基于DCNN的管道漏磁内检测环焊缝缺陷智能分类法

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.

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

所属期刊栏目：42

分类号：TE88(石油、天然气储存与运输)

资助基金：中国石油天然气集团有限公司战略合作科技专项ZX20190224

在线出版日期：2023-06-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：532-541