一种基于几何先验解耦学习的管道缺陷尺寸检测方法、装置、设备和存储介质与流程
本发明涉及油气管道无损检测,尤其涉及一种基于几何先验解耦学习的管道缺陷尺寸检测方法、装置、设备和存储介质。
背景技术:
1、管道漏磁检测通过对铁磁性管壁进行磁化,并利用传感器阵列采集缺陷处产生的漏磁场扰动,实现对腐蚀、机械损伤、金属损失等缺陷的识别与评价。缺陷长度、宽度和深度是管道完整性评价、剩余强度计算、寿命预测和维修计划制定的重要基础参数。
2、现有基于漏磁信号的缺陷尺寸定量方法主要包括人工特征回归、数值仿真反演和深度学习回归等。人工特征回归通常利用峰谷值、波形面积、信号能量等特征建立尺寸映射关系,方法简单但依赖特征设计;数值仿真反演能够引入物理模型,但计算代价较高,且难以充分覆盖复杂检测工况;常规深度学习方法能够从原始信号中自动学习特征,但在样本量有限、壁厚和速度变化、深度标签分布不均衡等条件下仍存在预测不稳定问题。
3、在实际管道内检测过程中,同一缺陷在不同检测速度、管壁厚度、磁化状态、传感器响应和提离条件下可能产生不同的漏磁信号;同时,不同缺陷也可能在局部区域呈现相似信号形态,导致漏磁反演具有非线性、病态性和非唯一性。若采用单一共享特征表示同时预测长度、宽度和深度,几何尺寸目标与深度目标之间容易相互干扰,工程数据中的深缺陷或高尾部样本数量通常较少,普通回归损失容易偏向样本密集区间,降低深度估计可靠性。
技术实现思路
1、本发明提供了一种基于几何先验解耦学习的管道缺陷尺寸检测方法、装置、设备和存储介质,以解决现有技术中在变工况条件下缺陷长度、宽度和深度估计稳定性不足的技术问题。
2、根据本发明的一方面,提供了一种基于几何先验解耦学习的管道缺陷尺寸检测方法,包括:
3、采集待测管道的三轴漏磁信号,识别所述三轴漏磁信号的至少一个缺陷中心位置;
4、对于每个所述缺陷中心位置,以所述缺陷中心位置为基准在所述三轴漏磁信号中截取局部信号窗口,得到缺陷中心位置对应的缺陷中心化样本张量;
5、依次将所述缺陷中心化样本张量输入预先训练的管道缺陷尺寸检测模型,得到所述缺陷中心化样本张量的缺陷检测结果。
6、根据本发明的另一方面,提供了一种基于几何先验解耦学习的管道缺陷尺寸检测装置,包括:
7、采集模块,用于采集待测管道的三轴漏磁信号,识别所述三轴漏磁信号的至少一个缺陷中心位置;
8、缺陷提取模块,用于对于每个所述缺陷中心位置,以所述缺陷中心位置为基准在所述三轴漏磁信号中截取局部信号窗口,得到缺陷中心位置对应的缺陷中心化样本张量;
9、预测模块,用于依次将所述缺陷中心化样本张量输入预先训练的管道缺陷尺寸检测模型,得到所述缺陷中心化样本张量的缺陷检测结果。
10、根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
11、至少一个处理器;以及
12、与所述至少一个处理器通信连接的存储器;其中,
13、所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的基于几何先验解耦学习的管道缺陷尺寸检测方法。
14、根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于几何先验解耦学习的管道缺陷尺寸检测方法。
15、本发明实施例的技术方案,通过几何分支和深度分支解耦,减少单一共享回归头带来的任务干扰;同一缺陷在不同检测速度下长度和宽度不变的物理事实,构造跨速度几何一致性约束,抑制检测速度变化导致的长度和宽度预测波动;增强几何分支对缺陷形貌信息的利用,使网络保留与缺陷空间形态相关的信息,同时避免将速度敏感的峰谷特征强行施加到深度分支。同时输出缺陷长度、宽度、相对深度和由壁厚恢复的绝对深度,可为管道剩余强度评价、维修优先级排序和完整性管理提供定量依据。
16、应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
1.一种基于几何先验解耦学习的管道缺陷尺寸检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,还包括:
3.根据权利要求2所述的方法,其特征在于,所述管道缺陷识别训练网络包括共享特征提取网络、几何分支预测网络和深度分支预测网络,所述基于所述训练样本对预先构建的管道缺陷识别训练网络进行模型训练,包括:
4.根据权利要求3所述的方法,其特征在于,所述基于所述几何分支预测网络对所述公共特征表示向量进行几何分支学习,确定几何潜特征向量、缺陷长度预测值、缺陷宽度预测值和几何分支损失,包括:
5.根据权利要求4所述的方法,其特征在于,所述基于所述深度分支预测网络对所述公共特征表示向量和所述几何潜特征向量进行深度学习,确定连续相对深度预测值、真实深度预测值和深度分支损失,包括:
6.根据权利要求5所述的方法,其特征在于,所述通过所述深度分支预测网络基于深度分档边界对所述公共特征表示向量和所述几何潜特征向量进行深度学习,输出所述连续相对深度预测值和深度分档概率序列,包括:
7.根据权利要求2所述的方法,其特征在于,所述基于所述管道缺陷识别训练网络构建所述管道缺陷尺寸检测模型,包括:
8.一种基于几何先验解耦学习的管道缺陷尺寸检测装置,其特征在于,包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于几何先验解耦学习的管道缺陷尺寸检测方法。
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