裂纹检测方法、装置、电子设备及存储介质

1.本技术属于故障诊断技术领域，更具体地，涉及一种裂纹检测方法、装置、电子设备及存储介质。


背景技术：

2.管道运输是石油能源运输最常用的方式之一，具有低成本、大运输量以及长运输距离等特点，埋地管道作为油气管道中的一种，其设置于环境较为复杂的地下，受石头挤压、潮湿土壤和能源原料腐蚀等因素影响，易发生泄露，甚至是爆炸，因此，对埋地管道裂纹的检测十分重要。
3.漏磁检测是最常用的管道裂纹检测方法之一，具有速度快、精度高、灵敏度高等优点，漏磁检测器一经投入到管道中，通过传感器采集漏磁信号，并将漏磁信号进行保存；漏磁检测检测裂纹，是通过对已知样本进行训练，来预测未知样本是否是有裂纹，裂纹检测的算法很多，常用的方法有基于重构的裂纹检测方法和基于预测的裂纹检测方法，申请人认识到，当使用基于重构的裂纹检测方法进行管道裂纹检测时，管道复杂的运行环境常常会导致非裂纹信号存在一定的波动，从而影响裂纹的检测精度，且当使用基于预测的裂纹检测方法进行管道裂纹检测时，网络训练过程中需要大量的裂纹样本和非裂纹样本，但实际应用过程中裂纹训练样本并不充足，难以满足网络训练要求，进而影响裂纹的检测精度，因此，使用上述裂纹检测方法检测管道裂纹时，由于非裂纹信号的波动以及裂纹训练样本不充足，导致裂纹检测精度不高。


技术实现要素：

4.有鉴于此，本发明提供了一种裂纹检测方法、装置、电子设备及存储介质，主要目的在于解决目前在检测管道裂纹时，由于非裂纹信号的波动以及裂纹训练样本不充足，导致裂纹检测精度不高的问题。
5.依据本技术第一方面，提供了一种裂纹检测方法，包括：
6.控制设置于埋地管道内的漏磁检测器向前移动，所述漏磁检测器用于释放磁信号并接收当所述磁信号穿过所述埋地管道的金属管壁时产生的漏磁信号；
7.在所述漏磁检测器前进的过程中，采集漏磁轴向信号和漏磁径向信号，以及基于所述漏磁轴向信号和所述漏磁径向信号分别生成初始裂缝训练样本集、初始非裂缝训练样本集、初始测试样本集，并对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始测试样本集进行预处理，得到裂缝训练样本集、非裂缝训练样本集、测试样本集；
8.建立多传感器融合特征互监督神经网络；
9.基于所述裂缝训练样本集对所述多传感器融合特征互监督神经网络进行第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征相互逼近，以及基于非裂缝训练样本集对第一次训练后的多传感器融合特征互监督神经网络进行第二训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征相互远离，得到第二次
训练后的多传感器融合特征互监督神经网络作为下一轮次的训练网络；
10.确定训练次数，在每一轮次训练中基于所述裂缝训练样本集对上一轮次得到的第二次训练后的多传感器融合特征互监督神经网络进行当前轮次第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征继续相互逼近，以及基于所述非裂缝训练样本集对当前轮次第一次训练后的多传感器融合特征互监督神经网络进行当前轮次第二次训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征继续相互远离，直至训练的轮次达到所述训练次数，得到目标多传感器融合特征互监督神经网络；
11.基于所述目标多传感器融合特征互监督神经网络确定所述测试样本集中的至少一个裂纹样本。
12.可选地，所述基于所述漏磁轴向信号和所述漏磁径向信号分别生成初始裂缝训练样本集、初始非裂缝训练样本集、初始测试样本集，包括：
13.基于所述漏磁轴向信号和所述漏磁径向信号生成训练信号样本集和测试信号样本集；
14.对所述训练信号样本集包括的信号进行划分，确定包括多个轴向裂缝训练样本和对应的多个径向裂缝训练样本的初始裂缝训练样本集、包括多个轴向非裂缝训练样本和对应的多个径向非裂缝训练样本的初始非裂缝训练样本集，其中，
15.所述初始裂缝训练样本集为xd：为所述初始裂缝训练样本集中第i个轴向裂缝训练样本，为所述初始裂缝训练样本集中第i个径向裂缝训练样本，n为所述初始裂缝训练样本集中轴向缝训练样本/径向裂缝训练样本的数量，
16.所述初始非裂缝训练样本集x
nd
为：为所述初始非裂缝训练样本集中第i个轴向非裂缝训练样本，为所述初始非裂缝训练样本集中第i个径向非裂缝训练样本，n为所述初始非裂缝训练样本集中轴向非裂缝训练样本/径向非裂缝训练样本的数量；
17.将所述测试信号样本集包括的轴向漏磁信号和径向漏磁信号分别按照预设规则分割成多个测试样本，得到初始轴向测试样本集和初始径向测试样本集，其中，
18.所述初始轴向测试样本集为：为所述初始轴向测试样本集中第i个初始轴向测试样本，n
t
为所述初始轴向测试样本集中初始轴向测试样本的数量，
19.所述初始径向测试样本集为：为所述初始径向测试样本集中第i个初始径向测试样本，n
t
为所述初始径向测试样本集中初始径向测试样本的数量；
20.所述初始轴向测试样本集和所述初始径向测试样本集组成所述初始测试样本集。
21.可选地，所述对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始
测试样本集进行预处理，得到裂缝训练样本集、非裂缝训练样本集、测试样本集，包括：
22.分别对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始轴向测试样本集、所述初始径向测试样本集中的每个样本进行基值校正，以确保所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始轴向测试样本集、所述初始径向测试样本集中每个通道的均值为定值ε；
23.利用二维三次样条插值法分别对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始轴向测试样本集、所述初始径向测试样本集中每个校正后的样本进行插值，分别将所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始轴向测试样本集、所述初始径向测试样本集中每个经过正矫正、插值的样本按照彩虹编码方式转化成三通道图片，获得所述裂缝训练样本集、所述非裂缝训练样本集、轴向测试样本集、径向测试样本集，其中，
24.所述裂缝训练样本集sd为：为所述裂缝训练样本集中第i个轴向裂缝训练样本，为所述裂缝训练样本集中第i个径向裂缝训练样本，
25.所述非裂缝训练样本集s
nd
为：为所述非裂缝训练样本集中第i个轴向非裂缝训练样本，为所述非裂缝训练样本集中第i个径向非裂缝训练样本，
26.所述轴向测试样本集为：为所述轴向测试样本集中第i个轴向测试样本，
27.所述径向测试样本集为：为所述径向测试样本集中第i个径向测试样本；
28.所述轴向测试样本集和所述径向测试样本集组成所述测试样本集。
29.可选地，所述建立多传感器融合特征互监督神经网络，包括：
30.建立包括特征提取部分、特征融合部分和特征互监督部分的多传感器融合特征互监督神经网络；其中，
31.所述特征提取部分包括用于提取轴向深度自适应特征的含固定层和微调层的第一预训练网络prea、用于提取径向深度自适应特征的含固定层和微调层的第二预训练网络prer、用于提取轴向深度通用特征的第三预训练模型和用于提取径向深度通用特征的第四预训练模型
32.所述特征融合部分用于将所述轴向深度自适应特征值与所述轴向深度通用特征相融合以得到融合轴向特征向量、将所述径向深度自适应特征值与所述径向深度通用特征相融合以得到融合径向特征向量；
33.所述特征互监督部分用于不断相互监督所述融合轴向特征向量和所述融合径向特征向量，以使裂缝处融合轴向特征和裂缝处融合径向特征相互逼近、非裂纹处融合轴向特征和非裂纹处融合径向特征相互远离。
34.可选地，所述基于所述裂缝训练样本集对所述多传感器融合特征互监督神经网络
进行第一次训练，更新网络参数，包括：
35.从所述裂缝训练样本集sd中提取轴向裂缝训练数据集和径向裂缝训练数据集
36.将所述轴向裂缝训练数据集分别输入到所述第一预训练网络prea和所述第三预训练模型中，得到轴向裂缝深度自适应特征轴向裂缝深度通用特征以及将所述径向裂缝训练数据集分别输入到所述第二预训练网络prer和所述四预训练模型中，得到径向裂缝深度自适应特征径向裂缝深度通用特征
37.将所述轴向裂缝深度自适应特征与所述轴向裂缝深度通用特征进行融合，得到裂缝处融合轴向特征向量以及将所述径向裂缝深度自适应特征与所述径向裂缝深度通用特征进行融合，得到裂缝处融合径向特征向量
38.将所述裂缝处融合轴向特征向量作为径向网络的标签，通过最小化第一损失函数，采用梯度下降法更新所述第二预训练网络prer的网络参数，以及将所述径向裂缝训练数据集输入到训练后的第二预训练网络prer'中，得到更新径向裂缝深度自适应特征将所述更新径向裂缝深度自适应特征与所述径向裂缝深度通用特征进行再次融合，得到裂缝处更新融合径向特征向量其中，所述第一损失函数为：
[0039][0040]
其中，λ表示权重；
[0041]
将裂缝处更新径向融合特征向量作为轴向网络的标签，通过最小化第二损失函数，采用梯度下降法更新所述第一预训练网络prea的网络参数，以及将所述轴向裂缝训练数据集输入到训练后的第一预训练网络prea'中，得到更新轴向裂缝深度自适应特征将所述更新轴向裂缝深度自适应特征与所述轴向裂缝深度通用特征进行再次融合，得到裂缝处更新轴向融合特征向量获得所述第一次训练后的多传感器融合特征互监督神经网络，其中，所述第二损失函数为：
[0042][0043]
可选地，所述基于非裂缝训练样本集对第一次训练后的多传感器融合特征互监督神经网络进行第二训练，更新网络参数，包括：
[0044]
从所述非裂缝训练样本集s
nd
中提取轴向非裂缝训练数据集和径向非裂缝训练数据集
[0045]
将所述轴向非裂缝训练数据集分别输入到所述训练后的第一预训练网络prea'
和所述第三预训练模型中，得到轴向非裂缝深度自适应特征轴向非裂缝深度通用特征以及将所述径向非裂缝训练数据集分别输入到所述训练后的第二预训练网络prer'和所述第四预训练模型中，得到径向非裂缝深度自适应特征径向非裂缝深度通用特征
[0046]
将所述轴向非裂缝深度自适应特征与所述轴向非裂缝深度通用特征进行融合，得到所述轴向非裂缝融合特征向量以及将所述径向非裂缝深度自适应特征与所述径向非裂缝深度通用特征进行融合，得到非裂缝处融合径向特征向量
[0047]
将所述非裂缝处融合径向特征向量作为径向网络的标签，通过最小化第三损失函数，采用梯度下降法继续更新所述训练后的第二预训练网络prer'的网络参数，以及将所述径向非裂缝训练数据集输入到再次训练后的第二预训练网络pre
r”中，得到更新径向非裂缝深度自适应特征将所述更新径向非裂缝深度自适应特征与所述径向非裂缝深度通用特征进行再次融合，得到非裂缝处更新融合径向特征向量其中，所述第三损失函数为：
[0048][0049]
其中，α为常数；
[0050]
将所述非裂缝处更新融合径向特征向量作为轴向网络的标签，通过最小化第四损失函数，采用梯度下降法更新所述训练后的第一预训练网络prea'的网络参数，以及将所述轴向非裂缝训练数据集输入到再次训练后的第一预训练网络pre
a”中，得到更新轴向非裂缝深度自适应特征将所述更新轴向非裂缝深度自适应特征与所述轴向非裂缝深度通用特征进行再次融合，得到非裂缝处更新融合轴向特征向量获得所述第二次训练后的多传感器融合特征互监督神经网络，其中，所述第四损失函数为：
[0051][0052]
可选地，所述基于所述目标多传感器融合特征互监督神经网络确定所述轴向测试样本集和所述径向测试样本集中的至少一个裂纹样本，包括：
[0053]
将所述轴向测试样本集和所述径向测试样本集分别输入到所述目标多传感器融合特征互监督神经网络中，得到轴向深度自适应特征轴向深度通用特征径向深度自适应特征径向深度通用特征
[0054]
将所述轴向深度自适应特征和所述轴向深度通用特征进行融合，得到融合轴向特征向量以及将所述径向深度自适应特征和所述径向深度通用特征进行融合，融合径向特征向量
[0055]
计算所述融合轴向特征向量与融合径向特征向量之间的误差e，所述误差e表示为：
[0056][0057]
设定异常阈值τ，将所述测试样本集中每个测试样本的误差ei与所述异常阈值τ相比对，若ei≥τ，则确定测试样本为裂纹样本；
[0058]
获得所述至少一个裂纹样本。
[0059]
依据本技术第二方面，提供了一种裂纹检测装置，包括：
[0060]
控制模块，用于控制设置于埋地管道内的漏磁检测器向前移动，所述漏磁检测器用于释放磁信号并接收当所述磁信号穿过所述埋地管道的金属管壁时产生的漏磁信号；
[0061]
生成模块，用于在所述漏磁检测器前进的过程中，采集漏磁轴向信号和漏磁径向信号，以及基于所述漏磁轴向信号和所述漏磁径向信号分别生成初始裂缝训练样本集、初始非裂缝训练样本集、初始测试样本集，并对所述初始裂缝训练样本集、所述初始非裂缝训练样本集、所述初始测试样本集进行预处理，得到裂缝训练样本集、非裂缝训练样本集、测试样本集；
[0062]
建立模块，用于建立多传感器融合特征互监督神经网络；
[0063]
第一训练模块，用于基于所述裂缝训练样本集对所述多传感器融合特征互监督神经网络进行第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征相互逼近，以及基于非裂缝训练样本集对第一次训练后的多传感器融合特征互监督神经网络进行第二训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征相互远离，得到第二次训练后的多传感器融合特征互监督神经网络作为下一轮次的训练网络；
[0064]
第二训练模块，用于确定训练次数，在每一轮次训练中基于所述裂缝训练样本集对上一轮次得到的第二次训练后的多传感器融合特征互监督神经网络进行当前轮次第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征继续相互逼近，以及基于所述非裂缝训练样本集对当前轮次第一次训练后的多传感器融合特征互监督神经网络进行当前轮次第二次训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征继续相互远离，直至训练的轮次达到所述训练次数，得到目标多传感器融合特征互监督神经网络；
[0065]
确定模块，用于基于所述目标多传感器融合特征互监督神经网络确定所述测试样本集中的至少一个裂纹样本。
[0066]
依据本技术第三方面，提供了一种电子设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的方法的步骤。
[0067]
依据本技术第四方面，提供了一种存储介质，其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上述第一方面中任一项所述的方法的步骤。
[0068]
借由上述技术方案，本技术提供了一种裂纹检测方法，首先控制设置于埋地管道内的漏磁检测器向前移动，随后基于漏磁轴向信号和所述漏磁径向信号得到裂缝训练样本集、非裂缝训练样本集、测试样本集，接着建立多传感器融合特征互监督神经网络，并基于
裂缝训练样本集对所述多传感器融合特征互监督神经网络进行第一次训练，更新网络参数，以及基于非裂缝训练样本集对第一次训练后的多传感器融合特征互监督神经网络进行第二训练，更新网络参数，得到第二次训练后的多传感器融合特征互监督神经网络作为下一轮次的训练网络，并确定训练次数，直至训练的轮次达到训练次数，得到目标多传感器融合特征互监督神经网络，最后基于目标多传感器融合特征互监督神经网络确定所述测试样本集中的至少一个裂纹样本，该方法通过漏磁轴向和径向融合特征的互监督实现对埋地管道的裂纹检测，即，通过不断的训练使得裂缝处融合轴向特征和裂缝处融合径向特征不断相互逼近，非裂纹处融合轴向特征和非裂纹处融合径向特征不断相互远离，更新网络参数，从而得到目标目标多传感器融合特征互监督神经网络，实现了裂纹的高精度检测，克服了目前由于裂纹训练样本不足以及非裂纹信号的波动，导致裂纹检测精度不高的问题。
[0069]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
[0070]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0071]
图1示出了本技术实施例提供的一种裂纹检测方法的流程图；
[0072]
图2示出了本技术实施例提供的一种裂纹检测方法的多传感器融合特征互监督神经网络的结构示意图；
[0073]
图3示出了本技术实施例提供的一种裂纹检测装置的结构示意图；
[0074]
图4示出了本技术实施例提供的电子设备的装置结构示意图。
具体实施方式
[0075]
此处参考附图描述本技术的各种方案以及特征。
[0076]
应理解的是，可以对此处申请的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本技术的范围和精神内的其他修改。
[0077]
包含在说明书中并构成说明书的一部分的附图示出了本技术的实施例，并且与上面给出的对本技术的大致描述以及下面给出的对实施例的详细描述一起用于解释本技术的原理。
[0078]
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本技术的这些和其它特性将会变得显而易见。
[0079]
还应当理解，尽管已经参照一些具体实例对本技术进行了描述，但本领域技术人员能够确定地实现本技术的很多其它等效形式。
[0080]
当结合附图时，鉴于以下详细说明，本技术的上述和其他方面、特征和优势将变得更为显而易见。
[0081]
此后参照附图描述本技术的具体实施例；然而，应当理解，所申请的实施例仅仅是
本技术的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本技术模糊不清。因此，本文所申请的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本技术。
[0082]
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本技术的相同或不同实施例中的一个或多个。
[0083]
实施例1
[0084]
本技术实施例提供一种裂纹检测方法，如图1所示，包括：
[0085]
101、控制设置于埋地管道内的漏磁检测器向前移动。
[0086]
在本技术实施例中，漏磁检测器用于释放磁信号并接收当所述磁信号穿过所述埋地管道的金属管壁时产生的漏磁信号；
[0087]
102、在漏磁检测器前进的过程中，采集漏磁轴向信号和漏磁径向信号，以及基于漏磁轴向信号和所述漏磁径向信号分别生成初始裂缝训练样本集、初始非裂缝训练样本集、初始测试样本集，并对初始裂缝训练样本集、初始非裂缝训练样本集、初始测试样本集进行预处理，得到裂缝训练样本集、非裂缝训练样本集、测试样本集；
[0088]
103、建立多传感器融合特征互监督神经网络；
[0089]
104、基于裂缝训练样本集对所述多传感器融合特征互监督神经网络进行第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征相互逼近，以及基于非裂缝训练样本集对第一次训练后的多传感器融合特征互监督神经网络进行第二训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征相互远离，得到第二次训练后的多传感器融合特征互监督神经网络作为下一轮次的训练网络；
[0090]
105、确定训练次数，在每一轮次训练中基于裂缝训练样本集对上一轮次得到的第二次训练后的多传感器融合特征互监督神经网络进行当前轮次第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征继续相互逼近，以及基于非裂缝训练样本集对当前轮次第一次训练后的多传感器融合特征互监督神经网络进行当前轮次第二次训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征继续相互远离，直至训练的轮次达到训练次数，得到目标多传感器融合特征互监督神经网络；
[0091]
106、基于目标多传感器融合特征互监督神经网络确定所述测试样本集中的裂纹样本。
[0092]
本技术实施例提供的方法，首先控制设置于埋地管道内的漏磁检测器向前移动，随后基于漏磁轴向信号和所述漏磁径向信号得到裂缝训练样本集、非裂缝训练样本集、测试样本集，接着建立多传感器融合特征互监督神经网络，并基于裂缝训练样本集对所述多传感器融合特征互监督神经网络进行第一次训练，更新网络参数，以及基于非裂缝训练样本集对第一次训练后的多传感器融合特征互监督神经网络进行第二训练，更新网络参数，得到第二次训练后的多传感器融合特征互监督神经网络作为下一轮次的训练网络，并确定训练次数，直至训练的轮次达到训练次数，得到目标多传感器融合特征互监督神经网络，最后基于目标多传感器融合特征互监督神经网络确定所述测试样本集中的至少一个裂纹样本，该方法通过漏磁轴向和径向融合特征的互监督实现对埋地管道的裂纹检测，即，通过不断的训练使得裂缝处融合轴向特征和裂缝处融合径向特征不断相互逼近，非裂纹处融合轴
向特征和非裂纹处融合径向特征不断相互远离，更新网络参数，从而得到目标目标多传感器融合特征互监督神经网络，实现了裂纹的高精度检测，克服了目前由于裂纹训练样本不足以及非裂纹信号的波动，导致裂纹检测精度不高的问题。
[0093]
进一步地，本技术实施例提供的方法，具体步骤如下所示：
[0094]
201、控制设置于埋地管道内的漏磁检测器向前移动，根据麦克斯韦方程，如公式(1)，漏磁检测器中的磁体释放磁信号穿过金属管壁，产生漏磁信号，
[0095]
公式(1)：
[0096]
其中，是微分算子，h为磁场强度，j为电流密度，b为磁感应强度，μ为真空磁导率，a为磁矢势。
[0097]
202、漏磁检测器中集成两个互相垂直的漏磁传感器，在漏磁检测器前进的过程中，采集漏磁轴向信号和漏磁径向信号，分别生成训练信号样本集和测试信号样本集，具体过程如下所示：
[0098]
2021、基于漏磁轴向信号和漏磁径向信号生成训练信号样本集和测试信号样本集。
[0099]
2022、对训练信号样本集包括的信号进行划分，确定包括多个轴向裂缝训练样本和对应的多个径向裂缝训练样本的初始裂缝训练样本集、包括多个轴向非裂缝训练样本和对应的多个径向非裂缝训练样本的初始非裂缝训练样本集，其中，
[0100]
初始裂缝训练样本集为xd：为初始裂缝训练样本集中第i个轴向裂缝训练样本，为初始裂缝训练样本集中第i个径向裂缝训练样本，n为初始裂缝训练样本集中轴向缝训练样本/径向裂缝训练样本的数量，
[0101]
初始非裂缝训练样本集x
nd
为：为初始非裂缝训练样本集中第i个轴向非裂缝训练样本，为初始非裂缝训练样本集中第i个径向非裂缝训练样本，n为初始非裂缝训练样本集中轴向非裂缝训练样本/径向非裂缝训练样本的数量。
[0102]
2023、将测试信号样本集包括的轴向漏磁信号和径向漏磁信号分别按照固定步长t＝20、尺寸为64
×
64的滑动窗口分割成多个测试样本，得到初始轴向测试样本集和初始径向测试样本集，其中，
[0103]
初始轴向测试样本集为：为初始轴向测试样本集中第i个初始轴向测试样本，n
t
为初始轴向测试样本集中初始轴向测试样本的数量，
[0104]
初始径向测试样本集为：为初始径向测试样本集中第i个初始径向测试样本，n
t
为初始径向测试样本集中初始径向测试样本的数量。
[0105]
203、对初始裂缝训练样本集、初始非裂缝训练样本集、初始测试样本集进行预处
理，得到裂缝训练样本集、非裂缝训练样本集、测试样本集，具体过程如下所示：
[0106]
2031、如公式(2)所示，分别对样本集中的每个样本进行基值校正，以确保样本集中每个通道的均值为定值ε，
[0107]
公式(2)：
[0108]
其中，f1(
·
)为基值校正操作函数，x
p,q
为样本x第p行第q列的数值点，m为矩阵x的行数，ε＝0。
[0109]
2032、利用二维三次样条插值法样本集中每个校正后的样本x
p,q
进行插值，得到每个数据集插值后的样本，插值后的样本为f2(x
p,q
)，其中，f2(
·
)为差值函数，插值样本维度为64
×
64。
[0110]
2033、将样本集中每个经过正矫正、插值的样本按照彩虹编码方式转化成三通道图片，转化公式如公式(3)-公式(5)所示，得到转化后的样本f3(x
p,q
)，其中，f3(
·
)为矩阵转图片操作函数，
[0111]
公式(3)：
[0112]
公式(4)：
[0113]
公式(5)：
[0114]
其中，r，g和b分别问转化图像的红，绿，蓝三通道。
[0115]
2034，获得裂缝训练样本集sd、非裂缝训练样本集s
nd
、轴向测试样本集径向测试样本集其具体处理过程如公式(6)-公式(9)所示，公式(6)：
[0116]
其中，为裂缝训练样本集中第i个轴向裂缝训练样本，为裂缝训练样本集中第i个径向裂缝训练样本，
[0117]
公式(7)：
[0118]
其中，为非裂缝训练样本集中第i个轴向
非裂缝训练样本，为非裂缝训练样本集中第i个径向非裂缝训练样本，
[0119]
公式(8)：
[0120]
其中，为轴向测试样本集中第i个轴向测试样本，
[0121]
公式(9)：
[0122]
其中，为径向测试样本集中第i个径向测试样本。
[0123]
204、建立多传感器融合特征互监督神经网络，如图2所示，多传感器融合互监督神经网络包含特征提取部分，特征融合部分和特征互监督部分。
[0124]
2041、特征提取部分分为深度自适应特征和深度通用特征。
[0125]
在本技术实施例中，深度自适应特征部分由2个包含固定层和微调层的预训练网络构成，分别用于提取轴向样本的深度自适应特征和径向样本的深度自适应特征。定义这两个预训练网络为第一预训练网络prea＝[fixa,finetunea]和第二预训练网络prer＝[fixr,finetuner]。其中fixa和fixr是预训练模型的固定层，其参数不在训练过程中更新，finetunea和finetuner是预训练模型的微调层，其参数在训练过程中更新。
[0126]
进一步地，深度通用特征提取部分由两个参数完全固定的预训练模型构成，定义为第三预训练模型和第四预训练模型
[0127]
具体地，
[0128]
2042、特征融合部分是将深度自适应特征和深度通用特征融合，如式(10)所示，得到融合轴向特征和融合径向特征，
[0129]
公式(10)：fea＝θfeaa+(1-θ)feag，
[0130]
其中，fea为融合后的特征，feaa为深度自适应特征，feag为深度通用特征，θ为特征融合权重且θ∈(0,1)。
[0131]
2043、特征互监督部分是通过不断互相监督融合轴向特征和融合径向特征，使得裂纹处轴向和径向的特征值不断逼近，非裂纹处轴向和径向特征值不断拉远。
[0132]
205、训练多传感器融合特征互监督神经网络。
[0133]
2051、第一阶段网络训练。训练样本为裂缝训练样本集sd，通过更新网络参数，将裂纹处融合轴向特征和裂纹处融合径向特征不断逼近，具体过程为：
[0134]
2051.1、将轴向裂缝训练数据集分别输入到第一预训练网络prea和第三预训练模型中，得到轴向裂缝深度自适应特征轴向裂缝深度通用特征以及将径向裂缝训练数据集分别输入到第二预训练网络prer和四预训练模型中，得到径向裂缝深度自适应特征径向裂缝深度通用特征
[0135]
2051.2、将轴向裂缝深度自适应特征与轴向裂缝深度通用特征进行融合，得到裂缝处融合轴向特征向量如公式(12)所示，以及将径向裂缝深度自适应特征与径向裂缝深度通用特征进行融合，得到裂缝处融合径向特征向量如公式(13)所示，
[0136]
公式(12)：
[0137]
公式(13)：
[0138]
其中，θ＝0.5。
[0139]
2051.3、将裂缝处融合轴向特征向量作为径向网络的标签，通过最小化第一损失函数，第一损失函数如公式(14)所示，采用梯度下降法更新所述第二预训练网络prer的网络参数。
[0140]
公式(14)：
[0141]
进一步地，将径向裂缝训练数据集输入到训练后的第二预训练网络prer'中，得到更新径向裂缝深度自适应特征将更新径向裂缝深度自适应特征与径向裂缝深度通用特征进行再次融合，得到裂缝处更新融合径向特征向量其中，λ＝0.2。
[0142]
2051.4、将裂缝处更新径向融合特征向量作为轴向网络的标签，通过最小化第二损失函数，第二损失函数如公式(15)所示，采用梯度下降法更新所述第一预训练网络prea的网络参数。
[0143]
公式(15)：
[0144]
进一步地，将轴向裂缝训练数据集输入到训练后的第一预训练网络prea'中，得到更新轴向裂缝深度自适应特征将更新轴向裂缝深度自适应特征与轴向裂缝深度通用特征进行再次融合，得到裂缝处更新轴向融合特征向量其中，λ＝0.2，获得第一次训练后的多传感器融合特征互监督神经网络。
[0145]
2052、第二阶段网络训练。训练样本为非裂缝训练样本集s
nd
，通过更新网络参数，将非裂纹处融合轴向特征和非裂纹处融合径向特征不断拉远。
[0146]
2052.1、将轴向非裂缝训练数据集分别输入到训练后的第一预训练网络prea'和第三预训练模型中，得到轴向非裂缝深度自适应特征轴向非裂缝深度通用特征以及将径向非裂缝训练数据集分别输入到训练后的第二预训练网络prer'和第四预训练模型中，得到径向非裂缝深度自适应特征径向非裂缝深度通用特征
[0147]
2052.2、将轴向非裂缝深度自适应特征与轴向非裂缝深度通用特征进行融合，得到轴向非裂缝融合特征向量如公式(16)所示，以及将径向非裂缝深度自适应特征与径向非裂缝深度通用特征进行融合，得到非裂缝处融合径向特征向量如公式(17)所示，
[0148]
公式(16)：
[0149]
公式(17)：
[0150]
其中，θ＝0.5。
[0151]
2052.3、将非裂缝处融合径向特征向量作为径向网络的标签，通过最小化第三损失函数，第三损失函数如公式(18)所示，采用梯度下降法继续更新训练后的第二预训练网络prer'的网络参数。
[0152]
公式(18)：
[0153]
其中，α＝0.05。
[0154]
进一步地，将径向非裂缝训练数据集输入到再次训练后的第二预训练网络pre
r”中，得到更新径向非裂缝深度自适应特征将更新径向非裂缝深度自适应特征与径向非裂缝深度通用特征进行再次融合，得到非裂缝处更新融合径向特征向量
[0155]
2052.4、将非裂缝处更新融合径向特征向量作为轴向网络的标签，通过最小化第四损失函数，第四损失函数如公式(19)所示，采用梯度下降法更新所述训练后的第一预训练网络prea'的网络参数。
[0156]
公式(19)：
[0157]
其中，α＝0.05。
[0158]
进一步地，将轴向非裂缝训练数据集输入到再次训练后的第一预训练网络pre
a”中，得到更新轴向非裂缝深度自适应特征将更新轴向非裂缝深度自适应特征与轴向非裂缝深度通用特征进行再次融合，得到非裂缝处更新融合轴向特征向量获得第二次训练后的多传感器融合特征互监督神经网络。
[0159]
2053、不断重复步骤2051、步骤2052，不断更新网络参数，直至训练轮次达到截止条件，完成网络参数更新，得到目标多传感器融合特征互监督神经网络。
[0160]
具体地，确定训练次数，在每一轮次训练中基于裂缝训练样本集对上一轮次得到的第二次训练后的多传感器融合特征互监督神经网络进行当前轮次第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征继续相互逼近，以及基于非裂缝训练样本集对当前轮次第一次训练后的多传感器融合特征互监督神经网络进行当前轮次第二次训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征继续相互远离，直至训练的轮次达到所述训练次数，得到目标多传感器融合特征互监督神经网络
[0161]
206、根据训练完成的多传感器融合特征互监督神经网络确定测试样本中裂纹信号，具体过程为：
[0162]
2061、将轴向测试样本集和径向测试样本集分别输入到目标多传感器融合特征互监督神经网络中，得到轴向深度自适应特征轴向深度通用特征径向深度自适应特征径向深度通用特征
[0163]
2062、将轴向深度自适应特征和轴向深度通用特征进行融合，得到融合轴向
特征向量以及将径向深度自适应特征和径向深度通用特征进行融合，融合径向特征向量
[0164]
2063、计算融合轴向特征向量与融合径向特征向量之间的误差e，误差e表示为：
[0165][0166]
2064、设定异常阈值τ，将测试样本集中每个测试样本的误差ei与异常阈值τ相比对，若ei≥τ，则确定测试样本为裂纹样本，若ei《τ，则确定测试样本为非裂纹样本，获得至少一个裂纹样本。
[0167]
本技术实施例的方法，通过含有微调层的预训练模型和参数完全固定的预训练模型提取漏磁裂纹和非裂纹信号的深度自适应特征和深度通用特征，并对深度自适应特征和深度通用特征进行融合，再通过互监督训练不断逼近轴向和径向对应的裂纹信号的融合特征，同时拉远轴向和径向对应的非裂纹信号的融合特征，最后完成裂纹检测网络的训练，并实现裂纹的高精度检测。本发明克服了实际裂纹样本不足的问题，并克服了裂纹变化不明显的问题，同时提高了埋地管道裂纹检测精度，并且对信号噪声也有很强的鲁棒性。
[0168]
实施例2
[0169]
本技术实施例提供了一种裂纹检测装置，如图3所示，包括：控制模块301、生成模块302、建立模块303、第一训练模块304、第二训练模块305和确定模块306。
[0170]
该控制模块301，用于控制设置于埋地管道内的漏磁检测器向前移动；
[0171]
该生成模块302，用于在漏磁检测器前进的过程中，采集漏磁轴向信号和漏磁径向信号，以及基于漏磁轴向信号和漏磁径向信号分别生成初始裂缝训练样本集、初始非裂缝训练样本集、初始测试样本集，并对初始裂缝训练样本集、初始非裂缝训练样本集、初始测试样本集进行预处理，得到裂缝训练样本集、非裂缝训练样本集、测试样本集；
[0172]
该建立模块303，用于建立多传感器融合特征互监督神经网络；
[0173]
该第一训练模块304，用于基于裂缝训练样本集对多传感器融合特征互监督神经网络进行第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征相互逼近，以及基于非裂缝训练样本集对第一次训练后的多传感器融合特征互监督神经网络进行第二训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征相互远离，得到第二次训练后的多传感器融合特征互监督神经网络作为下一轮次的训练网络；
[0174]
该第二训练模块305，用于确定训练次数，在每一轮次训练中基于裂缝训练样本集对上一轮次得到的第二次训练后的多传感器融合特征互监督神经网络进行当前轮次第一次训练，更新网络参数，以使裂缝处融合轴向特征和裂缝处融合径向特征继续相互逼近，以及基于非裂缝训练样本集对当前轮次第一次训练后的多传感器融合特征互监督神经网络进行当前轮次第二次训练，更新网络参数，以使非裂纹处融合轴向特征和非裂纹处融合径向特征继续相互远离，直至训练的轮次达到所述训练次数，得到目标多传感器融合特征互监督神经网络；
[0175]
该确定模块306，用于基于目标多传感器融合特征互监督神经网络确定测试样本集中的裂纹样本。
[0176]
在具体的应用场景中，该生成模块302，还用于：
[0177]
基于漏磁轴向信号和漏磁径向信号生成训练信号样本集和测试信号样本集；
[0178]
对训练信号样本集包括的信号进行划分，确定包括多个轴向裂缝训练样本和对应的多个径向裂缝训练样本的初始裂缝训练样本集、包括多个轴向非裂缝训练样本和对应的多个径向非裂缝训练样本的初始非裂缝训练样本集，其中，
[0179]
初始裂缝训练样本集为xd：为初始裂缝训练样本集中第i个轴向裂缝训练样本，为初始裂缝训练样本集中第i个径向裂缝训练样本，n为初始裂缝训练样本集中轴向缝训练样本/径向裂缝训练样本的数量，
[0180]
初始非裂缝训练样本集x
nd
为：为初始非裂缝训练样本集中第i个轴向非裂缝训练样本，为初始非裂缝训练样本集中第i个径向非裂缝训练样本，n为初始非裂缝训练样本集中轴向非裂缝训练样本/径向非裂缝训练样本的数量；
[0181]
将测试信号样本集包括的轴向漏磁信号和径向漏磁信号分别按照预设规则分割成多个测试样本，得到初始轴向测试样本集和初始径向测试样本集，其中，
[0182]
初始轴向测试样本集为：为初始轴向测试样本集中第i个初始轴向测试样本，n
t
为初始轴向测试样本集中初始轴向测试样本的数量，
[0183]
初始径向测试样本集为：为初始径向测试样本集中第i个初始径向测试样本，n
t
为初始径向测试样本集中初始径向测试样本的数量；
[0184]
初始轴向测试样本集和初始径向测试样本集组成初始测试样本集。
[0185]
在具体的应用场景中，该生成模块302，还用于：
[0186]
分别对初始裂缝训练样本集、初始非裂缝训练样本集、初始轴向测试样本集、初始径向测试样本集中的每个样本进行基值校正，以确保初始裂缝训练样本集、初始非裂缝训练样本集、初始轴向测试样本集、初始径向测试样本集中每个通道的均值为定值ε；
[0187]
利用二维三次样条插值法分别对初始裂缝训练样本集、初始非裂缝训练样本集、初始轴向测试样本集、初始径向测试样本集中每个校正后的样本进行插值，分别将初始裂缝训练样本集、初始非裂缝训练样本集、初始轴向测试样本集、初始径向测试样本集中每个经过正矫正、插值的样本按照彩虹编码方式转化成三通道图片，获得裂缝训练样本集、非裂缝训练样本集、轴向测试样本集、径向测试样本集，其中，
[0188]
裂缝训练样本集sd为：为裂缝训练样本集中第i个轴向裂缝训练样本，为裂缝训练样本集中第i个径向裂缝训练样本，
[0189]
非裂缝训练样本集s
nd
为：为非裂缝训练样本集中第i个轴向非裂缝训练样本，为非裂缝训练样本集中第i个径向非裂缝训练样本，
[0190]
轴向测试样本集为：为轴向测试样本集中第i个轴向测试样本，
[0191]
径向测试样本集为：为径向测试样本集中第i个径向测试样本；
[0192]
轴向测试样本集和径向测试样本集组成测试样本集。
[0193]
在具体的应用场景中，该建立模块303，还用于：
[0194]
建立包括特征提取部分、特征融合部分和特征互监督部分的多传感器融合特征互监督神经网络；其中，
[0195]
特征提取部分包括用于提取轴向深度自适应特征的含固定层和微调层的第一预训练网络prea、用于提取径向深度自适应特征的含固定层和微调层的第二预训练网络prer、用于提取轴向深度通用特征的第三预训练模型和用于提取径向深度通用特征的第四预训练模型
[0196]
特征融合部分用于将轴向深度自适应特征值与轴向深度通用特征相融合以得到融合轴向特征向量、将径向深度自适应特征值与径向深度通用特征相融合以得到融合径向特征向量；
[0197]
特征互监督部分用于不断相互监督融合轴向特征向量和融合径向特征向量，以使裂缝处融合轴向特征和裂缝处融合径向特征相互逼近、非裂纹处融合轴向特征和非裂纹处融合径向特征相互远离。
[0198]
在具体的应用场景中，该第一训练模块304，还用于：
[0199]
从裂缝训练样本集sd中提取轴向裂缝训练数据集和径向裂缝训练数据集
[0200]
将轴向裂缝训练数据集分别输入到第一预训练网络prea和第三预训练模型中，得到轴向裂缝深度自适应特征轴向裂缝深度通用特征以及将径向裂缝训练数据集分别输入到第二预训练网络prer和四预训练模型中，得到径向裂缝深度自适应特征径向裂缝深度通用特征
[0201]
将轴向裂缝深度自适应特征与轴向裂缝深度通用特征进行融合，得到裂缝处融合轴向特征向量以及将径向裂缝深度自适应特征与径向裂缝深度通用特征进行融合，得到裂缝处融合径向特征向量
[0202]
将裂缝处融合轴向特征向量作为径向网络的标签，通过最小化第一损失函数，采用梯度下降法更新第二预训练网络prer的网络参数，以及将径向裂缝训练数据集输入到训练后的第二预训练网络prer'中，得到更新径向裂缝深度自适应特征将更新径向裂缝深度自适应特征与径向裂缝深度通用特征进行再次融合，得到裂缝处更新融合径向特征向量其中，第一损失函数为：
[0203][0204]
其中，λ表示权重；
[0205]
将裂缝处更新径向融合特征向量作为轴向网络的标签，通过最小化第二损失函数，采用梯度下降法更新所述第一预训练网络prea的网络参数，以及将轴向裂缝训练数据集输入到训练后的第一预训练网络prea'中，得到更新轴向裂缝深度自适应特征将更新轴向裂缝深度自适应特征与轴向裂缝深度通用特征进行再次融合，得到裂缝处更新轴向融合特征向量获得第一次训练后的多传感器融合特征互监督神经网络，其中，所述第二损失函数为：
[0206][0207]
在具体的应用场景中，该第一训练模块304，还用于：
[0208]
从非裂缝训练样本集s
nd
中提取轴向非裂缝训练数据集和径向非裂缝训练数据集
[0209]
将轴向非裂缝训练数据集分别输入到所述训练后的第一预训练网络prea'和第三预训练模型中，得到轴向非裂缝深度自适应特征轴向非裂缝深度通用特征以及将径向非裂缝训练数据集分别输入到训练后的第二预训练网络prer'和第四预训练模型中，得到径向非裂缝深度自适应特征径向非裂缝深度通用特征
[0210]
将轴向非裂缝深度自适应特征与轴向非裂缝深度通用特征进行融合，得到轴向非裂缝融合特征向量以及将径向非裂缝深度自适应特征与径向非裂缝深度通用特征进行融合，得到非裂缝处融合径向特征向量
[0211]
将非裂缝处融合径向特征向量作为径向网络的标签，通过最小化第三损失函数，采用梯度下降法继续更新训练后的第二预训练网络prer'的网络参数，以及将径向非裂缝训练数据集输入到再次训练后的第二预训练网络pre
r”中，得到更新径向非裂缝深度自适应特征将更新径向非裂缝深度自适应特征与径向非裂缝深度通用特征进行再次融合，得到非裂缝处更新融合径向特征向量其中，第三损失函数为：
[0212][0213]
其中，α为常数；
[0214]
将非裂缝处更新融合径向特征向量作为轴向网络的标签，通过最小化第四损失函数，采用梯度下降法更新训练后的第一预训练网络prea'的网络参数，以及将轴向非裂缝训练数据集输入到再次训练后的第一预训练网络pre
a”中，得到更新轴向非裂缝深度
自适应特征将更新轴向非裂缝深度自适应特征与轴向非裂缝深度通用特征进行再次融合，得到非裂缝处更新融合轴向特征向量获得第二次训练后的多传感器融合特征互监督神经网络其中，第四损失函数为：
[0215][0216]
在具体的应用场景中，该确定模块306，还用于：
[0217]
将轴向测试样本集和径向测试样本集分别输入到所述目标多传感器融合特征互监督神经网络中，得到轴向深度自适应特征轴向深度通用特征径向深度自适应特征径向深度通用特征
[0218]
将轴向深度自适应特征和轴向深度通用特征进行融合，得到融合轴向特征向量以及将径向深度自适应特征和径向深度通用特征进行融合，融合径向特征向量
[0219]
计算融合轴向特征向量与融合径向特征向量之间的误差e，误差e表示为：
[0220][0221]
设定异常阈值τ，将测试样本集中每个测试样本的误差ei与异常阈值τ相比对，若ei≥τ，则确定测试样本为裂纹样本；
[0222]
获得至少一个裂纹样本。
[0223]
本技术实施例提供的装置，首先通过控制模块控制设置于埋地管道内的漏磁检测器向前移动，随后通过生成模块基于漏磁轴向信号和所述漏磁径向信号得到裂缝训练样本集、非裂缝训练样本集、测试样本集，接着通过建立模块建立多传感器融合特征互监督神经网络，并通过第一训练模块基于裂缝训练样本集对所述多传感器融合特征互监督神经网络进行第一次训练，更新网络参数，以及基于非裂缝训练样本集对第一次训练后的多传感器融合特征互监督神经网络进行第二训练，更新网络参数，得到第二次训练后的多传感器融合特征互监督神经网络作为下一轮次的训练网络，并通过第二训练模块确定训练次数，直至训练的轮次达到训练次数，得到目标多传感器融合特征互监督神经网络，最后通过确定模块基于目标多传感器融合特征互监督神经网络确定所述测试样本集中的至少一个裂纹样本，该方法通过漏磁轴向和径向融合特征的互监督实现对埋地管道的裂纹检测，即，通过不断的训练使得裂缝处融合轴向特征和裂缝处融合径向特征不断相互逼近，非裂纹处融合轴向特征和非裂纹处融合径向特征不断相互远离，更新网络参数，从而得到目标目标多传感器融合特征互监督神经网络，实现了裂纹的高精度检测，克服了目前由于裂纹训练样本不足以及非裂纹信号的波动，导致裂纹检测精度不高的问题。
[0224]
实施例3
[0225]
本技术实施例还提供了一种电子设备，如图4所示，该电子设备包括总线、处理器、存储器和通信接口，还可以包括输入输出接口和显示设备，其中，各个功能单元之间可以通过总线完成相互间的通信。该存储器存储有计算机程序，处理器，用于执行存储器上所存放的程序，执行上述实施例中的裂纹检测方法。
[0226]
实施例4
[0227]
本技术实施例还提供了一种存储介质，其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裂纹检测方法的步骤。
[0228]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本技术可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施场景所述的方法。
[0229]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。