一种管道环焊缝缺陷信号图像的分类识别算法

本发明属于漏磁无损检测，具体涉及一种管道环焊缝缺陷信号图像的分类识别算法。

背景技术：

1、油气长输管道是我国重要能源基础设施，在现代能源工业中有着十分重要的应用。油气管道的长度随着运输里程的增加而日趋加长，管道间需采用质量可靠的环焊缝焊接以保证管道的运输安全。但由于油气管道服役的环境复杂，工况恶劣，会在管道及环焊缝上造成腐蚀凹坑、裂纹等缺陷，严重影响管道的安全运行和服役寿命。因此，通过各类检测技术和手段发现并修复缺陷是提升管道安全运行水平的主要手段。

2、漏磁检测作为管道无损检测中常见的方法之一，具有对管道内环境要求不高、适用范围广、价格低廉等巨大优势。但在目前的漏磁检测数据后处理分析中，依靠人工判读管道环焊缝缺陷信号图像存在标注误差大，效率低，人员经验差别大等缺点，给漏磁数据判读带来了很大的不确定性。管道环焊缝缺陷信号图像自动识别方法，能有效地对管道环焊缝缺陷信号图像进行分类识别，极大地提高了数据处理的效率和准确度，为实际检测自动化分类识别相关缺陷提供了一种方法以及理论依据。

技术实现思路

1、为解决上述技术问题，本发明提供一种管道环焊缝缺陷信号图像的分类识别算法，以解决现有技术中的问题，本发明所采用的技术方案是：

2、一种管道环焊缝缺陷信号图像的分类识别算法，包括以下步骤：

3、步骤1：建立四种管道环焊缝缺陷的磁化模型；

4、步骤2：计算四种管道环焊缝缺陷的磁场分布并提取四种管道环焊缝缺陷的磁场信号并绘制信号曲线；

5、步骤3：依据管道环焊缝缺陷的尺寸参数输出对应的曲线信号图像，以此构建分类识别管道环焊缝缺陷数据集；

6、步骤4：建立分类识别模型代码，包括删除模块、数据集划分模块、图像数据增强模块以及训练、验证、测试模块；

7、步骤5：对管道环焊缝缺陷数据集进行模型训练以及验证；

8、步骤6：选取验证集最高准确率的训练模型对测试集进行测试，最终获得测试集准确率。

9、进一步的，所述步骤1中，四种管道环焊缝缺陷模型分别为凹坑、轴向凹槽、周向凹槽、针孔。

10、进一步的，凹坑的变量参数包括相对深度、焊缝外余高、凹坑直径、壁厚、缺陷内余高；轴向凹槽的变量参数包括相对深度、焊缝外余高、缺陷长度、壁厚、缺陷内余高、缺陷宽度；

11、周向凹槽的变量参数包括相对深度、焊缝外余高、缺陷长度、壁厚、缺陷内余高、缺陷宽度；

12、针孔的变量参数包括相对深度、焊缝外余高、缺陷长度、壁厚、缺陷内余高、缺陷宽度。

13、进一步的，所述步骤2中，提取磁场信号并绘制信号曲线时，使用的是焊缝中心上方距离管道内表面的三维截线提取路径上的信号。

14、进一步的，所述步骤3中，输出对应的曲线信号图像是基于四种磁化模型的变量参数进行输出的，每种缺陷图像输出的总数是各自对应的变量参数变量值数目的乘积。

15、进一步的，所述步骤4中，分类识别模型代码中的图像数据增强模块采用的是颜色变换，将原始曲线图像变换为灰度图曲线图像。

16、进一步的，所述步骤4中，训练、验证、测试模块采用分类识别神经网络alexnet。

17、进一步的，所述步骤5中，对管道环焊缝缺陷数据集进行模型训练以及验证，其中训练完成一组进行一次验证并记录下验证集的准确率。

18、一种长输油气管道的缺陷的自动识别方法，该自动识别方法应用于自动识别长输油气管道上的四种管道环焊缝缺陷、金属损失、直焊缝异常或螺旋焊缝异常。

19、本发明具有以下有益效果：针对实际管道环焊缝包含缺陷与否的漏磁信号而生成曲线图像的不同分布特征，采用数据混合增强和模型改进，通过深度学习目标检测的方法，极大地提高了缺陷的检测精度和缺陷识别率，为实际漏磁信号识别以及管道智能化检测提供了新的思路和方法。

技术特征：

1.一种管道环焊缝缺陷信号图像的分类识别算法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种管道环焊缝缺陷信号图像的分类识别算法，其特征在于，所述步骤1中，四种管道环焊缝缺陷模型分别为凹坑、轴向凹槽、周向凹槽、针孔。

3.根据权利要求2所述的一种管道环焊缝缺陷信号图像的分类识别算法，其特征在于，

4.根据权利要求1所述的一种管道环焊缝缺陷信号图像的分类识别算法，其特征在于，所述步骤2中，提取磁场信号并绘制信号曲线时，使用的是焊缝中心上方距离管道内表面的三维截线提取路径上的信号。

5.根据权利要求3所述的一种管道环焊缝缺陷信号图像的分类识别算法，其特征在于，所述步骤3中，输出对应的曲线信号图像是基于四种磁化模型的变量参数进行输出的，每种缺陷图像输出的总数是各自对应的变量参数变量值数目的乘积。

6.根据权利要求1所述的一种管道环焊缝缺陷信号图像的分类识别算法，其特征在于，所述步骤4中，分类识别模型代码中的图像数据增强模块采用的是颜色变换，将原始曲线图像变换为灰度图曲线图像。

7.根据权利要求1所述的一种管道环焊缝缺陷信号图像的分类识别算法，其特征在于，所述步骤4中，训练、验证、测试模块采用分类识别神经网络alexnet。

8.根据权利要求1所述的一种管道环焊缝缺陷信号图像的分类识别算法，其特征在于，所述步骤5中，对管道环焊缝缺陷数据集进行模型训练以及验证，其中训练完成一组进行一次验证并记录下验证集的准确率。

9.一种长输油气管道的缺陷的自动识别方法，采用如权利要求1-9任意一项所述的分类识别算法，其特征在于，该自动识别方法应用于自动识别长输油气管道上的四种管道环焊缝缺陷、金属损失、直焊缝异常或螺旋焊缝异常。

技术总结
本发明属于漏磁无损检测技术领域，提供了一种针对管道环焊缝缺陷信号图像的自动识别方法；首先，提取四种管道环焊缝缺陷的磁场信号并绘制信号曲线；其次，依据管道环焊缝缺陷的尺寸参数输出对应的曲线信号图像，以此构建分类识别管道环焊缝缺陷数据集；然后，建立分类识别模型代码，并对管道环焊缝缺陷数据集进行模型训练以及验证；最后，选取验证集最高准确率的训练模型对测试集进行测试，获得测试集准确率。本发明充分利用了仿真数值模拟以及实际检测装置的映射关系，构建了仿真模型与分类识别算法，对典型的四大类管道环焊缝缺陷进行了分类识别，为实际检测自动化分类识别相关缺陷提供了一种方法以及理论依据。

技术研发人员：徐杰,刘九宏,饶连涛,王林,袁一,马一鸣,李军
受保护的技术使用者：中国矿业大学
技术研发日：
技术公布日：2024/4/29