CN115758084A - 一种深度神经网络裂纹量化方法及装置、存储介质 - Google Patents
一种深度神经网络裂纹量化方法及装置、存储介质 Download PDFInfo
- Publication number
- CN115758084A CN115758084A CN202211453244.6A CN202211453244A CN115758084A CN 115758084 A CN115758084 A CN 115758084A CN 202211453244 A CN202211453244 A CN 202211453244A CN 115758084 A CN115758084 A CN 115758084A
- Authority
- CN
- China
- Prior art keywords
- crack
- neural network
- deep neural
- cracks
- original
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000011002 quantification Methods 0.000 title claims abstract description 60
- 238000012216 screening Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 94
- 239000011159 matrix material Substances 0.000 claims description 66
- 238000012360 testing method Methods 0.000 claims description 37
- 238000001514 detection method Methods 0.000 claims description 34
- 239000000463 material Substances 0.000 claims description 30
- 230000005291 magnetic effect Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 18
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 239000000178 monomer Substances 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 21
- 238000013139 quantization Methods 0.000 abstract description 16
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 16
- 229910000831 Steel Inorganic materials 0.000 description 14
- 239000010959 steel Substances 0.000 description 14
- 230000004907 flux Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 239000003345 natural gas Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 7
- IDIIJJHBXUESQI-DFIJPDEKSA-N moxifloxacin hydrochloride Chemical compound Cl.COC1=C(N2C[C@H]3NCCC[C@H]3C2)C(F)=CC(C(C(C(O)=O)=C2)=O)=C1N2C1CC1 IDIIJJHBXUESQI-DFIJPDEKSA-N 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 230000009191 jumping Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
一种深度神经网络裂纹量化方法，包括：针对轴向裂纹、环向裂纹和倾斜裂纹，分别训练深度神经网络模型；对所述轴向裂纹、环向裂纹和倾斜裂纹，分别使用训练好的对应的深度神经网络模型进行量化。本公开通过裂纹分类，将轴向裂纹、环向裂纹、倾斜裂纹的特征在各自的类别下进行强化；进一步地，通过对齐倾斜裂纹的波峰，将倾斜裂纹的量化问题转化为类似环向裂纹的量化问题；通过对裂纹的时域波形进行连续小波变换，准确提取裂纹的时域特征和频域特征，提高裂纹的量化精度；通过特征值筛选机制的使用，不仅可以强化有影响力的特征值对特定类型量化模型的作用效果，还能通过减少低效特征值来提升裂纹量化的计算效率。
Description
技术领域
本公开实施例涉及但不限于电磁无损检测、石油天然气储运安全、机器学习等领域，尤其涉及一种基于小波变换和特征值筛选的深度神经网络裂纹量化方法，适用对象包括但不限于油气管道环焊缝裂纹、管体裂纹，储罐底板焊缝裂纹等铁磁性材料上的裂纹。
背景技术
漏磁、动磁、脉冲涡流等电磁无损检测技术是检测油气管道、石油储罐裂纹的主流技术。在检测到裂纹之后，如何精确地量化裂纹的三维尺寸具有两个难点：其一是裂纹尺寸较小、倾斜角各异；其二是裂纹量化属于电磁场的反问题，它属于不适定问题，不具有唯一解，至多是寻求符合实际的最优解。
发明内容
本公开实施例提供了一种深度神经网络裂纹量化方法，包括：
针对轴向裂纹、环向裂纹和倾斜裂纹，分别训练深度神经网络模型；
对所述轴向裂纹、环向裂纹和倾斜裂纹，分别使用训练好的对应的深度神经网络模型进行量化。
本公开实施例还提供了一种深度神经网络裂纹量化装置，包括显示量化结果的显示器、存储指令的存储器和连接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行本公开任一实施例所述的深度神经网络裂纹量化方法的步骤。
本公开实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开任一实施例所述的深度神经网络裂纹量化方法。
本公开实施例的深度神经网络裂纹量化方法及检测装置、存储介质，通过裂纹分类，可以使轴向裂纹的轴向特征，环向裂纹的环向特征，倾斜裂纹的倾斜角特征在各自的类别下进行强化；进一步地，通过对齐倾斜裂纹的波峰，可以将倾斜裂纹的量化问题转化为类似环向裂纹的量化问题；通过对裂纹的时域波形进行连续小波变换，可以准确提取裂纹的时域特征和频域特征，提高裂纹的量化精度；通过特征值筛选机制的使用，可以分类筛选出对模型量化结果影响比较大的特征值参与模型训练，这样不仅可以强化有影响力的特征值对特定类型量化模型的作用效果，还能通过减少低效特征值的数量提升裂纹量化的计算效率。
本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本公开技术方案的理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开的技术方案，并不构成对本公开技术方案的限制。
图1为本公开示例性实施例一种深度神经网络裂纹量化方法的流程示意图；
图2A为本公开示例性实施例一种深度神经网络裂纹量化方法在训练阶段的框架结构图；
图2B为本公开示例性实施例一种深度神经网络裂纹量化方法在量化阶段的框架结构图；
图3A为一种对轴向裂纹进行模型训练过程中有特征值筛选机制和无特征值筛选机制的对比结果示意图；
图3B为一种对环向裂纹进行模型训练过程中有特征值筛选机制和无特征值筛选机制的对比结果示意图；
图3C为一种对倾斜裂纹进行模型训练过程中有特征值筛选机制和无特征值筛选机制的对比结果示意图；
图4A为一种
(X80钢材)真实天然气管道漏磁轴向分量MFLX通道裂纹分布图；
图4B为一种
(X80钢材)真实天然气管道漏磁径向分量MFLY通道裂纹分布图；
图4C为一种
(X80钢材)真实天然气管道漏磁周向分量MFLZ通道裂纹分布图；
图5为一种
(X80钢材)真实天然气管道动磁通道裂纹分布图；
图6为本公开示例性实施例一种深度神经网络裂纹量化装置的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，下文中将结合附图对本公开的实施例进行详细说明。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。
除非另外定义，本公开实施例公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
目前在裂纹量化方面主要采用神经网络等机器学习的方法。传统的神经网络算法量化裂纹对裂纹类型不加区分，直接建立特征向量与输出向量(例如几何尺寸)之间的映射关系。然而，不同类型裂纹的信号特征差别非常大，而同类型裂纹的信号特征具有相似的变化规律，因此有必要分类别建立裂纹的量化模型。本公开提出“分类量化”的思想，将裂纹分为轴向裂纹、环向裂纹、倾斜裂纹3种类型，对这三种类型分别建立深度神经网络(DeepNeural Network，DNN)量化模型，通过裂纹分类，将轴向裂纹、环向裂纹、倾斜裂纹的特征在各自的类别下得到强化。
在模型训练之前，本公开对裂纹的时域波形进行连续小波变换，准确提取裂纹的时域特征和频域特征，提高裂纹的量化精度。另外，通过加入特征值筛选机制，分类筛选出对模型量化结果影响比较大的特征值参与模型训练。这样不仅可以强化有影响力的特征值对特定类型量化模型的作用效果，还能通过减少低效特征值的数量提升模型的计算效率。
如图1所示，本公开实施例提供了一种深度神经网络裂纹量化方法，包括如下步骤：
101、针对轴向裂纹、环向裂纹和倾斜裂纹，分别训练深度神经网络模型；
102、对所述轴向裂纹、环向裂纹和倾斜裂纹，分别使用训练好的对应的深度神经网络模型进行量化。
在一些示例性实施方式中，对轴向裂纹和环向裂纹，深度神经网络模型的输出为裂纹的长度、宽度和深度尺寸；对倾斜裂纹，深度神经网络模型的输出为裂纹的斜长、斜宽和深度尺寸。
在一些示例性实施方式中，在针对倾斜裂纹训练深度神经网络模型时，或者在对倾斜裂纹进行量化时，所述方法还包括：
对每个倾斜裂纹，选取包含倾斜裂纹波峰的裂纹数据矩阵，裂纹数据矩阵的横向维度表示采样点，裂纹数据矩阵的纵向维度表示通道数，裂纹数据矩阵的元素值表示检测数据值；
确定裂纹数据矩阵中从左数或从右数出现的第一个波峰；
将裂纹数据矩阵中其他行的波峰向左平移或向右平移，并与第一个波峰对齐；
以对齐后的波峰为对称轴左右选取等宽的区间形成新的裂纹数据矩阵，以此新的裂纹数据矩阵提取倾斜裂纹的特征值向量。
在一些示例性实施方式中，针对轴向裂纹、环向裂纹和倾斜裂纹，分别训练深度神经网络模型，包括：
获取裂纹原始样本数据文件集，所述裂纹原始样本数据文件集包括多个裂纹原始样本数据文件；
按照被测对象的材质和裂纹类型对裂纹原始样本数据文件进行分类，裂纹类型包括轴向裂纹、环向裂纹和倾斜裂纹，提取每个裂纹原始样本数据文件的原始特征值向量；
从每个分类对应的原始特征值向量中筛选出每个分类对应的最优特征值向量，同时生成每个分类的最优特征值筛选模型和最优深度神经网络隐藏层模型，最优特征值向量包含的特征值数目小于或等于原始特征值向量包含的特征值数目，最优特征值筛选模型用于为每个分类筛选对应的最优特征值向量，最优深度神经网络隐藏层模型用于作为深度神经网络的隐藏层，对裂纹进行量化。
在一些示例性实施方式中，参考图2A，步骤101可以包括如下步骤：
1)获得裂纹原始样本数据文件，多个裂纹原始样本数据文件组成裂纹原始样本数据文件集；
对于油气管道，可以通过牵拉实验获得裂纹原始样本数据文件；对于储罐底板，可以通过钢板实验获得裂纹原始样本数据文件，等等；这些裂纹原始样本数据文件是训练神经网络模型的原始材料。
以油气管道裂纹检测为例，可以根据实际检测管道的需求，事先准备一段与实际检测管道相同材质、相同管径的人工裂纹缺陷管；在人工裂纹缺陷管的不同位置加工有大量不同长度、宽度、深度、倾斜角的人工裂纹；然后在这段人工裂纹缺陷管上开展油气管道内检测器牵拉实验，由此获得人工裂纹的牵拉数据；将上述牵拉数据导入裂纹分析软件，通过裂纹自动检测算法确定裂纹可疑区域，将所有裂纹可疑区域包含的数据矩阵保存为文本文件(.txt)，即构成裂纹原始样本数据文件集。
本公开实施例中，每个裂纹原始样本数据文件可以包括一个或多个裂纹数据矩阵，示例性的，多个裂纹数据矩阵可以包括漏磁轴向分量MFLX通道、漏磁径向分量MFLY通道、漏磁周向分量MFLZ通道及动磁通道的裂纹数据矩阵。另外，每个裂纹原始样本数据文件还可以包括检测器运动速度、标称壁厚等数据。
2)按照被测对象的材质对裂纹原始样本数据文件集进行分类；
材质会影响磁化强度、磁导率等物理参数，进而影响裂纹的无损检测测量结果，因此第一级别的分类依据是被测对象的“材质”。
3)在步骤2)的基础上，按照裂纹类型对裂纹原始样本数据文件集进一步进行分类；
分类依据是裂纹的倾斜角，根据不同的裂纹倾斜角，将裂纹原始样本数据文件集分为轴向裂纹原始样本数据文件集、环向裂纹原始样本数据文件集和倾斜裂纹原始样本数据文件集三种类型。
本公开实施例中，轴向裂纹指的是倾斜角等于或接近0°以及倾斜角接近180°的裂纹，环向裂纹指的是倾斜角等于或接近90°的裂纹，倾斜裂纹指的是倾斜角不等于或接近0°且不等于或接近90°的裂纹。假设误差角度为δ，轴向裂纹可以为倾斜角在[0°，δ°)以及[180°-δ°，180°)之间的裂纹，环向裂纹可以为倾斜角在[90°-δ°，90°+δ°)之间的裂纹，倾斜裂纹指的是倾斜角在[δ0°，90°-δ°)以及[90°+δ°，180°-δ°)以及之间的裂纹。示例性的，以δ＝10°的误差为例，轴向裂纹指的是倾斜角在0到10°之间以及170°到180°之间的裂纹，环向裂纹指的是倾斜角在80到100°之间的裂纹，倾斜裂纹指的是倾斜角在10°到80°之间以及100°到170°之间的裂纹。
4)根据裂纹分类，对每个裂纹原始样本数据文件集的分类中的每个裂纹原始样本数据文件提取裂纹原始特征值向量，分别组成不同材质不同裂纹类型下的裂纹原始特征值向量集(假设全体共有Cnt个裂纹原始特征值向量集，示例性的，Cnt可以为材质数*裂纹类型数，裂纹类型数＝3)；
这些裂纹原始特征值向量可以来自以下一个或多个数据：漏磁检测中的三轴霍尔元件检测数据，动磁检测数据，检测器运动速度，标称壁厚等。
本公开实施例中，裂纹原始特征值向量包括多个特征值，示例性的，特征值包括：小波变换的最大变换系数，小波变换的最优尺度因子等等。本公开实施例中，小波变换的最大变换系数以及小波变换的最优尺度因子均通过对裂纹数据矩阵中峰值最大的裂纹时域波形进行连续小波变换得到。
本公开实施例中，可以先对裂纹原始样本数据文件进行分类，然后对分类中的每个裂纹原始样本数据文件提取裂纹原始特征值向量，分别组成不同材质不同裂纹类型下的裂纹原始特征值向量集。
5)对每个材质目录下的每个裂纹类型的裂纹原始特征值向量集，分别通过特征值筛选机制筛选出裂纹样本的最优特征值向量，在筛选出裂纹样本的最优特征值向量的同时，可以得到训练好的深度神经网络模型，深度神经网络模型包括：输入层、隐藏层和输出层，输入层的节点数等于筛选出的最优特征值向量包含的特征值数目。所述特征值筛选机制从提取的裂纹原始特征值向量包含的特征值中，选择使该深度神经网络模型整体特征值筛选评价函数最小的部分或全部特征值，构成所述裂纹样本的最优特征值向量。
假设原始特征值向量数量为p，经过筛选的最优特征值向量数量为q，q<p，则后续深度神经网络模型的映射速度将会提高，计算精度也将提高。
在上述步骤4)中，对于倾斜裂纹，并非直接从原始样本数据文件中提取特征值向量，而是首先对倾斜裂纹进行波峰对齐，然后从对齐的样本数据中提取特征值向量。
在一些示例性实施方式中，“倾斜裂纹波峰对齐”的过程包括如下步骤：
401、选取包含倾斜裂纹波峰的裂纹数据矩阵，裂纹数据矩阵的横向表示采样点，纵向表示通道，元素值表示检测数据值；
402、找到裂纹数据矩阵中从左数出现的第一个波峰；
403、将裂纹数据矩阵中其他行的波峰向左平移并与步骤402中第一个波峰对齐；
404、以对齐后的波峰为对称轴左右选取等宽的区间形成新的裂纹数据矩阵，以此新的裂纹数据矩阵参与后续的特征值向量提取。
在另一些示例性实施方式中，对倾斜裂纹进行波峰对齐时，在步骤402中，也可以找到裂纹数据矩阵中从右数出现的第一个波峰，那么，在步骤403中，将裂纹数据矩阵中其他行的波峰向右平移并与步骤402中第一个波峰对齐。
在一些示例性实施方式中，在上述步骤4)中，提取特征值小波变换的最大变换系数与小波变换的最优尺度因子的步骤包括：
411、从裂纹数据矩阵中选取峰值最大的通道信号；
412、对峰值最大的信号通道进行连续小波变换，变换公式为：
其中，x[k]为峰值最大的信号通道的第k点的观测值，ψ[k]为基本小波或母小波，ψ*[k]表示对ψ[k]求共轭运算，dj为采样步长，dj为实数，Δ*a中的*为乘号，Δ为ψ[k]的半宽度，Δ为实数，示例性的，Δ可以为5，a∈[a1，amax1]，称为尺度因子，它表征裂纹的宽度(斜宽)尺寸；b∈[b1，bmax2]，称为平移量因子，它表征裂纹的空间位置，max1和max2均为大于1的自然数；ψa，b[k]为小波基函数；<x[k]，ψa，b[k]>为小波变换系数，表征裂纹的长度(斜长)和深度；
小波变换之后得到的变换系数矩阵为：
WT为max1*max2维的矩阵。
413、从变换系数矩阵中找到最大的变换系数WTmax作为提取出的小波变换的最大变换系数，选择与最大变换系数WTmax对应的小波变换的最优尺度因子abest作为提取出的小波变换的最优尺度因子。
在一些示例性实施方式中，从一个分类对应的原始特征值向量中筛选出该分类对应的最优特征值向量，包括：
将一个分类对应的原始特征值向量集分为m个训练集和n个测试集，m+n＝NUM，NUM为该分类对应的原始特征值向量集中包括的原始特征值向量数量；
对特征值筛选数量从初始值q到最大值p，分别执行如下操作：根据当前的特征值筛选数量确定深度神经网络模型的输入层的节点数，根据输入层的节点数、输出层的节点数以及隐藏层层数构建深度神经网络模型，将m个训练集和n个测试集输入深度神经网络模型，得到训练集误差矩阵和测试集误差矩阵，并根据训练集误差矩阵和测试集误差矩阵，计算特征值筛选评价函数，其中，p为每个原始特征值向量包含的特征值数量，0<q<p；
以使对应的特征值筛选评价函数最小的特征值筛选数量作为筛选出的最优输入特征值数量，并将最优输入特征值数量对应的特征值筛选模型和深度神经网络隐藏层模型作为该分类对应的最优特征值筛选模型和最优深度神经网络隐藏层模型。
在一些示例性实施方式中，在上述步骤5)中，对某个材质目录下的一个裂纹类型的裂纹原始特征值向量集，通过特征值筛选机制筛选出裂纹样本的最优特征值向量，得到训练好的深度神经网络模型，特征值筛选机制包括如下步骤：
511)将该裂纹原始特征值向量集随机拆分为m个训练集和n个测试集，m+n＝NUM，NUM表示该材质目录下该裂纹类型对应的裂纹原始样本数据文件数量；
512)假设每个原始特征值向量中包含的特征值数目为p，特征值筛选数量的初始值为q，并满足q<p，设定该裂纹类型的特征值筛选评价函数初始值为Gi_min；本公开实施例中，Gi_min的初始值可以设置为一个较大的值，以使得后续特征值筛选数量q到p对应的特征值筛选评价函数Gi的值中至少存在一个值小于Gi_min的初始值，以用该Gi的值替换Gi_min的初始值，或者，Gi_min的初始值可以用后续计算出的特征值筛选数量q对应的特征值筛选评价函数Gi的值直接赋值。
513)根据本次特征值筛选数量q采用递归特征消除法建立“特征值筛选模型”，并从p个原始特征值中筛选出q个特征值，组成新的训练集特征值矩阵Xi_train_s和新的测试集特征值矩阵Xi_test_s，其中Xi_train_s的维数为m×q，Xi_test_s的维数为n×q；
514)根据特征值筛选数量q构建“深度神经网络隐藏层模型”；
515)将步骤513)中的Xi_train_s和Xi_test_s输入到步骤514)“深度神经网络隐藏层模型”，然后将输出代入公式(3)，求得当前该裂纹类型的训练集误差矩阵和测试集误差矩阵Ei_train和Ei_test，其中Ei_train的维数为m×3，Ei_test的维数为n×3；
516)根据公式(9)，计算当前第i类(i＝1,2,…,Cnt)裂纹的特征值筛选评价函数Gi；
517)当Gi≥Gi_min时，直接跳转步骤518)；当Gi＜Gi_min时，替换Gi_min(用Gi替换Gi_min)，并将当前Gi对应的“特征值筛选模型”以及“深度神经网络隐藏层模型”作为当前最新的结果，并将它们保存到缓存RAMi中，之后跳转步骤518)；
518)更新特征值筛选数量q＝q+1，更新之后如果q>p则跳转步骤519)，否则跳转步骤513)；
519)以缓存RAMi中保存的当前“特征值筛选模型”为“最优特征值筛选模型”；以缓存RAMi中保存的当前“深度神经网络隐藏层模型”为“最优深度神经网络隐藏层模型”；
按照该方法，分别对每个材质目录下的每个裂纹类型中的所有裂纹原始特征值向量集进行筛选，输出并保存每个材质目录下的每个裂纹类型中“最优特征值筛选模型”和“最优深度神经网络隐藏层模型”。
在一些示例性实施方式中，在上述步骤513)中，可以通过Python程序包sklearn.feature_selection()调用递归特征消除法建立特征值筛选模型，该特征值筛选模型可以从p个原始特征值中筛选出q个特征值。
在一些示例性实施方式中，在上述步骤514)中，可以通过Python程序包keras.models.Sequential()和keras.layers.Dense()构建深度神经网络隐藏层模型。
在一些示例性实施方式中，在上述步骤5)中，特征值筛选评价函数Gi根据如下方法进行计算：
501、定义训练集误差矩阵和测试集误差矩阵，分别表示为(3)式：
其中，Eil、Eiw、Eid分别表示第i类(i＝1,2,…,Cnt)裂纹的长(斜长)(l)、宽(斜宽)(w)、深度(d)的误差向量，下角标train表示训练集，下角标test表示测试集；
502、计算置信度为(1-α)的条件下，其中0＜α＜1，误差区间估计的单体精确度向量以及置信区间的中值向量分别为：
其中，Ai_train，Ai_test，Mi_train和Mi_test的维数都是1×3；
和
分别表示第i类(i＝1，2，……，Cnt)裂纹的训练集和测试集误差矩阵的均值；
和
分别表示置信度为(1-α)，m个样本和n个样本的t分布的上分位点；
和
分别表示置信度为(1-α)，m个样本和n个样本的χ2分布的上分位点；Sm和Sn分别表示训练集和测试集误差矩阵的样本标准差；
其中φ-1(·)表示标准正态累积分布函数的逆函数。
系数γ可以根据置信度的值进行设置，示例性的，置信度为90％的条件下，系数γ为3.28。
503、将(4)式和(5)式用相同的权重向量合并处理为：
其中，假设第i类(i＝1，2，……，Cnt)裂纹长(斜长)、宽(斜宽)、深度的权重向量为ωi＝[ωil，ωiw，ωid]，满足权重向量ωi的每个元素都介于[0,1]之间，且ωil+ωiw+ωid＝1；
表示对Ai_train进行转置；
504、通过(8)式计算训练集和测试集的特征值筛选评价函数为：
λ1和λ2均介于[0,1]之间；示例性的，第一权重系数λ1可以为0.5；第二权重系数λ2可以为0.5。
505、假设在第i类(i＝1，2，……，Cnt)裂纹信号样本集中，随机分为m个训练集样本以及n个测试集样本，所以通过(9)式可以计算针对第i类(i＝1，2，……，Cnt)裂纹信号的最终特征值筛选评价函数为：
通过(9)式，可以定量评价每一种特征值组合对模型训练的影响效果，Gi越小表明模型训练的效果越好。本公开实施例的特征值筛选机制，通过对比不同数量的特征值组合对应的Gi值，从中选择Gi值最小的那组特征值向量构建深度神经网络模型。
在一些示例性实施方式中，对轴向裂纹、环向裂纹和倾斜裂纹，分别使用训练好的对应的深度神经网络模型进行量化，包括：
获取被测对象的一个或多个裂纹原始数据文件；
按照被测对象的材质和裂纹类型对裂纹原始数据文件进行分类；提取裂纹原始数据文件的原始特征值向量；
将原始特征值向量输入裂纹原始数据文件分类对应的最优特征值筛选模型，筛选出最优特征值向量；
将筛选出的最优特征值向量作为深度神经网络的输入层；将裂纹原始数据文件分类对应的最优深度神经网络隐藏层模型作为深度神经网络的隐藏层；将裂纹的长度、宽度、和深度，或者斜长、斜宽和深度作为深度神经网络的输出。
在一些示例性实施方式中，参考图2B，步骤102可以包括如下步骤：
I)获得被测对象的裂纹原始数据文件。以油气管道裂纹检测为例，可以将管道检测器的检测数据导入裂纹分析软件，通过“裂纹自动检测算法”确定裂纹可疑区域，将裂纹可疑区域包含的裂纹数据矩阵保存为文本文件(.txt)，即构成裂纹原始数据文件；
II)按照被测对象的材质将步骤I)的裂纹原始数据文件进行分类；
III)在步骤II)的基础上，按照裂纹类型对裂纹原始数据文件进一步进行分类。根据裂纹的倾斜角，将裂纹原始数据文件分为轴向裂纹原始数据文件、环向裂纹原始数据文件或倾斜裂纹原始数据文件三种类型中的某一种；
IV)提取步骤III)的裂纹原始数据文件的原始特征值向量。原始特征值向量可以来自以下数据中的一个或多个：漏磁检测中的三轴霍尔元件检测数据，动磁检测数据，检测器运动速度，标称壁厚等。原始特征值向量包含的特征值可以包括小波变换的最大变换系数，小波变换的最优尺度因子等等；
V)将步骤IV)的原始特征值向量代入步骤101中对应材质以及对应裂纹类型下的最优特征值筛选模型，从中筛选出最优特征值向量；
VI)将步骤V)筛选出的最优特征值向量输入深度神经网络，该深度神经网络的隐藏层为步骤101中对应材质以及对应裂纹类型下的最优深度神经网络隐藏层模型，该深度神经网络的输出为裂纹的长(斜长)、宽(斜宽)、深数据。
在一些示例性实施方式中，在上述步骤IV)中，对于倾斜裂纹，并非直接从裂纹原始样本数据文件中提取原始特征值向量，而是首先对倾斜裂纹进行波峰对齐，然后从对齐的数据中提取原始特征值向量。具体过程可参见训练阶段的相关步骤。相应的，在上述步骤VI)中，对于倾斜裂纹，是将波峰对齐的样本数据与裂纹的斜长、斜宽、深度建立映射关系，最后将倾斜裂纹的斜长、斜宽、深等尺寸作为深度神经网络的输出。
本公开的深度神经网络裂纹量化方法，通过裂纹分类，可以使轴向裂纹的轴向特征，环向裂纹的环向特征，倾斜裂纹的倾斜角特征在各自的类别下得到强化；通过对齐倾斜裂纹的波峰，可以将倾斜裂纹的量化问题转化为类似环向裂纹的量化问题；通过对裂纹的时域波形进行连续小波变换，可以准确提取裂纹的时域特征和频域特征，提高裂纹的量化精度；通过特征值筛选机制的使用，可以分类筛选出对模型量化结果影响比较大的特征值参与模型训练；这样不仅可以强化有影响力的特征值对特定类型量化模型的作用效果，还能通过减少低效特征值的数量提升裂纹量化的计算效率。
为了更好地理解本公开提供的深度神经网络裂纹量化方法，下面结合
(X80钢材，15.30mm壁厚)油气管道裂纹量化这一示例性实施例对本公开的技术方案做进一步说明。
本实施例使用基于漏磁与动磁数据融合的裂纹检测方法确定裂纹可疑区域，并从中获得裂纹原始样本数据文件集和裂纹原始数据文件集。漏磁检测技术相比其他电磁无损检测技术具有原理简单、工程易实现、检测效率高等诸多优点；动磁检测技术对检测任意方向的裂纹缺陷具有很高的灵敏度，与漏磁检测形成优势互补。下面对方法的实施步骤进行详细介绍。
整个实施步骤共分为2个阶段，第1阶段为“最优特征值筛选模型”和“最优深度神经网络隐藏层模型”的建立阶段(模型训练阶段)；第2阶段为深度神经网络裂纹量化方法的使用阶段。
在第1阶段，“最优特征值筛选模型”和“最优深度神经网络隐藏层模型”的建立步骤包括：
按照步骤1)，开展对
(X80钢材，15.30mm壁厚)人工裂纹管道的牵拉实验，本次获得274个裂纹原始样本数据文件，由此组成裂纹原始样本数据文件集；
按照步骤2)，依据被测对象材质将裂纹原始样本数据文件集进行分类。本实施例中在材质层面，只有X80钢材这一种类型；
按照步骤3)，依据裂纹类型对裂纹原始样本数据文件集进行进一步地分类，得到三个裂纹原始样本数据文件集。本实施例将材质X80的裂纹原始样本数据文件集分为轴向裂纹原始样本数据文件集(90个轴向裂纹原始样本数据文件)、环向裂纹原始样本数据文件集(120个环向裂纹原始样本数据文件)和倾斜裂纹原始样本数据文件集(64个倾斜裂纹原始样本数据文件)；
按照步骤4)，对三个裂纹原始样本数据文件集中的每个数据文件提取原始特征值向量，并分别组成轴向裂纹原始特征值向量集，环向裂纹原始特征值向量集，倾斜裂纹原始特征值向量集(对于倾斜裂纹，首先对它进行波峰对齐)。此处共提取58个原始特征值组成原始特征值向量，它们分别为：从漏磁轴向分量MFLX波形数据中提取的15个特征值；从漏磁径向分量MFLY波形数据中提取的15个特征值；从漏磁周向分量MFLZ波形数据中提取的15个特征值；从动磁信号DM波形数据中提取的5个特征值，以及检测器运行速度值和标称壁厚值。此外，从Python小波库函数中选取gaus2小波、gaus1小波、gaus5小波分别表征MFLX信号、MFLY信号以及DM信号；通过连续小波变换，分别从峰值最大MFLX通道信号、MFLY通道信号、DM通道信号中提取出小波变换最大的变换系数
以及对应的小波最优尺度因子
作为另外6个特征值。这6个小波特征值可以很精细地表征裂纹的长(斜长)、宽(斜宽)、深信息。
按照步骤5)，对X80钢材目录下的3个裂纹类型中的裂纹原始特征值向量集，分别依据特征值筛选机制建立“最优特征值筛选模型”和“最优深度神经网络隐藏层模型”，具体执行如下操作：
5a)设定所有裂纹量化结果中长(斜长)、宽(斜宽)、深3个指标相同的权重系数，即设定权重向量为ωi＝[ωil，ωiw，ωid]＝[0.333，0.333，0.334]。，其中i＝1,2,3；设定置信度为90％，
另外设定样本集包含75％的训练集，包含25％的测试集，即m:n＝3:1。
5b)原始特征值数目p为58，特征值筛选数量的初始值q为20，设定第i类(i＝1,2,3)裂纹的特征值筛选评价函数初始值Gi_min为1000；
5c)通过导入Python程序包sklearn.feature_selection()调用“递归特征消除法”，根据本次特征值筛选数量q，采用“递归特征消除法”从58个原始特征值中筛选出q个特征值，组成新的特征值矩阵Xi_train_s和Xi_test_s；，其中Xi_train_s的维数为m×q，Xi_test_s的维数为n×q；
5d)构建“深度神经网络隐藏层模型”；通过导入Python中keras.models.Sequential()和keras.layers.Dense()程序包，示例性地，搭建了6层全连接神经网络模型。其中，第一层为输入层，输入层的维数等于筛选出的特征值的个数。中间4层为隐藏层(在另一些示例性实施例中，隐藏层的层数也可以为5层或6层)，节点数分别为30、18、20、20。最后一层为输出层，有3个节点，分别对应裂纹量化的长(斜长)、宽(斜宽)、深结果；
5e)通过DNN模型求得第i类(i＝1,2,3)裂纹的训练集误差矩阵和测试集误差矩阵Ei_train和Ei_test；
5f)根据公式(9)计算第i类(i＝1,2,3)裂纹的特征值筛选评价函数Gi；
5g)如果Gi＜Gi_min，则用Gi替换Gi_min，并将当前的“特征值筛选模型”以及“深度神经网络隐藏层模型”作为当前最新的结果，保存到缓存RAMi中，跳转5h)；如果Gi＞Gi_min，直接跳转5h)；
5h)更新特征值筛选数量q＝q+1，更新之后如果q>58则跳转5i)，如果q≤58跳转5c)；
5i)以缓存RAMi中保存的当前“特征值筛选模型”为“最优特征值筛选模型”；以缓存RAMi中保存的当前“深度神经网络隐藏层模型”为“最优深度神经网络隐藏层模型”；
5j)返回步骤5a)，直到X80钢材目录下的3个裂纹类型中的所有裂纹原始特征值向量集全部被筛选完毕，输出并保存每个材质目录下的每个裂纹类型中“最优特征值筛选模型”和“最优深度神经网络隐藏层模型”。示例性的，在本实施例中，“最优特征值筛选模型”可以保存为.pkl文件，“最优深度神经网络隐藏层模型”可以保存为.h5文件。
针对每个分类，用“最优特征值筛选模型”筛选出的最优特征值向量作为深度神经网络的输入层，并在建立“最优特征值筛选模型”的同时也得到了每个分类对应的“最优深度神经网络隐藏层模型”，这两个模型是深度神经网络模型的一部分。对轴向裂纹、环向裂纹和倾斜裂纹，后续可以分别使用训练好的对应的深度神经网络模型进行量化，输出3种裂纹的最优DNN量化模型和裂纹的长(斜长)、宽(斜宽)、深结果。
表1是通过上述方法对牵拉场274个裂纹实现的裂纹量化效果。可见，在90％的置信度下，无论是轴向裂纹，环向裂纹，还是倾斜裂纹，所有裂纹的长、宽误差的整体置信区间都在±10mm范围内；深度误差的整体置信区间都在±10％wt范围内，其中，％wt表示裂纹深度相对标称壁厚(15.30mm)的百分比。
表1
图3A至图3C分别是在轴向裂纹、环向裂纹和倾斜裂纹的最优深度神经网络隐藏层模型的训练过程中有特征值筛选机制和无特征值筛选机制的对比结果示意图，其中，t_loss_new，v_loss_new是采用特征值筛选机制方法(本公开中的方法)的训练集损失函数以及验证集的损失函数；t_loss_old，v_loss_old是传统的无特征值筛选机制方法的训练集损失函数以及验证集的损失函数。可以看出，无论是轴向裂纹，环向裂纹，还是倾斜裂纹，采用特征值筛选机制训练出的裂纹量化模型，无论在训练集中还是在验证集中，都具有更低的损失函数。这表明本公开相比于传统的神经网络方法具有更高的裂纹量化精度。
在第2阶段，基于小波变换和特征值筛选的深度神经网络裂纹量化方法的使用步骤为：
按照步骤I)，获得被测对象的裂纹原始数据文件。对某段退役的
(X80钢材，标称壁厚15.30mm)真实天然气管道开展内检测实验，管体上加工有若干不同倾斜角的人工裂纹，事先通过游标卡尺、量角器测量得到这些人工裂纹长(斜长)、宽(斜宽)、深、倾斜角。特别指出的是，该段退役管道上的人工裂纹不参与第一阶段的深度神经网络裂纹量化模型训练，即不参与“最优特征值筛选模型”和“最优深度神经网络隐藏层模型”的建立过程，而只参与第二阶段对量化方法的检验。检测结束后，将管道检测器的检测数据导入裂纹分析软件，通过基于漏磁与动磁数据融合的裂纹检测方法确定裂纹可疑区域，将裂纹可疑区域包含的裂纹数据矩阵保存为文本文件(.txt)，即构成裂纹原始数据文件。如图4A至图4C以及图5所示，通过裂纹分析软件在检测数据的某个区域共检测到12个真实裂纹，图中方框框住的区域为裂纹分析软件自动检测到的裂纹可疑区域，图4A至图4C以及图5中L1-L12表示的是共同的12个裂纹，只不过是用MFLX/MFLY/MFLZ/DM四个通道的数据分别展示而已。针对每个裂纹，建立相应的裂纹原始数据文件，共12个裂纹原始数据文件，每个裂纹原始数据文件包括MFLX/MFLY/MFLZ/DM四个通道的裂纹数据矩阵，还包括检测器运动速度、标称壁厚等数据。
按照步骤II)，根据被测对象的材质将裂纹原始数据文件进行分类；本实施例中在材质层面，只有X80钢材这一种类型，因此，该12个裂纹原始数据文件在材质上属于同一大类；
按照步骤III)，按照裂纹类型对裂纹原始数据文件进一步进行分类。在工程上，将倾斜角为[0°，10°)和[170°，180°)的裂纹定义为轴向裂纹，将倾斜角为[80°，100°)的裂纹定义为环向裂纹，将倾斜角为[10°，80°)和[100°，170°)的裂纹定义为倾斜裂纹；如图4A至图4C以及图5所示，其中L1-L4为倾斜裂纹，L5-L8为轴向裂纹，L9-L12为环向裂纹，即将12个裂纹原始数据文件分为3类：X80倾斜裂纹原始数据文件、X80轴向裂纹原始数据文件和X80环向裂纹原始数据文件；
按照步骤IV)，提取裂纹原始数据文件的原始特征值向量(对于倾斜裂纹，首先对它进行波峰对齐)。该原始特征值向量所包含的特征值类型与第一阶段的步骤4)的58个特征值类型相同；
按照步骤V)，将原始特征值向量代入第1阶段的对应材质与裂纹类型下的“最优特征值筛选模型”，从中筛选出每个裂纹原始数据文件对应的最优特征值向量；
按照步骤VI)，将步骤V)筛选出的每个最优特征值向量作为深度神经网络的输入层；该深度神经网络的隐藏层为第1阶段对应材质以及裂纹类型下的最优深度神经网络隐藏层模型，该深度神经网络的输出为裂纹的长(斜长)、宽(斜宽)、深数据。
表2是上述
(X80钢材，标称壁厚15.30mm)真实天然气管道12个裂纹的游标卡尺、量角器的测量值，表3是上述
(X80钢材，标称壁厚15.30mm)真实天然气管道12个裂纹的量化估计值，表4是表3的量化估计值与表2的测量值之间的误差，可见，无论是轴向裂纹，环向裂纹，还是倾斜裂纹，所有裂纹的长(斜长)、宽(斜宽)误差都在±10mm范围内；深度误差都在±10％wt范围内，其中％wt表示裂纹深度相对标称壁厚(15.30mm)的百分比。由表2至表4看出，本公开提供的基于小波变换和特征值筛选的深度神经网络裂纹量化方法具有较高的裂纹量化精度。
表2
表3
表4
本公开实施例还提供了一种深度神经网络裂纹量化装置，包括显示裂纹量化结果的显示器、存储裂纹量化方法和临时结果的存储器；和连接至所述存储器的处理器，所述处理器执行基于存储在所述存储器中的指令，执行如前任一项所述的深度神经网络裂纹量化方法的步骤。
在一个示例中，如图6所示，深度神经网络裂纹量化装置可包括：处理器610、存储器620、总线系统630和显示器640，其中，处理器610、存储器620、显示器640通过该总线系统630相连，存储器620用于存储指令及最优特征值向量、最优特征值筛选模型和最优深度神经网络隐藏层模型等，处理器610用于执行存储器620存储的指令，以通过深度神经网络进行裂纹量化。具体地，处理器610可以针对轴向裂纹、环向裂纹和倾斜裂纹，分别训练“最优特征值筛选模型”和“最优深度神经网络隐藏层模型”；并对轴向裂纹、环向裂纹和倾斜裂纹，分别使用训练好的对应的模型进行量化；最后通过显示器640将量化结果显示出来。
应理解，处理器610可以是中央处理单元(Central Processing Unit，CPU)，处理器610还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器610也可以是任何常规的处理器等。
存储器620可以包括只读存储器和随机存取存储器，并向处理器610提供指令和数据，包括所述的最优特征值向量、深度神经网络模型等。存储器620的一部分还可以包括非易失性随机存取存储器。例如，存储器620还可以存储设备类型的信息。
总线系统630除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。
显示器640除了显示裂纹的量化结果之外，还可以通过裂纹分析软件显示存储器620中的裂纹检测数据。
在实现过程中，该深度神经网络裂纹量化装置所执行的处理可以通过处理器610中的硬件的集成逻辑电路或者软件形式的指令完成。即本公开实施例的深度神经网络裂纹量化方法步骤可以由硬件处理器执行完成，或者用处理器610中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等存储介质中。该存储介质位于存储器620，处理器610读取存储器620中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本公开实施例还提供了一种存储介质，该存储介质存储有可执行指令，该可执行指令被处理器执行时可以实现本公开上述任一实施例提供的深度神经网络裂纹量化方法，该深度神经网络裂纹量化方法可以针对轴向裂纹、环向裂纹和倾斜裂纹，分别训练深度神经网络模型；对所述轴向裂纹、环向裂纹和倾斜裂纹，分别使用训练好的对应的深度神经网络模型进行量化。通过执行可执行指令实现裂纹检测的方法与本公开上述实施例提供的深度神经网络裂纹量化方法基本相同，在此不做赘述。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
虽然本公开所揭露的实施方式如上，但所述的内容仅为便于理解本公开而采用的实施方式，并非用以限定本公开。任何本公开所属领域内的技术人员，在不脱离本公开所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本公开的保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (12)
1.一种深度神经网络裂纹量化方法，其特征在于，包括：
针对轴向裂纹、环向裂纹和倾斜裂纹，分别训练深度神经网络模型；
对所述轴向裂纹、环向裂纹和倾斜裂纹，分别使用训练好的对应的深度神经网络模型进行量化。
2.根据权利要求1所述的深度神经网络裂纹量化方法，其特征在于，对所述轴向裂纹和环向裂纹，所述深度神经网络模型的输出为裂纹的长度、宽度和深度尺寸，对所述倾斜裂纹，所述深度神经网络模型的输出为裂纹的斜长、斜宽和深度尺寸。
3.根据权利要求2所述的深度神经网络裂纹量化方法，其特征在于，在针对所述倾斜裂纹训练深度神经网络模型时，或者在对所述倾斜裂纹进行量化时，所述方法还包括：
对每个倾斜裂纹，选取包含倾斜裂纹波峰的裂纹数据矩阵，所述裂纹数据矩阵的横向维度表示采样点，所述裂纹数据矩阵的纵向维度表示通道数，所述裂纹数据矩阵的元素值表示检测数据值；
确定所述裂纹数据矩阵中从左数或从右数出现的第一个波峰；
将所述裂纹数据矩阵中其他行的波峰向左平移或向右平移，并与第一个波峰对齐；
以对齐后的波峰为对称轴左右选取等宽的区间形成新的裂纹数据矩阵，以此新的裂纹数据矩阵提取所述倾斜裂纹的特征值向量。
4.根据权利要求1所述的深度神经网络裂纹量化方法，其特征在于，所述针对轴向裂纹、环向裂纹和倾斜裂纹，分别训练深度神经网络模型，包括：
获取裂纹原始样本数据文件集，所述裂纹原始样本数据文件集包括多个裂纹原始样本数据文件；
按照被测对象的材质和裂纹类型对裂纹原始样本数据文件进行分类，所述裂纹类型包括轴向裂纹、环向裂纹和倾斜裂纹，提取每个裂纹原始样本数据文件的原始特征值向量；
从每个分类对应的原始特征值向量中筛选出每个分类对应的最优特征值向量，同时生成每个分类的最优特征值筛选模型和最优深度神经网络隐藏层模型，所述最优特征值向量包含的特征值数目小于或等于所述原始特征值向量包含的特征值数目，所述最优特征值筛选模型用于为每个分类筛选对应的最优特征值向量，所述最优深度神经网络隐藏层模型用于作为深度神经网络的隐藏层，对裂纹进行量化。
5.根据权利要求4所述的深度神经网络裂纹量化方法，其特征在于，所述原始特征值向量来自以下数据中的一个或多个：漏磁检测信号中的三轴霍尔元件检测数据、动磁检测数据、检测器运动速度、标称壁厚。
6.根据权利要求4所述的深度神经网络裂纹量化方法，其特征在于，所述裂纹原始样本数据文件包括一个或多个裂纹数据矩阵，所述原始特征值向量包含的特征值包括：小波变换的最大变换系数以及小波变换的最优尺度因子，所述小波变换的最大变换系数以及小波变换的最优尺度因子均通过对所述裂纹数据矩阵中峰值最大的裂纹时域波形进行连续小波变换得到。
7.根据权利要求6所述的深度神经网络裂纹量化方法，其特征在于，提取所述小波变换的最大变换系数与小波变换的最优尺度因子，包括：
从所述裂纹数据矩阵中选取峰值最大的信号通道；
依据下式对峰值最大的信号通道进行连续小波变换：
其中，x[k]为峰值最大的信号通道的第k点的观测值，ψ[k]为基本小波或母小波，ψ*[k]表示对ψ[k]求共轭运算；dj为采样步长，dj为实数；Δ*a中的*为乘号，Δ为ψ[k]的半宽度，Δ为实数；a为尺度因子，a∈[a1，amax1]；b为平移量因子，b∈[b1，bmax2]，max1和max2均为大于1的自然数；ψa，b[k]为小波基函数；<x[k]，ψa，b[k]>为小波变换系数；
依据下式得到变换系数矩阵WT：
从变换系数矩阵WT中选择小波变换的最大变换系数WTmax作为提取出的小波变换的最大变换系数，选择与最大变换系数WTmax对应的小波变换的最优尺度因子abest作为提取出的小波变换的最优尺度因子。
8.根据权利要求4所述的深度神经网络裂纹量化方法，其特征在于，从一个分类对应的原始特征值向量中筛选出该分类对应的最优特征值向量，包括：
将一个分类对应的原始特征值向量集分为m个训练集和n个测试集，m+n＝NUM，NUM为该分类对应的原始特征值向量集中包括的原始特征值向量数量；
对特征值筛选数量从初始值q到最大值p，分别执行如下操作：根据当前的所述特征值筛选数量确定所述深度神经网络模型的输入层的节点数，根据所述输入层的节点数、输出层的节点数以及隐藏层层数构建所述深度神经网络模型，将所述m个训练集和n个测试集输入所述深度神经网络模型，得到训练集误差矩阵和测试集误差矩阵，并根据所述训练集误差矩阵和测试集误差矩阵，计算特征值筛选评价函数，其中，p为每个原始特征值向量包含的特征值数量，0＜q＜p；
以使对应的特征值筛选评价函数最小的特征值筛选数量作为筛选出的最优输入特征值数量，并将所述最优输入特征值数量对应的特征值筛选模型和深度神经网络隐藏层模型作为该分类对应的最优特征值筛选模型和最优深度神经网络隐藏层模型。
9.根据权利要求8所述的深度神经网络裂纹量化方法，其特征在于，所述训练集误差矩阵和测试集误差矩阵分别表示为：
其中，Eil、Eiw、Eid分别表示第i类裂纹的长、宽、深的误差向量，下角标train表示训练集，下角标test表示测试集，i为1至Cnt之间的自然数，Cnt为所述裂纹原始样本数据文件的分类数目；
所述根据所述训练集误差矩阵和测试集误差矩阵，计算特征值筛选评价函数，包括：
依据下式分别计算置信度为(1-α)的条件下，其中0＜α＜1，误差区间估计的单体精确度矩阵以及置信区间的中值矩阵：
其中，Ai_train、Ai_test、Mi_train和Mi_test的维数均为1×3，系数γ根据置信度的值进行设置，
其中φ-1(·)表示标准正态累积分布函数的逆函数，
和
分别表示训练集误差矩阵和测试集误差矩阵的均值；
和
分别表示置信度为(1-α)，m个训练集和n个测试集的t分布的上分位点；
知
分别表示置信度为(1-α)，m个训练集和n个测试集的χ2分布的上分位点；Sm和Sn分别表示训练集误差矩阵和测试集误差矩阵的样本标准差；
依据下式对计算出的单体精确度矩阵和中值矩阵分别进行合并处理：
其中，第i类裂纹长、宽、深度的权重向量为ωi＝[ωil，ωiw，ωid]，ωil、ωiw和ωid均介于[0，1]之间，且ωil+ωiw+ωid＝1；
表示对Ai_train进行转置；
依据下式分别计算训练集的特征值筛选评价函数Gi_train和测试集的特征值筛选评价函数Gi_test：
其中，λ1为第一权重系数；λ2为第二权重系数，λ1和λ2均介于[0，1]之间；
依据下式计算第i类裂纹信号的特征值筛选评价函数Gi：
10.根据权利要求4所述的深度神经网络裂纹量化方法，其特征在于，对所述轴向裂纹、环向裂纹和倾斜裂纹，分别使用训练好的对应的深度神经网络模型进行量化，包括：
获取被测对象的一个或多个裂纹原始数据文件；
按照被测对象的材质和裂纹类型对所述裂纹原始数据文件进行分类；提取所述裂纹原始数据文件的原始特征值向量；
将所述原始特征值向量输入所述裂纹原始数据文件分类对应的最优特征值筛选模型，筛选出最优特征值向量；
将筛选出的最优特征值向量作为深度神经网络的输入层；将所述裂纹原始数据文件分类对应的最优深度神经网络隐藏层模型作为深度神经网络的隐藏层；将裂纹的长度、宽度、和深度，或者斜长、斜宽和深度作为深度神经网络的输出。
11.一种深度神经网络裂纹量化装置，其特征在于，包括显示量化结果的显示器、存储指令的存储器和连接至所述存储器的处理器，所述处理器可以执行基于存储在所述存储器中的指令，执行如权利要求1至10中任一项所述的深度神经网络裂纹量化方法的步骤。
12.一种存储介质，其特征在于，其上存储有裂纹量化的程序，该程序被处理器执行时实现如权利要求1至10中任一项所述的深度神经网络裂纹量化方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211453244.6A CN115758084B (zh) | 2022-11-21 | 2022-11-21 | 一种深度神经网络裂纹量化方法及装置、存储介质 |
| PCT/CN2022/141622 WO2024108717A1 (zh) | 2022-11-21 | 2022-12-23 | 一种深度神经网络裂纹量化方法及装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211453244.6A CN115758084B (zh) | 2022-11-21 | 2022-11-21 | 一种深度神经网络裂纹量化方法及装置、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115758084A true CN115758084A (zh) | 2023-03-07 |
| CN115758084B CN115758084B (zh) | 2023-11-14 |
Family
ID=85333858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211453244.6A Active CN115758084B (zh) | 2022-11-21 | 2022-11-21 | 一种深度神经网络裂纹量化方法及装置、存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115758084B (zh) |
| WO (1) | WO2024108717A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116754632A (zh) * | 2023-08-16 | 2023-09-15 | 清华大学 | 基于正交孪生的油气管道裂纹量化方法及装置、存储介质 |
| CN117007673A (zh) * | 2023-08-16 | 2023-11-07 | 清华大学 | 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118385777B (zh) * | 2024-06-24 | 2024-09-24 | 长沙韶光芯材科技有限公司 | 一种用于半导体基底的基板形成方法 |
| CN118698995A (zh) * | 2024-08-28 | 2024-09-27 | 克拉玛依市三达有限责任公司 | 抽油杆清洗修复方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130116925A1 (en) * | 2011-11-09 | 2013-05-09 | Chevron U.S.A. Inc. | Wavelet-transform based system and method for analyzing characteristics of a geological formation |
| CN105334269A (zh) * | 2015-10-19 | 2016-02-17 | 江苏大学 | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 |
| CN109376773A (zh) * | 2018-09-30 | 2019-02-22 | 福州大学 | 基于深度学习的裂纹检测方法 |
| CN112116587A (zh) * | 2020-09-29 | 2020-12-22 | 西安热工研究院有限公司 | 基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质 |
| CN112633328A (zh) * | 2020-12-04 | 2021-04-09 | 北京科技大学 | 一种基于深度学习的致密油藏改造效果评价方法 |
| CN112686887A (zh) * | 2021-01-27 | 2021-04-20 | 上海电气集团股份有限公司 | 混凝土表面裂纹的检测方法、系统、设备和介质 |
| CN113705567A (zh) * | 2021-08-25 | 2021-11-26 | 浙江国际海运职业技术学院 | 船舶裂纹检测方法、系统、设备及计算机可读存储介质 |
| CN114332075A (zh) * | 2022-01-21 | 2022-04-12 | 广州大学 | 基于轻量化深度学习模型的结构缺陷快速识别与分类方法 |
| CN114791460A (zh) * | 2022-04-08 | 2022-07-26 | 清华大学 | 一种基于数据融合的裂纹检测方法及检测装置、存储介质 |
| CN114897909A (zh) * | 2022-07-15 | 2022-08-12 | 四川大学 | 基于无监督学习的曲轴表面裂纹监测方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909564B (zh) * | 2017-10-23 | 2021-04-09 | 昆明理工大学 | 一种基于深度学习的全卷积网络图像裂纹检测方法 |
| CN111311542B (zh) * | 2020-01-15 | 2023-09-19 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
| US20220092856A1 (en) * | 2020-09-22 | 2022-03-24 | Bentley Systems, Incorporated | Crack detection, assessment and visualization using deep learning with 3d mesh model |
| CN112857197B (zh) * | 2021-04-09 | 2022-04-19 | 中国石油大学(华东) | 一种旋转电磁场非铁磁性材料裂纹尺寸测量方法 |
-
2022
- 2022-11-21 CN CN202211453244.6A patent/CN115758084B/zh active Active
- 2022-12-23 WO PCT/CN2022/141622 patent/WO2024108717A1/zh unknown
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130116925A1 (en) * | 2011-11-09 | 2013-05-09 | Chevron U.S.A. Inc. | Wavelet-transform based system and method for analyzing characteristics of a geological formation |
| CN105334269A (zh) * | 2015-10-19 | 2016-02-17 | 江苏大学 | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 |
| CN109376773A (zh) * | 2018-09-30 | 2019-02-22 | 福州大学 | 基于深度学习的裂纹检测方法 |
| CN112116587A (zh) * | 2020-09-29 | 2020-12-22 | 西安热工研究院有限公司 | 基于孪生支持向量机的水轮机转轮叶片裂纹识别方法、系统、设备及存储介质 |
| CN112633328A (zh) * | 2020-12-04 | 2021-04-09 | 北京科技大学 | 一种基于深度学习的致密油藏改造效果评价方法 |
| CN112686887A (zh) * | 2021-01-27 | 2021-04-20 | 上海电气集团股份有限公司 | 混凝土表面裂纹的检测方法、系统、设备和介质 |
| CN113705567A (zh) * | 2021-08-25 | 2021-11-26 | 浙江国际海运职业技术学院 | 船舶裂纹检测方法、系统、设备及计算机可读存储介质 |
| CN114332075A (zh) * | 2022-01-21 | 2022-04-12 | 广州大学 | 基于轻量化深度学习模型的结构缺陷快速识别与分类方法 |
| CN114791460A (zh) * | 2022-04-08 | 2022-07-26 | 清华大学 | 一种基于数据融合的裂纹检测方法及检测装置、存储介质 |
| CN114897909A (zh) * | 2022-07-15 | 2022-08-12 | 四川大学 | 基于无监督学习的曲轴表面裂纹监测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| KIM B等: "Image-based concrete crack assessment using mask and region-based convolutional neural network", 《STRUCTURAL CONTROL AND HEALTH MONITORING》, vol. 26, no. 8, pages 1 - 15 * |
| WANG Y等: "A Crack Detection Method for Pipelines Using Wavelet-Based Decision-Level Data Fusion", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 72, pages 1 - 21 * |
| 徐亮: "基于卷积神经网络的疲劳裂纹诊断", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2, pages 031 - 144 * |
| 王相龙等: "基于VGG深度卷积神经网络和空间分布的道路裂纹种类识别", 《交通信息与安全》, vol. 37, no. 6, pages 95 - 102 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116754632A (zh) * | 2023-08-16 | 2023-09-15 | 清华大学 | 基于正交孪生的油气管道裂纹量化方法及装置、存储介质 |
| CN117007673A (zh) * | 2023-08-16 | 2023-11-07 | 清华大学 | 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 |
| CN116754632B (zh) * | 2023-08-16 | 2023-11-21 | 清华大学 | 基于正交孪生的油气管道裂纹量化方法及装置、存储介质 |
| CN117007673B (zh) * | 2023-08-16 | 2024-01-23 | 清华大学 | 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024108717A1 (zh) | 2024-05-30 |
| CN115758084B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115758084A (zh) | 一种深度神经网络裂纹量化方法及装置、存储介质 | |
| KR101811270B1 (ko) | 화물을 검사하는 방법 및 그 시스템 | |
| Perner et al. | A comparison between neural networks and decision trees based on data from industrial radiographic testing | |
| CN110717249A (zh) | 页岩气储层测井孔隙度快速预测方法及系统 | |
| 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 | |
| Zawad et al. | A comparative review of image processing based crack detection techniques on civil engineering structures | |
| US20200134803A1 (en) | System and method for quantitative analysis of borehole images | |
| CN116385380A (zh) | 基于深度特征的缺陷检测方法、系统、设备及存储介质 | |
| CN109298464A (zh) | 致密砂岩储层成岩相测井识别方法及装置 | |
| CN115047064A (zh) | 管道缺陷量化方法、处理器和管道缺陷量化装置 | |
| Ooi et al. | EM-based 2D corrosion azimuthal imaging using physics informed machine learning PIML | |
| CN117237592A (zh) | 一种同口焊缝图像智能识别方法 | |
| CN114882033B (zh) | 一种医用包装盒制品的瑕疵在线检测方法及检测系统 | |
| KR20240133706A (ko) | 스타일 전이를 이용한 포지티브 샘플 생성에 기반한 oled 드라이필름 결함의 검출 방법 | |
| KR20190110478A (ko) | 공간 밀도 분석에 기초한 반도체 웨이퍼의 유도식 검사 | |
| Yuan et al. | Automatic reservoir interpretation from conventional well logs using stacking machine learning technique | |
| Lee et al. | Hierarchical rule based classification of MFL signals obtained from natural gas pipeline inspection | |
| CN112819813B (zh) | 一种地下管线智能识别方法、装置及存储介质 | |
| CN117007673B (zh) | 一种油气管道裂纹信号的正交孪生方法及装置、存储介质 | |
| CN114077784A (zh) | 覆压孔隙度的确定方法、装置、存储介质和计算机设备 | |
| CN106600604B (zh) | 一种磁光成像缺陷检测方法的阀值优化方法 | |
| Yang et al. | The method of the pipeline magnetic flux leakage detection image formation based on the artificial intelligence | |
| CN116754632B (zh) | 基于正交孪生的油气管道裂纹量化方法及装置、存储介质 | |
| Jiang et al. | Combining regularized convolutional neural networks with production data integration for geologic scenario selection | |
| CN117314914B (zh) | 一种对工程无损检测图像的缺陷识别方法及相关设备 |
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 |