CN114926692A - 管道斜接角度检测方法及装置 - Google Patents
管道斜接角度检测方法及装置 Download PDFInfo
- Publication number
- CN114926692A CN114926692A CN202210617499.5A CN202210617499A CN114926692A CN 114926692 A CN114926692 A CN 114926692A CN 202210617499 A CN202210617499 A CN 202210617499A CN 114926692 A CN114926692 A CN 114926692A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- angle
- network model
- leakage
- 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 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 98
- 230000004907 flux Effects 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 63
- 230000007547 defect Effects 0.000 claims description 30
- 206010061274 Malocclusion Diseases 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 8
- 238000013461 design Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明提供一种管道斜接角度检测方法及装置,该方法包括:通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本,并将漏磁曲线样本分为训练图像样本集和测试图像样本集;将训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型;利用测试图像样本集对初始卷积神经网络模型进行校准并得到最终卷积神经网络模型;采集待测管道的斜接角度的漏磁曲线图像并输入最终卷积神经网络模型中,以获取待测管道的斜接角度所属范围。本发明充分利用了图卷积神经网络对图像识别的优势,将其与漏磁检测法结合应用在斜接管道环焊缝漏磁图像分类与识别中,具有设计简单和抗干扰能力强的优点。
Description
技术领域
本发明属于智能检测技术领域,尤其涉及一种管道斜接角度检测方法及装置。
背景技术
我国西部某输气管道工程在使用检测工具进行漏磁内检测过程中,发现900km管线检测范围内106道环焊缝存在斜接问题,其中7道斜接角度大于3°,最大斜接角度为7°。在管道内压作用下,斜接环焊缝处会产生附加弯曲应力,该应力与内压产生的薄膜应力相叠加,导致斜接处产生应力集中,致使管道承压能力下降,并增加应力腐蚀开裂敏感性,降低管道服役寿命。开挖验证是一种可以确定斜接管道完整形貌的有效手段,但是开挖验证要求条件高且花费巨大,所以,如何通过检测的手段来获取斜接管道的角度成为近年来备受关注的热点问题,国内外对此开展的研究也较少,需要一种实施方便的确定管道斜接角度的方法。
发明内容
本发明的主要目的是提出一种管道斜接角度检测方法及装置,旨在解决现有技术中的管道斜接角度检测方法精确性低的技术问题。
为了实现上述目的,本发明提供一种管道斜接角度检测方法,包括步骤:
通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本,并将所述漏磁曲线样本分为训练图像样本集和测试图像样本集;
将所述训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型;
利用测试图像样本集对所述初始卷积神经网络模型进行校准并得到最终卷积神经网络模型;
采集待测管道的斜接角度的漏磁曲线图像并输入所述最终卷积神经网络模型中,以获取所述待测管道的斜接角度所属范围。
在本发明的实施例中,所述通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本的步骤包括:
获取管道中不同缺陷类型的漏磁曲线所对应的漏磁场信号;
通过漏磁场信号特征初步判别缺陷外形参数;
根据缺陷外形参数对缺陷进行分类,以获取不同斜接角度范围的漏磁曲线样本。
在本发明的实施例中,所述通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本的步骤包括:
以管道中沿漏磁内检测器行进方向上的位置为横坐标,磁通量为纵坐标绘制漏磁曲线图;
识别所述漏磁曲线图中的波动位置,并截取预设斜接角度范围的所述漏磁曲线作为漏磁曲线样本的其中一个图像。
在本发明的实施例中,所述卷积神经网络包括输入层、卷积层和输出层,所述将所述训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型的步骤包括:
向所述输入层输入多个斜接角度未分类的漏磁曲线图像,并将多个斜接角度未分类的漏磁曲线图像处理成输入特征矩阵;
所述卷积层从所述输入特征矩阵中提取斜接角度的特征;
分析并识别提取的斜接角度的特征,所述输出层对所述输入特征矩阵放入斜接角度的分类标签,并输出斜接角度分类完成后的图像矩阵。
在本发明的实施例中,所述利用测试图像样本集对所述初始卷积神经网络模型进行校准并得到最终卷积神经网络模型的步骤包括:
将含有已知斜接角度分类标签的测试图像样本集输入到所述初始卷积神经网络模型中;
所述初始卷积神经网络模型输出测试图像样本集的测试斜接角度分类;
将测试斜接角度分类与已知斜接角度分类标签对比,根据比对结果判断所述初始卷积神经网络模型的识别置信度;
当识别置信度小于预设标准时,采用训练图像样本集对所述初始卷积神经网络模型进行重新识别学习训练,直至识别置信度达到预设标准时,即得到最终卷积神经网络模型。
在本发明的实施例中,采集待测管道的斜接角度的漏磁曲线图像并输入所述最终卷积神经网络模型中,以获取所述待测管道的斜接角度所属范围的步骤包括:
通过漏磁内检测器获取待测管道中沿延伸方向的漏磁曲线;
从所述漏磁曲线中获取多个具有斜接角度的漏磁曲线图像,并组成漏磁曲线图像输入矩阵;
将漏磁曲线图像输入矩阵输入至所述最终卷积神经网络模型中进行识别分类,得到具有斜接角度范围分类标签的漏磁曲线图像输出矩阵;
根据漏磁曲线图像输出矩阵得到每个所述漏磁曲线图像所属的斜接角度范围。
在本发明的实施例中,所述将所述训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型的步骤之前还包括:
通过邻接矩阵和度矩阵构建图结构:
利用图结构计算图卷积,并根据图卷积定义图卷积层;
将多层图卷积层通过卷积堆叠构建图卷积神经网络。
在本发明的实施例中,所述图卷积能够通过如下计算公式得到:
其中,H(l)为节点在第l层的特征向量,H(l+1)为经过卷积后节点在第l+1层的特征向量,W(l)为第l层卷积的参数,σ为激活函数,A为邻接矩阵,I为单位矩阵,是经过A+I变换后得到的新邻接矩阵,是图的度矩阵,是对角矩阵。
在本发明的实施例中,所识别的待测管道斜接角度范围为1°至10°。
在本发明的实施例中,还提出一种管道斜接角度检测装置,采用上所述的检测方法进行检测,所述管道斜接角度检测装置包括:
采集模块,用于采集管道中不同斜接角度的漏磁曲线样本;
训练模块,用于将所述训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型;
校准模块,利用测试图像样本集对所述初始卷积神经网络模型进行校准并得到最终卷积神经网络模型;
分析处理模块,用于将待测管道的斜接角度的漏磁曲线图像并输入所述最终卷积神经网络模型中,以获取所述待测管道的斜接角度所属范围。
在本发明的实施例中,所述管道斜接角度检测装置包括对管道的内部进行缺陷检测的漏磁内检测器。
通过上述技术方案,本发明实施例所提供的管道斜接角度检测方法具有如下的有益效果:
通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本,并将漏磁曲线样本分为训练图像样本集和测试图像样本集;将训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型;利用测试图像样本集对初始卷积神经网络模型进行校准并得到最终卷积神经网络模型;采集待测管道的斜接角度的漏磁曲线图像并输入最终卷积神经网络模型中,以获取待测管道的斜接角度所属范围。本发明充分利用了图卷积神经网络对图像识别的优势,将其与漏磁检测法结合应用在斜接管道环焊缝漏磁图像分类与识别中,具有设计简单和抗干扰能力强的优点。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是根据本发明一实施例中管道斜接角度检测方法的流程示意图;
图2是本发明的图卷积神经网络的输入输出原理示意图。
具体实施方式
以下结合附图对本发明的具体实施例进行详细说明。应当理解的是,此处所描述的具体实施例仅用于说明和解释本发明,并不用于限制本发明。
下面参考附图描述根据本发明的管道斜接角度检测方法。
如图1所示,在本发明的实施例中,提供一种管道斜接角度检测方法,包括步骤:
步骤S10:通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本,并将漏磁曲线样本分为训练图像样本集和测试图像样本集;
步骤S20:将训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型;
步骤S30:利用测试图像样本集对初始卷积神经网络模型进行校准并得到最终卷积神经网络模型;
步骤S40:采集待测管道的斜接角度的漏磁曲线图像并输入最终卷积神经网络模型中,以获取待测管道的斜接角度所属范围。
漏磁内检测器的工作原理是利用管道缺陷处磁力线的变化来探测和量化缺陷。该技术因其对管内环境要求不高,不需要耦合、价格低廉等优点,成为目前应用最广泛也最成熟的技术。漏磁内检测器技术除了用于检测金属损失外,还能探测、识别甚至确定更多类型管道缺陷和管道结构特征的尺寸。
图卷积神经网络(卷积神经网络)是一种在图结构数据进行半监督学习的方法,它可直接作用在图结构数据上,是卷积神经网络的变体。通过谱图(spectral graph)卷积的一阶近似值确定卷积网络结构。模型的规模与图的边数呈线性变化,并且通过隐藏层的学习能够编码图的局部结构特征和节点特征。目前,管道焊缝和缺陷的识别方式主要通过管道漏磁内检测数据中的漏磁场径向和轴向分量进行数据图像可视化,根据漏磁曲线特征进行判定。近年来,基于深度卷积神经网络算法的图像分类识别方法已经广泛的应用于各种工程检测领域。
在此研究基础上,本发明提出了一种利用图卷积神经网络对斜接管道漏磁检测图像进行训练和识别,来根据一条管道漏磁曲线图像判断斜接角度的检测方法。
卷积神经网络含有卷积层与特征映射层,卷积层是卷积神经网络的基本结构。典型的卷积层包括数据输入、卷积计算、激活、池化等部分。其中,数据输入层包括原始数据的处理,主要是归一化等图像基本处理;卷积计算是通过卷积核与输入数据的卷积来进行图像的特征提取,从而得到多个特征映射;激活通过非线性的激活函数处理,提高网络的表达能力;池化层通过最大池化或者平均池化等来减小参数的规模,降低网络的复杂程度。图卷积神经网络(卷积神经网络)利用的也是CNN的思想,利用卷积神经网络学习图的特征进行特征提取,然后再使用特征解决实际问题。
图卷积神经网络的主要作用是,给定一个图网络,把节点(node)(又称顶点(vertex))与边(edge)输入进一个函数f,希望得到一个各个节点的特征信息,利用这个特征去实现各种任务(比如分类)。如图2所示,
其中,
X表示输入特征矩阵,形状为N×D(N是节点的个数,D是每个节点的特征向量维度);
Z表示输出特征矩阵,形状为N×F(N是节点的个数,F是每个节点的特征向量维度);
图卷积神经网络前向传播公式是:
H(l+1)=f(H(l),A) (1)
Hl实际上是图卷积神经网络的隐藏层,l表示隐藏层的层数。当H(0)=X,把这个公H(l)=Z时,公式1就变成图2的特例就变成了Z=f(X,A)。实际上图卷积神经网络就是在输入X与输出Z之间插入了大量隐藏层Hl构成,卷积神经网络每一层的输入都是节点特征矩阵H和邻接矩阵A,直接将这两个做内积,再乘以一个参数矩阵W,用激活函数激活,就形成一个简单的神经网络层。如图2所示。
A是图网络中的邻接矩阵。
下面用一个最简单的f函数来具体说明图卷积神经网络中具体每个节点是如何前向传播的
f(H(l),A)=σ(AH(l)W(l)) (2)
公式2中,σ是非线性函数比如ReLU;W(l)是节点在第l层的变换权重参数。
将公式2代入到公式1中,并将Hl分开看,就是具体每个节点的传播方法。下面是每个节点的前向传播(也称为图卷积算子)的关键公式。
其中,vi指的是图中第i个节点;hvi l表示节点i在第l层的特征表达;hvi l+1表示节点i在第l层的特征表达;σ是非线性函数;cij表示归一化系数,比如取节点数的倒数。这个公式最大的特点是说,图中每个节点的特征是在其他节点特征的共同作用下更新的。即:
在实际应用中,漏磁信号受缺陷的外形参数影响,如下所示即为不同斜接角度对应的漏磁信号图像。
综上分析,漏磁信号的特征与缺陷外形参数特征存在对应关系,可通过漏磁场信号特征对缺陷外形参数进行初步判别,为确定斜接管道角度奠定基础。输入不同斜接角度的环焊缝图像,添加数据标签,通过神经网络学习,识别图像特征,进行训练,利用训练好的模型判断新输入图像对应的斜接角度。本发明所公开的方法,充分利用了卷积神经网络对图像识别的优势,将其应用在斜接管道环焊缝漏磁图像分类与识别中,具有设计简单和抗干扰能力强的优点,提供了一种利用环焊缝漏磁图像判断未开挖管道斜接角度的新方法。
在本发明的实施例中,通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本的步骤包括:
获取管道中不同缺陷类型的漏磁曲线所对应的漏磁场信号;
通过漏磁场信号特征初步判别缺陷外形参数;
根据缺陷外形参数对缺陷进行分类,以获取不同斜接角度范围的漏磁曲线样本。
对于被测管道来说,存在很多缺陷类型,如裂缝、相邻两节管道直接的斜接角度,当斜接角度过大时会影响管道的服役寿命,漏磁内检测器在对管道内部进行内检时,只要遇到有缺陷的位置,漏磁感应的磁通量就会产生变化,以提醒工作人员管道此处有缺陷出现。由于当出现裂缝和管道斜接时,磁通量变化曲线不同,因此当识别到有缺陷时,通过判断缺陷的外形参数来判断是否是斜接角度的缺陷问题。采集多个管道斜接缺陷的漏磁曲线,分析并归类,以建立管道斜接时的漏磁曲线经验识别。
在本发明的实施例中,通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本的步骤包括:
以管道中沿漏磁内检测器行进方向上的位置为横坐标,磁通量为纵坐标绘制漏磁曲线图;
识别漏磁曲线图中的波动位置,并截取预设斜接角度范围的漏磁曲线作为漏磁曲线样本的其中一个图像。
随着漏磁内检测器沿管道的延伸方向行进测量时,所形成的磁通量会对应显示在漏磁曲线的纵坐标上,造成漏磁曲线的曲线波动,当出现管道斜接缺陷时,磁通量的变化会显示对应的变化,表明此处出现了管道斜接,至于斜接角度是多少,根据磁通量的变化而不同;为了获取研究管道斜接角度的漏磁曲线样本,截取管道斜接时所对应的曲线波动部分,并将截取的图像作为漏磁曲线样本中的一个图像,以此类推,获取漏磁曲线样本中所有的图像样本,这种获取样本的方式,能够涵盖多个斜接角度范围,提高后续管道斜接识别的精准度。
在本发明的实施例中,卷积神经网络包括输入层、卷积层和输出层,将训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型的步骤包括:
向输入层输入多个斜接角度未分类的漏磁曲线图像,并将多个斜接角度未分类的漏磁曲线图像处理成输入特征矩阵;
卷积层从输入特征矩阵中提取斜接角度的特征;
分析并识别提取的斜接角度的特征,输出层对输入特征矩阵放入斜接角度的分类标签,并输出斜接角度分类完成后的图像矩阵。
在本发明的实施例中,利用测试图像样本集对初始卷积神经网络模型进行校准并得到最终卷积神经网络模型的步骤包括:
将含有已知斜接角度分类标签的测试图像样本集输入到初始卷积神经网络模型中;
初始卷积神经网络模型输出测试图像样本集的测试斜接角度分类;
将测试斜接角度分类与已知斜接角度分类标签对比,根据比对结果判断初始卷积神经网络模型的识别置信度;
当识别置信度小于预设标准时,采用训练图像样本集对初始卷积神经网络模型进行重新识别学习训练,直至识别置信度达到预设标准时,即得到最终卷积神经网络模型。
本发明通过利用测试图像样本集的输出斜接角度分类和已知斜接角度分类标签的对比来判断初始卷积神经网络模型的识别置信度,能够得知该初始卷积神经网络模型对于管道的斜接角度识别的精度,若得到的识别置信度未达到预设标准值时,需要对该初始卷积神经网络继续进行训练,以提高最终卷积神经网络模型的识别置信度。比如,测试图像样本集中有100张斜接5°的图像,而最终通过初始卷积神经网络识别出来斜接角度为5°的有85张,那么就得知该初始卷积神经网络的置信度为85%。在优选的实施例中,初始卷积神经网络的置信度的预设标准值可以为90%以上,以提高对被测管道的斜接角度识别的精确度。
在本发明的实施例中,采集待测管道的斜接角度的漏磁曲线图像并输入最终卷积神经网络模型中,以获取待测管道的斜接角度所属范围的步骤包括:
通过漏磁内检测器获取待测管道中沿延伸方向的漏磁曲线;
从漏磁曲线中获取多个具有斜接角度的漏磁曲线图像,并组成漏磁曲线图像输入矩阵;
将漏磁曲线图像输入矩阵输入至最终卷积神经网络模型中进行识别分类,得到具有斜接角度范围分类标签的漏磁曲线图像输出矩阵;
根据漏磁曲线图像输出矩阵得到每个漏磁曲线图像所属的斜接角度范围。
首先对于管道漏磁曲线图像数据进行判别分析。管道漏磁内检测数据通过高精度管道漏磁在线检测系统形成管道漏磁曲线图像,对于不同角度斜接管道的焊缝处则形成明显的焊缝特征。通过管道漏磁图像,建立基于图卷积神经网络的管道漏磁曲线图像数据集,该数据集分为两个部分,即训练数据集和测试数据集:数据集中的图像一共包括10个分类,即不同斜接角度(1~10°)的管道环焊缝漏磁曲线。每个类的曲线图分别为100张,大小为64*64像素。因此所建立的漏磁曲线图像训练数据集中一共包含1000张图像数据,分为10个标签。测试数据集中一共包含300张,其中每个类别30张图像。
首先将图结构用邻接矩阵(adjacency matrix)进行表示,邻接矩阵A为n×n矩阵,其中n为图中节点数,Aij=1表示节点i和节点j之间有边相连。图的度矩阵D,degreematrix,D是对角矩阵,即除了对角线其他元素都为0,Dii表示与节点i相连的节点数。通过将邻接矩阵A与度矩阵D的逆相乘,对其进行变换,从而通过节点的度对特征表征进行归一化。
其中A是邻接矩阵,Aij=1表示节点i和节点j之间有边相连。是经过A+I变换后得到的新邻接矩阵,用于对矩阵进行缩放,其中I为单位矩阵,即对角线为1,其他为0的矩阵。是图的度矩阵,表示与节点i相连的节点数,是对角矩阵,即除了对角线其他元素都为0。
然后定义图卷积层,对邻接矩阵A与度矩阵D进行如下变换,从而将特征进行归一化。卷积神经网络中给出了图卷积的计算公式,如下所示:
其中H(l)表示节点在第l层的特征向量;H(l+1)表示经过卷积后节点在第l+1层的特征向量;W(l)表示第l层卷积的变换权重参数;σ表示激活函数。之后定义卷积神经网络模型,通过多层卷积神经网络卷积堆叠,构建一个图卷积网络,就可以提取出每个节点需要的信息,用于各种分类或分析。
再之后,输入1000张带斜接角度标签的管道漏磁曲线图像数据集,基于深度学习平台中实现图卷积神经网络模型的运算,对卷积神经网络模型进行训练。最后将不含有数据标签的300张测试集样本输入至训练完成的卷积神经网络识别网络最终模型中,从而达到测试模型识别能力的目的。经过训练的卷积神经网络模型能够输出按斜接角度分类的测试集和相应的置信度,通过置信度可对测试集分类的准确程度进行判断。
在本发明的实施例中,所识别的待测管道斜接角度范围为1°至10°,将斜接角度范围划分为多个分类标签范围,如0~2°,2~4°,4~6°,≥6°,通过最终卷积神经网络输出的漏磁曲线图像能够对应斜接角度范围分类,以帮助确定待测管道的斜接角度。
在本发明的实施例中,还提出一种管道斜接角度检测装置,采用上所述的检测方法进行检测,管道斜接角度检测装置包括:
采集模块,用于采集管道中不同斜接角度的漏磁曲线样本;
训练模块,用于将训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型;
校准模块,利用测试图像样本集对初始卷积神经网络模型进行校准并得到最终卷积神经网络模型;
分析处理模块,用于将待测管道的斜接角度的漏磁曲线图像并输入最终卷积神经网络模型中,以获取待测管道的斜接角度所属范围。
在本发明的实施例中,管道斜接角度检测装置包括对管道的内部进行缺陷检测的漏磁内检测器,其中,漏磁内检测器为现有技术中用于管道缺陷检测的内检设备。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接或彼此可通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种管道斜接角度检测方法,其特征在于,包括步骤:
通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本,并将所述漏磁曲线样本分为训练图像样本集和测试图像样本集;
将所述训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型;
利用测试图像样本集对所述初始卷积神经网络模型进行校准并得到最终卷积神经网络模型;
采集待测管道的斜接角度的漏磁曲线图像并输入所述最终卷积神经网络模型中,以获取所述待测管道的斜接角度所属范围。
2.根据权利要求1所述的管道斜接角度检测方法,其特征在于,所述通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本的步骤包括:
获取管道中不同缺陷类型的漏磁曲线所对应的漏磁场信号;
通过漏磁场信号特征初步判别缺陷外形参数;
根据缺陷外形参数对缺陷进行分类,以获取不同斜接角度范围的漏磁曲线样本。
3.根据权利要求1所述的管道斜接角度检测方法,其特征在于,所述通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本的步骤包括:
以管道中沿漏磁内检测器行进方向上的位置为横坐标,磁通量为纵坐标绘制漏磁曲线图;
识别所述漏磁曲线图中的波动位置,并截取预设斜接角度范围的所述漏磁曲线作为漏磁曲线样本的其中一个图像。
4.根据权利要求1所述的管道斜接角度检测方法,其特征在于,所述卷积神经网络包括输入层、卷积层和输出层,所述将所述训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型的步骤包括:
向所述输入层输入多个斜接角度未分类的漏磁曲线图像,并将多个斜接角度未分类的漏磁曲线图像处理成输入特征矩阵;
所述卷积层从所述输入特征矩阵中提取斜接角度的特征;
分析并识别提取的斜接角度的特征,所述输出层对所述输入特征矩阵放入斜接角度的分类标签,并输出斜接角度分类完成后的图像矩阵。
5.根据权利要求1所述的管道斜接角度检测方法,其特征在于,所述利用测试图像样本集对所述初始卷积神经网络模型进行校准并得到最终卷积神经网络模型的步骤包括:
将含有已知斜接角度分类标签的测试图像样本集输入到所述初始卷积神经网络模型中;
所述初始卷积神经网络模型输出测试图像样本集的测试斜接角度分类;
将测试斜接角度分类与已知斜接角度分类标签对比,根据比对结果判断所述初始卷积神经网络模型的识别置信度;
当识别置信度小于预设标准时,采用训练图像样本集对所述初始卷积神经网络模型进行重新识别学习训练,直至识别置信度达到预设标准时,即得到最终卷积神经网络模型。
6.根据权利要求1所述的管道斜接角度检测方法,其特征在于,采集待测管道的斜接角度的漏磁曲线图像并输入所述最终卷积神经网络模型中,以获取所述待测管道的斜接角度所属范围的步骤包括:
通过漏磁内检测器获取待测管道中沿延伸方向的漏磁曲线;
从所述漏磁曲线中获取多个具有斜接角度的漏磁曲线图像,并组成漏磁曲线图像输入矩阵;
将漏磁曲线图像输入矩阵输入至所述最终卷积神经网络模型中进行识别分类,得到具有斜接角度范围分类标签的漏磁曲线图像输出矩阵;
根据漏磁曲线图像输出矩阵得到每个所述漏磁曲线图像所属的斜接角度范围。
7.根据权利要求1所述的管道斜接角度检测方法,其特征在于,所述将所述训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型的步骤之前还包括:
通过邻接矩阵和度矩阵构建图结构:
利用图结构计算图卷积,并根据图卷积定义图卷积层;
将多层图卷积层通过卷积堆叠构建图卷积神经网络。
9.根据权利要求1至8中任意一项所述的管道斜接角度检测方法,其特征在于,所识别的待测管道斜接角度范围为1°至10°。
10.一种管道斜接角度检测装置,其特征在于,采用如权利要求1至9中任意一项所述的检测方法进行检测,所述管道斜接角度检测装置包括:
采集模块,用于采集管道中不同斜接角度的漏磁曲线样本;
训练模块,用于将所述训练图像样本集输入到卷积神经网络中进行特征识别学习训练,以构建初始卷积神经网络模型;
校准模块,利用测试图像样本集对所述初始卷积神经网络模型进行校准并得到最终卷积神经网络模型;
分析处理模块,用于将待测管道的斜接角度的漏磁曲线图像并输入所述最终卷积神经网络模型中,以获取所述待测管道的斜接角度所属范围。
11.根据权利要求10所述的管道斜接角度检测装置,其特征在于,所述管道斜接角度检测装置包括对管道的内部进行缺陷检测的漏磁内检测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210617499.5A CN114926692B (zh) | 2022-06-01 | 2022-06-01 | 管道斜接角度检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210617499.5A CN114926692B (zh) | 2022-06-01 | 2022-06-01 | 管道斜接角度检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114926692A true CN114926692A (zh) | 2022-08-19 |
CN114926692B CN114926692B (zh) | 2023-09-05 |
Family
ID=82812355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210617499.5A Active CN114926692B (zh) | 2022-06-01 | 2022-06-01 | 管道斜接角度检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926692B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151693A (zh) * | 2016-12-06 | 2018-06-12 | 中国石油天然气股份有限公司 | 管道斜接特征的确定方法及装置 |
CN110108783A (zh) * | 2019-05-14 | 2019-08-09 | 上海市特种设备监督检验技术研究院 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析系统 |
CN112132818A (zh) * | 2020-09-29 | 2020-12-25 | 北京航空航天大学 | 基于图卷积神经网络构建三阶段的图像处理方法 |
CN112697582A (zh) * | 2020-11-16 | 2021-04-23 | 中国石油天然气股份有限公司 | 斜接管道的试验方法和系统 |
-
2022
- 2022-06-01 CN CN202210617499.5A patent/CN114926692B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108151693A (zh) * | 2016-12-06 | 2018-06-12 | 中国石油天然气股份有限公司 | 管道斜接特征的确定方法及装置 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析系统 |
CN110108783A (zh) * | 2019-05-14 | 2019-08-09 | 上海市特种设备监督检验技术研究院 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
CN112132818A (zh) * | 2020-09-29 | 2020-12-25 | 北京航空航天大学 | 基于图卷积神经网络构建三阶段的图像处理方法 |
CN112697582A (zh) * | 2020-11-16 | 2021-04-23 | 中国石油天然气股份有限公司 | 斜接管道的试验方法和系统 |
Non-Patent Citations (2)
Title |
---|
岳明星 等: "基于卷积神经网络的管道漏磁内检测焊缝识别方法", 《电子世界》, no. 12, pages 49 - 50 * |
王宏安: "基于深度学习的管道环焊缝目标检测方法", 《自动化与仪器仪表》, no. 9, pages 144 - 146 * |
Also Published As
Publication number | Publication date |
---|---|
CN114926692B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783906B (zh) | 一种管道内检测漏磁数据智能分析系统及方法 | |
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
RU2591584C1 (ru) | Способ оценки геометрических размеров дефектов стенки трубной секции и сварных швов по данным магнитного внутритрубного дефектоскопа с помощью универсальной нейросетевой модели, подходящей для дефектоскопов с различными диаметрами и магнитными системами | |
CN112116566B (zh) | 一种基于高光谱遥感技术的陆上油气管道缺陷诊断方法 | |
Enriquez et al. | Prediction of Weld Current Using Deep Transfer Image Networks Based on Weld Signatures for Quality Control | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN106290152A (zh) | 一种用于复合材料复杂型面粘接质量的原位检测方法 | |
CN114926692A (zh) | 管道斜接角度检测方法及装置 | |
CN113256566A (zh) | 一种管道焊缝缺陷识别方法 | |
CN111579647A (zh) | 基于层次分析法的混凝土构件腐蚀程度检测方法及系统 | |
Wang et al. | Research on detection method for welding seam defects in ultrasonic TOFD image based on mask R-CNN | |
CN116165213A (zh) | 一种不锈钢链条产品质量检验方法及系统 | |
CN111753876B (zh) | 一种基于深度神经网络的产品质量检测方法 | |
CN115471453A (zh) | 一种基于图像处理的电力设备故障诊断方法 | |
CN108645865A (zh) | 一种基于ccd的埋弧焊钢管焊缝焊偏量参数的测量方法 | |
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 | |
Wang et al. | Method for detecting internal cracks in joints of composite metal materials based on dual-channel feature fusion | |
Ferreira et al. | Corrosion-like defect severity estimation in pipelines using convolutional neural networks | |
CN116953196B (zh) | 一种钢制三通的缺陷检测与安全状态评估方法 | |
Hassan et al. | Compressed air leakage detection and quantification through infrared thermography | |
CN117686588B (zh) | 燃气管道焊接质量的无损监测系统及方法 | |
Zhang et al. | Diagnosis and recognition of pipeline damage defects based on improved convolutional neural network | |
Singhatham et al. | Designing of welding defect samples for data mining in defect detection and classification using 3D geometric scanners | |
CN117420011B (zh) | 一种混凝土砖块多点式抗压强度检测系统 | |
CN114324584B (zh) | 一种基于智能算法和超声相控阵技术的钢结构检测方法 |
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 |