CN112347903A - 一种基于异构场信号的管道多组件识别方法 - Google Patents
一种基于异构场信号的管道多组件识别方法 Download PDFInfo
- Publication number
- CN112347903A CN112347903A CN202011216366.4A CN202011216366A CN112347903A CN 112347903 A CN112347903 A CN 112347903A CN 202011216366 A CN202011216366 A CN 202011216366A CN 112347903 A CN112347903 A CN 112347903A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- recommendation
- area
- target
- data
- 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 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 146
- 230000007547 defect Effects 0.000 claims abstract description 99
- 238000012937 correction Methods 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010845 search algorithm Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000009659 non-destructive testing Methods 0.000 abstract description 2
- 230000004907 flux Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 239000003208 petroleum Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Probability & Statistics with Applications (AREA)
- Electrochemistry (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明提供一种基于异构场信号的管道多组件识别方法,涉及故障诊断和无损检测技术领域。该方法首先实时采集管道异构场数据,并进行滤波处理和基值校正;再利用自适应阈值将异构场数据转换为伪彩色图;获得伪彩色图中包含组件或缺陷的异常区域位置信息,并确定同一组件或缺陷目标的异常推荐区域集合;去除异常推荐区域集合中面积的交集和并集的比小于面积比阈值的异常推荐区域,得到组件或缺陷的目标推荐区域;从目标推荐区域提取组件或缺陷类型的特征信息,设定组件或缺陷类别标签,进行多分类器的训练,并生成分类模型;提取待识别的异构场数据的特征信息,并作为分类模型的输入,输出每个目标推荐区域对应的组件或缺陷的类别。
Description
技术领域
本发明涉及故障诊断和无损检测技术领域,尤其涉及一种基于异构场信号的管道多组件识别方法。
背景技术
管道运输因具有可持续工作、运输量巨大并且不受气候以及地面等其他因素影响的优点而成为石油、天然气能源的主要运输方式。随着管道在役时间的增长,因管道材质问题、外损伤以及介质腐蚀的影响,管道状况逐渐恶化,存在潜在的破损和泄漏风险。一旦发生管道泄漏,不但会造成大气污染,也极易引发剧烈爆炸。因此保障管道安全运输,实现对管道状态定期检查显得愈发重要。
当前国内外公认的管道安全检测的最有效手段是异构场内检测,其主要原理是安装在管道内检测器上的霍尔元件记录周边磁场的变化,通过分析异构场信号的差异来确定管壁状态。管道异常信号的分析是管道异构场检测中尤为重要的,在实际应用中,针对异常区域的推荐都是基于传统穷举搜索算法,但是这类算法没有考虑候选区域采样问题对算法效率的影响,搜索空间的巨大最终浪费大量时间,同时阀门、仪表、三通、管道夹具等组件由于异构场信号的各种变化,利用传统的方法无法获取正确的组件异常区域,从而不能完成对组件异构场信号的分类识别,还会误检为一定数量的缺陷,而正确识别的组件能给后期的管道维修提供重要的位置信息,而被误检的缺陷同时也会对缺陷的整体安全评估产生不利的影响。
近年来随着目标识别方法的不断改革和创新,基于神经网络的目标识别方法不断被应用在各种领域,但是神经网络的训练需要依靠大量的可标注样本,而且需要图像中各个类别故障清晰可见。但是实际的管道异构场数据中组件数量较少,而且在异构场数据的可视化图像方面存在各类故障可视化不明确的问题,给实际的检测带来了一定的难度。
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,提供一种基于异构场信号的管道多组件识别方法,实现管道多组件的识别。
为解决上述技术问题,本发明所采取的技术方案是:一种基于异构场信号的管道多组件识别方法,包括以下步骤:
步骤1:实时异构场数据的采集和预处理:首先通过多个异构场传感器多通道实时采集管道异构场数据;然后对采集的异构场数据进行滤波处理,去除高频干扰;并利用平均中值法对滤波处理后的异构场数据进行基值校正;
步骤1.1:通过多个异构场传感器多通道实时采集管道异构场数据,并对采集的异构场数据做有效性判定和滤波处理;
步骤1.2:采用平均中值法对滤波处理后的各通道异构场信号进行基值校正;
将滤波处理后的异构场数据分割为m×n的二维矩阵,其中m=n×3,m为每个通道采集的异构场数据个数,n为采集异构场数据的通道个数;采用平均中值法对滤波处理后的各通道异构场信号进行基值校正,如下公式所示:
G′j(i)=Gj(i)-Mj+V (1)
其中,G′j(i)为第j条通道在第i个数据点处校正后的异构场数据值,j=1、2、…、n,i=1、2、…、m,Gj(i)为第j条通道在第i个数据数点处校正前的异构场数据值,Mj为第j条通道采集的异构场数据的中值,V为异构场数据校正的目标基值;
步骤2:将基值校正后的异构场数据利用自适应阈值进行伪彩色图转换;
步骤2.1:将基值校正后的异构场数据变换为异构场数据灰度图,如下公式所示:
minv=V-lg(min(data(:)))/2 (3)
maxv=V+lg(max(data(:))) (4)
其中,Ii,j表示异构场数据变换后对应的灰度值,bg表示异构场数据目标基值对应的灰度固定值,datai,j表示m×n的二维矩阵内的第i行第j列的数据元素,255表示灰度图的最大值,minv为异构场数据转换成灰色图过程中的最小截断值,maxv为异构场数据转换成灰色图过程中的最大截断值,data(:)表示m×n的二维矩阵内包含的所有基值校正后的异构场数据;
步骤2.2:将转换后的异构场数据灰度图送入不同特征的R、G、B变换器,利用灰度分割法得到R、G、B三通道的伪彩色图;
步骤3:通过选择性搜索算法,获得伪彩色图中包含组件或缺陷的异常区域位置信息,然后将所有异常区域位置信息映射到对应的异构场数据上,得到包含组件或缺陷的异常区域集合,并确定同一组件或缺陷目标的推荐区域集合;
通过选择性搜索算法,获取每个伪彩色图中包含组件或缺陷的异常推荐区域,提取异常推荐区域的位置信息message,所述位置信息message中有异常推荐区域的起始里程数据点信息和终止里程数据点信息,并记录异常推荐区域的起始通道和终止通道;再将异常推荐区域的位置信息映射到对应的异构场数据上,得到异构场数据的异常推荐区域集合W={W1,W2,...,Wl,…,WN},其中N为所有异常推荐区域的总数,然后将异常推荐区域根据位置信息分类得到每个组件或者缺陷目标的异常推荐区域集的总集合W={W1,W2,...,WK,…,WC},其中,C为异常推荐区域集合中组件和缺陷的总数,为同一组件或缺陷目标的异常推荐区域集合,B为包含第K个组件或缺陷目标的异常推荐区域数量;
所述同一组件或缺陷目标的异常推荐区域集合通过以下方法确定:
对异构场数据的异常推荐区域集合W中的异常推荐区域按照位置顺序从小到大排序,将异常推荐区域集合W中每个异常推荐区域与其相邻里程和相邻通道的异常推荐区域之间的面积的交集与面积阈值δ的比较来判断该异常推荐区域与其相邻的异常推荐区域是否属于同一组件或缺陷目标的异常推荐区域集合,其中,δ为相邻两个异常推荐区域中较小面积的π/10,如果某个异常推荐区域与其相邻的异常推荐区域之间面积的交集大于面积阈值δ,将这个异常推荐区域与其相邻的异常推荐区域归类到同一个组件或缺陷目标的异常推荐区域集合,否则这个异常推荐区域与其相邻的异常推荐区域属于不同组件或缺陷目标的异常推荐区域集合,如下公式所示:
步骤4:对同一组件或缺陷目标的异常推荐区域集合WK中的所有异常推荐区域求取相邻推荐区域面积的交集和并集的比γ,并去除面积的交集和并集的比γ小于面积比阈值λ的异常推荐区域,0≤λ≤1,将面积的交集和并集的比γ大于等于λ的两个异常推荐区域直接进行融合,不断循环,直到同一组件或缺陷目标的异常推荐区域集合中保留唯一的异常推荐区域作为该组件或缺陷的目标推荐区域,如下公式所示:
其中,Wg表示同一目标异常推荐区域集合中保留的唯一异常推荐区域,即组件或缺陷的目标推荐区域,为第K个组件或缺陷对应的目标异常推荐区域集合WK中的第b-1个和第b个异常推荐区域,分别为异常推荐区域和对应的面积;
步骤5:从各组件或缺陷的目标推荐区域提取目标推荐区域的里程差Lx、通道差Ly、峰谷差FG和目标推荐区域内数据的相似性程度S这些表示组件或缺陷类型的特征信息Q={Lx,Ly,FG,S};
所述组件或缺陷的目标推荐区域内数据的相似性程度S如下公式所示:
其中,std(x)表示矩阵x的标准偏差,xi为目标推荐区域的数据元素,1≤i≤n′,n′为目标推荐区域内包含的所有数据元素数量,为目标推荐区域内所有数据元素的均值,表示目标推荐Wg中包含的所有数据元素;
所述目标推荐区域的里程差Lx如下公式所示:
Lx=(xmax-xmin+1)×0.002 (11)
其中,xmax、xmin分别表示目标推荐区域的起始里程数据点信息与终止里程数据点信息,每两个数据点之间的间距为0.002毫米;
所述异常推荐区域的通道差Ly如下公式所示:
Ly=ymax-ymin+1 (12)
其中,ymin、ymax分别表示目标推荐区域的起始通道与终止通道;
所述目标推荐区域内的峰谷差FG如下公式所示:
其中,LFG和RFG分别为目标推荐区域内最大通道的左峰谷差和右峰谷差;
步骤6:对步骤5获取的表示组件或缺陷类型的特征信息设定对应的组件或缺陷类别标签,然后进行SVM多分类器的训练,并生成分类模型modulef,模型输出为组件或缺陷的类别;
步骤7:将待识别的预处理后的异构场数据转为伪彩色图后通过选择性搜索算法获取目标推荐区域,对所有的目标推荐区域进行提取特征,并将特征信息作为分类模型modulef的输入,输出每个目标推荐区域对应的组件或缺陷的类别;
将待识别的异构场数据经过步骤1-步骤5后得到组件或缺陷目标推荐区域的特征信息,再利用训练好的分类模型modulef识别特征信息对应的组件或缺陷的类别;
步骤8:将待识别的异构场信号数据重复执行步骤7多次,对分类模型modulef识别出的特征信息对应的所有类别进行统计,将出现次数最多的类别作为目标推荐区域的识别类别,最终完成异构场信号数据的识别。
采用上述技术方案所产生的有益效果在于:本发明提供的一种基于异构场信号的管道多组件识别方法,通过自适应阈值将原始的漏磁数据转为伪彩色图,然后利用选择性搜索算法获取目标推荐区域,然后对其进行特征提取,最后利用SVM分类器对各种组件进行分类,实现在组件较多的情况下与缺陷的同步检测,获取各种不同异常区域的信息,减少了实际检测过程中人为经验的干涉,提高了在多组件的情况下异常信号的识别精度。同时,实现了在少量可标注样本的前提下提高包含缺陷和各种组件的整体识别的精度。
附图说明
图1为本发明实施例提供的一种基于异构场信号的管道多组件识别方法的流程图;
图2为本发明实施例提供的各组件和缺陷对应的漏磁信号数据转换的伪彩色图,其中,(a)为支管所对应的漏磁信号数据转换的伪彩色图,(b)为三通所对应的漏磁信号数据转换的伪彩色图,(c)为缺陷所对应的漏磁信号数据转换的伪彩色图,(d)为管道支撑所对应的漏磁信号数据转换的伪彩色图,(e)为管道夹具所对应的漏磁信号数据转换的伪彩色图;
图3为本发明实施例提供的各组件和缺陷的目标推荐区域图,其中,(a)为支管所对应的目标推荐区域,(b)为三通所对应的目标推荐区域,(c)为缺陷所对应的目标推荐区域,(d)为管道支撑所对应的目标推荐区域,(e)为管道夹具所对应的目标推荐区域。
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。
本实施例以异构场信号中的漏磁信号为例,采用本发明的基于管道异构场信号的管道多组件识别方法,对某段石油管道进行多组件识别。
本实施例中,一种基于异构场信号的管道多组件识别方法,如图1所示,包括以下步骤:
步骤1:实时漏磁信号数据的采集和预处理:首先通过多个异构场传感器多通道实时采集管道漏磁信号数据;然后对采集的漏磁信号数据进行滤波处理,去除高频干扰;并利用平均中值法对滤波处理后的漏磁信号数据进行基值校正;
步骤1.1:通过多个异构场传感器多通道实时采集管道漏磁信号数据,并对采集的漏磁信号数据做有效性判定和滤波处理;
步骤1.2:采用平均中值法对滤波处理后的各通道漏磁信号进行基值校正;
将滤波处理后的漏磁信号数据分割为m×n的二维矩阵,其中m=n×3,m为每个通道采集的漏磁信号数据个数,n为采集漏磁信号数据的通道个数;采用平均中值法对滤波处理后的各通道漏磁信号信号进行基值校正,如下公式所示:
G′j(i)=Gj(i)-Mj+V (1)
其中,G′j(i)为第j条通道在第i个数据点处校正后的漏磁信号数据值,j=1、2、…、n,i=1、2、…、m,Gj(i)为第j条通道在第i个数据数点处校正前的漏磁信号数据值,Mj为第j条通道采集的漏磁信号数据的中值,V为漏磁信号数据校正的目标基值;
本实施例中,对采集的16寸漏磁数据做有效性判定及滤波等预处理操作,采集漏磁信号数据的通道个数n=180,漏磁信号数据校正的目标基值V=2.5。
步骤2:将基值校正后的漏磁信号数据利用自适应阈值进行伪彩色图转换;
步骤2.1:将基值校正后的漏磁信号数据变换为漏磁信号数据灰度图,如下公式所示:
minv=V-lg(min(data(:)))/2 (3)
maxv=V+lg(max(data(:))) (4)
其中,Ii,j表示漏磁信号数据变换后对应的灰度值,bg表示漏磁信号数据目标基值对应的灰度固定值,datai,j表示m×n的二维矩阵内的第i行第j列的数据元素,255表示灰度图的最大值,minv为漏磁信号数据转换成灰色图过程中的最小截断值,maxv为漏磁信号数据转换成灰色图过程中的最大截断值,data(:)表示m×n的二维矩阵内包含的所有基值校正后的漏磁信号数据;
步骤2.2:将转换后的漏磁信号数据灰度图送入不同特征的R、G、B变换器,利用灰度分割法得到R、G、B三通道的伪彩色图;
本实施例中,该段石油管道内组件和缺陷,组件主要为支管、三通、管道支撑和管道夹具,各组件和缺陷对应的漏磁信号数据转换的伪彩色图如图2所示。
步骤3:通过选择性搜索算法,获得伪彩色图中包含组件或缺陷的异常区域位置信息,然后将所有异常区域位置信息映射到对应的漏磁信号数据上,得到包含组件或缺陷的异常区域集合,并确定同一组件或缺陷目标的推荐区域集合;
通过选择性搜索算法,获取每个伪彩色图中包含组件或缺陷的异常推荐区域,提取异常推荐区域的位置信息message,所述位置信息message中有异常推荐区域的起始里程数据点信息和终止里程数据点信息,并记录异常推荐区域的起始通道和终止通道;再将异常推荐区域的位置信息映射到对应的漏磁信号数据上,得到漏磁信号数据的异常推荐区域集合W={W1,W2,...,Wl,…,WN},其中N为所有异常推荐区域的总数,然后将异常推荐区域根据位置信息分类得到每个组件或者缺陷的目标推荐区域集的总集合W={W1,W2,...,WK,…,WC},其中,C为异常推荐区域集合中组件和缺陷的总数,为同一组件或缺陷目标的推荐区域集合,同一组件或缺陷目标推荐区域集合具体指多个异常区域均指向当前位置的组件或缺陷目标,B为包含第K个组件或缺陷目标的异常推荐区域数量;
所述同一组件或缺陷目标的推荐区域集合通过以下方法确定:
对漏磁信号数据的异常推荐区域集合W中的异常推荐区域按照位置顺序从小到大排序,将异常推荐区域集合W中每个异常推荐区域与其相邻里程和相邻通道的异常推荐区域之间的面积的交集与面积阈值δ的比较来判断该异常推荐区域与其相邻的异常推荐区域是否属于同一组件或缺陷目标的异常推荐区域集合,其中,δ为相邻两个异常推荐区域中较小面积的π/10,如果某个异常推荐区域与其相邻的异常推荐区域之间面积的交集大于面积阈值δ,将这个异常推荐区域与其相邻的异常推荐区域归类到同一个组件或缺陷目标的异常推荐区域集合,否则这个异常推荐区域与其相邻的异常推荐区域属于不同的组件或缺陷目标的异常推荐区域集合,如下公式所示:
步骤4:对于同一组件或缺陷目标的异常推荐区域集合而言,集合内任意两个异常推荐区域之间都会有一定的交集且不同异常推荐区域之间的交叠程度不同,因此,对同一组件或缺陷目标的异常推荐区域集合WK中的所有异常推荐区域求取相邻推荐区域面积的交集和并集的比γ,并去除面积的交集和并集的比γ小于面积比阈值λ的异常推荐区域,0≤λ≤1,本实施例中,面积比阈值λ=0.68。
将面积的交集和并集的比γ大于等于λ的两个异常推荐区域直接进行融合,不断循环,直到同一组件或缺陷目标的异常推荐区域集合中保留唯一的异常推荐区域作为该组件或缺陷的目标推荐区域,如下公式所示:
其中,Wg表示同一组件或缺陷目标的异常推荐区域集合中保留的唯一异常推荐区域,即组件或缺陷的目标推荐区域,为第K个组件或缺陷对应的异常推荐区域集合WK中的第b-1个和第b个异常推荐区域,分别为异常推荐区域和对应的面积;
本实施例中,通过步骤4得到该段石油管道内支管、三通、管道支撑和管道夹具这四种组件和缺陷的目标推荐区域如图3所示。
步骤5:从各组件或缺陷的目标推荐区域提取目标推荐区域的里程差Lx、通道差Ly、峰谷差FG和目标推荐区域内数据的相似性程度S这些表示组件或缺陷类型的特征信息Q={Lx,Ly,FG,S};
不同组件的都会有比较明显的代表性特征;例如管道夹具和支撑的里程差较大,并且两者的异常推荐区域都是异构场数据的所有通道,所以两者和别的组件的区分度也较大,而管道夹具相较于支撑来说数据基本相似;支管整个曲线呈现峰谷峰的特征,峰谷峰的位置及峰谷差也是和其他组件和缺陷等的重要区分点。
所述组件或缺陷的目标推荐区域内数据的相似性程度S如下公式所示:
其中,std(x)表示矩阵x的标准偏差,xi为目标推荐区域的数据元素,1≤i≤n′,n′为目标推荐区域内包含的所有数据元素数量,为目标推荐区域内所有数据元素的均值,表示目标推荐Wg中包含的所有数据元素;
所述目标推荐区域的里程差Lx如下公式所示:
Lx=(xmax-xmin+1)×0.002 (11)
其中,xmax、xmin分别表示目标推荐区域的起始里程数据点信息与终止里程数据点信息,每两个数据点之间的间距为0.002毫米;
所述异常推荐区域的通道差Ly如下公式所示:
Ly=ymax-ymin+1 (12)
其中,ymin、ymax分别表示目标推荐区域的起始通道与终止通道;
所述目标推荐区域内的峰谷差FG如下公式所示:
其中,LFG和RFG分别为目标推荐区域内最大通道的左峰谷差和右峰谷差;
步骤6:对步骤5获取的表示组件或缺陷类型的特征信息设定对应的组件或缺陷类别标签,然后进行SVM多分类器的训练,并生成分类模型modulef,模型输出为组件或缺陷的类别;
步骤7:将待识别的预处理后的漏磁信号数据转为伪彩色图后通过选择性搜索算法获取目标推荐区域,对所有的目标推荐区域进行提取特征,并将特征信息作为分类模型modulef的输入,输出每个目标推荐区域对应的组件或缺陷的类别;
将待识别的漏磁信号数据经过步骤1-步骤5后得到组件或缺陷目标推荐区域的特征信息,再利用训练好的分类模型modulef识别特征信息对应的组件或缺陷的类别;
步骤8:将待识别的漏磁信号数据重复执行步骤7多次,对分类模型modulef识别出的特征信息对应的所有类别进行统计,将出现次数最多的类别作为目标推荐区域的识别类别,最终完成漏磁信号数据的识别。
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 (6)
1.一种基于异构场信号的管道多组件识别方法,其特征在于:包括以下步骤:
步骤1:实时异构场数据的采集和预处理:首先通过多个异构场传感器多通道实时采集管道异构场数据;然后对采集的异构场数据进行滤波处理,去除高频干扰;并利用平均中值法对滤波处理后的异构场数据进行基值校正;
步骤2:将基值校正后的异构场数据利用自适应阈值进行伪彩色图转换;
步骤3:通过选择性搜索算法,获得伪彩色图中包含组件或缺陷的异常区域位置信息,然后将所有异常区域位置信息映射到对应的异构场数据上,得到包含组件或缺陷的异常区域集合,并确定同一组件或缺陷目标的异常推荐区域集合;
步骤4:对同一组件或缺陷目标的异常推荐区域集合中的所有异常推荐区域求取相邻推荐区域面积的交集和并集的比γ,并去除面积的交集和并集的比γ小于面积比阈值λ的异常推荐区域,0≤λ≤1,将面积的交集和并集的比γ大于等于λ的两个异常推荐区域直接进行融合,不断循环,直到同一组件或缺陷目标的异常推荐区域集合中保留唯一的异常推荐区域作为该组件或缺陷的目标推荐区域;
步骤5:从各组件或缺陷的目标推荐区域提取目标推荐区域的里程差Lx、通道差Ly、峰谷差FG和目标推荐区域内数据的相似性程度S这些表示组件或缺陷类型的特征信息Q={Lx,Ly,FG,S};
步骤6:对步骤5获取的表示组件或缺陷类型的特征信息设定对应的组件或缺陷类别标签,然后进行SVM多分类器的训练,并生成分类模型modulef,模型输出为组件或缺陷的类别;
步骤7:将待识别的预处理后的异构场数据转为伪彩色图后通过选择性搜索算法获取目标推荐区域,对所有的目标推荐区域进行提取特征,并将特征信息作为分类模型modulef的输入,输出每个目标推荐区域对应的组件或缺陷的类别;
将待识别的异构场数据经过步骤1-步骤5后得到组件或缺陷目标推荐区域的特征信息,再利用训练好的分类模型modulef识别特征信息对应的组件或缺陷的类别;
步骤8:将待识别的异构场信号数据重复执行步骤7多次,对分类模型modulef识别出的特征信息对应的所有类别进行统计,将出现次数最多的类别作为目标推荐区域的识别类别,最终完成异构场信号数据的识别。
2.根据权利要求1所述的一种基于异构场信号的管道多组件识别方法,其特征在于:所述步骤1的具体方法为:
步骤1.1:通过多个异构场传感器多通道实时采集管道异构场数据,并对采集的异构场数据做有效性判定和滤波处理;
步骤1.2:采用平均中值法对滤波处理后的各通道异构场信号进行基值校正;
将滤波处理后的异构场数据分割为m×n的二维矩阵,其中m=n×3,m为每个通道采集的异构场数据个数,n为采集异构场数据的通道个数;采用平均中值法对滤波处理后的各通道异构场信号进行基值校正,如下公式所示:
G′j(i)=Gj(i)-Mj+V (1)
其中,G′j(i)为第j条通道在第i个数据点处校正后的异构场数据值,j=1、2、…、n,i=1、2、…、m,Gj(i)为第j条通道在第i个数据数点处校正前的异构场数据值,Mj为第j条通道采集的异构场数据的中值,V为异构场数据校正的目标基值。
3.根据权利要求2所述的一种基于异构场信号的管道多组件识别方法,其特征在于:所述步骤2的具体方法为:
步骤2.1:将基值校正后的异构场数据变换为异构场数据灰度图,如下公式所示:
minv=V-lg(min(data(:)))/2 (3)
maxv=V+lg(max(data(:))) (4)
其中,Ii,j表示异构场数据变换后对应的灰度值,bg表示异构场数据目标基值对应的灰度固定值,datai,j表示m×n的二维矩阵内的第i行第j列的数据元素,255表示灰度图的最大值,minv为异构场数据转换成灰色图过程中的最小截断值,maxv为异构场数据转换成灰色图过程中的最大截断值,data(:)表示m×n的二维矩阵内包含的所有基值校正后的异构场数据;
步骤2.2:将转换后的异构场数据灰度图送入不同特征的R、G、B变换器,利用灰度分割法得到R、G、B三通道的伪彩色图。
4.根据权利要求3所述的一种基于异构场信号的管道多组件识别方法,其特征在于:所述步骤3的具体方法为:
通过选择性搜索算法,获取每个伪彩色图中包含组件或缺陷的异常推荐区域,提取异常推荐区域的位置信息message,所述位置信息message中有异常推荐区域的起始里程数据点信息和终止里程数据点信息,并记录异常推荐区域的起始通道和终止通道;再将异常推荐区域的位置信息映射到对应的异构场数据上,得到异构场数据的异常推荐区域集合W={W1,W2,...,Wl,…,WN},其中N为所有异常推荐区域的总数,然后将异常推荐区域根据位置信息分类得到每个组件或者缺陷的目标推荐区域集的总集合W={W1,W2,...,WK,…,WC},其中,C为异常推荐区域集合中组件和缺陷的总数,为同一组件或缺陷目标的异常推荐区域集合,B为包含第K个组件或缺陷目标的异常推荐区域数量;
所述同一组件或缺陷目标的推荐区域集合通过以下方法确定:
对异构场数据的异常推荐区域集合W中的异常推荐区域按照位置顺序从小到大排序,将异常推荐区域集合W中每个异常推荐区域与其相邻里程和相邻通道的异常推荐区域之间的面积的交集与面积阈值δ的比较来判断该异常推荐区域与其相邻的异常推荐区域是否属于同一组件或缺陷目标的异常推荐区域集合,其中,δ为相邻两个异常推荐区域中较小面积的π/10,如果某个异常推荐区域与其相邻的异常推荐区域之间面积的交集大于面积阈值δ,将这个异常推荐区域与其相邻的异常推荐区域归类到同一个组件或缺陷目标的异常推荐区域集合,否则这个异常推荐区域与其相邻的异常推荐区域属于不同的组件或缺陷目标的异常推荐区域集合,如下公式所示:
6.根据权利要求5所述的一种基于异构场信号的管道多组件识别方法,其特征在于:步骤5所述组件或缺陷的目标推荐区域内数据的相似性程度S如下公式所示:
其中,std(x)表示矩阵x的标准偏差,xi为目标推荐区域的数据元素,1≤i≤n′,n′为目标推荐区域内包含的所有数据元素数量,为目标推荐区域内所有数据元素的均值,表示目标推荐Wg中包含的所有数据元素;
所述目标推荐区域的里程差Lx如下公式所示:
Lx=(xmax-xmin+1)×0.002 (11)
其中,xmax、xmin分别表示目标推荐区域的起始里程数据点信息与终止里程数据点信息,每两个数据点之间的间距为0.002毫米;
所述异常推荐区域的通道差Ly如下公式所示:
Ly=ymax-ymin+1 (12)
其中,ymin、ymax分别表示目标推荐区域的起始通道与终止通道;
所述目标推荐区域内的峰谷差FG如下公式所示:
其中,LFG和RFG分别为目标推荐区域内最大通道的左峰谷差和右峰谷差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011216366.4A CN112347903B (zh) | 2020-11-04 | 2020-11-04 | 一种基于异构场信号的管道多组件识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011216366.4A CN112347903B (zh) | 2020-11-04 | 2020-11-04 | 一种基于异构场信号的管道多组件识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347903A true CN112347903A (zh) | 2021-02-09 |
CN112347903B CN112347903B (zh) | 2024-02-02 |
Family
ID=74428282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011216366.4A Active CN112347903B (zh) | 2020-11-04 | 2020-11-04 | 一种基于异构场信号的管道多组件识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347903B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081485A (zh) * | 2022-07-04 | 2022-09-20 | 中特检深燃安全技术服务(深圳)有限公司 | 一种基于ai的漏磁内检测数据自动分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102008973B1 (ko) * | 2019-01-25 | 2019-08-08 | (주)나스텍이앤씨 | 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법 |
WO2020215117A1 (en) * | 2019-04-24 | 2020-10-29 | South Australian Water Corporation | Method and system for detecting a structural anomaly in a pipeline network |
-
2020
- 2020-11-04 CN CN202011216366.4A patent/CN112347903B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102008973B1 (ko) * | 2019-01-25 | 2019-08-08 | (주)나스텍이앤씨 | 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법 |
WO2020215117A1 (en) * | 2019-04-24 | 2020-10-29 | South Australian Water Corporation | Method and system for detecting a structural anomaly in a pipeline network |
Non-Patent Citations (3)
Title |
---|
ANDREY V. TIMOFEEV等: "Multimodal Heterogeneous Monitoring of Super-Extended Objects: Modern View", 《RECENT ADVANCES IN SYSTEMS SAFETY AND SECURITY 》, vol. 62, pages 97 * |
王永雄;苏剑波;: "基于禁忌搜索的管道状况集成检测方法", 模式识别与人工智能, no. 01, pages 85 - 91 * |
邵凌威: "基于导波的长大型地下管道损伤识别研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 5, pages 034 - 2 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081485A (zh) * | 2022-07-04 | 2022-09-20 | 中特检深燃安全技术服务(深圳)有限公司 | 一种基于ai的漏磁内检测数据自动分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112347903B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368690B (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN101576956B (zh) | 基于机器视觉的在线字符检测方法和系统 | |
CN110288032B (zh) | 一种车辆行驶轨迹类型检测方法及装置 | |
CN111855810B (zh) | 一种基于循环神经网络的轨底伤损识别方法及系统 | |
CN112329588B (zh) | 一种基于Faster R-CNN的管道故障检测方法 | |
CN103997315B (zh) | 一种管道漏磁信号自适应滤波装置及方法 | |
CN111914767B (zh) | 一种基于多源遥感数据的散乱污企业检测方法及系统 | |
CN110276285A (zh) | 一种非受控场景视频中的船舶水尺智能识别方法 | |
CN114799610B (zh) | 一种基于傅里叶逆变换及自编码器的焊接质量实时检测方法及系统 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN115546223A (zh) | 一种列车车下设备紧固螺栓的缺失检测方法和系统 | |
CN112347903B (zh) | 一种基于异构场信号的管道多组件识别方法 | |
CN113962951B (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 | |
CN116934062B (zh) | 一种基于多元融合的信息处理系统及方法 | |
CN112836719A (zh) | 一种融合二分类和三元组的示功图相似性检测方法 | |
CN112329590A (zh) | 一种管道组件检测系统及检测方法 | |
CN116721080A (zh) | 基于形状位置感知和均衡采样的小径管焊接缺陷检测方法 | |
CN110082424B (zh) | 一种快速管道漏磁数据多尺度异常区域推荐系统及方法 | |
CN115239952A (zh) | 基于YOLOV5及U2-Net框架辅助读取工业表的方法 | |
CN115015375A (zh) | 一种在管道检测中环焊缝的识别方法 | |
CN109360289B (zh) | 融合巡检机器人定位信息的电力表计检测方法 | |
CN114418929A (zh) | 基于一致性多尺度度量学习的焊缝缺陷识别方法 | |
CN117593300B (zh) | 一种pe管材裂纹缺陷检测方法及系统 |
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 |