基于DCNN的管道漏磁内检测环焊缝缺陷智能分类法

环焊缝缺陷是影响在役长输油气管道安全运行的重要因素，但环焊缝处漏磁内检测信号相对复杂，利用传统的人工分析方法不易实现缺陷的分类。在此，提出一种基于深度卷积神经网络（Deep Convolutional Neural Network,DCNN）的管道漏磁内检测环焊缝缺陷智能分类方法：将管道环焊缝漏磁内检测信号图像作为样本，并以环焊缝开挖后射线检测发现的缺陷类型为样本标签建立数据库，再利用深度卷积对抗生成网络（Deep Convolution Generative Adversarial Network,DCGAN）对数据集进行扩展增强；利用扩展增强后的数据集对残差网络进行改进与迭代训练，再使用训练后的残差网络对环焊缝漏磁内检测信号图像进行分类。实例应用结果表明：该方法可实现对环焊缝常见条形缺陷、圆形缺陷的识别分类，分类测试的准确率为83%～88%，对于圆形缺陷的召回率超过97%。新方法突破了人工分析环焊缝处漏磁内检测信号的局限，可为环焊缝缺陷智能分类提供参考。（图5，表6，参31）