一种金属管道缺陷识别分类方法
本发明涉及金属管道缺陷,特别是一种金属管道缺陷识别分类方法。
背景技术:
1、漏磁检测技术凭借非接触、高灵敏度的优势,已成为油气、化工等领域金属管道缺陷无损检测的主流手段。传统方案多采用“人工判读+浅层分类器”的技术路线,其中支持向量机因小样本泛化能力较强,被广泛应用于漏磁缺陷的自动分类任务,相关研究多围绕单一维度特征展开,例如仅提取时域峰值、脉冲宽度等指标,或叠加主频等少量频域参数,在一定程度上提升了检测效率,适配早期小规模管道的检测需求。
2、但现有基于支持向量机的分类方案在多维度特征融合方面存在明显局限:多数研究未充分整合时域波形细节、频域能量分布及信号统计特性等多维度信息,特征向量对缺陷本质属性的刻画不够全面。例如小型腐蚀坑与微裂纹的漏磁信号时域幅值相近,但在频域高频分量占比、统计峭度等指标上差异显著,单一维度特征的缺失易导致两类缺陷混淆。现有漏磁缺陷识别技术普遍存在多维度特征融合不充分导致的分类精度不足的问题。
技术实现思路
1、鉴于上述现有存在的问题,提出了本发明。
2、因此,本发明提供了一种金属管道缺陷识别分类方法解决现有方案中因特征表征维度单一造成的缺陷识别准确率低的核心问题。
3、为解决上述技术问题,本发明提供如下技术方案:
4、本发明提供了一种金属管道缺陷识别分类方法,其包括,采集目标金属管道的漏磁检测信号,得到原始漏磁信号序列;
5、对所述原始漏磁信号序列进行去噪与归一化处理,得到标准化漏磁信号序列;
6、从所述标准化漏磁信号序列中提取时域特征、频域特征与统计特征,组合得到缺陷特征向量;
7、根据所述缺陷特征向量及对应的预设缺陷类别标签构建训练样本集,并将所述训练样本集划分为训练子集与验证子集;
8、采用所述训练子集对支持向量机分类器进行训练,并通过所述验证子集优化所述支持向量机分类器的参数,得到缺陷识别分类模型;
9、将所述待测金属管道对应的缺陷特征向量输入所述缺陷识别分类模型,输出对应的缺陷类别判定结果。
10、作为本发明所述金属管道缺陷识别分类方法的一种优选方案,其中:对所述原始漏磁信号序列进行去噪与归一化处理,得到标准化漏磁信号序列,具体包括:
11、采用小波阈值去噪方法对所述原始漏磁信号序列进行去噪处理,去除环境噪声与随机干扰,得到去噪后的漏磁信号序列;
12、将所述去噪后的漏磁信号序列的幅值映射至[0,1]区间,消除检测器提离值波动及管道材质差异带来的幅值偏差,得到标准化漏磁信号序列。
13、作为本发明所述金属管道缺陷识别分类方法的一种优选方案,其中:从所述标准化漏磁信号序列中提取时域特征、频域特征与统计特征,组合得到缺陷特征向量,具体包括:
14、从所述标准化漏磁信号序列中提取峰值、峰峰值、上升沿斜率、下降沿斜率及脉冲宽度,作为时域特征;
15、对所述标准化漏磁信号序列进行快速傅里叶变换,提取主频、频谱能量及高频分量占比,作为频域特征;
16、从所述标准化漏磁信号序列中提取均值、方差、偏度及峭度,作为统计特征;
17、将所述时域特征、频域特征及统计特征按顺序组合,得到缺陷特征向量。
18、作为本发明所述金属管道缺陷识别分类方法的一种优选方案,其中:根据所述缺陷特征向量及对应的预设缺陷类别标签构建训练样本集,并将所述训练样本集划分为训练子集与验证子集,具体包括:
19、采集包含已知缺陷类型的金属管道的漏磁检测数据,按照权利要求2至3所述的方法提取各类缺陷对应的缺陷特征向量;
20、为每一组所述缺陷特征向量标注对应的预设缺陷类别标签,所述预设缺陷类别标签包括无缺陷、腐蚀缺陷、裂纹缺陷及孔洞缺陷四类;
21、将标注完成的全部数据整合为训练样本集,并将所述训练样本集按7:3的比例划分为训练子集与验证子集。
22、作为本发明所述金属管道缺陷识别分类方法的一种优选方案,其中:采用所述训练子集对支持向量机分类器进行训练,并通过所述验证子集优化所述支持向量机分类器的参数,得到缺陷识别分类模型,具体包括:
23、选取径向基核函数作为所述支持向量机分类器的核函数;
24、采用网格搜索法遍历不同的惩罚因子c与核参数γ,以所述验证子集的分类准确率为评价指标,确定最优参数组合;
25、利用所述训练子集及所述最优参数组合对所述支持向量机分类器进行训练,得到缺陷识别分类模型。
26、作为本发明所述金属管道缺陷识别分类方法的一种优选方案,其中:所述网格搜索法中,所述惩罚因子c的遍历范围为[0.1,100],步长为0.1;所述核参数γ的遍历范围为[0.01,10],步长为0.01。
27、作为本发明所述金属管道缺陷识别分类方法的一种优选方案,其中:采用所述训练子集对支持向量机分类器进行训练的过程中,采用5折交叉验证的方式对所述支持向量机分类器的性能进行评估,以选取验证准确率最高的参数组合。
28、作为本发明所述金属管道缺陷识别分类方法的一种优选方案,其中:所述采集目标金属管道的漏磁检测信号,得到原始漏磁信号序列,具体包括:
29、控制搭载霍尔传感器的漏磁检测器沿所述目标金属管道的轴向匀速行进;
30、设置固定的采样频率,对所述目标金属管道进行周向扫描检测,采集管道周向各位置的漏磁信号,得到原始漏磁信号序列,确保相邻采样点的空间间隔一致。
31、作为本发明所述金属管道缺陷识别分类方法的一种优选方案,其中:所述漏磁检测器的行进速度为0.5m/s,所述采样频率为10khz。
32、作为本发明所述金属管道缺陷识别分类方法的一种优选方案,其中:所述缺陷识别分类模型对所述待测金属管道对应的缺陷特征向量进行分类处理后,输出的缺陷类别判定结果的分类准确率不低于95%。
33、本发明有益效果为:通过采用小波阈值去噪结合幅值归一化的信号预处理步骤,有效滤除了漏磁信号中的环境噪声与随机干扰,同时消除了检测器提离值波动及管道材质差异带来的幅值偏差,为后续特征提取提供了稳定可靠的信号基础,从源头避免了噪声与幅值不一致对分类精度的干扰;通过同步提取标准化漏磁信号序列的时域波形特征、频域能量分布特征及信号统计特性并组合为全维度缺陷特征向量的步骤,全面刻画了不同类型缺陷的本质属性,弥补了现有技术中单一维度特征表征能力不足的问题,尤其解决了小型腐蚀坑与微裂纹等相似缺陷因特征重叠导致的混淆难题,通过网格搜索结合验证子集准确率反馈的参数优化步骤,精准匹配了支持向量机分类器的核函数参数与惩罚因子,充分发挥了支持向量机在小样本场景下的泛化优势,配合规范的训练样本集构建流程,最终实现了金属管道缺陷的高精度、高稳定性识别分类,可广泛应用于油气输送、化工生产等领域的管道完整性检测场景,满足工业级缺陷分类的应用需求。
1.一种金属管道缺陷识别分类方法,其特征在于:包括,
2.如权利要求1所述的金属管道缺陷识别分类方法,其特征在于:对所述原始漏磁信号序列进行去噪与归一化处理,得到标准化漏磁信号序列,具体包括:
3.如权利要求2所述的金属管道缺陷识别分类方法,其特征在于:从所述标准化漏磁信号序列中提取时域特征、频域特征与统计特征,组合得到缺陷特征向量,具体包括:
4.如权利要求3所述的金属管道缺陷识别分类方法,其特征在于:根据所述缺陷特征向量及对应的预设缺陷类别标签构建训练样本集,并将所述训练样本集划分为训练子集与验证子集,具体包括:
5.如权利要求4所述的金属管道缺陷识别分类方法,其特征在于:采用所述训练子集对支持向量机分类器进行训练,并通过所述验证子集优化所述支持向量机分类器的参数,得到缺陷识别分类模型,具体包括:
6.如权利要求5所述的金属管道缺陷识别分类方法,其特征在于:所述网格搜索法中,所述惩罚因子c的遍历范围为[0.1,100],步长为0.1;所述核参数γ的遍历范围为[0.01,10],步长为0.01。
7.如权利要求6所述的金属管道缺陷识别分类方法,其特征在于:采用所述训练子集对支持向量机分类器进行训练的过程中,采用5折交叉验证的方式对所述支持向量机分类器的性能进行评估,以选取验证准确率最高的参数组合。
8.如权利要求7所述的金属管道缺陷识别分类方法,其特征在于:所述采集目标金属管道的漏磁检测信号,得到原始漏磁信号序列,具体包括:
9.如权利要求8所述的金属管道缺陷识别分类方法,其特征在于:所述漏磁检测器的行进速度为0.5m/s,所述采样频率为10khz。
10.如权利要求9所述的金属管道缺陷识别分类方法,其特征在于:所述缺陷识别分类模型对所述待测金属管道对应的缺陷特征向量进行分类处理后,输出的缺陷类别判定结果的分类准确率不低于95%。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com