管道焊缝无损检测方法及系统与流程

本发明涉及管道检测，具体地涉及一种管道焊缝无损检测方法、一种管道焊缝无损检测系统、一种机器可读存储介质及一种电子设备。

背景技术：

1、无损检测就是指在检查机械材料内部不损害或不影响被检测对象使用性能，不伤害被检测对象内部组织的前提下，利用材料内部结构异常或缺陷存在引起的热、声、光、电、磁等反应的变化，以物理或化学方法为手段，借助现代化的技术和设备器材，对试件内部及表面的结构、状态及缺陷的类型、数量、形状、性质、位置、尺寸、分布及其变化进行检查和测试的方法。

2、管道广泛应用于工业中，由于管道工况复杂，对安全性有较高要求，在管道焊接加工过程中通常需要对焊缝进行无损检测，以确保管道的质量，超声波检测是无损检测方法之一，其原理是：超声波在被检测材料中传播时，材料的声学特性和内部组织的变化对超声波的传播产生一定的影响，通过对超声波受影响程度和状况进行探测，以了解材料性能和结构变化，常用于管道焊缝的检测。然而由于管道焊缝组织、结构、表面状况复杂，超声检测结果精度较差，检测数据无法保证准确性，同时由于样本数量少、噪声大，导致自动化检测精度低。

技术实现思路

1、本发明实施方式的目的是提供一种管道焊缝无损检测方法及系统，以至少解决上述的由于样本数量少、噪声大，导致自动化检测精度低的问题。

2、为了实现上述目的，本发明第一方面提供一种管道焊缝无损检测方法，包括：

3、控制设置于待检测管道上的发生器发射瑞利波，并控制设置于待检测管道上的压电换能器进行回波信号检测，获得具有时域差的回波信号；

4、基于回波信号，重构生成回波图像数据和增强图像数据；

5、将回波图像数据和增强图像数据输入至预构建的cyclegan模型进行样本扩充，得到样本集；

6、将样本集输入至预置神经网络模型中进行训练，得到缺陷检测模型；

7、获取待检测管道的待检测信号，将待检测信号输入至缺陷检测模型，得到缺陷检测结果。

8、可选的，上述基于回波信号，重构生成增强图像数据，包括：

9、基于延迟求和算法对回波信号进行处理，得到增强回波信号；

10、对增强回波信号进行重构，得到增强图像数据。

11、可选的，上述压电换能器包括多个检测电极，检测电极用于接收回波信号；

12、上述基于延迟求和算法对回波信号进行处理，得到增强回波信号，包括：

13、将最先接收到回波信号的检测电极作为参考点，计算瑞利波从参考点传播到各个检测电极的时间延迟；

14、基于时间延迟，对回波信号进行修正，得到门控超声信号；

15、对门控超声信号进行求和得到增强回波信号。

16、可选的，上述计算瑞利波从参考点传播到各个检测电极的时间延迟的公式为：

17、t=d/λ；

18、其中，t为瑞利波从参考点传播到各个检测电极的时间延迟，d为参考点与各个检测电极之间的距离，λ为瑞利波波长。

19、可选的，上述cyclegan模型的构建规则如下：

20、根据管道图像数据和训练目标映射关系建立cyclegan模型；

21、计算cyclegan模型的损失函数值，基于cyclegan模型的损失函数值调整cyclegan模型，直至cyclegan模型的损失函数值小于预设阈值，得到最终的cyclegan模型。

22、可选的，上述cyclegan模型的损失函数值的计算公式为：

23、；

24、；

25、其中，为生成器的输出损失函数，表示生成的图像与实验训练图像之间的l1距离，为归一化计算，为总体损失函数，为cyclegan模型的损失函数，为循环一致性损失，g为生成器，d为鉴别器，为损失函数平衡系数。

26、可选的，上述预置神经网络模型为卷积神经网络模型；

27、将样本集输入至预置神经网络模型中进行训练，得到缺陷检测模型，包括：

28、a1：基于超参数优化算法，确定卷积神经网络模型的最优设置参数；

29、a2：基于卷积神经网络模型的最优设置参数，生成多个配置；

30、a3：基于多个配置，得到卷积神经网络迭代种群；

31、a4：基于卷积神经网络迭代种群中的各个配置，分别进行卷积神经网络模型初始化，得到对应的卷积神经网络模型；

32、a5：将样本集输入至各个卷积神经网络模型中，并计算各个卷积神经网络模型的模型得分；

33、a6：对模型得分最高的卷积神经网络模型的任一可变参数进行更改，生成新的配置；

34、a7：将新的配置添加至卷积神经网络迭代种群，并将当前模型得分最高的卷积神经网络模型对应的配置从卷积神经网络迭代种群中删除；

35、a8：循环执行a4至a7，确定模型得分最高的卷积神经网络模型作为缺陷检测模型。

36、可选的，上述卷积神经网络模型的模型得分的计算过程如下：

37、根据公式，计算卷积神经网络模型的精确度；

38、根据公式，计算卷积神经网络模型的召回率；

39、基于卷积神经网络模型的精确度和召回率，根据公式

40、得到卷积神经网络模型的模型得分；

41、其中，tp为正确识别缺陷次数，fp为错误识别缺陷次数，fn为未正确识别缺陷次数。

42、本发明第二方面提供一种管道焊缝无损检测系统，包括：

43、回波信号检测模块，用于控制设置于待检测管道上的发生器发射瑞利波，并控制设置于待检测管道上的压电换能器进行回波信号检测，获得具有时域差的回波信号；

44、图像数据重构模块，用于基于回波信号，重构生成回波图像数据和增强图像数据；

45、样本扩充模块，用于将回波图像数据和增强图像数据输入至预构建的cyclegan模型进行样本扩充，得到样本集；

46、模型训练模块，用于将样本集输入至预置神经网络模型中进行训练，得到缺陷检测模型；

47、缺陷检测模块，用于获取待检测管道的待检测信号，将待检测信号输入至缺陷检测模型，得到缺陷检测结果。

48、在本发明第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得上述处理器被配置成执行上述的管道焊缝无损检测方法。

49、在本发明第四方面提供一种电子设备，电子设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现上述的管道焊缝无损检测方法。

50、通过上述技术方案，提供一种管道焊缝无损检测方法及系统控制设置于待检测管道上的发生器发射瑞利波，并控制设置于待检测管道上的压电换能器进行回波信号检测，获得具有时域差的回波信号。通过压电换能器一次性接收一组具有时域差的回波信号，可以实现当检测回波时在短时间内获得多组回波信号的目的，且这些回波信号在频域上存在相位延迟且相互之间没有抵消，可以分别经放大后用于增加样本量。基于回波信号，重构生成回波图像数据和增强图像数据。将回波图像数据和增强图像数据输入至预构建的cyclegan模型进行样本扩充，得到样本集。经过扩大后的样本集中除了回波图像数据和增强图像数据外，还包括模拟生成的无缺陷图像和模拟生成的有缺陷图像，可用于训练神经网络模型。该方法及系统通过cyclegan模型扩大样本数量，在保证样本质量的同时有效提高了样本的丰富程度，克服了现有技术中管道无损检测样本数量不足、神经网络精度低的问题。将样本集输入至预置神经网络模型中进行训练，得到用于缺陷检测的缺陷检测模型。利用该缺陷检测模型对待检测管道的待检测信号进行缺陷分析，得到缺陷检测结果。该方法及系统可以有效解决管道无损检测因样本少、噪声大造成神经网络算法干扰大的问题，实现了更高精度的检测。

51、本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。