本发明主要涉及管道无损检测领域和人工智能识别领域，特指一种管道无损检测的人工智能识别方法。
背景技术：
对管道的无损检测后进行损伤识别是无损检测识别中的研究热点之一。现有技术中，均采用单一检测数据库进行损伤识别，这种识别方法存在一定的缺陷：单一检测结果存在一定的不可靠性，检测结果的识别准确率较低。尽管所有的检测数据均是采用微机进行处理，然而最后的识别仍然要由人工辅助完成。因此，需要提出一种完全由计算机进行智能识别的损伤识别方法，代替人工的参与。
技术实现要素：
本发明需解决的技术问题是：针对现有技术存在的技术问题，本发明提供一种无需人工参与识别检测结果、具有双重检测方法加权处理检测数据、从而提高管道损伤部位识别准确率的管道无损检测的人工智能识别方法。
为了解决上述问题，本发明提出的解决方案为：一种管道无损检测的人工智能识别方法，它包括以下步骤：
步骤一、采用超声检测方法对可能有损的管道进行检测，并记录下超声检测结果；
步骤二、采用渗透检测方法对可能有损的管道重复检测，并记录下渗透检测的结果；
步骤三、根据超声检测的结果，建立各个检测点的超声数学期望值，以及偏离数学期望值的超声欧拉距离函数；
步骤四、根据渗透检测的结果，建立各个检测点的渗透数学期望值，以及偏离数学期望值的渗透欧拉距离函数；
五、将步骤三中的超声欧拉距离函数与步骤四中的渗透欧拉距离函数进行加权求和，进行归一化处理组成损伤函数，所述损伤函数的数值大小即可表示管道损伤的程度；
步骤六、根据步骤五给出各个检测点或检测部位的损伤函数，损伤函数越大表示管道损伤越严重。
进一步的，所述步骤二渗透检测的检测点或检测部位必须与所述步骤一中超声检测的检测点或检测部位一一对应。
进一步的，所述步骤五中的加权求和中，选择权函数时可根据步骤一种的超声检测精度与步骤二中的渗透检测精度确定相对大小。
本发明与现有技术相比，具有如下优点和有益效果：
本发明的一种管道无损检测的人工智能识别方法，同时采用超声检测和渗透检测，克服了单一检测结果的不可靠性，并根据检测的相对精度取加权函数构建损伤函数，最后根据损伤函数的相对大小给出管道损伤程度的识别，从而提高管道损伤点的识别准确率。由此可知，本发明的人工识别方法无需人工参与识别检测结果、具有双重检测方法加权处理检测数据、对管道损伤部位识别准确率更高。
附图说明
图1是本发明的一种管道无损检测的人工智能识别方法的识别步骤流程图。
具体实施方式
以下将结合附图和具体实施例对本发明作进一步详细说明。
参见图1所示，本发明的一种管道无损检测的人工智能识别方法，包括以下步骤：
参见图1所示，步骤一、采用超声检测方法对可能有损的管道进行检测，并记录下超声检测结果ft＝f(xt)；式中，xi为管道检测的检测点坐标，fi为检测xi的超声检测结果。
参见图1所示，步骤二、采用渗透检测方法对可能有损的管道重复检测，并记录下渗透检测的结果gt＝g(xt)；式中，xi为管道检测的检测点坐标，gt为检测xi的渗透检测结果。
参见图1所示，步骤三、根据超声检测的结果，建立各个检测点的超声数学期望值以及偏离数学期望值的超声欧拉距离函数
参见图1所示，步骤四、根据渗透检测的结果，建立各个检测点的渗透数学期望值以及偏离数学期望值的渗透欧拉距离函数
参见图1所示，步骤五、将步骤三中的超声欧拉距离函数与步骤四中的渗透欧拉距离函数进行加权求和，进行归一化处理组成损伤函数损伤函数的数值大小即可表示管道损伤的程度；式中λ为权函数，且满足条件λ∈(0，1)。
参见图1所示，六、根据步骤五给出各个检测点或检测部位的损伤函数，损伤函数越大表示管道损伤越严重。
参见图1所示，作为优选的，步骤二渗透检测的检测点或检测部位必须与步骤一中超声检测的检测点或检测部位一一对应。
参见图1所示，作为优选的，步骤五中的加权求和中，选择权函数λ可根据步骤一种的超声检测精度与步骤二中的渗透检测精度确定相对大小。
作为优选的，当超声检测精度与渗透检测精度基本相当时，取λ＝0.5；当超声检测精度明显高于渗透检测精度时，取λ＝0.6-0.8；当超声检测精度明显低于渗透检测精度时，取λ＝0.2-0.4。
作为优选的，欧拉距离函数定义为四次方，
即