本发明涉及故障诊断及人工智能的
技术领域：
，具体说是涉及一种基于窗体特征的漏磁管道缺陷位置提取方法。
背景技术：
：导磁性钢制管道被广泛应用于石油和天然气的输送。随着在役管道运行时间的增加，管道潜在的泄漏风险也在提升。因此定期对管道进行安全评估变得尤其重要。作为预防管道泄漏的关键技术之一，无损检测被广泛应用。目前，管道内检测无损检测方法包括：漏磁检测、涡流检测和超声检测。其中，漏磁检测技术被广泛应用于几乎90％的在役管道中。这种毋庸置疑的领导地位源于：1)漏磁检测技术对检测环境要求低，不受传送介质的影响，能够同时检测内外缺陷；2)能够实现缺陷的初步量化。一般来说，对于一个成功的缺陷位置提取方法，首先应该有良好的缺陷和非缺陷的分类精度，其次它应该保证识别到的缺陷具有良好定义的边界。如果缺陷的识别出现问题，比如大型严重缺陷的漏检，一个意想不到的泄漏事件将会发生。这将带来巨大的经济损失和环境污染。同时，如果缺陷的边界不能够被很好的定义，缺陷区域也许会大于实际缺陷区域成为过包含区域，或者小于实际缺陷区域成为欠包含区域。这种未被良好定义的缺陷将会给后续的安全评估带来许多问题。比如，针对缺陷的三维轮廓反演问题，如果缺陷区域属于过包含，自由度势必会增加，最终导致反演迭代时间的增加。同时，如果缺陷区域属于欠包含，缺陷最终的反演尺寸将会受到影响。通过查阅文献学习，缺陷的识别问题一般是从模型的角度通过对一些直接特征的提取，最后达到识别的目的。然而这些特征仅仅包含区域的部分特征，很难保证良好的分类精度。同时，很少有文献研究如何提取缺陷的精确边界，比如多缺陷(很多个缺陷聚集在一起的区域)的分割问题。实际上，真实的腐蚀环境中很少有单独缺陷，绝大多数缺陷都是聚集在一起。因此，多缺陷的分割显得尤其重要。另外，绝大多数文献仅仅考虑识别问题，识别区域被假设已知，然而如何去确定识别区域很少被介绍。技术实现要素：鉴于已有技术存在的缺陷，本发明的目的是要提供一种基于窗体特征的漏磁管道缺陷位置提取方法，其提出了四种基于窗体的含有参数的特征：显著性特征、对比度特征、中心点特征以及指纹特征，并将朴素贝叶斯网络应用于参数学习中以保证最优的特征参数值和避免人工阈值干预，此外，本发明同时提出了一种2阶段的缺陷区域提取方法。为了实现上述目的，本发明的技术方案：一种基于窗体特征的漏磁管道缺陷位置提取方法，其特征在于，包括如下步骤：步骤1、建立识别模型：提取样本后基于窗体对所提取的样本进行相应的特征提取，利用历史漏磁数据学习相应的特征参数并建立相应识别模型；所述样本包括缺陷样本及非缺陷样本，所述的特征包括显著性特征、对比度特征、中心点特征及指纹特征；步骤2、对任意一段待测漏磁数据进行缺陷位置区域提取：首先对任意一段待测数据进行异常检测，以确定相应的异常区域；其次分两个阶段对所确定的异常区域进行缺陷位置提取以获得相应的识别结果；所述的两个阶段是指对单个缺陷的识别阶段及对多个缺陷的识别及分割阶段；步骤3、基于所获得识别结果进行效果评估，所评估的效果包括分类识别效果和边界界定效果。优选的，所述步骤1包括：步骤11、进行样本提取过程即进行缺陷样本及非缺陷样本的提取过程，所述缺陷样本的提取过程由人工标记，所述非缺陷样本的提取过程包括对缺陷区域非缺陷样本进行采样及对正常区域非缺陷样本进行采样；步骤12、基于窗体对所提取的样本进行相应的特征提取，其中所述的显著性特征所对应的公式为其中，w表示测量窗体，xi表示第i个元素，i(xi)表示该测量窗体的能量，其表示为xmax表示该测量窗体的窗体元素最大值，表示该测量窗体中所有元素的均值，用θ表示，且||θ||的含义的定义如下：如果θ表示条件，则||θ||为布尔值，即若条件θ满足，则||θ||值为1，否则值为0；若θ表示矩阵，则||θ||表示矩阵中元素的个数，θs表示待学习参数；所述对比度特征包括外环对比度oc及内环对比度ic，其中外环对比度oc(w,θoc)是指测量窗体和其所对应外环之间的矩形区域的差异程度，所述矩形区域的大小通过滑动参数θoc得到，即其中，θoc＝{θocl，θocc}，θocl和θocc分别表示外环轴向对比度参数和外环周向对比度参数，两者取值范围均为0～1，则对应的外环对比度通过计算卡方距离得到，即：oc(w,θoc)＝χ2(mse(w),mse(o(w,θoc)))(23)；其中内环对比度ic(w,θic)是指测量窗体和其所对应内环之间的矩形区域的差异程度，in(w,θic)表示为测量窗体其所对应内部矩形环，通过控制参数θic得到，即：其中，θic＝{θicl,θicc}，是测量窗体与内环之间的矩形区域，θicl与θicc分别表示内环轴向对比度参数和内环周向对比度参数，两者取值范围均是0～1，则对应的内环对比度为：所述中心点特征cp为：其中：θcp＝{θcpl,θcpc}，θcpl与θcpc分别表示内环轴向对比度参数和内环周向对比度参数，两者取值范围均是0～1，in(w,θcp)表示内部滑动矩形环，表示窗体和矩形环之间的区域；所述指纹特征包括轴向指纹特征和周向指纹特征，其中，轴向指纹信息和周向指纹信息分别被表示为α＝(x1,x2,...,xj)和β＝(y1,y2,...yi)，其中：则轴向指纹特征和周向指纹特征的所对应的公式分别为：fl(w)＝fp(dt(x)*α),fc(w)＝fp(dt(x)*β)(30)dt表示小波滤波函数，·表示dt(x)*α或者dt(x)*β，fp(·)表示峰值函数，w被视为是一个行数m，列数n的矩阵，xij是该矩阵中的元素；步骤13、利用历史漏磁数据学习相应的特征参数并建立相应识别模型；首先通过朴素贝叶斯网络学习θoc、θic、θcp，由于θoc、θic、θcp学习方法相同，为了描述便利，仅对θoc进行描述，即定义θ＝θoc，g(w,θ)＝oc(w,θ)，设定目标窗体为非目标窗体为对于任意一个参数θ，建立正样本可能性p(g(w,θ)|obj)和负样本可能性p(g(w,θ)|bg)后通过最大化后验概率得到：即其中，pθ(bg)＝1-pθ(obj)，pθ(obj)和pθ(bg)分别表示样本集中缺陷样本的比例和非缺陷样本所占的比例，即为先验概率，c表示正负样本比例，其属于obj和bg；其次学习参数θs，通过最大化缺陷位置精度来确定最优θs取值：即其中o表示目标缺陷区域，最后，运用智能分类器建立识别模型，将特征参数映射到离散空间。所述步骤2包括：步骤21、对任意一段待测数据进行异常检测，以确定相应的异常区域；具体的，将待测数据分割成大小为s1×s2的网格，通过θs确定出异常网格，最终将所确定的各异常网格进行合并得到异常区域，其中s2设置为1，s1在θs参数学习中得到；步骤22、其次分两个阶段对所确定的异常区域进行缺陷位置提取以获得相应的识别结果；所述的两个阶段是指对单个缺陷的识别阶段及对多个缺陷的识别及分割阶段；其中，所述的对单个缺陷的识别阶段包括步骤221、首先对所确定的异常区域进行直接识别，识别该异常区域是否存在具有单峰缺陷特征的缺陷区域，是则继续进行识别并根据asme准则进一步合并异常区域，所述异常区域合并准则为如果两个异常区域之间的轴向距离小于所设定阈值，则将两个异常区域合并，合并后的异常区域当作一个整体继续分析，如果两个异常之间的轴向距离所设定阈值，则这两个异常区域当作单独异常区域；步骤222、通过所创建的识别模型识别异常区域并进行判断，若识别结果属于缺陷，则进行后续的重叠测试，否则进行步骤24，所述重叠测试准则规定如下；如果两个识别模型所输出区域d1和d2能够被合并，则：其中，ξ根据经验取值；步骤223、对所确定的异常区域进行近似中心点检测即acp检测，以查找出存在多缺陷区域的异常区域的每一个单独缺陷的近似中心点acp；具体的，首先对所述异常区域进行网格划分，使得每一个网格的平均幅值为aa，整个区域的平均幅值矩阵为g，即使得：aai,j∈g，且如果当前网格内存在acp，则需满足下列条件：其中，rg和cg分别表示矩阵g的行数和列数；步骤224、对所检测出的中心点进行识别，若异常区域存在acp，则证明异常区域内可能含有缺陷，则进行步骤225，若异常区域不存在acp，则该区域被识别为非缺陷区域；步骤225、对步骤224中区域内可能含有缺陷的异常区域进行分割并识别，即对于一个拥有na个acp的多目标区域即异常区域，首先初始化采样最小窗体窗体大小为m1×m2且新的采样窗体更新为其中，l1表示最小采样窗体轴向两侧每一侧的扩展点数，l2表示最小采样窗体周向两侧每一侧的扩展点数；并沿着轴向和周向进行扩展，在扩展时，若在新扩展的窗体中存在新的acp，则当前方向采样停止并获得当前方向的边界，当两个方向都存在边界时，当前acp点的采样点结束，na为中心点数量；步骤226、对步骤225中的异常区域进行双峰缺陷识别，按照相近acp可合并原则，更新acp并对更新后的acp进行采样；两个相近acp即acpi和acpj应满足以下两个条件：其中，c(acpi,acpj)表示acpi和acpj的周向距离，a(acpx,acpy)表示acpx和acpy的轴向距离；ρ为经验取值；步骤227、通过所创建的识别模型识别步骤226所对应的异常区域并进行判断，若识别结果属于缺陷，则进行后续的重叠测试，否则进行步骤224，所述重叠测试准则规定如下；如果两个识别模型所输出区域d1和d2能够被合并，则：优选的，所述步骤3根据最终识别的结果进行效果评估，其依据下述评价准则进行效果评估：分类识别效果评价准则1：分类识别效果评价准则2：其中，tp是缺陷被识别为缺陷的数目；fn是缺陷被识别为非缺陷的数目；tn是非缺陷被识别为非缺陷的数目；fp是非缺陷被识别为缺陷的数目；分类识别效果评价准则3：α2取0.3；边界界定准确率评价准则如下：其中，w表示输出识别窗体区域，o表示标定缺陷区域，·表示w∩o或者w∪o，||·||表示数据点数。与现有技术相比，本发明的有益效果：(1)区别于一般的特征提取方法，本发明提出了一种基于窗体的特征提取方法，该方法通过内外环的伸缩考虑了测量窗体与周围背景发的差异程度。增强了模型识别效果。(2)运用朴素贝叶斯网络进行参数的寻优，避免了过多的人为干预，增加了算法的可移植性。(3)考虑到是实际工程的需要，提出了一种基于2阶段的缺陷位置区域提取方法，其针对实际写真实腐蚀环境，使得方法更具有实际应用意义。(4)本发明方法已经应用于实际工程检测，检测效果良好。附图说明图1为本发明所述显著性参数θs例图；图2为本发明所述对比度特征，中心点特征和指纹特征参数学习图；图3为本发明所述测量窗体内外环区域划分图，(a)为外环区域划分图，(b)为内环区域划分图；图4为本发明所述异常检测流程图；图5为本发明所述缺陷区域提取流程图；图6为本发明所述多缺陷区域acp采样流程图；图7为本发明所述不同分类器的分类识别结果；图8为本发明所述我国北部某城市在役管道路路线图；图9为本发明所述在役管道检测这个一个管道片段的识别效果示意图。具体实施方式为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。针对现有技术存在的不足，本发明区别于一般的直接特征，比如信号峰谷差特征等，首先提出了一种基于窗体特征即显著性特征、对比度特征、中心点特征以及指纹特征的漏磁管道缺陷位置提取方法，这四种特征更加专注于整个窗体本身和周围背景的差异；其次，为了保证最优的特征参数值和避免人工阈值干预，采用朴素贝叶斯网络进行相应的参数学习，再次在缺陷区域提取过程中提出了一种两阶段的缺陷区域提取方法，即在第一阶段中，如果测量窗体表现出独立的缺陷特征且拥有良好定义的边界，它将会被识别为缺陷区域；第二阶段中则主要关注多缺陷的分割问题，同时对于那些含有完整缺陷却被错误识别的窗体提取精确边界；最终，机器学习方法被用于模型识别。基于上述原理，则本发明具体包括如下步骤：步骤1、建立识别模型：提取样本后基于窗体对所提取的样本进行相应的特征提取，利用历史漏磁数据学习相应的特征参数并建立相应识别模型；所述样本包括缺陷样本及非缺陷样本，所述的特征包括显著性特征、对比度特征、中心点特征及指纹特征；其中，所述步骤1包括步骤11、进行样本提取过程即进行缺陷样本及非缺陷样本的提取过程，所述缺陷样本的提取过程由人工标记，为了增加非缺陷样本的多样性，所述非缺陷样本的提取过程包括对缺陷区域非缺陷样本进行采样及对正常区域非缺陷样本进行采样；其中缺陷区域非缺陷样本采样过程为：我们在每一个所标记的缺陷周围获取若干个非缺陷区域，本例为8个，设定其中一个缺陷的尺寸为m×n，对应的中心坐标x(x,y)，即同时为了降低缺陷与非缺陷区域的重合度，同时保证非缺陷区域包含部分缺陷区域信息，采样非缺陷区域中心坐标x′(x′,y′)应该满足：且非缺陷区域中心被随机选取，大小与对应的缺陷大小一致；为了增加缺陷和非缺陷样本的分类边界，加入正常区域非缺陷采样，其中正常区域非缺陷采样过程为：为了增加缺陷和非缺陷样本的分类边界，本过程在正常不含缺陷区域进行非缺陷样本采样；如果o表示缺陷，则测量窗体w满足：w∩o＝φ。且所有样本来源于天津某试验场真实数据。步骤12、基于窗体对所提取的样本进行相应的特征提取：一个真实的缺陷拥有区别于它周围背景的外观，基于这种独特性，我们提出了显著性特征，所述的显著性特征所对应的公式为其中，w表示测量窗体，xi表示第i个元素，i(xi)表示该测量窗体的能量，其表示为xmax表示该测量窗体的窗体元素最大值，表示该测量窗体中所有元素的均值，用θ表示，且||θ||的含义的定义如下：如果θ表示条件，则||θ||为布尔值，即若条件θ满足，则||θ||值为1，否则值为0；若θ表示矩阵，则||θ||表示矩阵中元素的个数，θs表示待学习参数；这个特征被设计用来测量窗体是否包异常。根据漏磁信号的特征，考虑到缺陷和它周围背景的关系，外环对比度特征和内环对比度特征被提出，所述对比度特征包括外环对比度oc及内环对比度ic，其中由于管道的腐蚀环境复杂，太多的背景信息失去了对比意义，因此测量窗体每一个背景方向的背景大小等于测量窗体本身大小，外环对比度oc(w,θoc)是指测量窗体和其所对应外环之间的矩形区域的差异程度，所述矩形区域的大小通过滑动参数θoc得到，即其中，θoc＝{θocl，θocc}，θocl和θocc分别表示外环轴向对比度参数和外环周向对比度参数，两者取值范围均为0～1，则对应的外环对比度通过计算卡方距离得到，即：oc(w,θoc)＝χ2(mse(w),mse(o(w,θoc)))(43)；oc能够测量窗体是否属于欠包含(测量窗体包括部分缺陷)。oc值越高，窗体包含完整缺陷的可能性就越大。在很多情况下，窗体也许会出现过包含(窗体区域大于实际缺陷区域)的情况，此时oc就不能够很好的衡量窗体，因此我们提出了内环对比度ic(w,θic)来衡量测量窗体本身和其所对应内环之间的矩形区域的差异程度，in(w,θic)表示为测量窗体其所对应内部矩形环，通过控制参数θic得到，即：其中，θic＝{θicl,θicc}，是测量窗体与内环之间的矩形区域，θicl与θicc分别表示内环轴向对比度参数和内环周向对比度参数，两者取值范围均是0～1，则对应的内环对比度为：ic能够衡量测量窗体是否过包含缺陷，也就是说，ic能够衡量测量窗体内部背景区域的大小，ic的取值越小说明内部背景区域越大，否则说明测量窗体包含完整缺陷且很少背景的可能性就越大。实际检测中，通过内外环的伸缩，oc和ic一起能够更好地确定缺陷的边界。作为一个拥有很好定义边界的缺陷，中心区域的测量值会高于边缘区域的测量值。一般来说，一个缺陷处于测量窗体中心的区域比一个缺陷处于测量窗体边缘的区域更有可能被接受。基于这种测量特性，我们提出了中心点特征来衡量窗体中心和边缘的差异程度。同内环特征类似，中心点特征同样通过滑动内环来确定。中心点特征cp被定义为：其中：θcp＝{θcpl,θcpc}，θcpl与θcpc分别表示内环轴向对比度参数和内环周向对比度参数，两者取值范围均是0～1。根据漏磁检测原理，缺陷轴向方向上的测量最多有一个峰值，在周向方向上最多一个峰值。根据缺陷漏磁信号的这种特点，本发明定义了指纹特征来衡量测量窗体的峰值个数。所述指纹特征包括轴向指纹特征和周向指纹特征，其中，轴向指纹信息和周向指纹信息分别被表示为α＝(x1,x2,...,xj)和β＝(y1,y2,...yi)，其中：则轴向指纹特征和周向指纹特征的所对应的公式分别为：fl(w)＝fp(dt(x)*α),fc(w)＝fp(dt(x)*β)(50)dt表示小波滤波函数，·表示dt(x)*α或者dt(x)*β，fp(·)表示峰值函数，w被视为是一个行数m，列数n的矩阵，xij是该矩阵中的元素；首步骤13、利用历史漏磁数据学习相应的特征参数并建立相应识别模型，历史楼漏磁数据来源于真实管道数据；首先通过用于参数寻优的朴素贝叶斯网络学习θoc、θic、θcp，由于θoc、θic、θcp学习方法相同，为了描述便利，仅对θoc进行描述，即定义θ＝θoc，g(w,θ)＝oc(w,θ)，设定目标窗体为非目标窗体为对于任意一个参数θ，建立正样本可能性p(g(w,θ)|obj)和负样本可能性p(g(w,θ)|bg)后通过最大化后验概率得到：其中，pθ(bg)＝1-pθ(obj)，pθ(obj)和pθ(bg)分别表示样本集中缺陷样本的比例和非缺陷样本所占的比例，即为先验概率，c表示正负样本比例，其属于obj和bg；其次学习参数θs，通过最大化缺陷位置精度来确定最优s取值，也就是说，我们寻找最优θs值使得测量窗体w最大程度覆盖目标缺陷o：最后，运用智能分类器建立识别模型，将特征参数映射到离散空间。具体实例，如图1所示，每一个测量窗体周围按图示区域进行分割来计算每一个参数下特征的可能取值。显著性特征参数学习如图2所示，图中s∈{2,4,8,16,32}，我们做出随着θs变化不同网格划分下的缺陷被覆盖精度的变化。随着θs的变化，缺陷位置覆盖精度都是先上升后下降，最大值处于0.1～0.2之间。因此最优的θs取值为0.15，由于在θs处于0.1～0.2之间时s＝4情况下精度最高。故最优的网格划分尺寸为4×1。特征参数θoc，θic，θcp的参数学习如图2所示，每一个特征参数包括轴向和周向两个参数分量。根据正负样本的在每一个参数值取值下的特征概率分布，我们寻找最大的正负样本概率偏差点作为最优参数值。随后基于窗体的进行特征提取。如图3所示，测量窗体的内外区域被分割成为8个区域。每一个对比度特征被分解为轴向和周向对比度。轴向对比度反映了测量窗体和对应轴向背景(3和7区域)的差异。同样，周向对比度反映了测量窗体的对应周向背景(1和5区域)的差异。按照最优学习参数提取显著性，对比度，中心点和指纹特征。最后建立识别模型，并根据提取到的特征样本，训练识别模型。由于本发明开发的是通用识别算法，因此，本发明用svm，rf和knn来分别训练模型。步骤2、对任意一段待测漏磁数据进行缺陷位置区域提取：首先对任意一段待测数据进行异常检测，以确定相应的异常区域；其次分两个阶段对所确定的异常区域进行缺陷位置提取以获得相应的识别结果；所述的两个阶段是指对单个缺陷的识别阶段及对多个缺陷的识别及分割阶段；进一步的，所述步骤2包括：步骤21、对任意一段待测数据进行异常检测，以确定相应的异常区域；具体的，将待测漏磁测量量分割成大小为s1×s2的网格，通过θs确定出异常网格，如果如下条件成立：则网格被定义为异常网格，最终将所确定的各异常网格进行合并得到异常区域，其中为了降低传感器通道之间的影响，s2设置为1，s1在θs参数学习中得到；具体的如图4所示，待测漏磁测量被分割成大小为4×1的网格。然后，通过θs确定异常网格，最终将网格进行合并得到异常区域。步骤22、如图5所示其次分两个阶段对所确定的异常区域进行缺陷位置提取以获得相应的识别结果；所述的两个阶段：1)独立缺陷的识别阶段(idi)对单个缺陷即独立缺陷的识别阶段，这个阶段主要识别独立的单个缺陷；2)多缺陷的分割阶段(mds)，对多个缺陷的识别及分割阶段，该阶段被设计识别多缺陷并将多缺陷分割为单个缺陷。当区域被识别为单个缺陷时，重叠测试将会被执行，最终形成具有良好定义边界的缺陷。其中，所述的对单个缺陷的识别阶段包括步骤221、该步骤包括两个部分，即单峰缺陷的识别和双峰缺陷的识别即首先对所确定的异常区域进行直接识别，试图识别那些独立的具有缺陷特征且具有良好定义边界的区域即识别该异常区域是否存在具有单峰缺陷特征的缺陷区域，是则继续识别双峰缺陷，由于双峰缺陷的两个峰之间平稳区域的存在，双峰缺陷在轴向方向上可能被分割为两个独立的部分。因此我们根据asme准则进一步合并所确定的异常区域，所述异常区域合并准则为如果两个异常区域之间的轴向距离小于所设定阈值，如三倍的壁厚(3t,t为壁厚)，则将两个异常区域合并，合并后的异常区域当作一个整体继续下一步的分析，如果两个异常之间的轴向距离所设定阈值，则这两个异常区域当作单独异常区域；步骤222、独立缺陷判别：通过所创建的识别模型识别异常区域并进行判断，若识别结果属于缺陷，则进行后续的重叠测试，否则进行步骤224，所述重叠测试准则规定如下；如果两个识别模型所输出区域d1和d2能够被合并，则：我们根据pascal准则，将ξ值设置为0.5。步骤223、对所确定的异常区域进行近似中心点检测即acp检测，以查找出存在多缺陷区域的异常区域的每一个单独缺陷的近似中心点acp；在多缺陷的分割阶段，我们试图寻找多缺陷区域的每一个单独缺陷的近似中心点(acp)。每一个近似中心点都可能对应一个缺陷，中心点的识别将会为后续的采样提供依据。同异常检测时的网格划分类似，具体的，首先对所述异常区域进行网格划分，使得每一个网格的平均幅值为aa，整个区域的平均幅值矩阵为g，即：aai,j∈g，且如果当前网格内存在acp，则需满足下列条件：其中，rg和cg分别表示矩阵g的行数和列数；也就是说，如果当前网格aa值超过阈值且存在上，下，左，右网格，并且aa值是局部最大值，那么该网格中存在acp值。步骤224、对所检测出的中心点进行acp识别，若异常区域存在acp，则证明异常区域内可能含有缺陷，则进行步骤225，若异常区域不存在acp，则该区域被识别为非缺陷区域；步骤225、多缺陷区域分割单峰缺陷识别，多区域分割问题实际上是对每一个acp进行采样再识别的问题：每一个多缺陷区域的采样过程如图6所示，具体的对步骤224中区域内可能含有缺陷的异常区域进行分割并识别，即对于一个拥有na个acp的多目标区域即异常区域，首先初始化采样最小窗体且新的采样窗体更新为l1表示最小采样窗体轴向两侧每一侧的扩展点数，l2表示最小采样窗体周向两侧每一侧的扩展点数；并沿着轴向和周向进行扩展，在扩展时，若在新扩展的窗体中存在新的acp，则当前方向采样停止并获得当前方向的边界，当两个方向都存在边界时，当前acp点的采样点结束；更新acp，然后对更新后的acp进行的采样过程。步骤226、多缺陷区域分割双峰缺陷识别，acp的识别可能会出现一个双峰缺陷被分隔开分别采样的情况。因此，本发明针对双峰的识别问题，对现有的acp按一定准则进行更新，使得双峰缺陷能够被检测到：具体的，对步骤225中的异常区域进行双峰缺陷识别，按照相近acp可合并原则，更新acp并对更新后的acp进行如图6所示采样；两个相近acpacpi和acpj应满足以下两个条件满足：其中，c(acpi,acpj)表示acpi和acpj的周向距离；本发明ρ的取值为3。然后更新后的acp采样与图6所述一致。步骤227、通过所创建的识别模型识别步骤226所对应的异常区域并进行判断，若识别结果属于缺陷，则进行后续的重叠测试，否则进行步骤224，所述重叠测试准则规定如下；如果两个识别模型所输出区域d1和d2能够被合并，则：步骤3、基于所获得识别结果进行效果评估，所评估的效果包括分类识别效果和边界界定效果。进一步的，所述步骤3根据最终识别的结果进行效果评估，其依据下述评价准则进行效果评估：分类识别效果评价准则1：分类识别效果评价准则2：其中，tp是缺陷被识别为缺陷的数目；fn是缺陷被识别为非缺陷的数目；tn是非缺陷被识别为非缺陷的数目；fp是非缺陷被识别为缺陷的数目；实际应用中，为了更好地衡量precision和recall，添加分类识别效果评价准则3：α2取0.3；边界界定准确率评价准则如下：其中，w表示输出识别窗体区域，o表示标定缺陷区域，·表示w∩o或者w∪o，||·||表示数据点数。本发明实施实例为分别以实验现场管道和在役管道进行评估测试。步骤3.1：实验现场管道结果。本发明试验现场管道描述如下：管道长度为800m,管道直径219mm，9.5mm管道壁厚，管道材质为被广泛采用的碳钢材质，管道内介质为水，流速0.5m/s，运行压力为3mpa。所述管道中包括1280个独立缺陷，65个多缺陷。其中独立缺陷中包括800个单峰缺陷和480个双峰缺陷。实验中缺陷为人工缺陷，缺陷的长度和宽度取值为10mm到60mm，深度取值1到9mm。三个不同分类器svm，rf和knn的分类识别效果如图7所示；从图中看出，rf和knn拥有近似相等的分类准确率。svm虽然拥有最高的precision，但recall低于其它两个分类器；然而，三个分类器的评价指标均高于80％，符合实际工程应用需求。表1列举了三个分类器效果下的边界界定能力。同样，分类指标也都能高于80％。为了进一步说明本发明的识别效果，分别对双方缺陷的识别能力做出统计，以及评估多缺陷的分割能力，双峰缺陷的识别能力如表2所示，多缺陷区域的缺陷分割效果如表3所示。步骤3.2：在役场管道检测结果。本发明方法目前已经应用于实际管道的缺陷检测中。实施实例中的在役管道来源于我国北部的一个城市。整个管线长度为88.99m,运行路线如图8所示。标识1表示首站，标识5表示末站。运行路线经过两个阀室(标识2和4)，标识3为加热站。输送介质为0。5％含水率的原油，凝点为26℃。本发明考虑到实际腐蚀环境中多缺陷占大多数，由于rf的多缺陷分割效果较好，因此本发明运用rf分类器来进行在役管道的检测。在役10条管道的识别结果如表4所示。虽然整体指标低于实验水平，但依然可以满足实际工程需要。其中一段管道的识别求结果如图9所示。表1svmrfknnba86％92％85％表2svmrfknnrecall83％88％95％表3方法缺陷数估计结果recallbasvm16914083％78％rf16915592％86％knn16914888％80％表4precisionrecallfba78％82％79％84％以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。当前第1页12