基于DCNN的管道漏磁内检测环焊缝缺陷智能分类法 |
| |
引用本文: | 耿丽媛,董绍华,钱伟超,彭东华.基于DCNN的管道漏磁内检测环焊缝缺陷智能分类法[J].油气储运,2023(5):532-541. |
| |
作者姓名: | 耿丽媛 董绍华 钱伟超 彭东华 |
| |
作者单位: | 1. 中国石油大学(北京)安全与海洋工程学院·应急管理部油气生产安全与应急技术重点实验室;2. 国家石油天然气管网集团有限公司生产部;3. 国家管网集团北京管道公司 |
| |
摘 要: | 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)
|
关 键 词: | 油气管道 漏磁内检测 环焊缝 智能分类 DCNN 残差网络 条形缺陷 圆形缺陷 |
|
|