【技术实现步骤摘要】
本专利技术涉及人工智能、管网，具体而言，本专利技术涉及一种管道焊缝智能识别方法、装置、电子设备及存储介质。
技术介绍
1、在全自动超声检测(automatic ultrasonic testing,简称aut)中，根据超声波相控阵声聚焦和焊缝分区扫查原理进行管道焊缝的检测，通过焊缝分区扫查形成aut扫查图，并根据带状图(a扫描)、体积通道数据(b扫描)和tofd扫描图谱综合评价焊缝质量。aut检测已经成为长输管道对接环焊缝的主要检验方法。
2、目前，aut焊缝缺陷的定性与定量评定主要由考核合格后的aut检测人员完成。而现场情况下管道环焊缝中缺陷位置、大小与生长方向具有较强的随机性，因此需要带状图、体积通道数据和tofd进行联合判别。同时，由于受到检测人员专业知识与经验的影响较大，对于一些缺陷特征相似的两种缺陷，很容易因为经验不足而导致缺陷的误判和漏判，因此，现有技术急需一种应用aut检测缺陷的智能识别技术，以提高识别准确性。
技术实现思路
1、本专利技术所要解决的技术问题是提供了一种管道焊缝智能识别方法、装置、电子设备及存储介质，旨在解决上述至少一个技术问题。
2、第一方面，本专利技术解决上述技术问题的技术方案如下：一种管道焊缝智能识别方法，该方法包括：
3、获取针对待识别管道的管道焊缝的待识别二维图像，所述待识别二维图像是基于aut技术扫查所述待识别管道得到的扫查文件确定的；
4、根据所述扫查文件，确定所述管道焊缝在扫查方向上的缺陷
5、根据所述待识别二维图像，通过预训练的识别模型识别出所述管道焊缝的缺陷类别；
6、根据所述缺陷类别和所述缺陷类别对应的缺陷区间，确定所述管道焊缝的缺陷尺寸和缺陷位置，其中，所述识别模型是通过以下方式训练得到的：
7、获取训练样本，所述训练样本包括多张不同真实缺陷类别的样本二维图像；
8、对于每张所述样本二维图像，通过resnet中的特征提取层提取缺陷特征，所述特征提取层为所述resnet中的新网络层，所述新网络层为将所述resnet中每个残差模块中的第二个标准卷积替换为深度可分离卷积得到的网络层；
9、对于每张所述样本二维图像，根据所述样本二维图像对应的缺陷特征，通过所述resnet中的类别识别层得到所述样本二维图像对应的预测缺陷类别；
10、根据多个所述预测缺陷类别和多个所述真实缺陷类别，完成对所述resnet的训练，得到所述识别模型。
11、本专利技术的有益效果是：基于识别模型智能的识别缺陷类别，可提高识别准确性，同时，在识别模型训练的过程中，采用深度可分离卷积替换resnet中每个残差模块中的第二个标准卷积，在有效利用不同通道在相同空间位置上特征信息的同时，还减少了卷积计算所需要的参数个数并提升了卷积核参数的使用效率。
12、在上述技术方案的基础上，本专利技术还可以做如下改进。
13、进一步，上述resnet的网络参数是通过麻雀搜索算法优化后的参数。
14、采用上述进一步方案的有益效果是，使用麻雀搜索算法对网络参数进行自适应寻优，减少了人为因素干扰，提高识别准确率。
15、进一步，所述获取针对待识别管道的管道焊缝的待识别二维图像，包括：
16、获取通过aut技术检测所述待识别管道的管道焊缝得到的扫查文件，所述扫查文件中包括扫查所述待识别管道的各个扫查位置、每个所述扫查位置对应的带状图、体积通道数据和tofd通道数据；
17、解析所述扫查文件，得到各个所述扫查位置、每个所述扫查位置对应的带状图、体积通道数据和tofd通道数据；
18、对于每个所述tofd通道数据，将所述tofd通道数据的基线调整至0且进行绝对值处理，得到处理后的tofd通道数据；
19、根据各个所述扫查位置、每个所述扫查位置对应的带状图、体积通道数据和处理后的tofd通道数据，得到数据矩阵，所述数据矩阵的行数表示扫查位置的数量，对于所述数据中的每行数据，该行数据为由所述带状图、体积通道数据和处理后的tofd通道数据依次连接得到的数据；
20、将所述数据矩阵转换为待识别二维图像，每个所述扫查位置对应一张待识别二维图像。
21、采用上述进一步方案的有益效果是，将tofd通道数据的基线调整至0且进行绝对值处理，可以保证各通道数据基线保持一致。
22、进一步，上述扫查文件中还包括各个通道的时间闸门，在得到数据矩阵之前，该方法还包括：
23、对于每个所述通道，删除该通道在所述扫查文件对应的数据中，除了该所述通道的时间闸门之外的数据。
24、采用上述进一步方案的有益效果是，根据aut原理，时间闸门外的信号不在扫查图上显示，因此将各通道的时间闸门外的数据删除以减少数据量并消除干扰数据。
25、进一步，上述缺陷类别包括未熔合缺陷、未焊透缺陷、裂纹缺陷和气孔缺陷中的至少一项；一张所述待识别二维图像对应一个扫查位置，一个所述扫查位置对应三个通道；
26、若所述缺陷类别包括所述未熔合缺陷，所述根据所述缺陷类别和所述缺陷类别对应的缺陷区间，确定所述管道焊缝的缺陷尺寸和缺陷位置，包括：
27、根据所述未熔合缺陷对应的缺陷区间，确定所述未熔合缺陷对应的缺陷区间的缺陷起止点，并基于所述缺陷起止点确定所述未熔合缺陷对应的缺陷区间的缺陷位置；
28、根据所述未熔合缺陷对应的缺陷区间，确定所述未熔合缺陷对应的缺陷区间的缺陷长度；
29、根据所述未熔合缺陷对应的缺陷区间对应的各所述通道对应的幅值，确定最大幅值，并根据该最大幅值，确定所述未熔合缺陷对应的缺陷区间的缺陷深度；
30、根据所述最大幅值和所述未熔合缺陷对应的缺陷区间对应的带状图，确定所述未熔合缺陷对应的缺陷区间的缺陷高度，所述未熔合缺陷对应的缺陷区间的缺陷尺寸包括所述缺陷长度、缺陷深度和缺陷高度中的至少一项；
31、根据所述未熔合缺陷对应的缺陷区间的缺陷位置和缺陷尺寸，确定所述管道焊缝的缺陷尺寸和缺陷位置。
32、采用上述进一步方案的有益效果是，由于不同缺陷类别的缺陷尺寸计算方法不同，因此，按照不同的缺陷类别进行缺陷尺寸的计算，可以更加准确的计算得到缺陷尺寸。
33、进一步，上述待识别二维图像包括多张待识别图像，每张所述待识别图像对应一个所述缺陷类别，则所述根据所述缺陷类别和所述缺陷区间，确定所述管道焊缝的缺陷尺寸和缺陷位置，包括：
34、将多个所述缺陷类别中相同的缺陷类别进行聚类，得到至少一个目标类别；
35、对于所述至少一个目标类别中的每个目标类别，根据所述目标类别和所述目标类别对应的缺陷区间，确定所述目标类别对应的缺陷区间的缺陷尺寸和缺陷位置；
36、根据各个所述目标类别对应的缺陷区间的缺陷尺寸和缺陷位置，确定所述管道焊缝的缺陷尺寸和缺陷位置。
37、采用上述本文档来自技高网...
【技术保护点】
1.一种管道焊缝智能识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述ResNet的网络参数是通过麻雀搜索算法优化后的参数。
3.根据权利要求1所述的方法，其特征在于，所述获取针对待识别管道的管道焊缝的待识别二维图像，包括：
4.根据权利要求3所述的方法，其特征在于，所述扫查文件中还包括各个通道的时间闸门，在得到数据矩阵之前，所述方法还包括：
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述缺陷类别包括未熔合缺陷、未焊透缺陷、裂纹缺陷和气孔缺陷中的至少一项；一张所述待识别二维图像对应一个扫查位置，一个所述扫查位置对应三个通道；
6.根据权利要求1至4中任一项所述的方法，其特征在于，所述待识别二维图像包括多张待识别图像，每张所述待识别图像对应一个所述缺陷类别，则所述根据所述缺陷类别和所述缺陷区间，确定所述管道焊缝的缺陷尺寸和缺陷位置，包括：
7.一种管道焊缝智能识别装置，其特征在于，包括：
8.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法。
...【技术特征摘要】
1.一种管道焊缝智能识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述resnet的网络参数是通过麻雀搜索算法优化后的参数。
3.根据权利要求1所述的方法，其特征在于，所述获取针对待识别管道的管道焊缝的待识别二维图像，包括：
4.根据权利要求3所述的方法，其特征在于，所述扫查文件中还包括各个通道的时间闸门，在得到数据矩阵之前，所述方法还包括：
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述缺陷类别包括未熔合缺陷、未焊透缺陷、裂纹缺陷和气孔缺陷中的至少一项；一张所述待识别二维图像对应一个扫查位置，一个所述扫查位置对应三个通道；
【专利技术属性】
技术研发人员：雷铮强，王维斌，张新建，毕武喜，李亚平，
申请(专利权)人：国家石油天然气管网集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。