专利名称: |
一种基于卷积神经网络的管道缺陷检测方法和装置 |
摘要: |
本发明公开了一种基于卷积神经网络的管道缺陷检测方法和装置,基于卷积神经网络同时对三维漏磁信号进行卷积神经处理,得到的特征同时包含三个维度的信息。本发明提出的方法,不需要人工定义特征,卷积神经网络会自动学习高度抽象高表达性的特征,避免了以往依靠人工定义特征的问题。提出采用卷积神经网络技术对三维漏磁场缺陷特征进行自学习,利用该技术能够自动学习表达能力强的抽象特征,无需人工设计特征,卷积操作同时对三幅漏磁分量图进行操作,保留了特征的空间属性。最后融合训练学习得到的特征及先验知识进行管道缺陷尺寸的预测。 |
专利类型: |
发明专利 |
国家地区组织代码: |
上海;31 |
申请人: |
上海市特种设备监督检验技术研究院 |
发明人: |
王继锋;汤晓英;左延田;陈德禄 |
专利状态: |
有效 |
申请日期: |
2019-05-14T00:00:00+0800 |
发布日期: |
2019-08-09T00:00:00+0800 |
申请号: |
CN201910399916.1 |
公开号: |
CN110108783A |
代理机构: |
上海思微知识产权代理事务所(普通合伙) |
代理人: |
郑星 |
分类号: |
G01N27/83(2006.01);G;G01;G01N;G01N27 |
申请人地址: |
200062 上海市普陀区金沙江路915号1号楼1207室 |
主权项: |
1.一种基于卷积神经网络的管道缺陷检测方法,其特征在于,包括如下步骤: S1:获取测试管道的缺陷样本,建立初始卷积神经网络模型; S2:通过所述缺陷样本对所述初始卷积神经网络模型进行训练学习并得到所述测试管道缺陷尺寸的最终卷积神经网络模型; S3:基于所述最终卷积神经网络模型对实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号进行卷积神经处理,得到所述实测管道的缺陷尺寸。 2.如权利要求1所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,所述S1包括:利用磁偶极子模型仿真获取所述测试管道的缺陷样本; 基于磁偶极子理论,建立所述测试管道的规则形状缺陷的三维漏磁方程,计算所述三维漏磁方程并分析三维漏磁场的三维空间特性,得到所述测试管道的缺陷样本。 3.如权利要求1所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,所述S1包括:利用有限元仿真获取所述测试管道的缺陷样本。 4.如权利要求3所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,利用有限元仿真,基于麦克斯韦方程,建立所述测试管道的不规则形状缺陷的三维漏磁场有限元模型,分析不规则形状缺陷的形状、尺寸与三维漏磁场之间的关系,得到所述测试管道的缺陷样本。 5.如权利要求1所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,所述S1包括:利用人工缺陷仿真技术获取所述测试管道的缺陷样本。 6.如权利要求1-5中任一所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,所述缺陷样本包括背景磁场信息、检测速度、缺陷位置、缺陷的三维尺寸、轴向漏磁信号、周向漏磁信号以及径向漏磁信号。 7.如权利要求1所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,所述S3包括:将实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号输入所述最终卷积神经网络模型,并结合先验知识得到所述实测管道的缺陷尺寸。 8.如权利要求7所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,所述先验知识包括背景磁场信息、缺陷位置、检测速度。 9.如权利要求7所述的一种基于卷积神经网络的管道缺陷检测方法,其特征在于,利用径向基神经网络将先验知识与所述最终卷积神经网络模型融合得到所述实测管道的缺陷尺寸。 10.一种基于卷积神经网络的管道缺陷检测装置,其特征在于,采用如权利要求1-9中任一所述的基于卷积神经网络的管道缺陷检测方法,包括: 采集模块,用于获取测试管道的缺陷样本; 训练模块,通过所述缺陷样本对所述初始卷积神经网络模型进行训练学习并得到所述测试管道缺陷尺寸的最终卷积神经网络模型; 分析处理模块,基于所述最终卷积神经网络模型对实测管道的周向漏磁信号、轴向漏磁信号以及径向漏磁信号进行卷积神经处理,得到所述实测管道的缺陷尺寸。 |
所属类别: |
发明专利 |