[發明專利]一種管道漏磁數據的邊界精確識別方法

有效

• 申請號: 201910788496.6
• 申請日: 2019-08-26
• 公開（公告）號: CN110516589B
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 張化光;徐可馨;劉金海;盧森驤;汪剛;馬大中
• 申請（專利權）人: 東北大學
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/231;G06F18/2321;G06F18/213;G06N3/0442;G01N27/83;F17D5/02
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李珉

1.一種管道漏磁數據的邊界精確識別方法，其特征在于：包括以下步驟：

步驟1：獲取一段管道的漏磁信號D，對漏磁信號進行預處理；利用Sobel算子對漏磁信號進行邊緣特征提取，突出漏磁信號中缺陷兩邊的谷底及谷底范圍，得到預處理后的漏磁信號D₁；

步驟2：將預處理后的漏磁信號D₁劃分為多尺度層級并進行異常邊緣提取，得到候選窗體集合W＝{W¹，W²，...，W^k，…，W^N}；其中，為第k個尺度層級下候選窗體集合，b為第k個尺度層級包含的窗體數；

步驟3：根據步驟2中得到的候選窗口集合W中的位置信息，在初始獲得的漏磁信號D上進行信號提取，得到N個候選區域數據M＝{M¹，M²…M^N}；

步驟4：得到N個候選區域內最終判斷是缺陷的候選區域：先利用分類器依次對N個候選區域內數據進行分類，并根據分類得分判斷得到缺陷區域，并計算判斷是缺陷區域內原始漏磁數據的波動系數；采用層次聚類算法對波動系數聚類，得到簇劃分結果，根據簇劃分結果更新分類器初始分類得分，并將更新的窗體和得分組合成集合，得到最終為缺陷的候選區域；

步驟4.1：將N個候選區域數據依次放入到預先訓練完成的Bi-LSTM分類器中進行判斷，將判斷是缺陷的候選區域所對應的窗體信息及分類得分組成集合K＝{K¹，K²…Kⁿ}，Kⁿ＝{locⁿ,scoreⁿ}，其中n為判斷是缺陷區域的個數，locⁿ是第n個缺陷數據的位置信息，scoreⁿ是第n個缺陷數據的得分；

步驟4.2：根據上述判斷是缺陷的候選區域中的窗體信息提取候選區域內原始數據，并對原始數據計算兩次標準差得到該缺陷區域內漏磁數據的波動系數，得到波動系數集合B＝{b¹，b²…bⁿ}；采用層次聚類算法對波動系數聚類，設置層次聚類算法中切分層次樹的閾值Threshold大小為3，根據聚類出的簇團中最大最小值邊界找到簇間的邊界P＝[p₁,p₂]，其中，p₁為第一個簇和第二個簇之間的邊界，p₂為第二個簇和第三個簇之間的邊界；

步驟4.3：根據步驟4.2中得到的簇間的邊界P＝[p₁,p₂]，將步驟4.1中缺陷數據的得分劃分3個區間，將各區間初始分類得分和窗體內數據的波動系數相結合，在不同的區間內自適應更新分類得分Score_new，公式如下：

其中，score為初始分類器分類得分，b為缺陷區域內漏磁數據的波動系數，α及β均為調節因子，取值范圍為0.6～1.2；

步驟4.4：通過設置判斷閾值thres，將更新后分類得分大于閾值thres的窗體信息和分類得分組合成集合K_new＝{K¹，K²…K^m}，K^m＝{loc^m,Score_new^m}，其中，m為判斷是缺陷區域的個數，loc^m是第n個缺陷數據的位置信息，Score_new^m是第n個缺陷數據的得分；

步驟5：對步驟4中更新的窗體和得分組合成的集合中的窗體位置信息進行窗體位置區域估計；

步驟6：邊緣精確：在步驟5劃分出的各個區域中計算重疊面積比，采用線性回歸方法實現位置回歸和分類得分累加，并結合非極大值抑制，得到各個區域最佳窗體集合；

步驟7：重復執行步驟6得到t個候選各區域的最佳窗體，完成對管道漏磁數據邊界的精確識別。