一种基于弱监督学习的管道漏磁内检测缺陷识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116012317A(43)申请公布日2023.04.25(21)申请号202211656554.8G06V10/774(2022.01)(22)申请日2022.12.22G06V10/82(2022.01)G06N3/0455(2023.01)(71)申请人浙江大学G06N3/0464(2023.01)地址310058浙江省杭州市西湖区余杭塘G06N3/0895(2023.01)路866号G01N27/83(2006.01)(72)发明人李春光杜文飞(74)专利代理机构杭州求是专利事务所有限公司33200专利代理师万尾甜韩介梅(51)Int.Cl.G06T7/00(2017.01)F17D5/00(2006.01)G06V10/26(2022.01)G06V10/34(2022.01)G06V10/44(2022.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于弱监督学习的管道漏磁内检测缺陷识别方法(57)摘要本发明公开了一种基于弱监督学习的管道漏磁内检测缺陷识别方法。本发明包括以下步骤：对获取到的管道漏磁数据进行预处理；融合漏磁数据多分量的信息构建漏磁图像数据集；根据漏磁数据的特点构建出缺陷语义分割网络MFLSegNet，并使用边界框标签进行填充获得的弱标签训练MFLSegNet；结合漏磁数据在异常处会出现波峰波谷的先验知识，在训练过程中使用填充率指导损失指导模型对弱标签进行迭代优化；采用条件随机场和形态学膨胀操作对模型分割的结果进行后处理，处理后得到最终的缺陷识别结果。本发明仅通过边界框级别的弱标签，实现了对管道缺陷的高效准确分割，能够有效地节省人工标注的成本。CN116012317ACN116012317A权利要求书1/2页1.一种基于弱监督学习的管道漏磁内检测缺陷识别方法，其特征在于，包括如下步骤：(1)对获取到的管道漏磁数据进行预处理；(2)融合漏磁数据多分量的信息构建漏磁图像数据集；(3)根据漏磁数据的特点构建出缺陷语义分割网络MFLSegNet，并使用边界框标签进行填充获得的弱标签训练MFLSegNet；(4)结合漏磁数据在异常处会出现波峰波谷的先验知识，在训练过程中使用填充率指导损失指导模型对弱标签进行迭代优化；(5)采用条件随机场和形态学膨胀操作对模型分割的结果进行后处理，处理后得到最终的缺陷识别结果。2.根据权利要求1所述的一种基于弱监督学习的管道漏磁内检测缺陷识别方法，其特征在于，在构建数据集时，采用漏磁检测器所测量三维磁场矢量中原始的径向分量数据、原始的轴向分量数据和经过滑窗滤波后的径向分量数据，在经过阈值截断和归一化后，作为RGB彩色图像的三个通道，构建出漏磁图像数据集。3.根据权利要求1所述的一种基于弱监督学习的管道漏磁内检测缺陷识别方法，其特征在于，所述的步骤(3)中，MFLSegNet是指针对漏磁数据特点设计的漏磁缺陷分割网络，MFLSegNet的总体结构分为编码器和解码器两部分；编码器采用VGGNet的前4个Block，其主要包括10个3*3的卷积层和4个最大池化层，解码器主要包括5个3*3的卷积层、5个批归一化层、5个随机失活层和4个上采样层；MFLSegNet中包含了在编码器中针对性设计的最大池化层、在所有卷积层前设置的改进填充层和在编码器解码器之间添加的空洞金字塔池化模块。4.根据权利要求3所述的一种基于弱监督学习的管道漏磁内检测缺陷识别方法，其特征在于，针对漏磁数据的特点对网络编码器中的池化层进行改进，具体的，漏磁检测器在轴向采样的间距为2mm，在周向采样的间距通常在8mm～17mm范围内，检测器在轴向采样间距小，采样点密集，在周向采样间距大，采样点较为稀疏；根据该特点，减小网络在周向池化窗口的大小和池化的步长来保留更多周向方向上的信息，提升网络对微小缺陷的识别能力。5.根据权利要求3所述的一种基于弱监督学习的管道漏磁内检测缺陷识别方法，其特征在于，在MFLSegNet的卷积层中使用环形填充和对称填充来推断图像边界上缺失的上下文信息，以更好地预测边界上的像素点；具体的，由于管道为环形管道，在构建漏磁数据集时将漏磁数据沿着管道轴向进行展开，得到矩形的漏磁图像，图像的上边界和下边界在环形管道上是相连的，根据环形管道漏磁数据的特点，在卷积层前使用环形填充对上下边界进行补全，使用对称填充对左右边界进行补全，这样更加自然地补全环形管道漏磁图像边界处缺失的信息，使网络更好地识别可能出现在边界上的管道缺陷。6.根据权利要求3所述的一种基于弱监督学习的管道漏磁内检测缺陷识别方法，其特征在于，针对管道上不同缺陷尺度差别大的问题，在MFLSegNet中使用空洞金字塔池化来融合漏磁图像的多尺度信息，使得低分辨率、高语义信息和高分