取管道组件漏磁数据的特征；其输入多种管道组件类别的样本漏磁数据，输出对应管道组件类别的特征，生成特征样本库；其输入管道组件疑似区域的漏磁数据，其输出疑似管道组件的特征；距离度量模块用于识别管道组件类别；其计算疑似管道组件的特征与组件特征样本库中的每个组件特征样本间的相似度，并根据相似度的值来判定管道组件类别。

进一步地，疑似区域生成模块，其由RPN神经网络构建，其包括依次连接的输入层、卷积层、回归层、池化层及全连接层；输入层输入采集的管道组件漏磁数据，卷积层生成该图像的特征映射并输出至回归层；回归层生成目标建议区域及相应分数至池化层；池化层修正建议区域的尺寸并输出至全连接层，全连接层生成管道组件疑似区域。

进一步地，特征模块由孪生神经网络搭建，孪生神经网络包括两个分支网络，两个分支网络包括相同的输入层、卷积层、池化层，两个分支网络的输入层各自输入一漏磁数据；两个分支网络的池化层输出对应漏磁数据的特征向量至同一个全连接层。

进一步地，组件特征样本库为一个N×M的特征矩阵；其中，N代表组件特征样本库中包含组件特征样本的个数，每个组件特征样本包括M维特征向量。

本发明还提供了一种管道组件检测方法，该方法为：采用神经网络构建疑似区域生成模块、特征模块、距离度量模块，设置用于作为管道组件类别对比辨识基准的组件特征样本库；采用疑似区域生成模块来确定管道组件疑似区域，使其输入管道组件漏磁数据，使其生成管道组件疑似区域；采用特征模块来提取管道组件漏磁数据的特征；使其输入多种管道组件类别的样本漏磁数据，使其输出对应管道组件类别的特征，来生成组件特征样本库；使其输入管道组件疑似区域的漏磁数据，使其输出疑似管道组件的特征；采用距离度量模块来识别管道组件类别；使其计算疑似的特征与特征样本库中的每个特征样本间的相似度，并根据相似度的值来判定管道组件类别。

进一步地，该方法包括如下步骤：

步骤1：构建RPN神经网络；

步骤2：提取试验场管道漏磁数据的轴向数据，选取若干包含各类组件的漏磁数据段作为RPN神经网络训练数据T_p；标记出训练数据中组件信号的位置，作为训练标签L_p；

步骤3：利用训练数据T_p及训练标签L_p训练RPN神经网络；将训练完成的RPN神经网络作为疑似区域生成模块M_P；

步骤4：搭建孪生神经网络；

步骤5：提取仅含有单个组件的漏磁信号，作为组件漏磁信号样本库D_s；

步骤6：从组件漏磁信号样本库D_s中，提取任意两个样本的漏磁信号构成一组，编制成孪生神经网络训练数据集T_f；并标记训练数据集T_f中每一组的漏磁信号是否源自同一类组件，将该标记编制成对应训练数据集T_f的训练标签集L_f；

步骤7：利用训练数据集T_f及训练标签集L_f训练孪生神经网络；将训练完成的孪生神经网络分支作为特征模块M_F；

步骤8：将组件漏磁信号样本库D_s中的组件漏磁信号分别输入到特征模块M_F中；由特征模块M_F生成对应管道组件类别的特征向量，由这些对应管道组件类别的特征向量构建组件特征样本库D_f；

步骤9：将待辨识的管道组件漏磁数据输入疑似区域生成模块M_P中，得到建议区域P；

步骤10：将建议区域P输入特征模块M_F中，得到疑似管道组件的特征F；

步骤11：分别计算疑似管道组件的特征F与组件特征样本库D_f中的每个特征样本间的欧式距离d，找到欧式距离d最小值所对应的组件类别，作为疑似管道组件的组件类别。

进一步地，步骤1中，设置RPN神经网络包括依次连接的输入层、卷积层、回归层、池化层及全连接层；设其卷积层个数为3～10，卷积核大小为a_p×a_p，a_p为3～10，池化层个数为3～10，全连接层个数为2～3，设其激活函数为ReLU函数。

进一步地，步骤2包括以下分步骤：

步骤2.1：将采集的漏磁信号分为n段，每段漏磁信号尺寸为l_pl×l_pw；第i段漏磁信号记为t_pi，i为漏磁信号分段后的段序号，i＝1,2,...,n；每段漏磁信号中至少包括m个组件漏磁信号；训练数据T_p＝[t_p1,t_p2,...,t_pn]；

步骤2.2：标记第i段漏磁信号t_pi中组件漏磁信号的位置；设组件漏磁信号的坐标为A_nm＝[a_1ij,a_2ij,a_3ij,a_4ij]；其中，j表示第i段漏磁信号中的组件漏磁信号的序号，j＝＝1,2,...,m；a_1ij为组件漏磁信号区域横坐标，a_2ij为组件漏磁信号区域纵坐标，a_3ij为组件漏磁信号区域长度，a_4ij为组件漏磁信号区域宽度；设第i段漏磁信号t_pi的标签为L_pi＝[A_i1,A_i2,...A_im]^T；

步骤2.3：构建训练标签集L_p＝[L_p1,L_p2,...L_pn]^T。

进一步地，步骤4中，设置孪生神经网络包括两个分支网络，两个分支网络包括相同的输入层、卷积层、池化层；两个分支网络的池化层输出至同一个全连接层；设每个分支网络的卷积层个数为3～10，卷积核大小为a_f×a_f，a_f为3～10，池化层个数为3～10，全连接层个数为2～3，设其激活函数为ReLU函数。

进一步地，步骤5的具体步骤包括：提取采集的漏磁信号中所有组件信号，一共v个组件漏磁信号；将所有提取的组件漏磁信号尺寸统一缩放至l_f×l_f，每个漏磁漏磁信号记为u_f，构建组件漏磁信号样本库D_s＝[u₁，u₂，...u_v]。

进一步地，步骤6包括以下分步骤：

步骤6.1：将所有组件漏磁信号两两分成一组，编制成孪生神经网络训练数据集T_f，T_f＝[(u₁,u₂),(u₁,u₃),...(u₁,u_v),...(u_(v-1),u_v)]；设训练样本集T_f中的训练样本数量为e，

步骤6.2：对训练样本集T_f中的训练样本进行编号，设第k个训练样本的标签为l_fk，k＝1,2,...,e；当第k个训练样本的两个组件漏磁信号来源于同一种类型的组件时，设其标签l_fk＝1；当第k个训练样本的两个组件漏磁信号来源于不同类型的组件时，其标签l_fk＝0；

步骤6.3：构建训练标签集L_f＝[l_f1,l_f2,,...l_f e]^T。

进一步地，步骤8包括以下分步骤：

步骤8.1：取组件漏磁信号样本库D_s中的第s个组件漏磁信号u_s，s＝1,2,...,v；输入到特征模块M_F中；

步骤8.2：经过特征模块M_F计算，设对应第s个组件漏磁信号u_s，特征模块M_F输出的特征矩阵为f_s，s＝1,2,...,v；将f_s作为第s个组件漏磁信号u_s的特征向量；

步骤8.3：重复步骤8.1至步骤8.2，直至组件漏磁信号样本库D_s中所有组件漏磁信号都经过特征模块M_F提取特征；

步骤8.4：由特征模块M_F输出的特征矩阵f_s，s＝1,2,...,v，构建组件特征样本库D_f＝[f₁,f₂,f₃,...，f_v]。

本发明具有的优点和积极效果是：本发明利用基于卷积网络的检测算法对疑似区域进行定位；引入孪生神经网络，数据对形式的训练数据提升了可用数据的规模，使得特征提取器得到充分的训练；针对管道组件样本不足的情况，利用距离度量的方式，克服了样本数量的限制。本发明克服了样本数量不足情况下的组件检测问题，提高了实际管道组件检测的精确度。

附图说明

图1是本发明的一种管道组件检测系统结构示意图。

图2是管道组件检测系统中的一种孪生神经网络示意图结构示意图。

图3是管道组件检测系统中的一种RPN网络示意图结构示意图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹列举以下实施例，并配合附图详细说明如下：

请参见图1至图3，一种管道组件检测系统，该系统包括：距离度量模块，均由神经网络构建的疑似区域生成模块和特征模块，作为管道组件类别对比辨识基准的组件特征样本库；疑似区域生成模块，其用于确定管道组件疑似区域，其输入待辨识的管道漏磁数据，其生成管道组件疑似区域；特征模块，其用于提取管道组件漏磁数据的特征；其输入多种管道组件类别的样本漏磁数据，输出对应管道组件类别的特征，生成特征样本库；其输入管道组件疑似区域的漏磁数据，其输出疑似管道组件的特征；距离度量模块用于识别管道组件类别；其计算疑似管道组件的特征与组件特征样本库中的每个组件特征样本间的相似度，并根据相似度的值来判定管道组件类别。

优选地，疑似区域生成模块，其可由RPN神经网络构建，其可包括依次连接的输入层、卷积层、回归层、池化层及全连接层；输入层输入采集的管道组件漏磁数据，卷积层生成该图像的特征映射并输出至回归层；回归层生成目标建议区域及相应分数至池化层；池化层修正建议区域的尺寸并输出至全连接层，全连接层生成管道组件疑似区域。

优选地，特征模块可由孪生神经网络搭建，孪生神经网络可包括两个分支网络，两个分支网络可包括相同的输入层、卷积层、池化层，两个分支网络的输入层各自输入一漏磁数据；两个分支网络的池化层输出对应漏磁数据的特征向量至同一个全连接层。

优选地，组件特征样本库可为一个N×M的特征矩阵；其中，N代表组件特征样本库中包含组件特征样本的个数，每个组件特征样本包括M维特征向量。

本发明还提供了一种管道组件检测方法，该方法为：采用神经网络构建疑似区域生成模块、特征模块、距离度量模块，设置用于作为管道组件类别对比辨识基准的组件特征样本库；采用疑似区域生成模块来确定管道组件疑似区域，使其输入管道组件漏磁数据，使其生成管道组件疑似区域；采用特征模块来提取管道组件漏磁数据的特征；使其输入多种管道组件类别的样本漏磁数据，使其输出对应管道组件类别的特征，来生成组件特征样本库；使其输入管道组件疑似区域的漏磁数据，使其输出疑似管道组件的特征；采用距离度量模块来识别管道组件类别；使其计算疑似的特征与特征样本库中的每个特征样本间的相似度，并根据相似度的值来判定管道组件类别。

优选地，该方法可包括如下步骤：

步骤1：构建RPN神经网络；

步骤2：提取试验场管道漏磁数据的轴向数据，选取若干包含各类组件的漏磁数据段作为RPN神经网络训练数据T_p；标记出训练数据中组件信号的位置，作为训练标签L_p；

步骤3：利用训练数据T_p及训练标签L_p训练RPN神经网络；将训练完成的RPN神经网络作为疑似区域生成模块M_P；

步骤4：搭建孪生神经网络；

步骤5：提取仅含有单个组件的漏磁信号，作为组件漏磁信号样本库D_s；

步骤6：从组件漏磁信号样本库D_s中，提取任意两个样本的漏磁信号构成一组，编制成孪生神经网络训练数据集T_f；并标记训练数据集T_f中每一组的漏磁信号是否源自同一类组件，将该标记编制成对应训练数据集T_f的训练标签集L_f；

步骤7：利用训练数据集T_f及训练标签集L_f训练孪生神经网络；将训练完成的孪生神经网络分支作为特征模块M_F；

步骤8：将组件漏磁信号样本库D_s中的组件漏磁信号分别输入到特征模块M_F中；由特征模块M_F生成对应管道组件类别的特征向量，由这些对应管道组件类别的特征向量构建组件特征样本库D_f；

步骤9：将待辨识的管道组件漏磁数据输入疑似区域生成模块M_P中，得到建议区域P；

步骤10：将建议区域P输入特征模块M_F中，得到疑似管道组件的特征F；

步骤11：分别计算疑似管道组件的特征F与组件特征样本库D_f中的每个特征样本间的欧式距离d，找到欧式距离d最小值所对应的组件类别，作为疑似管道组件的组件类别。

设一疑似管道组件的特征为F₁，设组件特征样本库D_f中的某个特征样本为f₁，设F₁与f₁的欧式距离为d₁₁，计算F₁与组件特征样本库D_f中样本特征f₁的距离d₁₁的数学表达式如下式所示：

优选地，步骤1中，可设置RPN神经网络包括依次连接的输入层、卷积层、回归层、池化层及全连接层；可设其卷积层个数为3～10，卷积核大小可为a_p×a_p，a_p为3～10，池化层个数为3～10，全连接层个数可为2～3，设其激活函数为ReLU函数。

优选地，步骤2可包括以下分步骤：

步骤2.1：可将采集的漏磁信号分为n段，每段漏磁信号尺寸可为l_pl×l_pw；第i段漏磁信号记为t_pi，i为漏磁信号分段后的段序号，i＝1,2,...,n；每段漏磁信号中可至少包括m个组件漏磁信号；训练数据T_p＝[t_p1,t_p2,...,t_pn]；

步骤2.2：标记第i段漏磁信号t_pi中组件漏磁信号的位置；可设组件漏磁信号的坐标为A_nm＝[a_1ij,a_2ij,a_3ij,a_4ij]；其中，j表示第i段漏磁信号中的组件漏磁信号的序号，j＝＝1,2,...,m；a_1ij为组件漏磁信号区域横坐标，a_2ij为组件漏磁信号区域纵坐标，a_3ij为组件漏磁信号区域长度，a_4ij为组件漏磁信号区域宽度；设第i段漏磁信号t_pi的标签为L_pi＝[A_i1,A_i2,...A_im]^T；

步骤2.3：构建训练标签集L_p＝[L_p1,L_p2,...L_pn]^T。

优选地，步骤4中，可设置孪生神经网络包括两个分支网络，两个分支网络可包括相同的输入层、卷积层、池化层；两个分支网络的池化层输出至同一个全连接层；设每个分支网络的卷积层个数为3～10，卷积核大小为a_f×a_f，a_f为3～10，池化层个数为3～10，全连接层个数为2～3，设其激活函数为ReLU函数。ReLU函数的数学表达式如下式所示：

f(x)＝max(0,x)。

优选地，步骤5的具体步骤可包括：提取采集的漏磁信号中所有组件信号，一共v个组件漏磁信号；可将所有提取的组件漏磁信号尺寸统一缩放至l_f×l_f，每个漏磁漏磁信号记为u_f，构建组件漏磁信号样本库D_s＝[u₁，u₂，...u_v]。

优选地，步骤6可包括以下分步骤：

步骤6.1：可将所有组件漏磁信号两两分成一组，编制成孪生神经网络训练数据集T_f，T_f＝[(u₁,u₂),(u₁,u₃),...(u₁,u_v),...(u_(v-1),u_v)]；可设训练样本集T_f中的训练样本数量为e，

步骤6.2：对训练样本集T_f中的训练样本进行编号，设第k个训练样本的标签为l_fk，k＝1,2,...,e；可当第k个训练样本的两个组件漏磁信号来源于同一种类型的组件时，设其标签l_fk＝1；可当第k个训练样本的两个组件漏磁信号来源于不同类型的组件时，其标签l_fk＝0；

步骤6.3：构建训练标签集L_f＝[l_f1,l_f2,,...l_f e]^T。

优选地，步骤8可包括以下分步骤：

步骤8.1：可取组件漏磁信号样本库D_s中的第s个组件漏磁信号u_s，s＝1,2,...,v；输入到特征模块M_F中；

步骤8.2：经过特征模块M_F计算，可设对应第s个组件漏磁信号u_s，特征模块M_F输出的特征矩阵为f_s，s＝1,2,...,v；将f_s作为第s个组件漏磁信号u_s的特征向量；

步骤8.3：重复步骤8.1至步骤8.2，直至组件漏磁信号样本库D_s中所有组件漏磁信号都经过特征模块M_F提取特征；

步骤8.4：由特征模块M_F输出的特征矩阵f_s，s＝1,2,...,v，构建组件特征样本库D_f＝[f₁,f₂,f₃,...，f_v]。

下面以本发明的一个优选实施例来进一步说明本发明的工作流程及工作原理：

步骤a1：构建RPN网络。包括4个卷积层，卷积核大小为3×3，4个池化层，1个全连接层。其激活函数为ReLU函数，数学表达式如式(1)所示：

f(x)＝max(0,x)。

步骤a2-1：对采集的漏磁信号分段，每段漏磁信号尺寸为150×72。共计100段数据，分别记为t₁，t₂，...t₁₀₀。每段漏磁信号中包括1-3个组件漏磁信号，共376个组件。训练数据T_p＝[t₁，t₂，...t₁₀₀]。

步骤a2-2：标记单独一段漏磁信号中组件漏磁信号的位置。每个组件漏磁信号的坐标A_nm＝[a_1nm,a_2nm,a_3nm,a_4nm]。其中,m表示组件漏磁信号的序号。a_1nm为组件漏磁信号区域左上角横坐标，a_2nm为组件漏磁信号区域左上角纵坐标，a_3nm为组件漏磁信号区域长度，a_4nm为组件漏磁信号区域宽度。每段漏磁信号t_pn的标签为L_pn＝[A_n1,A_n2,...A_nm]^T。

步骤a2-3：构建训练标签集L_p＝[L₁,L₂,...L₁₀₀]^T。

步骤a2-4：利用训练数据T_p及训练标签L_p训练RPN网络F_p。其中，学习率为0.001，迭代次数为10000，批大小为32。

步骤a2-5：令疑似区域生成模块M_P＝F_p。

步骤a3-1：提取采集的漏磁信号中所有组件信号，一共376个组件漏磁信号。将所有提取的组件漏磁信号尺寸统一缩放至32×32，漏磁漏磁信号分别记为u₁，u₂，...u₃₇₆。

步骤a3-2：将所有组件漏磁信号两两分成一组，构建训练样本T_f＝[(u₁,u₂),(u₁,u₃),...(u₁,u₃₇₆),...(u₃₇₅,u₃₇₆)]。共有训练样本

个。

步骤a3-3：对于每一个训练样本，当训练样本中的两个组件漏磁信号来源于同一种类型的组件时，其标签l_f＝1；当训练样本中的两个组件漏磁信号来源于不同类型的组件时，其标签l_f＝0。

步骤a3-3：构建训练标签集L_f＝[l_f1,l_f2,,...l_fNf,]^T。

步骤a4-1：构建孪生神经网络。包括3个卷积层，卷积核大小为3×3，3个池化层，1个全连接层。其激活函数为ReLU函数。

步骤a4-2：利用训练数据T_f及训练标签L_f训练孪生神经网络F_ff。其中，学习率为0.01，迭代次数为1000，批大小为64。

步骤a4-3：取出孪生神经网络F_ff中的一个分支F_f。

步骤a4-4：令疑似区域生成模块输出M_F＝F_f。

步骤a5-1：提取采集的漏磁信号中所有组件信号，一共376个组件漏磁信号。将所有提取的组件漏磁信号尺寸统一缩放至32×32，漏磁漏磁信号分别记为u₁，u₂，...u₃₇₆。

步骤a5-2：构建组件漏磁信号样本库D_s＝[u₁，u₂，...u₃₇₆]。

步骤a6-1：取组件漏磁信号样本库D_s中的组件漏磁信号u₁，输入到特征模块M_F中。

步骤a6-2：经过特征模块M_F计算，取出第3个卷积层的特征矩阵f₁，作为该组件漏磁信号的特征。

步骤a6-3：重复步骤a6-1至步骤a6-2，直至组件漏磁信号样本库D_s中所有组件漏磁信号都经过特征模块M_F提取特征。

步骤a6-4：构建组件特征样本库D_f＝[f₁,f₂，f₃,...，f₃₇₆]。

步骤a7：对于待检测漏磁数据X。将X输入疑似区域生成模块M_P中，得到8个建议区域P＝[p₁,p₂，p₃,...，p₈]。

步骤a8-1：对于建议区域p₁。将建议区域p₁输入特征模块M_F中，得到疑似管道组件的特征F₁。

步骤a8-2：重复步骤a8-1，直到所有建议区域都计算完成，得到疑似管道组件的特征F₁，F₂，...F₈。

步骤a9-1：对于一疑似管道组件的特征F₁。计算F₁与组件特征样本库D_f中一样本特征f₁的距离d₁₁。数学表达式如下式所示：

步骤a9-2：重复步骤a9-1，直到区域特征F₁与组件特征样本库D_f中所有样本特征都计算完成，记为d₁＝[d₁₁，d₁₂，...，d_{1 376}]。

步骤a9-3：计算d₁中最小值d_1min。

步骤a9-4：找到d₁中最小值d_1min对应的值d_1x。d_1x对应的组件类别即为建议区域p₁中漏磁信号对应的组件类别。

步骤a9-5：重复步骤a9-1至步骤a9-4，直至所有建议区域的组件类别都确定完成，即完成对待检测漏磁数据X的组件检测。

以上所述的实施例仅用于说明本发明的技术思想及特点，其目的在于使本领域内的技术人员能够理解本发明的内容并据以实施，不能仅以本实施例来限定本发明的专利范围，即凡本发明所揭示的精神所作的同等变化或修饰，仍落在本发明的专利范围内。

Claims (12)

1.一种管道组件检测系统，其特征在于，包括：距离度量模块，均由神经网络构建的疑似区域生成模块和特征模块，作为管道组件类别对比辨识基准的组件特征样本库；疑似区域生成模块，其用于确定管道组件疑似区域，其输入待辨识的管道漏磁数据，其生成管道组件疑似区域；特征模块，其用于提取管道组件漏磁数据的特征；其输入多种管道组件类别的样本漏磁数据，输出对应管道组件类别的特征，生成特征样本库；其输入管道组件疑似区域的漏磁数据，其输出疑似管道组件的特征；距离度量模块用于识别管道组件类别；其计算疑似管道组件的特征与组件特征样本库中的每个组件特征样本间的相似度，并根据相似度的值来判定管道组件类别。

2.根据权利要求1所述的管道组件检测系统，其特征在于，疑似区域生成模块，其由RPN神经网络构建，其包括依次连接的输入层、卷积层、回归层、池化层及全连接层；输入层输入采集的管道组件漏磁数据，卷积层生成该图像的特征映射并输出至回归层；回归层生成目标建议区域及相应分数至池化层；池化层修正建议区域的尺寸并输出至全连接层，全连接层生成管道组件疑似区域。

3.根据权利要求1所述的管道组件检测系统，其特征在于，特征模块由孪生神经网络搭建，孪生神经网络包括两个分支网络，两个分支网络包括相同的输入层、卷积层、池化层，两个分支网络的输入层各自输入一漏磁数据；两个分支网络的池化层输出对应漏磁数据的特征向量至同一个全连接层。

4.根据权利要求1所述的管道组件检测系统，其特征在于，组件特征样本库为一个N×M的特征矩阵；其中，N代表组件特征样本库中包含组件特征样本的个数，每个组件特征样本包括M维特征向量。

5.一种管道组件检测方法，其特征在于，该方法为：采用神经网络构建疑似区域生成模块、特征模块、距离度量模块，设置用于作为管道组件类别对比辨识基准的组件特征样本库；采用疑似区域生成模块来确定管道组件疑似区域，使其输入管道组件漏磁数据，使其生成管道组件疑似区域；采用特征模块来提取管道组件漏磁数据的特征；使其输入多种管道组件类别的样本漏磁数据，使其输出对应管道组件类别的特征，来生成组件特征样本库；使其输入管道组件疑似区域的漏磁数据，使其输出疑似管道组件的特征；采用距离度量模块来识别管道组件类别；使其计算疑似的特征与特征样本库中的每个特征样本间的相似度，并根据相似度的值来判定管道组件类别。

6.根据权利要求5所述的管道组件检测方法，其特征在于，包括如下步骤：

步骤1：构建RPN神经网络；

步骤2：提取试验场管道漏磁数据的轴向数据，选取若干包含各类组件的漏磁数据段作为RPN神经网络训练数据T_p；标记出训练数据中组件信号的位置，作为训练标签L_p；

步骤3：利用训练数据T_p及训练标签L_p训练RPN神经网络；将训练完成的RPN神经网络作为疑似区域生成模块M_P；

步骤4：搭建孪生神经网络；

步骤5：提取仅含有单个组件的漏磁信号，作为组件漏磁信号样本库D_s；

步骤6：从组件漏磁信号样本库D_s中，提取任意两个样本的漏磁信号构成一组，编制成孪生神经网络训练数据集T_f；并标记训练数据集T_f中每一组的漏磁信号是否源自同一类组件，将该标记编制成对应训练数据集T_f的训练标签集L_f；

步骤7：利用训练数据集T_f及训练标签集L_f训练孪生神经网络；将训练完成的孪生神经网络分支作为特征模块M_F；

步骤8：将组件漏磁信号样本库D_s中的组件漏磁信号分别输入到特征模块M_F中；由特征模块M_F生成对应管道组件类别的特征向量，由这些对应管道组件类别的特征向量构建组件特征样本库D_f；

步骤9：将待辨识的管道组件漏磁数据输入疑似区域生成模块M_P中，得到建议区域P；

步骤10：将建议区域P输入特征模块M_F中，得到疑似管道组件的特征F；

步骤11：分别计算疑似管道组件的特征F与组件特征样本库D_f中的每个特征样本间的欧式距离d，找到欧式距离d最小值所对应的组件类别，作为疑似管道组件的组件类别。

7.根据权利要求6所述的管道组件检测方法，其特征在于，步骤1中，设置RPN神经网络包括依次连接的输入层、卷积层、回归层、池化层及全连接层；设其卷积层个数为3～10，卷积核大小为a_p×a_p，a_p为3～10，池化层个数为3～10，全连接层个数为2～3，设其激活函数为ReLU函数。

8.根据权利要求6所述的管道组件检测方法，其特征在于，步骤2包括以下分步骤：

步骤2.1：将采集的漏磁信号分为n段，每段漏磁信号尺寸为l_pl×l_pw；第i段漏磁信号记为t_pi，i为漏磁信号分段后的段序号，i＝1,2,...,n；每段漏磁信号中至少包括m个组件漏磁信号；训练数据T_p＝[t_p1,t_p2,...,t_pn]；

步骤2.2：标记第i段漏磁信号t_pi中组件漏磁信号的位置；设组件漏磁信号的坐标为A_nm＝[a_1ij,a_{2 ij},a_{3 ij},a_{4 ij}]；其中，j表示第i段漏磁信号中的组件漏磁信号的序号，j＝＝1,2,...,m；a_1ij为组件漏磁信号区域横坐标，a_2ij为组件漏磁信号区域纵坐标，a_3ij为组件漏磁信号区域长度，a_4ij为组件漏磁信号区域宽度；设第i段漏磁信号t_pi的标签为L_pi＝[A_i1,A_i2,...A_im]^T；

步骤2.3：构建训练标签集L_p＝[L_p1,L_p2,...L_pn]^T。

9.根据权利要求6所述的管道组件检测方法，其特征在于，步骤4中，设置孪生神经网络包括两个分支网络，两个分支网络包括相同的输入层、卷积层、池化层；两个分支网络的池化层输出至同一个全连接层；设每个分支网络的卷积层个数为3～10，卷积核大小为a_f×a_f，a_f为3～10，池化层个数为3～10，全连接层个数为2～3，设其激活函数为ReLU函数。

10.根据权利要求6所述的管道组件检测方法，其特征在于，步骤5的具体步骤包括：提取采集的漏磁信号中所有组件信号，一共v个组件漏磁信号；将所有提取的组件漏磁信号尺寸统一缩放至l_f×l_f，每个漏磁漏磁信号记为u_f，构建组件漏磁信号样本库D_s＝[u₁，u₂，...u_v]。

11.根据权利要求6所述的管道组件检测方法，其特征在于，步骤6包括以下分步骤：

步骤6.1：将所有组件漏磁信号两两分成一组，编制成孪生神经网络训练数据集T_f，T_f＝[(u₁,u₂),(u₁,u₃),...(u₁,u_v),...(u_(v-1),u_v)]；设训练样本集T_f中的训练样本数量为e，

步骤6.2：对训练样本集T_f中的训练样本进行编号，设第k个训练样本的标签为l_fk，k＝1,2,...,e；当第k个训练样本的两个组件漏磁信号来源于同一种类型的组件时，设其标签l_fk＝1；当第k个训练样本的两个组件漏磁信号来源于不同类型的组件时，其标签l_fk＝0；

步骤6.3：构建训练标签集L_f＝[l_f1,l_f2,,...l_fe]^T。

12.根据权利要求6所述的管道组件检测方法，其特征在于，步骤8包括以下分步骤：

步骤8.1：取组件漏磁信号样本库D_s中的第s个组件漏磁信号u_s，s＝1,2,...,v；输入到特征模块M_F中；

步骤8.2：经过特征模块M_F计算，设对应第s个组件漏磁信号u_s，特征模块M_F输出的特征矩阵为f_s，s＝1,2,...,v；将f_s作为第s个组件漏磁信号u_s的特征向量；

步骤8.3：重复步骤8.1至步骤8.2，直至组件漏磁信号样本库D_s中所有组件漏磁信号都经过特征模块M_F提取特征；

步骤8.4：由特征模块M_F输出的特征矩阵f_s，s＝1,2,...,v，构建组件特征样本库D_f＝[f₁,f₂,f₃,...，f_v]。

Images