[发明专利]管道斜接角度检测方法及装置

权利要求书

1.一种管道斜接角度检测方法，其特征在于，包括步骤：

通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本，并将所述漏磁曲线样本分为训练图像样本集和测试图像样本集；

将所述训练图像样本集输入到卷积神经网络中进行特征识别学习训练，以构建初始卷积神经网络模型；

利用测试图像样本集对所述初始卷积神经网络模型进行校准并得到最终卷积神经网络模型；

采集待测管道的斜接角度的漏磁曲线图像并输入所述最终卷积神经网络模型中，以获取所述待测管道的斜接角度所属范围；

所述通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本的步骤包括：

获取管道中不同缺陷类型的漏磁曲线所对应的漏磁场信号；

通过漏磁场信号特征初步判别缺陷外形参数；

根据缺陷外形参数对缺陷进行分类，以获取不同斜接角度范围的漏磁曲线样本。

2.根据权利要求1所述的管道斜接角度检测方法，其特征在于，所述通过漏磁内检测器采集管道中不同斜接角度的漏磁曲线样本的步骤包括：

以管道中沿漏磁内检测器行进方向上的位置为横坐标，磁通量为纵坐标绘制漏磁曲线图；

识别所述漏磁曲线图中的波动位置，并截取预设斜接角度范围的所述漏磁曲线作为漏磁曲线样本的其中一个图像。

3.根据权利要求1所述的管道斜接角度检测方法，其特征在于，所述卷积神经网络包括输入层、卷积层和输出层，所述将所述训练图像样本集输入到卷积神经网络中进行特征识别学习训练，以构建初始卷积神经网络模型的步骤包括：

向所述输入层输入多个斜接角度未分类的漏磁曲线图像，并将多个斜接角度未分类的漏磁曲线图像处理成输入特征矩阵；

所述卷积层从所述输入特征矩阵中提取斜接角度的特征；

分析并识别提取的斜接角度的特征，所述输出层对所述输入特征矩阵放入斜接角度的分类标签，并输出斜接角度分类完成后的图像矩阵。

4.根据权利要求1所述的管道斜接角度检测方法，其特征在于，所述利用测试图像样本集对所述初始卷积神经网络模型进行校准并得到最终卷积神经网络模型的步骤包括：

将含有已知斜接角度分类标签的测试图像样本集输入到所述初始卷积神经网络模型中；

所述初始卷积神经网络模型输出测试图像样本集的测试斜接角度分类；

将测试斜接角度分类与已知斜接角度分类标签对比，根据比对结果判断所述初始卷积神经网络模型的识别置信度；

当识别置信度小于预设标准时，采用训练图像样本集对所述初始卷积神经网络模型进行重新识别学习训练，直至识别置信度达到预设标准时，即得到最终卷积神经网络模型。

5.根据权利要求1所述的管道斜接角度检测方法，其特征在于，采集待测管道的斜接角度的漏磁曲线图像并输入所述最终卷积神经网络模型中，以获取所述待测管道的斜接角度所属范围的步骤包括：

通过漏磁内检测器获取待测管道中沿延伸方向的漏磁曲线；

从所述漏磁曲线中获取多个具有斜接角度的漏磁曲线图像，并组成漏磁曲线图像输入矩阵；

将漏磁曲线图像输入矩阵输入至所述最终卷积神经网络模型中进行识别分类，得到具有斜接角度范围分类标签的漏磁曲线图像输出矩阵；

根据漏磁曲线图像输出矩阵得到每个所述漏磁曲线图像所属的斜接角度范围。

6.根据权利要求1所述的管道斜接角度检测方法，其特征在于，所述将所述训练图像样本集输入到卷积神经网络中进行特征识别学习训练，以构建初始卷积神经网络模型的步骤之前还包括：

通过邻接矩阵和度矩阵构建图结构：

利用图结构计算图卷积，并根据图卷积定义图卷积层；

将多层图卷积层通过卷积堆叠构建图卷积神经网络。