[发明专利]超声导波管道缺陷无损检测方法

说明书

公开了一种超声导波管道缺陷无损检测方法，其采用基于深度学习的人工智能检测技术，以通过对于待检测管道的检测超声导波信号和无缺陷管道的参考超声导波信号在高维空间中进行多尺度的特征差异性对比来进行所述待检测管道是否存在缺陷的检测判断。这样，能够准确地进行管道缺陷的无损检测。

技术领域

本申请涉及无损检测技术领域，且更为具体地，涉及一种超声导波管道缺陷无损检测方法。

背景技术

管道铺设涉及各行各业，承担着重要的生产使命。大多数管道需要面临各种复杂的环境，比如恶劣天气、撞击、管道内部化学物质的腐蚀等，因此管道容易产生各种缺陷。工程中，因为管道缺陷给人们生存和财产安全带来巨大损伤的事件频繁发生，因此，管道健康状况的检测显得尤为重要。

目前，管道维护人员一般通过目视检测、电磁探伤等方法检测管道的损伤，这些方法不但耗费时间长，检测精度也不高。

因此，期望一种优化的管道缺陷无损检测方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种超声导波管道缺陷无损检测方法，其采用基于深度学习的人工智能检测技术，以通过对于待检测管道的检测超声导波信号和无缺陷管道的参考超声导波信号在高维空间中进行多尺度的特征差异性对比来进行所述待检测管道是否存在缺陷的检测判断。这样，能够准确地进行管道缺陷的无损检测。

根据本申请的一个方面，提供了一种超声导波管道缺陷无损检测方法，其包括：获取待检测管道的检测超声导波信号和参考超声导波信号，其中，所述参考超声导波信号为无缺陷的管道的超声导波信号；对所述检测超声导波信号和所述参考超声导波信号分别进行傅里叶变换以得到多个检测频域统计值和多个参考频域统计值；将所述多个检测频域统计值和所述检测超声导波信号的波形图通过第一Clip模型以得到检测超声特征矩阵；将所述多个参考频域统计值和所述参考超声导波信号通过第二Clip模型以得到参考超声特征矩阵；计算所述检测超声特征矩阵与所述参考超声特征矩阵之间的差分特征矩阵；对所述差分特征矩阵的各个位置的特征值进行校正以得到校正后差分特征矩阵；以及将所述校正后差分特征矩阵通过分类器以得到分类结果，所述分类结果表示待检测管道是否存在缺陷。

在上述超声导波管道缺陷无损检测方法中，所述将所述多个检测频域统计值和所述检测超声导波信号的波形图通过第一Clip模型以得到检测超声特征矩阵，包括：将所述多个检测频域统计值输入所述第一Clip模型的序列编码器以得到检测频域统计特征向量；将所述检测超声导波信号的波形图输入所述第一Clip模型的图像编码器以得到检测超声导波图像特征向量；以及，将所述检测超声导波图像特征向量和所述检测频域统计特征向量输入所述第一Clip模型的编码优化器以得到所述检测超声特征矩阵。

在上述超声导波管道缺陷无损检测方法中，所述将所述多个检测频域统计值输入所述第一Clip模型的序列编码器以得到检测频域统计特征向量，包括：将所述多个检测频域统计值输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度检测频域统计特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述多个检测频域统计值输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度检测频域统计特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度检测频域统计特征向量和所述第二尺度检测频域统计特征向量进行级联以得到所述检测频域统计特征向量。

在上述超声导波管道缺陷无损检测方法中，所述将所述检测超声导波信号的波形图输入所述第一Clip模型的图像编码器以得到检测超声导波图像特征向量，包括：使用所述第一Clip模型的图像编码器的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一Clip模型的图像编码器的最后一层的输出为所述检测超声导波图像特征向量，所述第一Clip模型的图像编码器的第一层的输入为所述检测超声导波信号的波形图。