一种基于双重注意力网络的油气管道漏磁检测方法技术

本发明专利技术公开了一种基于双重注意力网络的油气管道漏磁检测方法，属于管道检修技术领域，其步骤包括：1通过漏磁检测器采集油气管道漏磁曲线图像，并构建油气管道漏磁图像数据集；2搭建双重注意力网络，网络结构包含多尺度卷积神经网络模块、尺度注意力模块、双向门控循环单元模块、时间注意力模块和全连接网络预测模块；3训练双重注意力网络模型，优化模型参数；4利用训练好的双重注意力模型预测管道的缺陷情况。本发明专利技术能自适应融合多个尺度上的缺陷特征，并能实现不同时间的特征的差异性利用，从而能提升油气管道漏磁检测效果。从而能提升油气管道漏磁检测效果。从而能提升油气管道漏磁检测效果。

【技术实现步骤摘要】
一种基于双重注意力网络的油气管道漏磁检测方法


[0001]本专利技术公开了一种基于双重注意力网络的油气管道漏磁检测方法，属于管道检修


技术介绍

[0002]管道漏磁内检测方法是目前在管道检测领域最为有效的检测方法之一，其使用的检测设备相对轻便，通过能力较强，检测效率高，且在其运行时不影响管道运输，使得管道漏磁内检测方法受到行业青睐。管道漏磁内检测方法利用检测器中的霍尔元件，通过检测磁通量的变化来进行缺陷检测，可以有效地检测腐蚀刨槽、腐蚀凹坑、金属缺失和孔类缺陷等，从而及时预测油气管道的减薄、穿孔或破裂等缺陷，以做出相应的处理措施。
[0003]传统的管道漏磁信号的识别方法主要通过模板匹配法和手动提取特征预测法来实现。模板匹配法是通过人工制作的标准缺陷样本来检测漏磁场，提取管道缺陷的缺陷信号特征，该方法的缺点是需要大量的缺陷样本因此耗时长、效率低。手动提取特征的方法是利用特征量提取算法来对缺陷的类型以及一些特征参数进行预测，因为在提取过程中会引入噪声，对缺陷信号的识别和参数的分析及评价造成一定影响，特征量的选择和提取一直是难点问题。另一方面，通过图像识别手段，针对管道漏磁曲线图像进行缺陷检测也是一种常用的方法，但是传统的图像识别方法特征提取能力有限，难以处理大规模和特征类型多样的漏磁曲线图像。近年来，随着深度学习在图像识别领域的发展，利用深度神经网络处理漏磁曲线形成的图像数据，可以更加高效地识别管道中的缺陷部分。然而，油气管道缺陷存在尺度变化大、动态特征显著等问题的存在，导致利用油气管道漏磁曲线图像进行油气管道漏磁检测的精度较低。

技术实现思路

[0004]为解决上述问题，本专利技术提供一种基于双重注意力网络的油气管道漏磁检测方法，以期能自适应融合多个尺度上的缺陷特征，并能实现不同时间的特征的差异性利用，从而能提升油气管道漏磁检测效果。
[0005]本专利技术为达到上述专利技术目的，采用以下技术方案：
[0006]本专利技术一种基于双重注意力网络的油气管道漏磁检测方法的特点在于，包括以下步骤：
[0007]步骤1，通过漏磁检测器采集油气管道漏磁曲线图像，并构建油气管道漏磁图像数据集D＝{D
i
|i＝1,2,3,...,I}，其中，D
i
为第i个图像样本，且D
i
＝(X
i
,y
i
)，代表第i个油气管道漏磁图像，y
i
表示X
i
对应油气管道缺陷类别的独热编码，其中，L，W分别为图像长度、宽度；
[0008]步骤2，搭建双重注意力网络，包含：多尺度卷积神经网络模块、尺度注意力模块、双向门控循环单元模块、时间注意力模块和全连接网络预测模块；
[0009]步骤2.1，定义迭代次数为z，并初始化z＝1，迭代阈值为Z；初始化所述双重注意力
网络中的参数；
[0010]步骤2.2，将所述样本集中的第i个油气管道漏磁图像X
i
输入所述双重注意力网络进行处理，并相应输出第z次迭代时油气管道缺陷类别的预测向量
[0011]步骤2.3，利用式(9)计算第z轮迭代时改进的focal loss损失函数FL
(z)
：
[0012][0013]式(9)中，δ为手动设定的调节因子；
[0014]步骤2.4，基于油气管道漏磁曲线图像样本集D，以所述focalloss损失函数最小化为目标，并通过时间反向传播算法和自适应矩估计优化算法对双重注意力网络中的参数进行优化更新，直到z＞Z为止，结束训练，从而得到训练好的双重注意力网络模型，用于预测油气管道的缺陷情况。
[0015]本专利技术所述的一种基于双重注意力网络的油气管道漏磁检测方法的特点也在于，所述步骤2.2包括以下步骤：
[0016]步骤2.2.1，将油气管道漏磁图像X
i
输入所述多尺度卷积神经网络模块，从而利用式(1)得到第z次迭代的第l个尺度特征矩阵从而得到第z次迭代的多尺度特征矩阵
[0017][0018]式(1)中，为第z次迭代时第l个尺度采用的卷积核，是第z次迭代时第l个尺度的偏置，l＝1,2,
…
，L，L表示尺度的总数，表示卷积操作，T表示矩阵转置，表示双曲正切激活函数；
[0019]步骤2.2.2，所述尺度注意力模块将第z次迭代的多尺度特征矩阵投影到不同的注意力头上，从而得到所有注意力头的输入矩阵其中，表示第z次迭代时第h个注意力头的输入矩阵，h∈{1,2,...,H}，H为注意力头的总数；
[0020]步骤2.2.3，所述尺度注意力模块利用式(2)计算第z次迭代的第h个注意力头对应的注意力权重
[0021][0022]式(2)中，和分别表示第z次迭代第h个注意力头对应的查询矩阵和键矩阵，Softmax表示激活函数；
[0023]步骤2.2.4，所述尺度注意力模块利用式(3)计算第z次迭代的第h个注意力头对应的初始多尺度融合特征矩阵
[0024][0025]式(3)中，表示第z次迭代的第h个注意力头对应的值矩阵；
[0026]步骤2.2.5，所述尺度注意力模块利用式(4)计算得到第z次迭代的多尺度融合特征矩阵s
(z)
：
[0027][0028]式(4)中，“；”表示拼接操作；
[0029]步骤2.2.6，所述双向门控循环单元网络模块对所述第z次迭代的多尺度融合特征矩阵进行每个时间步的前向信息与后向信息的提取，相应得到时间步t上的前向隐藏状态向量h
i,t(z,1)
和后向隐藏状态向量h
i,t(z,
‑
1)
并进行拼接后，得到第z次迭代的时间步t上的深度动态特征h
i,t(z)
＝[h
i,t(z,1)
；h
i,t(z,
‑
1)
]，从而得到第z次迭代的所有时间步上的深度动态特征H
i(z)
＝[h
i,1(z)
；h
i,2(z)
；...；h
i,t(z)
；...；h
i,T'(z)
]，T'为总时间步长；
[0030]步骤2.2.7，所述时间注意力模块对第z次迭代的深度动态特征数据H
i(z)
进行处理，并输出加权后的深度特征数据M
(z)
：
[0031]步骤2.2.8，所述全连接网络预测模块利用式(8)计算第z次迭代时第i个图像样本D
i
的油气管道缺陷类别的预测向量
[0032][0033]式(8)中，W
(z)
为第z次迭代时全连接网络预测模块的线性变换矩阵，b
(z)
为第z次迭代时全连接网络预测模块的偏置。
[0034]所述步骤2.2.7包括以下步骤：
[0035]步骤a，利用式(5)计算第z次迭代时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双重注意力网络的油气管道漏磁检测方法，其特征在于，包括以下步骤：步骤1，通过漏磁检测器采集油气管道漏磁曲线图像，并构建油气管道漏磁图像数据集D＝{D
i
|i＝1,2,3,...,I}，其中，D
i
为第i个图像样本，且D
i
＝(X
i
,y
i
)，代表第i个油气管道漏磁图像，y
i
表示X
i
对应油气管道缺陷类别的独热编码，其中，L，W分别为图像长度、宽度；步骤2，搭建双重注意力网络，包含：多尺度卷积神经网络模块、尺度注意力模块、双向门控循环单元模块、时间注意力模块和全连接网络预测模块；步骤2.1，定义迭代次数为z，并初始化z＝1，迭代阈值为Z；初始化所述双重注意力网络中的参数；步骤2.2，将所述样本集中的第i个油气管道漏磁图像X
i
输入所述双重注意力网络进行处理，并相应输出第z次迭代时油气管道缺陷类别的预测向量步骤2.3，利用式(9)计算第z轮迭代时改进的focal loss损失函数FL
(z)
：式(9)中，δ为手动设定的调节因子；步骤2.4，基于油气管道漏磁曲线图像样本集D，以所述focal loss损失函数最小化为目标，并通过时间反向传播算法和自适应矩估计优化算法对双重注意力网络中的参数进行优化更新，直到z＞Z为止，结束训练，从而得到训练好的双重注意力网络模型，用于预测油气管道的缺陷情况。2.根据权利要求1所述的一种基于双重注意力网络的油气管道漏磁检测方法，其特征在于，所述步骤2.2包括以下步骤：步骤2.2.1，将油气管道漏磁图像X
i
输入所述多尺度卷积神经网络模块，从而利用式(1)得到第z次迭代的第l个尺度特征矩阵从而得到第z次迭代的多尺度特征矩阵从而得到第z次迭代的多尺度特征矩阵式(1)中，为第z次迭代时第l个尺度采用的卷积核，是第z次迭代时第l个尺度的偏置，l＝1,2,
…
，L，L表示尺度的总数，表示卷积操作，T表示矩阵转置，表示双曲正切激活函数；步骤2.2.2，所述尺度注意力模块将第z次迭代的多尺度特征矩阵投影到不同的注意力头上，从而得到所有注意力头的输入矩阵其中，表示第z次迭代时第h个注意力头的输入矩阵，h∈{1,2,
…
,H}，H为注意力头的总数；步骤2.2.3，所述尺度注意力模块利用式(2)计算第z次迭代的第h个注意力头对应的注意力权重
式(2)中，和分别表示第z次迭代第h个注意力头对应的查询矩阵和键矩阵，Softmax表示激活函数；步骤2.2.4，所述尺度注意力模块利用式(3)计算第z次迭代的第h个注意力头对应的初始多尺度融合特征矩阵始多尺度融合特征矩阵式(3)中，表示第z次迭代的第h个注意力头对应的值矩阵；步骤2.2.5，所述尺度注意力模块利用式(4)计算得到第z次迭代的多尺度融合特征矩阵s
(z)
：式(4)中，“；”表示拼接操作；步骤2.2.6，所述双向门控循环单元网络模块对所述第z次迭代的多尺度融合特征矩阵进行每...

【专利技术属性】
技术研发人员：王刚，李寰，褚伟，伍章俊，熊群峰，董洋，卢明凤，贡俊巧，罗龙清，
申请(专利权)人：安徽华工智能科技研究院有限公司，
类型：发明
国别省市：