[发明专利]用神经网络对热成像图像进行处理以鉴定保温层下腐蚀(CUI)

说明书

一种用于鉴定结构中的保温层下腐蚀(CUI)的方法，包括：使用红外摄像机接收来自所述结构的热图；使用第一机器学习系统将滤波器应用于所述热图；基于来自所述滤波器的输出初始确定CUI分类；并且通过对所述结构的检查来验证所述初始CUI分类。使用所述验证的结果训练所述第一机器学习系统。将所述第一机器学习系统的输出以及附加结构和环境数据馈送到第二机器学习系统，所述第二机器学习系统将来自早期状态的信息合并到当前状态中。训练所述第二机器学习系统根据所述第一机器学习系统的输出和所述附加数据随时间的变化来鉴定CUI，直到达到CUI分类准确性的第二阈值为止。此后，使用所述第一和第二机器学习系统协同鉴定CUI。

技术领域

本发明涉及检查技术，尤其是涉及其中用神经网络使用热成像图像处理来鉴定保温层下腐蚀(CUI)的方法和系统。

背景技术

保温层下腐蚀(CUI)是其中诸如金属管之类的保温结构在保温层下面的金属表面上受到腐蚀的情况。由于保温层覆盖物通常会包围整个结构，无法轻易观察到腐蚀，因此检测CUI具有挑战性。CUI的典型原因是水分积聚，渗入保温材料中。水会积聚在保温层和金属表面之间的环形空间中，从而导致表面腐蚀。可引起腐蚀的水源包括雨水、漏水和冷凝、冷却水塔漂流、雨淋系统和蒸汽伴热泄漏。虽然腐蚀通常是局部开始的，但是如果水介质中存在重复热循环或的污染物(如氯化物或酸)，则腐蚀会高速进展。

研究表明，管道维护成本的40％至60％是由CUI产生的。当未检测到CUI时，其结果可导致工艺设备或整个设施的关闭，并且可导致灾难性事件。由于它是一种隐藏的腐蚀机制，因此在移除保温层或使用先进的NDT(非破坏性试验)技术(如红外热成像)确定保温层下方的金属状况之前，仍然没有注意到损坏。移除保温层可能是一个耗时且昂贵的过程，而由于大量变量(例如，几何、环境、材料相关的变量)会在检测过程中产生假阳性(不正确地检测到腐蚀)和假阴性(不正确地未检测到腐蚀)，因此准确的NDT技术可能还不够。

因此，需要在NDT检测工艺中进行改进，以使外部变量和混杂变量能够得到更适当的考虑，从而提高CUI检测的准确性。

发明内容

本发明的实施例提供了一种用于鉴定结构中的保温层下腐蚀(CUI)的计算机实现的方法。该方法包括：a)使用红外辐射传感器接收从结构捕获的热图；b)使用第一机器学习系统将一个或多个滤波器应用于热图；c)基于来自所述一个或多个滤波器的输出初始确定CUI分类；d)通过对所述结构的检查来验证初始CUI分类；e)基于验证的结果训练第一机器学习系统的滤波器；f)对附加热图数据重复步骤a)至e)，直到达到CUI分类准确性的第一阈值。在进一步的步骤中，将第一机器学习系统的输出以及与结构和环境条件有关的附加数据输入第二机器学习系统中，第二机器学习系统将来自早期状态的信息合并到当前状态中，并且训练第二机器学习系统根据第一机器学习系统的输出和附加数据随时间的变化鉴定CUI，直到达到CUI分类准确性的第二阈值。在达到所述第一和第二阈值之后，使用所述第一和第二机器学习系统基于当前热图和附加数据协同鉴定所述结构中的CUI。

在一些实施例中，第一机器学习系统包括卷积神经网络。卷积神经网络的实施方式可包括多个分级分层，每个分级分层包括卷积阶段、非线性函数阶段和汇集阶段。

在一些实施例中，第二机器学习系统包括递归神经网络。

在一些实施方式中，输入到第二机器学习系统的附加数据包括环境温度、结构的物理特性以及随时间测量的天气状况。有利地，可以训练第一和第二机器学习系统鉴定与来自所述结构外部的物体的红外辐射的反射有关的假阳性结果。

CUI的鉴定可以包括鉴定所述结构在保温层下的易损区域，所述易损区域很可能限制水分。在一些实施方式中，使用以下至少两种技术来进行验证：脉冲涡流评价、目视检查、保温层移除和壁减薄的超声测试。

在其他实施方式中，包括预处理所述热图数据和所述附加数据，以对分类变量进行编码并且对连续变量进行归一化。热图数据、环境变量和结构信息可以矢量化，并用作神经网络的输入。