CN114722973B - 一种钢管热处理的缺陷检测方法及系统 - Google Patents

Abstract

本发明公开了一种钢管热处理的缺陷检测方法及系统，涉及数据处理技术领域，所述方法包括：通过钢管分类特征信息集确定钢管质量标定参数，再基于钢管质量标定参数对各钢管热处理质量检测信息进行缺陷数据获取，将获取的第一钢管缺陷特征信息输入深度卷积神经网络中进行训练，构建第一钢管热处理缺陷分析模型；依此获得第二钢管热处理缺陷分析模型，再根据模型参数信息进行联合训练更新，获得集成钢管热处理缺陷分析模型，进而获得模型输出的钢管热处理缺陷分析结果，以对钢管进行生产质量管理。达到通过构建集成钢管热处理缺陷分析模型对钢管缺陷数据进行及时处理，提高钢管热处理缺陷分析结果的准确性，保证钢管生产质量的技术效果。

Description

一种钢管热处理的缺陷检测方法及系统

技术领域

本发明涉及数据处理领域，尤其涉及一种钢管热处理的缺陷检测方法及系统。

背景技术

钢管是具有空心截面，且长度远大于直径或周长的钢材，不仅用于输送流体和粉状固体、交换热能、制造机械零件和容器，它还是一种经济钢材。而钢管热处理工艺是钢管生产中的重要生产工艺，如果因为热处理加热温度控制不当，变形不均匀，加热冷却速度不合理或矫直变形量太大而产生过大的残余应力，那么也有可能导致钢管产生表面裂纹。因此，对钢管热处理产生的生产缺陷进行及时准确的检测有着至关重要的意义。

然而，现有技术存在对钢管热处理的缺陷检测不够及时准确，检测效率低，导致影响钢管生产质量的技术问题。

发明内容

本申请通过提供一种钢管热处理的缺陷检测方法及系统，解决了现有技术存在对钢管热处理的缺陷检测不够及时准确，检测效率低，导致影响钢管生产质量的技术问题，达到通过对多个生产区域的钢管热处理缺陷数据进行整合分析，提高缺陷数据利用率，以此构建集成钢管热处理缺陷分析模型对钢管缺陷进行及时处理，提高钢管热处理缺陷分析结果的准确性，进而提高热处理缺陷检测效率，保证钢管生产质量技术效果。

鉴于上述问题，本发明提供了一种钢管热处理的缺陷检测方法及系统。

第一方面，本申请提供了一种钢管热处理的缺陷检测方法，所述方法包括：获得历史检测钢管信息集，通过钢管层级特征决策树对所述历史检测钢管信息集进行分类，获得钢管分类特征信息集；根据所述钢管分类特征信息集，确定钢管质量标定参数；构建钢管热处理检测指标集合，根据所述钢管热处理检测指标集合对所述历史检测钢管信息集中的各钢管信息进行质量检测，获得钢管热处理质量检测信息；基于所述钢管质量标定参数对所述钢管热处理质量检测信息进行缺陷数据获取，获得第一钢管缺陷特征信息；将所述第一钢管缺陷特征信息输入深度卷积神经网络中进行训练，构建第一钢管热处理缺陷分析模型；获得第二钢管缺陷特征信息，基于所述第二钢管缺陷特征信息获得第二钢管热处理缺陷分析模型；对所述第一钢管热处理缺陷分析模型和所述第二钢管热处理缺陷分析模型的模型参数信息进行联合训练更新，获得集成钢管热处理缺陷分析模型；根据所述集成钢管热处理缺陷分析模型，获得钢管热处理缺陷分析结果，并基于所述钢管热处理缺陷分析结果对钢管进行生产质量管理。

另一方面，本申请还提供了一种钢管热处理的缺陷检测系统，所述系统包括：第一获得单元，所述第一获得单元用于获得历史检测钢管信息集，通过钢管层级特征决策树对所述历史检测钢管信息集进行分类，获得钢管分类特征信息集；第一确定单元，所述第一确定单元用于根据所述钢管分类特征信息集，确定钢管质量标定参数；第一处理单元，所述第一处理单元用于构建钢管热处理检测指标集合，根据所述钢管热处理检测指标集合对所述历史检测钢管信息集中的各钢管信息进行质量检测，获得钢管热处理质量检测信息；第二获得单元，所述第二获得单元用于基于所述钢管质量标定参数对所述钢管热处理质量检测信息进行缺陷数据获取，获得第一钢管缺陷特征信息；第一构建单元，所述第一构建单元用于将所述第一钢管缺陷特征信息输入深度卷积神经网络中进行训练，构建第一钢管热处理缺陷分析模型；第三获得单元，所述第三获得单元用于获得第二钢管缺陷特征信息，基于所述第二钢管缺陷特征信息获得第二钢管热处理缺陷分析模型；第四获得单元，所述第四获得单元用于对所述第一钢管热处理缺陷分析模型和所述第二钢管热处理缺陷分析模型的模型参数信息进行联合训练更新，获得集成钢管热处理缺陷分析模型；第二处理单元，所述第二处理单元用于根据所述集成钢管热处理缺陷分析模型，获得钢管热处理缺陷分析结果，并基于所述钢管热处理缺陷分析结果对钢管进行生产质量管理。

第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。

第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了通过钢管层级特征决策树对历史检测钢管信息集进行分类，再根据分类结果确定钢管质量标定参数，基于钢管质量标定参数对各钢管热处理质量检测信息进行缺陷数据获取，将获取的第一钢管缺陷特征信息输入深度卷积神经网络中进行训练，构建第一钢管热处理缺陷分析模型；依此获得第二钢管热处理缺陷分析模型，再根据构建的模型参数信息进行联合训练更新，获得集成钢管热处理缺陷分析模型，根据集成钢管热处理缺陷分析模型，获得钢管热处理缺陷分析结果，并基于钢管热处理缺陷分析结果对钢管进行生产质量管理的技术方案。进而达到通过对多个生产区域的钢管热处理缺陷数据进行整合分析，提高缺陷数据利用率，以此构建集成钢管热处理缺陷分析模型对钢管缺陷进行及时处理，提高钢管热处理缺陷分析结果的准确性，进而提高热处理缺陷检测效率，保证钢管生产质量的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请一种钢管热处理的缺陷检测方法的流程示意图；

图2为本申请一种钢管热处理的缺陷检测方法中获得第一钢管缺陷特征信息的流程示意图；

图3为本申请一种钢管热处理的缺陷检测方法中构建第一钢管缺陷特征识别模型的流程示意图；

图4为本申请一种钢管热处理的缺陷检测方法中构建缺陷识别逻辑层的流程示意图；

图5为本申请一种钢管热处理的缺陷检测系统的结构示意图；

图6为本申请示例性电子设备的结构示意图。

附图标记说明：第一获得单元11，第一确定单元12，第一处理单元13，第二获得单元14，第一构建单元15，第三获得单元16，第四获得单元17，第二处理单元18，总线1110，处理器1120，收发器1130，总线接口1140，存储器1150，操作系统1151，应用程序1152和用户接口1160。

具体实施方式

在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。

上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。

本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。

应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。

也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。

也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。

下面结合本申请中的附图对本申请进行描述。

实施例一

如图1所示，本申请提供了一种钢管热处理的缺陷检测方法，所述方法包括：

步骤S100：获得历史检测钢管信息集，通过钢管层级特征决策树对所述历史检测钢管信息集进行分类，获得钢管分类特征信息集；

具体而言，钢管是具有空心截面，且长度远大于直径或周长的钢材，不仅用于输送流体和粉状固体、交换热能、制造机械零件和容器，它还是一种经济钢材。而钢管热处理工艺是钢管生产中的重要生产工艺，如果因为热处理加热温度控制不当，变形不均匀，加热冷却速度不合理或矫直变形量太大而产生过大的残余应力，那么也有可能导致钢管产生表面裂纹。因此，对钢管热处理产生的生产缺陷进行及时准确的检测有着至关重要的意义。

对钢管生产企业的历史检测钢管的基本数据信息进行采集，获得对应的历史检测钢管信息集，所述历史检测钢管信息集包括钢管材质信息、连接方式、机械性能，应用用途、断面形状、成分组成、尺寸结构、平均使用年限等。通过钢管层级特征决策树对所述历史检测钢管信息集进行分类，所述钢管层级特征决策树是一种树形分类方法，是监督学习方法，用于对钢管基本信息进行规格应用分类。分类获得钢管分类特征信息集，所述钢管分类特征信息集是钢管特征分类结果，包括钢管规格尺寸特征、钢管材质特征、应用用途特征，为后续钢管缺陷数据的获取提供依据。

步骤S200：根据所述钢管分类特征信息集，确定钢管质量标定参数；

具体而言，不同特征类别的钢管特征，热处理缺陷识别标准也不同，因此根据所述钢管分类特征信息集，确定与之对应的钢管质量标定参数，所述钢管质量标定参数用于划分对钢管热处理质量标定时的质量识别标准选择。

步骤S300：构建钢管热处理检测指标集合，根据所述钢管热处理检测指标集合对所述历史检测钢管信息集中的各钢管信息进行质量检测，获得钢管热处理质量检测信息；

具体而言，构建钢管热处理检测指标集合，所述钢管热处理检测指标集合是用于对钢管进行热处理质量检测时的指标信息，包括机械性能检测、理化性能检测、表面性能检测、尺寸外形检测、化学成分检测等。根据所述钢管热处理检测指标集合对所述历史检测钢管信息集中的各钢管信息进行质量检测，获得各指标对应的钢管热处理质量检测信息，使得质量检测更加全面准确。

步骤S400：基于所述钢管质量标定参数对所述钢管热处理质量检测信息进行缺陷数据获取，获得第一钢管缺陷特征信息；

如图2所示，进一步而言，所述获得第一钢管缺陷特征信息，本申请步骤S400还包括：

步骤S410：构建历史钢管质量检测数据库，所述历史钢管质量检测数据库包括各钢管质量标定参数的钢管质量检测数据；

步骤S420：将所述历史钢管质量检测数据库中的数据进行参数类别标记，获得标记训练钢管质量检测数据集；

步骤S430：将所述标记训练钢管质量检测数据集按照所述各钢管质量标定参数分别作为输入数据进行钢管缺陷特征模型训练，构建钢管缺陷特征模型库；

步骤S440：基于所述钢管质量标定参数，从所述钢管缺陷特征模型库中调用第一钢管缺陷特征识别模型；

步骤S450：将所述钢管热处理质量检测信息输入所述第一钢管缺陷特征识别模型中，获得所述第一钢管缺陷特征信息。

具体而言，基于所述钢管质量标定参数对所述钢管热处理质量检测信息进行缺陷数据获取，首先构建历史钢管质量检测数据库，所述历史钢管质量检测数据库包括各钢管质量标定参数的钢管质量检测数据，有质量合格检测数据，也有质量缺陷检测数据。再将所述历史钢管质量检测数据库中的数据按照参数类别的不同进行标记，获得对应的标记训练钢管质量检测数据集。

将所述标记训练钢管质量检测数据集按照所述各钢管质量标定参数的不同，分别作为输入数据进行钢管缺陷特征模型训练，获得不同标定参数对应的各钢管缺陷特征模型集合。钢管缺陷特征模型为神经网络模型，用于对钢管质量检测数据进行缺陷特征类别分析，根据各模型集合构建钢管缺陷特征模型库。基于所述钢管质量标定参数，从所述钢管缺陷特征模型库中调用第一钢管缺陷特征识别模型，所述第一钢管缺陷特征识别模型与该钢管质量标定参数对应。

将所述钢管热处理质量检测信息输入与其对应的所述第一钢管缺陷特征识别模型中，获得所述模型的训练输出结果即第一钢管缺陷特征信息。通过特定的钢管缺陷特征识别模型对钢管缺陷数据进行分类识别，准确有效的获取热处理缺陷特征数据，进而提高钢管缺陷特征信息识别结果的准确性。

步骤S500：将所述第一钢管缺陷特征信息输入深度卷积神经网络中进行训练，构建第一钢管热处理缺陷分析模型；

具体而言，将所述第一钢管缺陷特征信息输入深度卷积神经网络中进行训练，深度卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，特征识别稳定性高。以此训练构建第一钢管热处理缺陷分析模型，所述第一钢管热处理缺陷分析模型用于钢管热处理缺陷特征进行数据分析，包括热处理缺陷特征类别以及生产原因分析。

步骤S600：获得第二钢管缺陷特征信息，基于所述第二钢管缺陷特征信息获得第二钢管热处理缺陷分析模型；

具体而言，为能够对二钢管热处理缺陷特征进行更加准确全面的分析，同理对其他生产企业或生产区域进行钢管热处理数据采集，将采集的所述第二钢管缺陷特征信息输入所述深度卷积神经网络中进行多方分布式训练，获得对应的第二钢管热处理缺陷分析模型。

步骤S700：对所述第一钢管热处理缺陷分析模型和所述第二钢管热处理缺陷分析模型的模型参数信息进行联合训练更新，获得集成钢管热处理缺陷分析模型；

具体而言，基于前述钢管热处理缺陷分析模型的训练结果，对所述第一钢管热处理缺陷分析模型和所述第二钢管热处理缺陷分析模型的模型参数信息进行联合训练更新，模型参数包括钢管缺陷类型参数、生产原因参数、分析训练次数以及模型相应权重等，构建联合训练后的集成钢管热处理缺陷分析模型。使得进行参数联邦学习后的集成钢管热处理缺陷分析模型的输出结果更加合理准确，适用范围更加全面，进而提高对钢管缺陷数据利用率。

步骤S800：根据所述集成钢管热处理缺陷分析模型，获得钢管热处理缺陷分析结果，并基于所述钢管热处理缺陷分析结果对钢管进行生产质量管理。

具体而言，根据上述构建的所述集成钢管热处理缺陷分析模型，对待检测钢管进行热处理缺陷分析，获得对应的钢管热处理缺陷分析结果，包括钢管热处理缺陷特征类别、生产原因分析等，例如热处理时效原因造成的机械性能缺陷。基于所述钢管热处理缺陷分析结果对钢管进行生产质量管理，例如调整钢管热处理工艺参数、热处理时间参数、热处理温度参数等。

达到通过对多个生产区域的钢管热处理缺陷数据进行整合分析，提高缺陷数据利用率，以此构建集成钢管热处理缺陷分析模型对钢管缺陷进行及时处理，提高钢管热处理缺陷分析结果的准确性，进而提高热处理缺陷检测效率，以保证钢管生产质量技术效果。

如图3所示，进一步而言，本申请步骤S450还包括：

步骤S451：构建第一钢管缺陷特征识别模型，所述第一钢管缺陷特征识别模型包括信息输入层、缺陷识别逻辑层、缺陷分类逻辑层和信息输出层；

步骤S452：将所述钢管热处理质量检测信息作为信息输入层，输入至所述缺陷识别逻辑层中，获得钢管缺陷识别数据信息；

步骤S453：将所述钢管缺陷识别数据信息输入所述缺陷分类逻辑层中，获得钢管缺陷分类数据信息；

步骤S454：将所述钢管缺陷分类数据信息作为输出层输出，获得所述第一钢管缺陷特征信息。

具体而言，为对钢管缺陷数据进行快速识别，构建第一钢管缺陷特征识别模型，所述第一钢管缺陷特征识别模型为神经网络模型，包括信息输入层、缺陷识别逻辑层、缺陷分类逻辑层和信息输出层。将所述钢管热处理质量检测信息作为信息输入层，输入至所述缺陷识别逻辑层中，所述缺陷识别逻辑层是一个数据识别层，用于对该质量检测数据是否是缺陷数据进行识别，获得该逻辑层输出的钢管缺陷识别数据信息。

将所述钢管缺陷识别数据信息输入所述缺陷分类逻辑层中，所述缺陷分类逻辑层是一个数据分类层，用于对输出的缺陷数据具体类别进行分类，例如表面缺陷类、机械性能缺陷类、尺寸外形缺陷类等，获得该逻辑层输出的钢管缺陷分类数据信息。将所述钢管缺陷分类数据信息作为输出层输出，获得钢管缺陷分类数据信息组成的所述第一钢管缺陷特征信息。通过构建特定性的第一钢管缺陷特征识别模型对钢管热处理缺陷数据进行分类识别，准确有效的获取热处理缺陷特征数据，进而提高钢管缺陷特征信息识别结果的准确性。

如图4所示，进一步而言，本申请步骤S451还包括：

步骤S4511：按照预设数据划分比例对所述钢管热处理质量检测信息进行划分，获得钢管缺陷数据训练样本和钢管缺陷数据测试样本；

步骤S4512：根据所述钢管缺陷数据训练样本和所述钢管缺陷数据测试样本，获得钢管缺陷训练样本评估标签和钢管缺陷测试样本评估标签；

步骤S4513：将所述钢管缺陷数据训练样本和所述钢管缺陷训练样本评估标签作为训练数据，构建所述缺陷识别逻辑层。

具体而言，为了构建所述缺陷识别逻辑层，按照预设数据划分比例对所述钢管热处理质量检测信息进行划分，所述预设数据划分比例可自行设定，例如4:6的划分比例，随机将所述钢管热处理质量检测信息划分为钢管缺陷数据训练样本和钢管缺陷数据测试样本。进一步根据所述钢管缺陷数据训练样本和所述钢管缺陷数据测试样本，分别获得对应的钢管缺陷训练样本评估标签和钢管缺陷测试样本评估标签，其中，样本评估标签包括有缺陷标签和无缺陷标签。

进一步的，将所述钢管缺陷数据训练样本和所述钢管缺陷训练样本评估标签作为训练数据，训练构建所述缺陷识别逻辑层。通过训练构建所述缺陷识别逻辑层，弥补了神经网络收敛速度慢、过拟合等缺点，达到了快速、高准确率地对钢管热处理缺陷数据信息进行判断和筛选的技术效果。

进一步而言，本申请步骤还包括：

步骤S910：获得钢管生产规格属性，将所述钢管生产规格属性作为第一分类特征；

步骤S920：获得钢管材质等级属性，将所述钢管材质等级属性作为第二分类特征；

步骤S930：获得钢管应用用途属性，将所述钢管应用用途属性作为第三分类特征；

步骤S940：根据所述第一分类特征、所述第二分类特征和所述第三分类特征，构建所述钢管层级特征决策树。

具体而言，为了具体构建钢管层级特征决策树，首先确定钢管分类特征。将所述钢管生产规格属性作为第一分类特征，所述钢管生产规格属性为钢管生产尺寸规格，包括钢管机械尺寸、断面形状、偏差公差、结构弯曲度、壁厚等，根据钢管生产规格进行适用场景使用。将所述钢管材质等级属性作为第二分类特征，所述钢管材质等级属性为钢管材料组成等级，包括碳素管、合金管、不锈钢管等，不同材质等级，其机械性能强度相应也不同。

将所述钢管应用用途属性作为第三分类特征，所述钢管应用用途属性为钢管的应用场景，例如管道用管、热工设备用管、机械工业用管、石油地质钻探用管、化学工业用管、容器用管等，不同应用途径，钢管生产质量要求也不同。决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法，这种分类器能够对新出现的对象给出正确的分类，由根节点、内部节点以及叶节点组成。

将所述第一分类特征、所述第二分类特征以及所述第三分类特征分别作为所述钢管层级特征决策树的内部节点，通过对其进行信息熵的计算，可对熵值最小的特征进行优先分类，以此方法对所述钢管层级特征决策树进行递归构建。通过对钢管层级特征决策树的准确性构建进行钢管数据特征分类，以确定钢管质量标定参数，从而提高钢管热处理缺陷数据处理结果的准确性和特定性。

进一步而言，本申请步骤还包括：

步骤S1010：将所述钢管热处理缺陷分析结果占钢管热处理缺陷信息集的比例，作为钢管质量修正参数；

步骤S1020：对所述钢管热处理缺陷分析结果进行缺陷程度分析，获得权重影响因子；

步骤S1030：根据所述钢管质量修正参数和所述权重影响因子，获得缺陷处理紧急性系数；

步骤S1040：基于所述缺陷处理紧急性系数，对钢管生产质量管理方案进行修正。

具体而言，将所述钢管热处理缺陷分析结果出现的类型频次占钢管热处理缺陷信息集的比例，作为钢管质量修正参数，所述钢管质量修正参数越大，表明该缺陷类型出现的频次越大，需要进行修正的必要性越强。对所述钢管热处理缺陷分析结果进行缺陷程度分析，获得对应的权重影响因子，所述权重影响因子越大，表明该缺陷类型的缺陷程度越大，对钢管生产质量的影响越严重。根据所述钢管质量修正参数和所述权重影响因子进行综合分析，例如可对其进行平均值计算或是加权计算，获得对应的缺陷处理紧急性系数。

缺陷处理紧急性系数越大，表明该热处理缺陷类型的处理必要程度和处理及时性要求越强，应对其紧急性处理。基于所述缺陷处理紧急性系数，对钢管生产质量管理方案进行修正，例如调整钢管热处理工艺参数、热处理时间参数、热处理退火正火温度参数、调质参数等。通过对钢管热处理缺陷分析结果进行处理紧急性分析，进行进一步的生产质量管理，从而提高钢管热处理缺陷的处理效率，保证钢管生产质量技术效果。

进一步而言，本申请步骤还包括：

步骤S1110：对所述集成钢管热处理缺陷分析模型进行分析效果验证，获得模型分析准确度；

步骤S1120：如果所述模型分析准确度未达到预设分析准确度，基于所述模型分析准确度和所述预设分析准确度的差值，获得模型分析偏差度；

步骤S1130：基于PSO算法和所述模型分析偏差度，对所述集成钢管热处理缺陷分析模型进行迭代更新，获得集成钢管热处理缺陷优化分析模型。

具体而言，对所述集成钢管热处理缺陷分析模型进行分析效果验证，可对模型进行多组数据验证再与实际效果比对，获得模型分析准确度，所述模型分析准确度表明了所述集成钢管热处理缺陷分析模型进行热处理缺陷分析的准确性。如果所述模型分析准确度未达到预设分析准确度，即集成钢管热处理缺陷分析模型的训练输出准确度未达标，基于所述模型分析准确度和所述预设分析准确度的差值，获得模型分析偏差度，即需要进行优化的准确度，偏差度越大，模型分析的准确度越低。

由于所述集成钢管热处理缺陷分析的拟合度较低，无法适应于当前钢管热处理缺陷的分析，基于PSO算法和所述模型分析偏差度，对所述集成钢管热处理缺陷分析模型进行迭代更新。PSO算法即粒子群优化算法，是一种基于种群的随机优化算法，可以模拟并不断迭代最终直到平衡或最优状态，保存平衡或最优状，获得优化更新后的集成钢管热处理缺陷优化分析模型。通过PSO算法优化模型，使得模型输出偏差度减小，提高模型输出结果的精准度和效率，进而提高钢管热处理缺陷分析结果的准确性。

综上所述，本申请所提供的一种钢管热处理的缺陷检测方法及系统具有如下技术效果：

由于采用了通过钢管层级特征决策树对历史检测钢管信息集进行分类，再根据分类结果确定钢管质量标定参数，基于钢管质量标定参数对各钢管热处理质量检测信息进行缺陷数据获取，将获取的第一钢管缺陷特征信息输入深度卷积神经网络中进行训练，构建第一钢管热处理缺陷分析模型；依此获得第二钢管热处理缺陷分析模型，再根据构建的模型参数信息进行联合训练更新，获得集成钢管热处理缺陷分析模型，根据集成钢管热处理缺陷分析模型，获得钢管热处理缺陷分析结果，并基于钢管热处理缺陷分析结果对钢管进行生产质量管理的技术方案。进而达到通过对多个生产区域的钢管热处理缺陷数据进行整合分析，提高缺陷数据利用率，以此构建集成钢管热处理缺陷分析模型对钢管缺陷进行及时处理，提高钢管热处理缺陷分析结果的准确性，进而提高热处理缺陷检测效率，保证钢管生产质量的技术效果。

实施例二

基于与前述实施例中一种钢管热处理的缺陷检测方法同样发明构思，本发明还提供了一种钢管热处理的缺陷检测系统，如图5所示，所述系统包括：

第一获得单元11，所述第一获得单元11用于获得历史检测钢管信息集，通过钢管层级特征决策树对所述历史检测钢管信息集进行分类，获得钢管分类特征信息集；

第一确定单元12，所述第一确定单元12用于根据所述钢管分类特征信息集，确定钢管质量标定参数；

第一处理单元13，所述第一处理单元13用于构建钢管热处理检测指标集合，根据所述钢管热处理检测指标集合对所述历史检测钢管信息集中的各钢管信息进行质量检测，获得钢管热处理质量检测信息；

第二获得单元14，所述第二获得单元14用于基于所述钢管质量标定参数对所述钢管热处理质量检测信息进行缺陷数据获取，获得第一钢管缺陷特征信息；

第一构建单元15，所述第一构建单元15用于将所述第一钢管缺陷特征信息输入深度卷积神经网络中进行训练，构建第一钢管热处理缺陷分析模型；

第三获得单元16，所述第三获得单元16用于获得第二钢管缺陷特征信息，基于所述第二钢管缺陷特征信息获得第二钢管热处理缺陷分析模型；

第四获得单元17，所述第四获得单元17用于对所述第一钢管热处理缺陷分析模型和所述第二钢管热处理缺陷分析模型的模型参数信息进行联合训练更新，获得集成钢管热处理缺陷分析模型；

第二处理单元18，所述第二处理单元18用于根据所述集成钢管热处理缺陷分析模型，获得钢管热处理缺陷分析结果，并基于所述钢管热处理缺陷分析结果对钢管进行生产质量管理。

进一步的，所述系统还包括：

第二构建单元，所述第二构建单元用于构建历史钢管质量检测数据库，所述历史钢管质量检测数据库包括各钢管质量标定参数的钢管质量检测数据；

第五获得单元，所述第五获得单元用于将所述历史钢管质量检测数据库中的数据进行参数类别标记，获得标记训练钢管质量检测数据集；

第三构建单元，所述第三构建单元用于将所述标记训练钢管质量检测数据集按照所述各钢管质量标定参数分别作为输入数据进行钢管缺陷特征模型训练，构建钢管缺陷特征模型库；

第一调用单元，所述第一调用单元用于基于所述钢管质量标定参数，从所述钢管缺陷特征模型库中调用第一钢管缺陷特征识别模型；

第六获得单元，所述第六获得单元用于将所述钢管热处理质量检测信息输入所述第一钢管缺陷特征识别模型中，获得所述第一钢管缺陷特征信息。

进一步的，所述系统还包括：

第四构建单元，所述第四构建单元用于构建第一钢管缺陷特征识别模型，所述第一钢管缺陷特征识别模型包括信息输入层、缺陷识别逻辑层、缺陷分类逻辑层和信息输出层；

第七获得单元，所述第七获得单元用于将所述钢管热处理质量检测信息作为信息输入层，输入至所述缺陷识别逻辑层中，获得钢管缺陷识别数据信息；

第八获得单元，所述第八获得单元用于将所述钢管缺陷识别数据信息输入所述缺陷分类逻辑层中，获得钢管缺陷分类数据信息；

第九获得单元，所述第九获得单元用于将所述钢管缺陷分类数据信息作为输出层输出，获得所述第一钢管缺陷特征信息。

进一步的，所述系统还包括：

第十获得单元，所述第十获得单元用于按照预设数据划分比例对所述钢管热处理质量检测信息进行划分，获得钢管缺陷数据训练样本和钢管缺陷数据测试样本；

第十一获得单元，所述第十一获得单元用于根据所述钢管缺陷数据训练样本和所述钢管缺陷数据测试样本，获得钢管缺陷训练样本评估标签和钢管缺陷测试样本评估标签；

第五构建单元，所述第五构建单元用于将所述钢管缺陷数据训练样本和所述钢管缺陷训练样本评估标签作为训练数据，构建所述缺陷识别逻辑层。

进一步的，所述系统还包括：

第十二获得单元，所述第十二获得单元用于获得钢管生产规格属性，将所述钢管生产规格属性作为第一分类特征；

第十三获得单元，所述第十三获得单元用于获得钢管材质等级属性，将所述钢管材质等级属性作为第二分类特征；

第十四获得单元，所述第十四获得单元用于获得钢管应用用途属性，将所述钢管应用用途属性作为第三分类特征；

第六构建单元，所述第六构建单元用于根据所述第一分类特征、所述第二分类特征和所述第三分类特征，构建所述钢管层级特征决策树。

进一步的，所述系统还包括：

第三处理单元，所述第三处理单元用于将所述钢管热处理缺陷分析结果占钢管热处理缺陷信息集的比例，作为钢管质量修正参数；

第十五获得单元，所述第十五获得单元用于对所述钢管热处理缺陷分析结果进行缺陷程度分析，获得权重影响因子；

第十六获得单元，所述第十六获得单元用于根据所述钢管质量修正参数和所述权重影响因子，获得缺陷处理紧急性系数；

第四处理单元，所述第四处理单元用于基于所述缺陷处理紧急性系数，对钢管生产质量管理方案进行修正。

进一步的，所述系统还包括：

第十七获得单元，所述第十七获得单元用于对所述集成钢管热处理缺陷分析模型进行分析效果验证，获得模型分析准确度；

第十八获得单元，所述第十八获得单元用于如果所述模型分析准确度未达到预设分析准确度，基于所述模型分析准确度和所述预设分析准确度的差值，获得模型分析偏差度；

第十九获得单元，所述第十九获得单元用于基于PSO算法和所述模型分析偏差度，对所述集成钢管热处理缺陷分析模型进行迭代更新，获得集成钢管热处理缺陷优化分析模型。

前述图1实施例一中的一种钢管热处理的缺陷检测方法的各种变化方式和具体实例同样适用于本实施例的一种钢管热处理的缺陷检测系统，通过前述对一种钢管热处理的缺陷检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种钢管热处理的缺陷检测系统的实施方法，所以为了说明书的简洁，在此不再详述。

此外，本申请还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

示例性电子设备

具体的，参见图6所示，本申请还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。

在本申请中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。

收发器1130，用于在处理器1120的控制下接收和发送数据。

本申请中，总线架构（用总线1110来代表），总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。

总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。

处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。

处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本申请不再对其进行进一步描述。

收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。

应理解，在本申请中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。

应理解，本申请中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器，或闪存。

易失性存储器包括：随机存取存储器，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如：静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。

在本申请中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。

具体而言，操作系统1151包含各种装置程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器、浏览器，用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。

此外，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请披露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种钢管热处理的缺陷检测方法，其特征在于，所述方法包括：

获得历史检测钢管信息集，通过钢管层级特征决策树对所述历史检测钢管信息集进行分类，获得钢管分类特征信息集；

根据所述钢管分类特征信息集，确定钢管质量标定参数；

构建钢管热处理检测指标集合，根据所述钢管热处理检测指标集合对所述历史检测钢管信息集中的各钢管信息进行质量检测，获得钢管热处理质量检测信息；

基于所述钢管质量标定参数对所述钢管热处理质量检测信息进行缺陷数据获取，获得第一钢管缺陷特征信息；

将所述第一钢管缺陷特征信息输入深度卷积神经网络中进行训练，构建第一钢管热处理缺陷分析模型；

获得第二钢管缺陷特征信息，基于所述第二钢管缺陷特征信息获得第二钢管热处理缺陷分析模型，其中，所述第二钢管缺陷特征信息是对其他生产企业或生产区域进行钢管热处理数据采集的缺陷特征信息；

对所述第一钢管热处理缺陷分析模型和所述第二钢管热处理缺陷分析模型的模型参数信息进行联合训练更新，获得集成钢管热处理缺陷分析模型，其中，所述联合训练为参数联邦学习方式；

根据所述集成钢管热处理缺陷分析模型，获得钢管热处理缺陷分析结果，并基于所述钢管热处理缺陷分析结果对钢管进行生产质量管理。

2.如权利要求1所述的方法，其特征在于，所述获得第一钢管缺陷特征信息，包括：

构建历史钢管质量检测数据库，所述历史钢管质量检测数据库包括各钢管质量标定参数的钢管质量检测数据；

将所述历史钢管质量检测数据库中的数据进行参数类别标记，获得标记训练钢管质量检测数据集；

将所述标记训练钢管质量检测数据集按照所述各钢管质量标定参数分别作为输入数据进行钢管缺陷特征模型训练，构建钢管缺陷特征模型库；

基于所述钢管质量标定参数，从所述钢管缺陷特征模型库中调用第一钢管缺陷特征识别模型；

将所述钢管热处理质量检测信息输入所述第一钢管缺陷特征识别模型中，获得所述第一钢管缺陷特征信息。

3.如权利要求2所述的方法，其特征在于，所述方法包括：

构建第一钢管缺陷特征识别模型，所述第一钢管缺陷特征识别模型包括信息输入层、缺陷识别逻辑层、缺陷分类逻辑层和信息输出层；

将所述钢管热处理质量检测信息作为信息输入层，输入至所述缺陷识别逻辑层中，获得钢管缺陷识别数据信息；

将所述钢管缺陷识别数据信息输入所述缺陷分类逻辑层中，获得钢管缺陷分类数据信息；

将所述钢管缺陷分类数据信息作为输出层输出，获得所述第一钢管缺陷特征信息。

4.如权利要求3所述的方法，其特征在于，所述方法包括：

按照预设数据划分比例对所述钢管热处理质量检测信息进行划分，获得钢管缺陷数据训练样本和钢管缺陷数据测试样本；

根据所述钢管缺陷数据训练样本和所述钢管缺陷数据测试样本，获得钢管缺陷训练样本评估标签和钢管缺陷测试样本评估标签；

将所述钢管缺陷数据训练样本和所述钢管缺陷训练样本评估标签作为训练数据，构建所述缺陷识别逻辑层。

5.如权利要求1所述的方法，其特征在于，所述方法包括：

获得钢管生产规格属性，将所述钢管生产规格属性作为第一分类特征；

获得钢管材质等级属性，将所述钢管材质等级属性作为第二分类特征；

获得钢管应用用途属性，将所述钢管应用用途属性作为第三分类特征；

根据所述第一分类特征、所述第二分类特征和所述第三分类特征，构建所述钢管层级特征决策树。

6.如权利要求1所述的方法，其特征在于，所述方法包括：

将所述钢管热处理缺陷分析结果占钢管热处理缺陷信息集的比例，作为钢管质量修正参数；

对所述钢管热处理缺陷分析结果进行缺陷程度分析，获得权重影响因子；

根据所述钢管质量修正参数和所述权重影响因子，获得缺陷处理紧急性系数；

基于所述缺陷处理紧急性系数，对钢管生产质量管理方案进行修正。

7.如权利要求1所述的方法，其特征在于，所述方法包括：

对所述集成钢管热处理缺陷分析模型进行分析效果验证，获得模型分析准确度；

如果所述模型分析准确度未达到预设分析准确度，基于所述模型分析准确度和所述预设分析准确度的差值，获得模型分析偏差度；

基于PSO算法和所述模型分析偏差度，对所述集成钢管热处理缺陷分析模型进行迭代更新，获得集成钢管热处理缺陷优化分析模型。

8.一种钢管热处理的缺陷检测系统，其特征在于，所述系统包括：

第一获得单元，所述第一获得单元用于获得历史检测钢管信息集，通过钢管层级特征决策树对所述历史检测钢管信息集进行分类，获得钢管分类特征信息集；

第一确定单元，所述第一确定单元用于根据所述钢管分类特征信息集，确定钢管质量标定参数；

第一处理单元，所述第一处理单元用于构建钢管热处理检测指标集合，根据所述钢管热处理检测指标集合对所述历史检测钢管信息集中的各钢管信息进行质量检测，获得钢管热处理质量检测信息；

第二获得单元，所述第二获得单元用于基于所述钢管质量标定参数对所述钢管热处理质量检测信息进行缺陷数据获取，获得第一钢管缺陷特征信息；

第一构建单元，所述第一构建单元用于将所述第一钢管缺陷特征信息输入深度卷积神经网络中进行训练，构建第一钢管热处理缺陷分析模型；

第三获得单元，所述第三获得单元用于获得第二钢管缺陷特征信息，基于所述第二钢管缺陷特征信息获得第二钢管热处理缺陷分析模型，其中，所述第二钢管缺陷特征信息是对其他生产企业或生产区域进行钢管热处理数据采集的缺陷特征信息；

第四获得单元，所述第四获得单元用于对所述第一钢管热处理缺陷分析模型和所述第二钢管热处理缺陷分析模型的模型参数信息进行联合训练更新，获得集成钢管热处理缺陷分析模型，其中，所述联合训练为参数联邦学习方式；

第二处理单元，所述第二处理单元用于根据所述集成钢管热处理缺陷分析模型，获得钢管热处理缺陷分析结果，并基于所述钢管热处理缺陷分析结果对钢管进行生产质量管理。

9.一种钢管热处理的缺陷检测电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。

Images