[发明专利]基于改进的transformer网络的油气管道漏磁检测方法

说明书

本发明公开了一种基于改进的transformer的管道漏磁检测方法，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搭建改进的transformer网络，网络结构包含卷积模块、编码模块和全连接网络预测模块；3训练改进的transformer网络模型，优化模型参数；4利用训练好的改进的transformer模型预测管道的缺陷情况。本发明能自适应能实现局部特征与全局特征的互补性利用，从而提升管道漏磁检测效果。

技术领域

本发明公开了一种基于改进的transformer网络的油气管道漏磁检测方法，属于管道检修技术领域。

背景技术

油气管道是我国能源输送的大动脉，是现代能源体系和现代化综合交通运输体系的重要组成部分。目前，我国油气管道已进入大规模使用时期，且据统计全国已有近10万公里油气管道出现不同程度的老化。定期对油气管道进行检测和维修，可有效预防其因老化、腐蚀、机械损伤等原因所导致的管道泄露事故。管道漏磁内检测技术是现如今在长输油气管道缺陷在线检测领域应用最广泛的检测方法之一，其使用的检测设备相对轻便，在线检测能力较强，自动化程度高，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。管道漏磁内检测技术通过利用磁敏探头采集管道缺陷处漏磁场信号的变化，可有效地识别腐蚀刨槽、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。

传统的管道漏磁信号的识别方法主要有模板匹配法和手动特征提取预测法。模板匹配法是通过建立缺陷样本数据库，从大量数据中提取管道缺陷信号的特征数据库，再将实际缺陷信号提取特征后与样本特征库进行对比，并依据模板匹配算法来决定缺陷种类。该方法的缺点是需要大量的缺陷样本因此耗时长、效率低。手动特征提取预测法是利用特征量提取算法来对缺陷类型及一些特征参数进行预测，由于特征提取所描述的缺陷外形较为简单，仅能应用于一些标准缺陷。而实际油气管道的缺陷外形复杂，难以提取完整有效的特征。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，越来越多的深度学习方法被应用于管道漏磁信号的智能识别，管道缺陷识别的准确性得到进一步上升。然而，现有的油气管道缺陷识别方法难以同时捕获漏磁图像的局部特征与全局特征，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仍有提高空间。

发明内容

为解决上述问题，本发明提供一种基于改进的transformer网络的油气管道漏磁检测方法，能自适应实现局部特征与全局特征的互补性利用，从而能提升油气管道漏磁检测效果。

本发明为达到上述发明目的，采用以下技术方案：

本发明一种基于改进的transformer网络的油气管道漏磁检测方法的特点在于，包括以下步骤：

步骤1，通过漏磁检测器采集管道漏磁曲线图像，并构建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，搭建改进的transformer网络，包括：卷积模块、编码模块和全连接网络预测模块；其中，所述编码模块包括：多头注意力模块、残差模块；

步骤2.1，将第i个油气管道漏磁图像X_i输入所述改进的transformer网络中进行处理，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2.1.1，定义当前迭代次数为z，并初始化z＝1；