CN113063843A - 一种管道缺陷识别方法、装置及存储介质 - Google Patents
一种管道缺陷识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113063843A CN113063843A CN202110199219.9A CN202110199219A CN113063843A CN 113063843 A CN113063843 A CN 113063843A CN 202110199219 A CN202110199219 A CN 202110199219A CN 113063843 A CN113063843 A CN 113063843A
- Authority
- CN
- China
- Prior art keywords
- magnetic flux
- flux leakage
- curve graph
- radial component
- leakage curve
- 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.)
- Pending
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明提供一种管道缺陷识别方法、装置及存储介质，包括：将待检测的径向分量漏磁曲线图和与所述待检测的径向分量漏磁曲线图对应的横向分量漏磁曲线图分别输入管道缺陷识别模型，得到径向分量漏磁曲线图识别结果和横向分量漏磁曲线图识别结果；其中，所述管道缺陷识别模型为使用多组训练数据训练待训练模型得到的，所述多组训练数据中的每组训练数据包括漏磁曲线图和标识所述漏磁曲线图对应分类的标签；若所述径向分量漏磁曲线图识别结果和所述横向分量漏磁曲线图识别结果均指向同一缺陷类型，则所述缺陷类型为所述管道的缺陷类型。本发明能够提高管道缺陷识别的准确率和效率。
Description
技术领域
本发明涉及管道缺陷检测技术领域，尤其涉及一种管道缺陷识别方法、装置及存储介质。
背景技术
研究更高效的自来水管道缺陷识别方法可以让水务公司及时迅速地将自来水管道缺陷高效识别出来。像一些穿孔等缺陷，工程人员可以用肉眼就识别出来，但是一些潜在的缺陷，比如轴向裂纹和凹陷，一般的人眼很难识别出来，所以这就需要用更多精密的仪器和更高效的检测方式进行检测，从而避免管道破裂等重大问题发生。
目前，检查管道缺陷较为通用的方法为CCTV检测技术。CCTV检测技术出现于20世纪50年代，是专门应用于地下管道检测的工作，是排水管网检测使用最久的检测技术之一，也是目前应用最普遍的方法。该系统在检测时，由操作人员在地面远程控制爬行器，控制其在管道内进行录像拍摄，利用闭路电视采集图像，通过有线传输方式，进行直观影像显示和记录。该系统利用影像的方法其实只能靠人眼去判断管道的缺陷，由于依然依赖人眼，因此，管道缺陷识别结果准确率和识别效率都还有待提高。
发明内容
本发明的目的在于提供一种管道缺陷识别方法，以解决现有管道缺陷识别方法准确率和识别效率不高的技术问题，本发明能够提高管道缺陷识别结果的准确率和识别效率。
为了解决上述技术问题，第一方面，本发明实施例提供一种管道缺陷识别方法方法，包括：
将待检测的径向分量漏磁曲线图和与所述待检测的径向分量漏磁曲线图对应的横向分量漏磁曲线图分别输入管道缺陷识别模型，得到径向分量漏磁曲线图识别结果和横向分量漏磁曲线图识别结果；其中，所述管道缺陷识别模型为使用多组训练数据训练待训练模型得到的，所述多组训练数据中的每组训练数据包括漏磁曲线图和标识所述漏磁曲线图对应分类的标签；
若所述径向分量漏磁曲线图识别结果和所述横向分量漏磁曲线图识别结果均指向同一缺陷类型，则所述缺陷类型为所述管道的缺陷类型。
进一步地，在将待检测的径向分量漏磁曲线图和待检测的横向分量漏磁曲线图分别输入管道缺陷识别模型之前，还包括：
获取漏磁检测仪检测管道获得的漏磁信号数据；
根据所述漏磁信号数据得到待分割的径向分量漏磁曲线图和待分割的轴向分量曲线图；
根据预设的距离，分别对所述待分割的径向分量漏磁曲线图和所述待分割的轴向分量曲线图进行分割，得到多个待检测的径向分量漏磁曲线图和多个待检测的横向分量漏磁曲线图。
进一步地，所述根据所述漏磁数据，得到径向分量漏磁曲线图和轴向分量曲线图，具体包括：
将所述漏磁信号分解为周向分量、径向分量和轴向分量；
将所述径向分量和轴向分量分别一一映射到二维平面坐标系上，形成待分割的径向分量曲线图和待分割的轴向分量曲线图；其中，所述二维平面坐标系的横坐标为移动距离，所述二维平面坐标系的纵坐标为磁通密度；
根据预设的距离，分别对所述待分割的径向分量漏磁曲线图和所述待分割的轴向分量曲线图进行分割，得到多个待检测的径向分量漏磁曲线图和多个待检测的横向分量漏磁曲线图。
进一步地，所述待训练模型包括VGG-16删减模型和MLP模型，所述VGG-16删减模型通过将VGG-16模型的全连接层后面的层删减掉得到。
进一步地，所述MLP模型包括全连接层、隐藏层和输出层，所述全连接层有25088个神经元，激活函数为ReLu；所述隐藏层有20个神经元，激活函数为Softmax；所述输出层有10个神经元，优化器选择为adam，损失函数选择为：Softmax_crossentropy。
进一步地，所述管道缺陷类型包括凹陷、穿孔、表面剥落、轴向裂纹和正常，所述漏磁曲线图类型包括表征凹陷的轴向分量漏磁曲线图、表征凹陷的径向分量漏磁曲线图、表征穿孔的轴向分量漏磁曲线图、表征穿孔的径向分量漏磁曲线图、表征表面剥落的轴向分量漏磁曲线图、表征表面剥落的径向分量漏磁曲线图、表征轴向裂纹的轴向分量漏磁曲线图、表征轴向裂纹的径向分量漏磁曲线图、表征正常的轴向分量漏磁曲线图、表征正常的径向分量漏磁曲线图。
进一步地，所述的管道缺陷识别方法，还包括：若所述所述径向分量漏磁曲线图识别结果和所述横向分量漏磁曲线图识别结果不指向同一缺陷类型，则输出缺陷类型无法判断，请求人工检查的信号。
第二方面，本发明实施例提供一种管道缺陷识别装置，包括：
输入模块，用于将待检测的径向分量漏磁曲线图和与所述待检测的径向分量漏磁曲线图对应的横向分量漏磁曲线图分别输入管道缺陷识别模型，得到径向分量漏磁曲线图识别结果和横向分量漏磁曲线图识别结果；其中，所述管道缺陷识别模型为使用多组训练数据训练待训练模型得到的，所述多组训练数据中的每组训练数据包括漏磁曲线图和标识所述漏磁曲线图对应分类的标签；
判断模块，用于若所述径向分量漏磁曲线图识别结果和所述横向分量漏磁曲线图识别结果均指向同一缺陷类型，则所述缺陷类型为所述管道的缺陷类型。
进一步地，所述的管道缺陷识别装置，还包括：
获取模块，用于获取漏磁检测仪检测管道获得的漏磁信号；
漏磁曲线图生成模块，用于根据所述漏磁信号得到待分割的径向分量漏磁曲线图和待分割的轴向分量曲线图；
分割模块，用于根据预设的距离，分别对所述待分割的径向分量漏磁曲线图和所述待分割的轴向分量曲线图进行分割，得到多个待检测的径向分量漏磁曲线图和多个待检测的横向分量漏磁曲线图。
第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述所述的管道缺陷识别方法。
本发明实施例提供一种管道缺陷识别方法，包括：将待检测的径向分量漏磁曲线图和与所述待检测的径向分量漏磁曲线图对应的横向分量漏磁曲线图分别输入管道缺陷识别模型，得到径向分量漏磁曲线图识别结果和横向分量漏磁曲线图识别结果；其中，所述管道缺陷识别模型为使用多组训练数据训练待训练模型得到的，所述多组训练数据中的每组训练数据包括漏磁曲线图和标识所述漏磁曲线图对应分类的标签；若所述径向分量漏磁曲线图识别结果和所述横向分量漏磁曲线图识别结果均指向同一缺陷类型，则所述缺陷类型为所述管道的缺陷类型。与现有技术相比，本发明实施例无需人眼判断管道缺陷，且具有管道缺陷识别准确率高、效率高的优点。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的管道缺陷识别方法的流程示意图；
图2是分割后的轴向分量漏磁曲线图；
图3是分割后的径向分量漏磁曲线图；
图4是表征凹陷的轴向分量漏磁曲线图；
图5是表征凹陷的径向分量漏磁曲线图；
图6是表征穿孔的轴向分量漏磁曲线图；
图7是表征穿孔的径向分量漏磁曲线图；
图8是表征表面剥落的轴向分量漏磁曲线图；
图9是表征表面剥落的径向分量漏磁曲线图；
图10是表征轴向裂纹的轴向分量漏磁曲线图；
图11是表征轴向裂纹的径向分量漏磁曲线图；
图12是表征正常的轴向分量漏磁曲线图；
图13是表征正常的径向分量漏磁曲线图；
图14是本发明实施例提供的VGG-16删减模型的结构示意图；
图15是本发明实施例提供的MLP模型的结构示意图；
图16是本发明实施例提供的管道缺陷识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
实施例1：
请参阅图1，本发明实施例提供一种管道缺陷识别方法，包括S1-S2：
S1、将待检测的径向分量漏磁曲线图和与所述待检测的径向分量漏磁曲线图对应的横向分量漏磁曲线图分别输入管道缺陷识别模型，得到径向分量漏磁曲线图识别结果和横向分量漏磁曲线图识别结果；其中，所述管道缺陷识别模型为使用多组训练数据训练待训练模型得到的，所述多组训练数据中的每组训练数据包括漏磁曲线图和标识所述漏磁曲线图对应分类的标签；
S2、若所述径向分量漏磁曲线图识别结果和所述横向分量漏磁曲线图识别结果均指向同一缺陷类型，则所述缺陷类型为所述管道的缺陷类型。
在实施本发明实施例之前，首先需要训练得到管道缺陷识别模型，由于管道缺陷识别模型是通过采用多组训练数据对待训练模型进行训练得到的，而目前没有任何数据库具有本发明实施例需要的训练数据，因此，需要构建训练数据。
下面给出构建本发明实施例所需的训练数据的具体方法，包括(1)-(5)：
(1)使用漏磁检测仪对待检测的管道进行检测，漏磁检测仪将会收集管道反馈回来的漏磁信号数据，该漏磁信号数据具体为管道上的磁通密度，单位为10-3T。优选地，所述管道为自来水管道。
(2)将漏磁信号数据分解为周向分量、径向分量和轴向分量。
(3)将漏磁信号数据中的径向分量和轴向分量分别一一映射到二维平面坐标系上，形成两个漏磁曲线图，一个为径向分量漏磁曲线图，另一个为轴向分量漏磁曲线图，其中，二维平面坐标系上的横坐标为移动距离，纵坐标为磁通密度。
需要说明的是，虽然漏磁信号可分解为周向分量、径向分量和轴向分量，但是，我们仅需要取漏磁信号的径向分量和轴向分量作为深度学习的分析对象。
(4)以预设的距离将上面两个漏磁曲线图进行图像分割，例如，每间隔距离200mm进行一次分割，每个漏磁曲线图共可分割
个图像出来，其中N为管道的长度，分割出来的图像如图2和图3所示，其中同一距离分割出来的轴向分量漏磁曲线图与径向分量漏磁曲线图是一一对应的。
需要说明的是，由于一般获取得到的漏磁信号数据为很长一段管道上的漏磁信号数据，而一段管道上可能存在不同的缺陷，因此，需要对获取得到的漏磁信号数据形成的漏磁曲线图进行分割。
(5)按照漏磁曲线图的分类，大致可以分为八类缺陷曲线图和两类正常曲线图。请参阅图4-图13，这十类曲线图分别为表征凹陷的轴向分量漏磁曲线图、表征凹陷的径向分量漏磁曲线图、表征穿孔的轴向分量漏磁曲线图、表征穿孔的径向分量漏磁曲线图、表征表面剥落的轴向分量漏磁曲线图、表征表面剥落的径向分量漏磁曲线图、表征轴向裂纹的轴向分量漏磁曲线图、表征轴向裂纹的径向分量漏磁曲线图、表征正常的轴向分量漏磁曲线图、表征正常的径向分量漏磁曲线图。
按照上述漏磁曲线图的类型，收集不同类型的漏磁曲线图，由专业的工程师对径向分量漏磁曲线图和轴向分量漏磁曲线图进行精确标记、分类，使各类型的漏磁曲线图保证有设定的张数，例如，使各类型的漏磁曲线图至少有100张，这样就有1000张经过标记后的漏磁曲线图，将这1000张标记过的漏磁曲线图作为模型的训练数据。
作为本发明实施例的一种举例，所述待训练模型包括VGG-16删减模型和MLP模型，所述VGG-16删减模型通过将VGG-16模型的全连接层后面的层删减掉得到。
作为本发明实施例的一种举例，所述MLP模型包括全连接层、隐藏层和输出层，所述全连接层有25088个神经元，激活函数为ReLu；所述隐藏层有20个神经元，激活函数为Softmax；所述输出层有10个神经元，优化器选择为adam，损失函数选择为：Softmax_crossentropy。
为了便于实施，下面给出一个构建所述待训练模型方法的具体实施例：
在python的环境中调用Keras工具包中的VGG-16深度学习模型，将VGG-16模型的全连接层后面的层删减掉，得到VGG-16删减模型，VGG-16删减模型如图14所示。
经过VGG-16删减模型后，得到7*7*512尺寸的图像，将7*7*512尺寸的图像继续输入MLP模型的全连接层(即输入层)，MLP模型包括全连接层、隐藏层和输出层，所述全连接层有25088个神经元，激活函数为ReLu；所述隐藏层有20个神经元，激活函数为Softmax；所述输出层有10个神经元。优化器选择为adam，损失函数选择为：Softmax_crossentropy。MLP模型如图15所示，至此，所述待训练模型搭建完毕。
当训练数据和待训练模型准备好后，将上述标记好的十类漏磁曲线图片，共1000张，放入VGG-16删减模型和MLP模型进行模型训练，epochs设置为100，metrics设置为accuracy，训练完毕后，便得到管道缺陷识别模型。
需要说明的是，所述管道缺陷识别模型输出层的的10个神经元分别代表10种分类结果：表征凹陷的轴向分量漏磁曲线图、表征凹陷的径向分量漏磁曲线图、表征穿孔的轴向分量漏磁曲线图、表征穿孔的径向分量漏磁曲线图、表征表面剥落的轴向分量漏磁曲线图、表征表面剥落的径向分量漏磁曲线图、表征轴向裂纹的轴向分量漏磁曲线图、表征轴向裂纹的径向分量漏磁曲线图、表征正常的轴向分量漏磁曲线图、表征正常的径向分量漏磁曲线图。分类输出结果结果如下表1所示。
表1管道缺陷识别模型的输出
为了便于理解，下面给出具体管道缺陷识别流程：
先输入一张径向分量漏磁曲线图到管道缺陷识别模型中进行识别，得到输出结果a。然后输入一张与该径向分量漏磁曲线图对应的轴向分量漏磁曲线图到管道缺陷识别模型中，得到输出结果b。如果a和b的结果都指向同一缺陷类型那么就判断这小段管道上的缺陷为该分类。例如：输入两张同一距离的漏磁曲线图(轴向分量和径向分量)，输出结果为1000000000和0100000000，即都指向凹陷这个缺陷，那么系统判断该小段管道上的缺陷即为凹陷。如果a和b的结果都不指向同一缺陷类型那么就判断为分类异常，请求人工检查。例如：输入两张同一距离的漏磁曲线图(轴向分量和径向分量)，输出结果为1000000000和0000000001，一个指向凹陷，一个指向正常，那么该段距离的缺陷就无法判断，分类异常，请求人工检查。
作为本发明实施例的一种举例，在将待检测的径向分量漏磁曲线图和待检测的横向分量漏磁曲线图分别输入管道缺陷识别模型之前，还包括：
获取漏磁检测仪检测管道获得的漏磁信号；
根据所述漏磁信号得到待分割的径向分量漏磁曲线图和待分割的轴向分量曲线图；
根据预设的距离，分别对所述待分割的径向分量漏磁曲线图和所述待分割的轴向分量曲线图进行分割，得到多个待检测的径向分量漏磁曲线图和多个待检测的横向分量漏磁曲线图。
作为本发明实施例的一种举例，所述根据所述漏磁数据，得到径向分量漏磁曲线图和轴向分量曲线图，具体包括：
将所述漏磁信号分解为周向分量、径向分量和轴向分量；
将所述径向分量和轴向分量分别一一映射到二维平面坐标系上，形成待分割的径向分量曲线图和待分割的轴向分量曲线图；其中，所述二维平面坐标系的横坐标为移动距离，所述二维平面坐标系的纵坐标为磁通密度；
根据预设的距离，分别对所述待分割的径向分量漏磁曲线图和所述待分割的轴向分量曲线图进行分割，得到多个待检测的径向分量漏磁曲线图和多个待检测的横向分量漏磁曲线图。
作为本发明实施例的一种举例，所述管道缺陷识别方法，还包括：若所述所述径向分量漏磁曲线图识别结果和所述横向分量漏磁曲线图识别结果不指向同一缺陷类型，则输出缺陷类型无法判断，请求人工检查的信号。
实施例2：
请参阅图16，本发明实施例还提供一种管道缺陷识别装置，包括：
输入模块1，用于将待检测的径向分量漏磁曲线图和与所述待检测的径向分量漏磁曲线图对应的横向分量漏磁曲线图分别输入管道缺陷识别模型，得到径向分量漏磁曲线图识别结果和横向分量漏磁曲线图识别结果；其中，所述管道缺陷识别模型为使用多组训练数据训练待训练模型得到的，所述多组训练数据中的每组训练数据包括漏磁曲线图和标识所述漏磁曲线图对应分类的标签；
判断模块2，用于若所述径向分量漏磁曲线图识别结果和所述横向分量漏磁曲线图识别结果均指向同一缺陷类型，则所述缺陷类型为所述管道的缺陷类型。
作为本发明实施例的一种举例，所述的管道缺陷识别装置，还包括：
获取模块，用于获取漏磁检测仪检测管道获得的漏磁信号；
漏磁曲线图生成模块，用于根据所述漏磁信号得到待分割的径向分量漏磁曲线图和待分割的轴向分量曲线图；
分割模块，用于根据预设的距离，分别对所述待分割的径向分量漏磁曲线图和所述待分割的轴向分量曲线图进行分割，得到多个待检测的径向分量漏磁曲线图和多个待检测的横向分量漏磁曲线图。
实施例3：
本发明还提供了一种计算机可读存储介质，具体包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的管道缺陷识别方法。
需要说明的是，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要进一步说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种管道缺陷识别方法，其特征在于，包括：
将待检测的径向分量漏磁曲线图和与所述待检测的径向分量漏磁曲线图对应的横向分量漏磁曲线图分别输入管道缺陷识别模型，得到径向分量漏磁曲线图识别结果和横向分量漏磁曲线图识别结果；其中，所述管道缺陷识别模型为使用多组训练数据训练待训练模型得到的，所述多组训练数据中的每组训练数据包括漏磁曲线图和标识所述漏磁曲线图对应分类的标签；
若所述径向分量漏磁曲线图识别结果和所述横向分量漏磁曲线图识别结果均指向同一缺陷类型，则所述缺陷类型为所述管道的缺陷类型。
2.根据权利要求1所述的管道缺陷识别方法，其特征在于，在将待检测的径向分量漏磁曲线图和待检测的横向分量漏磁曲线图分别输入管道缺陷识别模型之前，还包括：
获取漏磁检测仪检测管道获得的漏磁信号数据；
根据所述漏磁信号数据得到待分割的径向分量漏磁曲线图和待分割的轴向分量曲线图；
根据预设的距离，分别对所述待分割的径向分量漏磁曲线图和所述待分割的轴向分量曲线图进行分割，得到多个待检测的径向分量漏磁曲线图和多个待检测的横向分量漏磁曲线图。
3.根据权利要求2所述的管道缺陷识别方法，其特征在于，所述根据所述漏磁数据，得到径向分量漏磁曲线图和轴向分量曲线图，具体包括：
将所述漏磁信号数据分解为周向分量、径向分量和轴向分量；
将所述径向分量和轴向分量分别一一映射到二维平面坐标系上，形成待分割的径向分量曲线图和待分割的轴向分量曲线图；其中，所述二维平面坐标系的横坐标为移动距离，所述二维平面坐标系的纵坐标为磁通密度；
根据预设的距离，分别对所述待分割的径向分量漏磁曲线图和所述待分割的轴向分量曲线图进行分割，得到多个待检测的径向分量漏磁曲线图和多个待检测的横向分量漏磁曲线图。
4.根据权利要求1所述的管道缺陷识别方法，其特征在于，所述待训练模型包括VGG-16删减模型和MLP模型，所述VGG-16删减模型通过将VGG-16模型的全连接层后面的层删减掉得到。
5.根据权利要求4所述的管道缺陷识别方法，其特征在于，所述MLP模型包括全连接层、隐藏层和输出层，所述全连接层有25088个神经元，激活函数为ReLu；所述隐藏层有20个神经元，激活函数为Softmax；所述输出层有10个神经元，优化器选择为adam，损失函数选择为：Softmax_crossentropy。
6.根据权利要求1所述的管道缺陷识别方法，其特征在于，所述管道缺陷类型包括凹陷、穿孔、表面剥落、轴向裂纹和正常，所述漏磁曲线图类型包括表征凹陷的轴向分量漏磁曲线图、表征凹陷的径向分量漏磁曲线图、表征穿孔的轴向分量漏磁曲线图、表征穿孔的径向分量漏磁曲线图、表征表面剥落的轴向分量漏磁曲线图、表征表面剥落的径向分量漏磁曲线图、表征轴向裂纹的轴向分量漏磁曲线图、表征轴向裂纹的径向分量漏磁曲线图、表征正常的轴向分量漏磁曲线图、表征正常的径向分量漏磁曲线图。
7.根据权利要求1所述的管道缺陷识别方法，其特征在于，还包括：若所述所述径向分量漏磁曲线图识别结果和所述横向分量漏磁曲线图识别结果不指向同一缺陷类型，则输出缺陷类型无法判断，请求人工检查的信号。
8.一种管道缺陷识别装置，其特征在于，包括：
输入模块，用于将待检测的径向分量漏磁曲线图和与所述待检测的径向分量漏磁曲线图对应的横向分量漏磁曲线图分别输入管道缺陷识别模型，得到径向分量漏磁曲线图识别结果和横向分量漏磁曲线图识别结果；其中，所述管道缺陷识别模型为使用多组训练数据训练待训练模型得到的，所述多组训练数据中的每组训练数据包括漏磁曲线图和标识所述漏磁曲线图对应分类的标签；
判断模块，用于若所述径向分量漏磁曲线图识别结果和所述横向分量漏磁曲线图识别结果均指向同一缺陷类型，则所述缺陷类型为所述管道的缺陷类型。
9.根据权利要求8所述的管道缺陷识别装置，其特征在于，还包括：
获取模块，用于获取漏磁检测仪检测管道获得的漏磁信号数据；
漏磁曲线图生成模块，用于根据所述漏磁信号数据得到待分割的径向分量漏磁曲线图和待分割的轴向分量曲线图；
分割模块，用于根据预设的距离，分别对所述待分割的径向分量漏磁曲线图和所述待分割的轴向分量曲线图进行分割，得到多个待检测的径向分量漏磁曲线图和多个待检测的横向分量漏磁曲线图。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任一项所述的管道缺陷识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110199219.9A CN113063843A (zh) | 2021-02-22 | 2021-02-22 | 一种管道缺陷识别方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110199219.9A CN113063843A (zh) | 2021-02-22 | 2021-02-22 | 一种管道缺陷识别方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113063843A true CN113063843A (zh) | 2021-07-02 |
Family
ID=76558909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110199219.9A Pending CN113063843A (zh) | 2021-02-22 | 2021-02-22 | 一种管道缺陷识别方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113063843A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926707A (zh) * | 2022-05-23 | 2022-08-19 | 国家石油天然气管网集团有限公司 | 管道缺陷识别方法、处理器和管道缺陷识别装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103343885A (zh) * | 2013-06-20 | 2013-10-09 | 西南石油大学 | 管道漏磁检测在线数据压缩方法 |
| CN105184788A (zh) * | 2015-08-31 | 2015-12-23 | 广州杰赛科技股份有限公司 | 一种管道检测终端及方法 |
| CN106645384A (zh) * | 2016-09-23 | 2017-05-10 | 东北大学 | 一种管道漏磁内检测器数据的自适应滤波方法 |
| CN107492098A (zh) * | 2017-08-17 | 2017-12-19 | 广东工业大学 | 一种基于pca和cnn的高温锻件表面缺陷在位检测方法 |
| CN109212018A (zh) * | 2018-09-19 | 2019-01-15 | 东北大学 | 一种基于压缩感知的管道漏磁数据分级压缩方法 |
| CN109583501A (zh) * | 2018-11-30 | 2019-04-05 | 广州市百果园信息技术有限公司 | 图片分类、分类识别模型的生成方法、装置、设备及介质 |
| CN109613109A (zh) * | 2018-12-19 | 2019-04-12 | 智云安科技(北京)有限公司 | 一种管道漏磁检测数据自动分析系统 |
| CN111091538A (zh) * | 2019-12-04 | 2020-05-01 | 上海君睿信息技术有限公司 | 一种管道焊缝自动识别、缺陷检测方法及装置 |
| US20200210826A1 (en) * | 2018-12-29 | 2020-07-02 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
-
2021
- 2021-02-22 CN CN202110199219.9A patent/CN113063843A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103343885A (zh) * | 2013-06-20 | 2013-10-09 | 西南石油大学 | 管道漏磁检测在线数据压缩方法 |
| CN105184788A (zh) * | 2015-08-31 | 2015-12-23 | 广州杰赛科技股份有限公司 | 一种管道检测终端及方法 |
| CN106645384A (zh) * | 2016-09-23 | 2017-05-10 | 东北大学 | 一种管道漏磁内检测器数据的自适应滤波方法 |
| CN107492098A (zh) * | 2017-08-17 | 2017-12-19 | 广东工业大学 | 一种基于pca和cnn的高温锻件表面缺陷在位检测方法 |
| CN109212018A (zh) * | 2018-09-19 | 2019-01-15 | 东北大学 | 一种基于压缩感知的管道漏磁数据分级压缩方法 |
| CN109583501A (zh) * | 2018-11-30 | 2019-04-05 | 广州市百果园信息技术有限公司 | 图片分类、分类识别模型的生成方法、装置、设备及介质 |
| CN109613109A (zh) * | 2018-12-19 | 2019-04-12 | 智云安科技(北京)有限公司 | 一种管道漏磁检测数据自动分析系统 |
| US20200210826A1 (en) * | 2018-12-29 | 2020-07-02 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
| CN111091538A (zh) * | 2019-12-04 | 2020-05-01 | 上海君睿信息技术有限公司 | 一种管道焊缝自动识别、缺陷检测方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| 岳明星: "基于人工智能的管道漏磁内检测缺陷识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 王竹筠: "基于深度学习的管道漏磁信号智能识别方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》 * |
| 罗韦尔•阿蒂恩扎: "《Keras高级深度学习》", 31 May 2020, 机械工业出版社 * |
| 赵翰学 等: "基于机器学习的管道金属损失缺陷识别方法", 《石油机械》 * |
| 郑树泉 等: "《工业智能技术与应用》", 31 December 2018, 上海科学技术出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926707A (zh) * | 2022-05-23 | 2022-08-19 | 国家石油天然气管网集团有限公司 | 管道缺陷识别方法、处理器和管道缺陷识别装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210183050A1 (en) | Pipe feature identification using pipe inspection data analysis | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| US7215811B2 (en) | Method and apparatus for the automated detection and classification of defects in sewer pipes | |
| CN108776808A (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
| Zhu et al. | Machine vision-based concrete surface quality assessment | |
| CN111353983B (zh) | 缺陷检测识别方法、装置、计算机可读介质及电子设备 | |
| CN109086780B (zh) | 用于检测电极片毛刺的方法和装置 | |
| CN110910343A (zh) | 路面裂缝检测的方法、装置及计算机设备 | |
| CN108830837A (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
| CN110555831B (zh) | 一种基于深度学习的排水管道缺陷分割方法 | |
| CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
| CN111626358B (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
| CN114862832A (zh) | 缺陷检测模型的优化方法、装置、设备及存储介质 | |
| CN113063843A (zh) | 一种管道缺陷识别方法、装置及存储介质 | |
| CN110807754B (zh) | 基于深度语义分割的真菌显微图像分割检测方法及系统 | |
| CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
| CN115526855A (zh) | 电池片隐裂缺陷检测方法、装置、计算机设备和存储介质 | |
| CN115438945A (zh) | 基于电力设备巡检的风险识别方法、装置、设备及介质 | |
| US8306311B2 (en) | Method and system for automated ball-grid array void quantification | |
| CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
| CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
| Amri et al. | Implementation of Underwater Image Enhancement for Corrosion Pipeline Inspection (UIECPI) | |
| CN115375995A (zh) | 一种图像异常、缺陷的检测方法及电子设备 | |
| CN117727028A (zh) | 一种球形3d柑橘果实点云补全及表型检测方法 | |
| CN117094977A (zh) | 一种油品泄漏检测方法、系统、计算机设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210702 |