本發(fā)明涉及故障診斷及人工智能的
技術(shù)領(lǐng)域:
,具體說(shuō)是涉及一種基于窗體特征的漏磁管道缺陷位置提取方法。
背景技術(shù):
:導(dǎo)磁性鋼制管道被廣泛應(yīng)用于石油和天然氣的輸送。隨著在役管道運(yùn)行時(shí)間的增加,管道潛在的泄漏風(fēng)險(xiǎn)也在提升。因此定期對(duì)管道進(jìn)行安全評(píng)估變得尤其重要。作為預(yù)防管道泄漏的關(guān)鍵技術(shù)之一,無(wú)損檢測(cè)被廣泛應(yīng)用。目前,管道內(nèi)檢測(cè)無(wú)損檢測(cè)方法包括:漏磁檢測(cè)、渦流檢測(cè)和超聲檢測(cè)。其中,漏磁檢測(cè)技術(shù)被廣泛應(yīng)用于幾乎90%的在役管道中。這種毋庸置疑的領(lǐng)導(dǎo)地位源于:1)漏磁檢測(cè)技術(shù)對(duì)檢測(cè)環(huán)境要求低,不受傳送介質(zhì)的影響,能夠同時(shí)檢測(cè)內(nèi)外缺陷;2)能夠?qū)崿F(xiàn)缺陷的初步量化。一般來(lái)說(shuō),對(duì)于一個(gè)成功的缺陷位置提取方法,首先應(yīng)該有良好的缺陷和非缺陷的分類精度,其次它應(yīng)該保證識(shí)別到的缺陷具有良好定義的邊界。如果缺陷的識(shí)別出現(xiàn)問(wèn)題,比如大型嚴(yán)重缺陷的漏檢,一個(gè)意想不到的泄漏事件將會(huì)發(fā)生。這將帶來(lái)巨大的經(jīng)濟(jì)損失和環(huán)境污染。同時(shí),如果缺陷的邊界不能夠被很好的定義,缺陷區(qū)域也許會(huì)大于實(shí)際缺陷區(qū)域成為過(guò)包含區(qū)域,或者小于實(shí)際缺陷區(qū)域成為欠包含區(qū)域。這種未被良好定義的缺陷將會(huì)給后續(xù)的安全評(píng)估帶來(lái)許多問(wèn)題。比如,針對(duì)缺陷的三維輪廓反演問(wèn)題,如果缺陷區(qū)域?qū)儆谶^(guò)包含,自由度勢(shì)必會(huì)增加,最終導(dǎo)致反演迭代時(shí)間的增加。同時(shí),如果缺陷區(qū)域?qū)儆谇钒?,缺陷最終的反演尺寸將會(huì)受到影響。通過(guò)查閱文獻(xiàn)學(xué)習(xí),缺陷的識(shí)別問(wèn)題一般是從模型的角度通過(guò)對(duì)一些直接特征的提取,最后達(dá)到識(shí)別的目的。然而這些特征僅僅包含區(qū)域的部分特征,很難保證良好的分類精度。同時(shí),很少有文獻(xiàn)研究如何提取缺陷的精確邊界,比如多缺陷(很多個(gè)缺陷聚集在一起的區(qū)域)的分割問(wèn)題。實(shí)際上,真實(shí)的腐蝕環(huán)境中很少有單獨(dú)缺陷,絕大多數(shù)缺陷都是聚集在一起。因此,多缺陷的分割顯得尤其重要。另外,絕大多數(shù)文獻(xiàn)僅僅考慮識(shí)別問(wèn)題,識(shí)別區(qū)域被假設(shè)已知,然而如何去確定識(shí)別區(qū)域很少被介紹。技術(shù)實(shí)現(xiàn)要素:鑒于已有技術(shù)存在的缺陷,本發(fā)明的目的是要提供一種基于窗體特征的漏磁管道缺陷位置提取方法,其提出了四種基于窗體的含有參數(shù)的特征:顯著性特征、對(duì)比度特征、中心點(diǎn)特征以及指紋特征,并將樸素貝葉斯網(wǎng)絡(luò)應(yīng)用于參數(shù)學(xué)習(xí)中以保證最優(yōu)的特征參數(shù)值和避免人工閾值干預(yù),此外,本發(fā)明同時(shí)提出了一種2階段的缺陷區(qū)域提取方法。為了實(shí)現(xiàn)上述目的,本發(fā)明的技術(shù)方案:一種基于窗體特征的漏磁管道缺陷位置提取方法,其特征在于,包括如下步驟:步驟1、建立識(shí)別模型:提取樣本后基于窗體對(duì)所提取的樣本進(jìn)行相應(yīng)的特征提取,利用歷史漏磁數(shù)據(jù)學(xué)習(xí)相應(yīng)的特征參數(shù)并建立相應(yīng)識(shí)別模型;所述樣本包括缺陷樣本及非缺陷樣本,所述的特征包括顯著性特征、對(duì)比度特征、中心點(diǎn)特征及指紋特征;步驟2、對(duì)任意一段待測(cè)漏磁數(shù)據(jù)進(jìn)行缺陷位置區(qū)域提?。菏紫葘?duì)任意一段待測(cè)數(shù)據(jù)進(jìn)行異常檢測(cè),以確定相應(yīng)的異常區(qū)域;其次分兩個(gè)階段對(duì)所確定的異常區(qū)域進(jìn)行缺陷位置提取以獲得相應(yīng)的識(shí)別結(jié)果;所述的兩個(gè)階段是指對(duì)單個(gè)缺陷的識(shí)別階段及對(duì)多個(gè)缺陷的識(shí)別及分割階段;步驟3、基于所獲得識(shí)別結(jié)果進(jìn)行效果評(píng)估,所評(píng)估的效果包括分類識(shí)別效果和邊界界定效果。優(yōu)選的,所述步驟1包括:步驟11、進(jìn)行樣本提取過(guò)程即進(jìn)行缺陷樣本及非缺陷樣本的提取過(guò)程,所述缺陷樣本的提取過(guò)程由人工標(biāo)記,所述非缺陷樣本的提取過(guò)程包括對(duì)缺陷區(qū)域非缺陷樣本進(jìn)行采樣及對(duì)正常區(qū)域非缺陷樣本進(jìn)行采樣;步驟12、基于窗體對(duì)所提取的樣本進(jìn)行相應(yīng)的特征提取,其中所述的顯著性特征所對(duì)應(yīng)的公式為其中,w表示測(cè)量窗體,xi表示第i個(gè)元素,i(xi)表示該測(cè)量窗體的能量,其表示為xmax表示該測(cè)量窗體的窗體元素最大值,表示該測(cè)量窗體中所有元素的均值,用θ表示,且||θ||的含義的定義如下:如果θ表示條件,則||θ||為布爾值,即若條件θ滿足,則||θ||值為1,否則值為0;若θ表示矩陣,則||θ||表示矩陣中元素的個(gè)數(shù),θs表示待學(xué)習(xí)參數(shù);所述對(duì)比度特征包括外環(huán)對(duì)比度oc及內(nèi)環(huán)對(duì)比度ic,其中外環(huán)對(duì)比度oc(w,θoc)是指測(cè)量窗體和其所對(duì)應(yīng)外環(huán)之間的矩形區(qū)域的差異程度,所述矩形區(qū)域的大小通過(guò)滑動(dòng)參數(shù)θoc得到,即其中,θoc={θocl,θocc},θocl和θocc分別表示外環(huán)軸向?qū)Ρ榷葏?shù)和外環(huán)周向?qū)Ρ榷葏?shù),兩者取值范圍均為0~1,則對(duì)應(yīng)的外環(huán)對(duì)比度通過(guò)計(jì)算卡方距離得到,即:oc(w,θoc)=χ2(mse(w),mse(o(w,θoc)))(23);其中內(nèi)環(huán)對(duì)比度ic(w,θic)是指測(cè)量窗體和其所對(duì)應(yīng)內(nèi)環(huán)之間的矩形區(qū)域的差異程度,in(w,θic)表示為測(cè)量窗體其所對(duì)應(yīng)內(nèi)部矩形環(huán),通過(guò)控制參數(shù)θic得到,即:其中,θic={θicl,θicc},是測(cè)量窗體與內(nèi)環(huán)之間的矩形區(qū)域,θicl與θicc分別表示內(nèi)環(huán)軸向?qū)Ρ榷葏?shù)和內(nèi)環(huán)周向?qū)Ρ榷葏?shù),兩者取值范圍均是0~1,則對(duì)應(yīng)的內(nèi)環(huán)對(duì)比度為:所述中心點(diǎn)特征cp為:其中:θcp={θcpl,θcpc},θcpl與θcpc分別表示內(nèi)環(huán)軸向?qū)Ρ榷葏?shù)和內(nèi)環(huán)周向?qū)Ρ榷葏?shù),兩者取值范圍均是0~1,in(w,θcp)表示內(nèi)部滑動(dòng)矩形環(huán),表示窗體和矩形環(huán)之間的區(qū)域;所述指紋特征包括軸向指紋特征和周向指紋特征,其中,軸向指紋信息和周向指紋信息分別被表示為α=(x1,x2,...,xj)和β=(y1,y2,...yi),其中:則軸向指紋特征和周向指紋特征的所對(duì)應(yīng)的公式分別為:fl(w)=fp(dt(x)*α),fc(w)=fp(dt(x)*β)(30)dt表示小波濾波函數(shù),·表示dt(x)*α或者dt(x)*β,fp(·)表示峰值函數(shù),w被視為是一個(gè)行數(shù)m,列數(shù)n的矩陣,xij是該矩陣中的元素;步驟13、利用歷史漏磁數(shù)據(jù)學(xué)習(xí)相應(yīng)的特征參數(shù)并建立相應(yīng)識(shí)別模型;首先通過(guò)樸素貝葉斯網(wǎng)絡(luò)學(xué)習(xí)θoc、θic、θcp,由于θoc、θic、θcp學(xué)習(xí)方法相同,為了描述便利,僅對(duì)θoc進(jìn)行描述,即定義θ=θoc,g(w,θ)=oc(w,θ),設(shè)定目標(biāo)窗體為非目標(biāo)窗體為對(duì)于任意一個(gè)參數(shù)θ,建立正樣本可能性p(g(w,θ)|obj)和負(fù)樣本可能性p(g(w,θ)|bg)后通過(guò)最大化后驗(yàn)概率得到:即其中,pθ(bg)=1-pθ(obj),pθ(obj)和pθ(bg)分別表示樣本集中缺陷樣本的比例和非缺陷樣本所占的比例,即為先驗(yàn)概率,c表示正負(fù)樣本比例,其屬于obj和bg;其次學(xué)習(xí)參數(shù)θs,通過(guò)最大化缺陷位置精度來(lái)確定最優(yōu)θs取值:即其中o表示目標(biāo)缺陷區(qū)域,最后,運(yùn)用智能分類器建立識(shí)別模型,將特征參數(shù)映射到離散空間。所述步驟2包括:步驟21、對(duì)任意一段待測(cè)數(shù)據(jù)進(jìn)行異常檢測(cè),以確定相應(yīng)的異常區(qū)域;具體的,將待測(cè)數(shù)據(jù)分割成大小為s1×s2的網(wǎng)格,通過(guò)θs確定出異常網(wǎng)格,最終將所確定的各異常網(wǎng)格進(jìn)行合并得到異常區(qū)域,其中s2設(shè)置為1,s1在θs參數(shù)學(xué)習(xí)中得到;步驟22、其次分兩個(gè)階段對(duì)所確定的異常區(qū)域進(jìn)行缺陷位置提取以獲得相應(yīng)的識(shí)別結(jié)果;所述的兩個(gè)階段是指對(duì)單個(gè)缺陷的識(shí)別階段及對(duì)多個(gè)缺陷的識(shí)別及分割階段;其中,所述的對(duì)單個(gè)缺陷的識(shí)別階段包括步驟221、首先對(duì)所確定的異常區(qū)域進(jìn)行直接識(shí)別,識(shí)別該異常區(qū)域是否存在具有單峰缺陷特征的缺陷區(qū)域,是則繼續(xù)進(jìn)行識(shí)別并根據(jù)asme準(zhǔn)則進(jìn)一步合并異常區(qū)域,所述異常區(qū)域合并準(zhǔn)則為如果兩個(gè)異常區(qū)域之間的軸向距離小于所設(shè)定閾值,則將兩個(gè)異常區(qū)域合并,合并后的異常區(qū)域當(dāng)作一個(gè)整體繼續(xù)分析,如果兩個(gè)異常之間的軸向距離所設(shè)定閾值,則這兩個(gè)異常區(qū)域當(dāng)作單獨(dú)異常區(qū)域;步驟222、通過(guò)所創(chuàng)建的識(shí)別模型識(shí)別異常區(qū)域并進(jìn)行判斷,若識(shí)別結(jié)果屬于缺陷,則進(jìn)行后續(xù)的重疊測(cè)試,否則進(jìn)行步驟24,所述重疊測(cè)試準(zhǔn)則規(guī)定如下;如果兩個(gè)識(shí)別模型所輸出區(qū)域d1和d2能夠被合并,則:其中,ξ根據(jù)經(jīng)驗(yàn)取值;步驟223、對(duì)所確定的異常區(qū)域進(jìn)行近似中心點(diǎn)檢測(cè)即acp檢測(cè),以查找出存在多缺陷區(qū)域的異常區(qū)域的每一個(gè)單獨(dú)缺陷的近似中心點(diǎn)acp;具體的,首先對(duì)所述異常區(qū)域進(jìn)行網(wǎng)格劃分,使得每一個(gè)網(wǎng)格的平均幅值為aa,整個(gè)區(qū)域的平均幅值矩陣為g,即使得:aai,j∈g,且如果當(dāng)前網(wǎng)格內(nèi)存在acp,則需滿足下列條件:其中,rg和cg分別表示矩陣g的行數(shù)和列數(shù);步驟224、對(duì)所檢測(cè)出的中心點(diǎn)進(jìn)行識(shí)別,若異常區(qū)域存在acp,則證明異常區(qū)域內(nèi)可能含有缺陷,則進(jìn)行步驟225,若異常區(qū)域不存在acp,則該區(qū)域被識(shí)別為非缺陷區(qū)域;步驟225、對(duì)步驟224中區(qū)域內(nèi)可能含有缺陷的異常區(qū)域進(jìn)行分割并識(shí)別,即對(duì)于一個(gè)擁有na個(gè)acp的多目標(biāo)區(qū)域即異常區(qū)域,首先初始化采樣最小窗體窗體大小為m1×m2且新的采樣窗體更新為其中,l1表示最小采樣窗體軸向兩側(cè)每一側(cè)的擴(kuò)展點(diǎn)數(shù),l2表示最小采樣窗體周向兩側(cè)每一側(cè)的擴(kuò)展點(diǎn)數(shù);并沿著軸向和周向進(jìn)行擴(kuò)展,在擴(kuò)展時(shí),若在新擴(kuò)展的窗體中存在新的acp,則當(dāng)前方向采樣停止并獲得當(dāng)前方向的邊界,當(dāng)兩個(gè)方向都存在邊界時(shí),當(dāng)前acp點(diǎn)的采樣點(diǎn)結(jié)束,na為中心點(diǎn)數(shù)量;步驟226、對(duì)步驟225中的異常區(qū)域進(jìn)行雙峰缺陷識(shí)別,按照相近acp可合并原則,更新acp并對(duì)更新后的acp進(jìn)行采樣;兩個(gè)相近acp即acpi和acpj應(yīng)滿足以下兩個(gè)條件:其中,c(acpi,acpj)表示acpi和acpj的周向距離,a(acpx,acpy)表示acpx和acpy的軸向距離;ρ為經(jīng)驗(yàn)取值;步驟227、通過(guò)所創(chuàng)建的識(shí)別模型識(shí)別步驟226所對(duì)應(yīng)的異常區(qū)域并進(jìn)行判斷,若識(shí)別結(jié)果屬于缺陷,則進(jìn)行后續(xù)的重疊測(cè)試,否則進(jìn)行步驟224,所述重疊測(cè)試準(zhǔn)則規(guī)定如下;如果兩個(gè)識(shí)別模型所輸出區(qū)域d1和d2能夠被合并,則:優(yōu)選的,所述步驟3根據(jù)最終識(shí)別的結(jié)果進(jìn)行效果評(píng)估,其依據(jù)下述評(píng)價(jià)準(zhǔn)則進(jìn)行效果評(píng)估:分類識(shí)別效果評(píng)價(jià)準(zhǔn)則1:分類識(shí)別效果評(píng)價(jià)準(zhǔn)則2:其中,tp是缺陷被識(shí)別為缺陷的數(shù)目;fn是缺陷被識(shí)別為非缺陷的數(shù)目;tn是非缺陷被識(shí)別為非缺陷的數(shù)目;fp是非缺陷被識(shí)別為缺陷的數(shù)目;分類識(shí)別效果評(píng)價(jià)準(zhǔn)則3:α2取0.3;邊界界定準(zhǔn)確率評(píng)價(jià)準(zhǔn)則如下:其中,w表示輸出識(shí)別窗體區(qū)域,o表示標(biāo)定缺陷區(qū)域,·表示w∩o或者w∪o,||·||表示數(shù)據(jù)點(diǎn)數(shù)。與現(xiàn)有技術(shù)相比,本發(fā)明的有益效果:(1)區(qū)別于一般的特征提取方法,本發(fā)明提出了一種基于窗體的特征提取方法,該方法通過(guò)內(nèi)外環(huán)的伸縮考慮了測(cè)量窗體與周圍背景發(fā)的差異程度。增強(qiáng)了模型識(shí)別效果。(2)運(yùn)用樸素貝葉斯網(wǎng)絡(luò)進(jìn)行參數(shù)的尋優(yōu),避免了過(guò)多的人為干預(yù),增加了算法的可移植性。(3)考慮到是實(shí)際工程的需要,提出了一種基于2階段的缺陷位置區(qū)域提取方法,其針對(duì)實(shí)際寫(xiě)真實(shí)腐蝕環(huán)境,使得方法更具有實(shí)際應(yīng)用意義。(4)本發(fā)明方法已經(jīng)應(yīng)用于實(shí)際工程檢測(cè),檢測(cè)效果良好。附圖說(shuō)明圖1為本發(fā)明所述顯著性參數(shù)θs例圖;圖2為本發(fā)明所述對(duì)比度特征,中心點(diǎn)特征和指紋特征參數(shù)學(xué)習(xí)圖;圖3為本發(fā)明所述測(cè)量窗體內(nèi)外環(huán)區(qū)域劃分圖,(a)為外環(huán)區(qū)域劃分圖,(b)為內(nèi)環(huán)區(qū)域劃分圖;圖4為本發(fā)明所述異常檢測(cè)流程圖;圖5為本發(fā)明所述缺陷區(qū)域提取流程圖;圖6為本發(fā)明所述多缺陷區(qū)域acp采樣流程圖;圖7為本發(fā)明所述不同分類器的分類識(shí)別結(jié)果;圖8為本發(fā)明所述我國(guó)北部某城市在役管道路路線圖;圖9為本發(fā)明所述在役管道檢測(cè)這個(gè)一個(gè)管道片段的識(shí)別效果示意圖。具體實(shí)施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚,下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對(duì)本發(fā)明的技術(shù)方案進(jìn)行清楚、完整地描述,顯然,所描述的實(shí)施例是本發(fā)明一部分實(shí)施例,而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例,都屬于本發(fā)明保護(hù)的范圍。針對(duì)現(xiàn)有技術(shù)存在的不足,本發(fā)明區(qū)別于一般的直接特征,比如信號(hào)峰谷差特征等,首先提出了一種基于窗體特征即顯著性特征、對(duì)比度特征、中心點(diǎn)特征以及指紋特征的漏磁管道缺陷位置提取方法,這四種特征更加專注于整個(gè)窗體本身和周圍背景的差異;其次,為了保證最優(yōu)的特征參數(shù)值和避免人工閾值干預(yù),采用樸素貝葉斯網(wǎng)絡(luò)進(jìn)行相應(yīng)的參數(shù)學(xué)習(xí),再次在缺陷區(qū)域提取過(guò)程中提出了一種兩階段的缺陷區(qū)域提取方法,即在第一階段中,如果測(cè)量窗體表現(xiàn)出獨(dú)立的缺陷特征且擁有良好定義的邊界,它將會(huì)被識(shí)別為缺陷區(qū)域;第二階段中則主要關(guān)注多缺陷的分割問(wèn)題,同時(shí)對(duì)于那些含有完整缺陷卻被錯(cuò)誤識(shí)別的窗體提取精確邊界;最終,機(jī)器學(xué)習(xí)方法被用于模型識(shí)別?;谏鲜鲈?,則本發(fā)明具體包括如下步驟:步驟1、建立識(shí)別模型:提取樣本后基于窗體對(duì)所提取的樣本進(jìn)行相應(yīng)的特征提取,利用歷史漏磁數(shù)據(jù)學(xué)習(xí)相應(yīng)的特征參數(shù)并建立相應(yīng)識(shí)別模型;所述樣本包括缺陷樣本及非缺陷樣本,所述的特征包括顯著性特征、對(duì)比度特征、中心點(diǎn)特征及指紋特征;其中,所述步驟1包括步驟11、進(jìn)行樣本提取過(guò)程即進(jìn)行缺陷樣本及非缺陷樣本的提取過(guò)程,所述缺陷樣本的提取過(guò)程由人工標(biāo)記,為了增加非缺陷樣本的多樣性,所述非缺陷樣本的提取過(guò)程包括對(duì)缺陷區(qū)域非缺陷樣本進(jìn)行采樣及對(duì)正常區(qū)域非缺陷樣本進(jìn)行采樣;其中缺陷區(qū)域非缺陷樣本采樣過(guò)程為:我們?cè)诿恳粋€(gè)所標(biāo)記的缺陷周圍獲取若干個(gè)非缺陷區(qū)域,本例為8個(gè),設(shè)定其中一個(gè)缺陷的尺寸為m×n,對(duì)應(yīng)的中心坐標(biāo)x(x,y),即同時(shí)為了降低缺陷與非缺陷區(qū)域的重合度,同時(shí)保證非缺陷區(qū)域包含部分缺陷區(qū)域信息,采樣非缺陷區(qū)域中心坐標(biāo)x′(x′,y′)應(yīng)該滿足:且非缺陷區(qū)域中心被隨機(jī)選取,大小與對(duì)應(yīng)的缺陷大小一致;為了增加缺陷和非缺陷樣本的分類邊界,加入正常區(qū)域非缺陷采樣,其中正常區(qū)域非缺陷采樣過(guò)程為:為了增加缺陷和非缺陷樣本的分類邊界,本過(guò)程在正常不含缺陷區(qū)域進(jìn)行非缺陷樣本采樣;如果o表示缺陷,則測(cè)量窗體w滿足:w∩o=φ。且所有樣本來(lái)源于天津某試驗(yàn)場(chǎng)真實(shí)數(shù)據(jù)。步驟12、基于窗體對(duì)所提取的樣本進(jìn)行相應(yīng)的特征提?。阂粋€(gè)真實(shí)的缺陷擁有區(qū)別于它周圍背景的外觀,基于這種獨(dú)特性,我們提出了顯著性特征,所述的顯著性特征所對(duì)應(yīng)的公式為其中,w表示測(cè)量窗體,xi表示第i個(gè)元素,i(xi)表示該測(cè)量窗體的能量,其表示為xmax表示該測(cè)量窗體的窗體元素最大值,表示該測(cè)量窗體中所有元素的均值,用θ表示,且||θ||的含義的定義如下:如果θ表示條件,則||θ||為布爾值,即若條件θ滿足,則||θ||值為1,否則值為0;若θ表示矩陣,則||θ||表示矩陣中元素的個(gè)數(shù),θs表示待學(xué)習(xí)參數(shù);這個(gè)特征被設(shè)計(jì)用來(lái)測(cè)量窗體是否包異常。根據(jù)漏磁信號(hào)的特征,考慮到缺陷和它周圍背景的關(guān)系,外環(huán)對(duì)比度特征和內(nèi)環(huán)對(duì)比度特征被提出,所述對(duì)比度特征包括外環(huán)對(duì)比度oc及內(nèi)環(huán)對(duì)比度ic,其中由于管道的腐蝕環(huán)境復(fù)雜,太多的背景信息失去了對(duì)比意義,因此測(cè)量窗體每一個(gè)背景方向的背景大小等于測(cè)量窗體本身大小,外環(huán)對(duì)比度oc(w,θoc)是指測(cè)量窗體和其所對(duì)應(yīng)外環(huán)之間的矩形區(qū)域的差異程度,所述矩形區(qū)域的大小通過(guò)滑動(dòng)參數(shù)θoc得到,即其中,θoc={θocl,θocc},θocl和θocc分別表示外環(huán)軸向?qū)Ρ榷葏?shù)和外環(huán)周向?qū)Ρ榷葏?shù),兩者取值范圍均為0~1,則對(duì)應(yīng)的外環(huán)對(duì)比度通過(guò)計(jì)算卡方距離得到,即:oc(w,θoc)=χ2(mse(w),mse(o(w,θoc)))(43);oc能夠測(cè)量窗體是否屬于欠包含(測(cè)量窗體包括部分缺陷)。oc值越高,窗體包含完整缺陷的可能性就越大。在很多情況下,窗體也許會(huì)出現(xiàn)過(guò)包含(窗體區(qū)域大于實(shí)際缺陷區(qū)域)的情況,此時(shí)oc就不能夠很好的衡量窗體,因此我們提出了內(nèi)環(huán)對(duì)比度ic(w,θic)來(lái)衡量測(cè)量窗體本身和其所對(duì)應(yīng)內(nèi)環(huán)之間的矩形區(qū)域的差異程度,in(w,θic)表示為測(cè)量窗體其所對(duì)應(yīng)內(nèi)部矩形環(huán),通過(guò)控制參數(shù)θic得到,即:其中,θic={θicl,θicc},是測(cè)量窗體與內(nèi)環(huán)之間的矩形區(qū)域,θicl與θicc分別表示內(nèi)環(huán)軸向?qū)Ρ榷葏?shù)和內(nèi)環(huán)周向?qū)Ρ榷葏?shù),兩者取值范圍均是0~1,則對(duì)應(yīng)的內(nèi)環(huán)對(duì)比度為:ic能夠衡量測(cè)量窗體是否過(guò)包含缺陷,也就是說(shuō),ic能夠衡量測(cè)量窗體內(nèi)部背景區(qū)域的大小,ic的取值越小說(shuō)明內(nèi)部背景區(qū)域越大,否則說(shuō)明測(cè)量窗體包含完整缺陷且很少背景的可能性就越大。實(shí)際檢測(cè)中,通過(guò)內(nèi)外環(huán)的伸縮,oc和ic一起能夠更好地確定缺陷的邊界。作為一個(gè)擁有很好定義邊界的缺陷,中心區(qū)域的測(cè)量值會(huì)高于邊緣區(qū)域的測(cè)量值。一般來(lái)說(shuō),一個(gè)缺陷處于測(cè)量窗體中心的區(qū)域比一個(gè)缺陷處于測(cè)量窗體邊緣的區(qū)域更有可能被接受?;谶@種測(cè)量特性,我們提出了中心點(diǎn)特征來(lái)衡量窗體中心和邊緣的差異程度。同內(nèi)環(huán)特征類似,中心點(diǎn)特征同樣通過(guò)滑動(dòng)內(nèi)環(huán)來(lái)確定。中心點(diǎn)特征cp被定義為:其中:θcp={θcpl,θcpc},θcpl與θcpc分別表示內(nèi)環(huán)軸向?qū)Ρ榷葏?shù)和內(nèi)環(huán)周向?qū)Ρ榷葏?shù),兩者取值范圍均是0~1。根據(jù)漏磁檢測(cè)原理,缺陷軸向方向上的測(cè)量最多有一個(gè)峰值,在周向方向上最多一個(gè)峰值。根據(jù)缺陷漏磁信號(hào)的這種特點(diǎn),本發(fā)明定義了指紋特征來(lái)衡量測(cè)量窗體的峰值個(gè)數(shù)。所述指紋特征包括軸向指紋特征和周向指紋特征,其中,軸向指紋信息和周向指紋信息分別被表示為α=(x1,x2,...,xj)和β=(y1,y2,...yi),其中:則軸向指紋特征和周向指紋特征的所對(duì)應(yīng)的公式分別為:fl(w)=fp(dt(x)*α),fc(w)=fp(dt(x)*β)(50)dt表示小波濾波函數(shù),·表示dt(x)*α或者dt(x)*β,fp(·)表示峰值函數(shù),w被視為是一個(gè)行數(shù)m,列數(shù)n的矩陣,xij是該矩陣中的元素;首步驟13、利用歷史漏磁數(shù)據(jù)學(xué)習(xí)相應(yīng)的特征參數(shù)并建立相應(yīng)識(shí)別模型,歷史樓漏磁數(shù)據(jù)來(lái)源于真實(shí)管道數(shù)據(jù);首先通過(guò)用于參數(shù)尋優(yōu)的樸素貝葉斯網(wǎng)絡(luò)學(xué)習(xí)θoc、θic、θcp,由于θoc、θic、θcp學(xué)習(xí)方法相同,為了描述便利,僅對(duì)θoc進(jìn)行描述,即定義θ=θoc,g(w,θ)=oc(w,θ),設(shè)定目標(biāo)窗體為非目標(biāo)窗體為對(duì)于任意一個(gè)參數(shù)θ,建立正樣本可能性p(g(w,θ)|obj)和負(fù)樣本可能性p(g(w,θ)|bg)后通過(guò)最大化后驗(yàn)概率得到:其中,pθ(bg)=1-pθ(obj),pθ(obj)和pθ(bg)分別表示樣本集中缺陷樣本的比例和非缺陷樣本所占的比例,即為先驗(yàn)概率,c表示正負(fù)樣本比例,其屬于obj和bg;其次學(xué)習(xí)參數(shù)θs,通過(guò)最大化缺陷位置精度來(lái)確定最優(yōu)s取值,也就是說(shuō),我們尋找最優(yōu)θs值使得測(cè)量窗體w最大程度覆蓋目標(biāo)缺陷o:最后,運(yùn)用智能分類器建立識(shí)別模型,將特征參數(shù)映射到離散空間。具體實(shí)例,如圖1所示,每一個(gè)測(cè)量窗體周圍按圖示區(qū)域進(jìn)行分割來(lái)計(jì)算每一個(gè)參數(shù)下特征的可能取值。顯著性特征參數(shù)學(xué)習(xí)如圖2所示,圖中s∈{2,4,8,16,32},我們做出隨著θs變化不同網(wǎng)格劃分下的缺陷被覆蓋精度的變化。隨著θs的變化,缺陷位置覆蓋精度都是先上升后下降,最大值處于0.1~0.2之間。因此最優(yōu)的θs取值為0.15,由于在θs處于0.1~0.2之間時(shí)s=4情況下精度最高。故最優(yōu)的網(wǎng)格劃分尺寸為4×1。特征參數(shù)θoc,θic,θcp的參數(shù)學(xué)習(xí)如圖2所示,每一個(gè)特征參數(shù)包括軸向和周向兩個(gè)參數(shù)分量。根據(jù)正負(fù)樣本的在每一個(gè)參數(shù)值取值下的特征概率分布,我們尋找最大的正負(fù)樣本概率偏差點(diǎn)作為最優(yōu)參數(shù)值。隨后基于窗體的進(jìn)行特征提取。如圖3所示,測(cè)量窗體的內(nèi)外區(qū)域被分割成為8個(gè)區(qū)域。每一個(gè)對(duì)比度特征被分解為軸向和周向?qū)Ρ榷?。軸向?qū)Ρ榷确从沉藴y(cè)量窗體和對(duì)應(yīng)軸向背景(3和7區(qū)域)的差異。同樣,周向?qū)Ρ榷确从沉藴y(cè)量窗體的對(duì)應(yīng)周向背景(1和5區(qū)域)的差異。按照最優(yōu)學(xué)習(xí)參數(shù)提取顯著性,對(duì)比度,中心點(diǎn)和指紋特征。最后建立識(shí)別模型,并根據(jù)提取到的特征樣本,訓(xùn)練識(shí)別模型。由于本發(fā)明開(kāi)發(fā)的是通用識(shí)別算法,因此,本發(fā)明用svm,rf和knn來(lái)分別訓(xùn)練模型。步驟2、對(duì)任意一段待測(cè)漏磁數(shù)據(jù)進(jìn)行缺陷位置區(qū)域提?。菏紫葘?duì)任意一段待測(cè)數(shù)據(jù)進(jìn)行異常檢測(cè),以確定相應(yīng)的異常區(qū)域;其次分兩個(gè)階段對(duì)所確定的異常區(qū)域進(jìn)行缺陷位置提取以獲得相應(yīng)的識(shí)別結(jié)果;所述的兩個(gè)階段是指對(duì)單個(gè)缺陷的識(shí)別階段及對(duì)多個(gè)缺陷的識(shí)別及分割階段;進(jìn)一步的,所述步驟2包括:步驟21、對(duì)任意一段待測(cè)數(shù)據(jù)進(jìn)行異常檢測(cè),以確定相應(yīng)的異常區(qū)域;具體的,將待測(cè)漏磁測(cè)量量分割成大小為s1×s2的網(wǎng)格,通過(guò)θs確定出異常網(wǎng)格,如果如下條件成立:則網(wǎng)格被定義為異常網(wǎng)格,最終將所確定的各異常網(wǎng)格進(jìn)行合并得到異常區(qū)域,其中為了降低傳感器通道之間的影響,s2設(shè)置為1,s1在θs參數(shù)學(xué)習(xí)中得到;具體的如圖4所示,待測(cè)漏磁測(cè)量被分割成大小為4×1的網(wǎng)格。然后,通過(guò)θs確定異常網(wǎng)格,最終將網(wǎng)格進(jìn)行合并得到異常區(qū)域。步驟22、如圖5所示其次分兩個(gè)階段對(duì)所確定的異常區(qū)域進(jìn)行缺陷位置提取以獲得相應(yīng)的識(shí)別結(jié)果;所述的兩個(gè)階段:1)獨(dú)立缺陷的識(shí)別階段(idi)對(duì)單個(gè)缺陷即獨(dú)立缺陷的識(shí)別階段,這個(gè)階段主要識(shí)別獨(dú)立的單個(gè)缺陷;2)多缺陷的分割階段(mds),對(duì)多個(gè)缺陷的識(shí)別及分割階段,該階段被設(shè)計(jì)識(shí)別多缺陷并將多缺陷分割為單個(gè)缺陷。當(dāng)區(qū)域被識(shí)別為單個(gè)缺陷時(shí),重疊測(cè)試將會(huì)被執(zhí)行,最終形成具有良好定義邊界的缺陷。其中,所述的對(duì)單個(gè)缺陷的識(shí)別階段包括步驟221、該步驟包括兩個(gè)部分,即單峰缺陷的識(shí)別和雙峰缺陷的識(shí)別即首先對(duì)所確定的異常區(qū)域進(jìn)行直接識(shí)別,試圖識(shí)別那些獨(dú)立的具有缺陷特征且具有良好定義邊界的區(qū)域即識(shí)別該異常區(qū)域是否存在具有單峰缺陷特征的缺陷區(qū)域,是則繼續(xù)識(shí)別雙峰缺陷,由于雙峰缺陷的兩個(gè)峰之間平穩(wěn)區(qū)域的存在,雙峰缺陷在軸向方向上可能被分割為兩個(gè)獨(dú)立的部分。因此我們根據(jù)asme準(zhǔn)則進(jìn)一步合并所確定的異常區(qū)域,所述異常區(qū)域合并準(zhǔn)則為如果兩個(gè)異常區(qū)域之間的軸向距離小于所設(shè)定閾值,如三倍的壁厚(3t,t為壁厚),則將兩個(gè)異常區(qū)域合并,合并后的異常區(qū)域當(dāng)作一個(gè)整體繼續(xù)下一步的分析,如果兩個(gè)異常之間的軸向距離所設(shè)定閾值,則這兩個(gè)異常區(qū)域當(dāng)作單獨(dú)異常區(qū)域;步驟222、獨(dú)立缺陷判別:通過(guò)所創(chuàng)建的識(shí)別模型識(shí)別異常區(qū)域并進(jìn)行判斷,若識(shí)別結(jié)果屬于缺陷,則進(jìn)行后續(xù)的重疊測(cè)試,否則進(jìn)行步驟224,所述重疊測(cè)試準(zhǔn)則規(guī)定如下;如果兩個(gè)識(shí)別模型所輸出區(qū)域d1和d2能夠被合并,則:我們根據(jù)pascal準(zhǔn)則,將ξ值設(shè)置為0.5。步驟223、對(duì)所確定的異常區(qū)域進(jìn)行近似中心點(diǎn)檢測(cè)即acp檢測(cè),以查找出存在多缺陷區(qū)域的異常區(qū)域的每一個(gè)單獨(dú)缺陷的近似中心點(diǎn)acp;在多缺陷的分割階段,我們?cè)噲D尋找多缺陷區(qū)域的每一個(gè)單獨(dú)缺陷的近似中心點(diǎn)(acp)。每一個(gè)近似中心點(diǎn)都可能對(duì)應(yīng)一個(gè)缺陷,中心點(diǎn)的識(shí)別將會(huì)為后續(xù)的采樣提供依據(jù)。同異常檢測(cè)時(shí)的網(wǎng)格劃分類似,具體的,首先對(duì)所述異常區(qū)域進(jìn)行網(wǎng)格劃分,使得每一個(gè)網(wǎng)格的平均幅值為aa,整個(gè)區(qū)域的平均幅值矩陣為g,即:aai,j∈g,且如果當(dāng)前網(wǎng)格內(nèi)存在acp,則需滿足下列條件:其中,rg和cg分別表示矩陣g的行數(shù)和列數(shù);也就是說(shuō),如果當(dāng)前網(wǎng)格aa值超過(guò)閾值且存在上,下,左,右網(wǎng)格,并且aa值是局部最大值,那么該網(wǎng)格中存在acp值。步驟224、對(duì)所檢測(cè)出的中心點(diǎn)進(jìn)行acp識(shí)別,若異常區(qū)域存在acp,則證明異常區(qū)域內(nèi)可能含有缺陷,則進(jìn)行步驟225,若異常區(qū)域不存在acp,則該區(qū)域被識(shí)別為非缺陷區(qū)域;步驟225、多缺陷區(qū)域分割單峰缺陷識(shí)別,多區(qū)域分割問(wèn)題實(shí)際上是對(duì)每一個(gè)acp進(jìn)行采樣再識(shí)別的問(wèn)題:每一個(gè)多缺陷區(qū)域的采樣過(guò)程如圖6所示,具體的對(duì)步驟224中區(qū)域內(nèi)可能含有缺陷的異常區(qū)域進(jìn)行分割并識(shí)別,即對(duì)于一個(gè)擁有na個(gè)acp的多目標(biāo)區(qū)域即異常區(qū)域,首先初始化采樣最小窗體且新的采樣窗體更新為l1表示最小采樣窗體軸向兩側(cè)每一側(cè)的擴(kuò)展點(diǎn)數(shù),l2表示最小采樣窗體周向兩側(cè)每一側(cè)的擴(kuò)展點(diǎn)數(shù);并沿著軸向和周向進(jìn)行擴(kuò)展,在擴(kuò)展時(shí),若在新擴(kuò)展的窗體中存在新的acp,則當(dāng)前方向采樣停止并獲得當(dāng)前方向的邊界,當(dāng)兩個(gè)方向都存在邊界時(shí),當(dāng)前acp點(diǎn)的采樣點(diǎn)結(jié)束;更新acp,然后對(duì)更新后的acp進(jìn)行的采樣過(guò)程。步驟226、多缺陷區(qū)域分割雙峰缺陷識(shí)別,acp的識(shí)別可能會(huì)出現(xiàn)一個(gè)雙峰缺陷被分隔開(kāi)分別采樣的情況。因此,本發(fā)明針對(duì)雙峰的識(shí)別問(wèn)題,對(duì)現(xiàn)有的acp按一定準(zhǔn)則進(jìn)行更新,使得雙峰缺陷能夠被檢測(cè)到:具體的,對(duì)步驟225中的異常區(qū)域進(jìn)行雙峰缺陷識(shí)別,按照相近acp可合并原則,更新acp并對(duì)更新后的acp進(jìn)行如圖6所示采樣;兩個(gè)相近acpacpi和acpj應(yīng)滿足以下兩個(gè)條件滿足:其中,c(acpi,acpj)表示acpi和acpj的周向距離;本發(fā)明ρ的取值為3。然后更新后的acp采樣與圖6所述一致。步驟227、通過(guò)所創(chuàng)建的識(shí)別模型識(shí)別步驟226所對(duì)應(yīng)的異常區(qū)域并進(jìn)行判斷,若識(shí)別結(jié)果屬于缺陷,則進(jìn)行后續(xù)的重疊測(cè)試,否則進(jìn)行步驟224,所述重疊測(cè)試準(zhǔn)則規(guī)定如下;如果兩個(gè)識(shí)別模型所輸出區(qū)域d1和d2能夠被合并,則:步驟3、基于所獲得識(shí)別結(jié)果進(jìn)行效果評(píng)估,所評(píng)估的效果包括分類識(shí)別效果和邊界界定效果。進(jìn)一步的,所述步驟3根據(jù)最終識(shí)別的結(jié)果進(jìn)行效果評(píng)估,其依據(jù)下述評(píng)價(jià)準(zhǔn)則進(jìn)行效果評(píng)估:分類識(shí)別效果評(píng)價(jià)準(zhǔn)則1:分類識(shí)別效果評(píng)價(jià)準(zhǔn)則2:其中,tp是缺陷被識(shí)別為缺陷的數(shù)目;fn是缺陷被識(shí)別為非缺陷的數(shù)目;tn是非缺陷被識(shí)別為非缺陷的數(shù)目;fp是非缺陷被識(shí)別為缺陷的數(shù)目;實(shí)際應(yīng)用中,為了更好地衡量precision和recall,添加分類識(shí)別效果評(píng)價(jià)準(zhǔn)則3:α2取0.3;邊界界定準(zhǔn)確率評(píng)價(jià)準(zhǔn)則如下:其中,w表示輸出識(shí)別窗體區(qū)域,o表示標(biāo)定缺陷區(qū)域,·表示w∩o或者w∪o,||·||表示數(shù)據(jù)點(diǎn)數(shù)。本發(fā)明實(shí)施實(shí)例為分別以實(shí)驗(yàn)現(xiàn)場(chǎng)管道和在役管道進(jìn)行評(píng)估測(cè)試。步驟3.1:實(shí)驗(yàn)現(xiàn)場(chǎng)管道結(jié)果。本發(fā)明試驗(yàn)現(xiàn)場(chǎng)管道描述如下:管道長(zhǎng)度為800m,管道直徑219mm,9.5mm管道壁厚,管道材質(zhì)為被廣泛采用的碳鋼材質(zhì),管道內(nèi)介質(zhì)為水,流速0.5m/s,運(yùn)行壓力為3mpa。所述管道中包括1280個(gè)獨(dú)立缺陷,65個(gè)多缺陷。其中獨(dú)立缺陷中包括800個(gè)單峰缺陷和480個(gè)雙峰缺陷。實(shí)驗(yàn)中缺陷為人工缺陷,缺陷的長(zhǎng)度和寬度取值為10mm到60mm,深度取值1到9mm。三個(gè)不同分類器svm,rf和knn的分類識(shí)別效果如圖7所示;從圖中看出,rf和knn擁有近似相等的分類準(zhǔn)確率。svm雖然擁有最高的precision,但recall低于其它兩個(gè)分類器;然而,三個(gè)分類器的評(píng)價(jià)指標(biāo)均高于80%,符合實(shí)際工程應(yīng)用需求。表1列舉了三個(gè)分類器效果下的邊界界定能力。同樣,分類指標(biāo)也都能高于80%。為了進(jìn)一步說(shuō)明本發(fā)明的識(shí)別效果,分別對(duì)雙方缺陷的識(shí)別能力做出統(tǒng)計(jì),以及評(píng)估多缺陷的分割能力,雙峰缺陷的識(shí)別能力如表2所示,多缺陷區(qū)域的缺陷分割效果如表3所示。步驟3.2:在役場(chǎng)管道檢測(cè)結(jié)果。本發(fā)明方法目前已經(jīng)應(yīng)用于實(shí)際管道的缺陷檢測(cè)中。實(shí)施實(shí)例中的在役管道來(lái)源于我國(guó)北部的一個(gè)城市。整個(gè)管線長(zhǎng)度為88.99m,運(yùn)行路線如圖8所示。標(biāo)識(shí)1表示首站,標(biāo)識(shí)5表示末站。運(yùn)行路線經(jīng)過(guò)兩個(gè)閥室(標(biāo)識(shí)2和4),標(biāo)識(shí)3為加熱站。輸送介質(zhì)為0。5%含水率的原油,凝點(diǎn)為26℃。本發(fā)明考慮到實(shí)際腐蝕環(huán)境中多缺陷占大多數(shù),由于rf的多缺陷分割效果較好,因此本發(fā)明運(yùn)用rf分類器來(lái)進(jìn)行在役管道的檢測(cè)。在役10條管道的識(shí)別結(jié)果如表4所示。雖然整體指標(biāo)低于實(shí)驗(yàn)水平,但依然可以滿足實(shí)際工程需要。其中一段管道的識(shí)別求結(jié)果如圖9所示。表1svmrfknnba86%92%85%表2svmrfknnrecall83%88%95%表3方法缺陷數(shù)估計(jì)結(jié)果recallbasvm16914083%78%rf16915592%86%knn16914888%80%表4precisionrecallfba78%82%79%84%以上所述,僅為本發(fā)明較佳的具體實(shí)施方式,但本發(fā)明的保護(hù)范圍并不局限于此,任何熟悉本
技術(shù)領(lǐng)域:
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi),根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變,都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁(yè)12