漏磁檢測(cè)在管道損傷探測(cè)中的應(yīng)用進(jìn)展

石油和天然氣是社會(huì)生產(chǎn)的重要能源和化工材料。由于儲(chǔ)罐的耐用性強(qiáng)、存儲(chǔ)量大及易于操作等優(yōu)勢(shì)，故石油及化學(xué)工業(yè)材料在二級(jí)加工前大多使用儲(chǔ)罐進(jìn)行儲(chǔ)存。在儲(chǔ)罐中，化學(xué)品蒸發(fā)形式的煙霧會(huì)腐蝕儲(chǔ)罐底部形成缺陷，并且儲(chǔ)罐底板會(huì)因?yàn)閮?chǔ)存含水物質(zhì)加速腐蝕。此外，石油和天然氣常通過(guò)長(zhǎng)距離輸送管道進(jìn)行運(yùn)輸；而管道大多鋪設(shè)在地下并且暴露在高濕度或者高地壓等環(huán)境中，容易發(fā)生腐蝕和變形，這些損傷如不能及時(shí)發(fā)現(xiàn)將導(dǎo)致災(zāi)難性事故。然而，儲(chǔ)罐、管道及此類(lèi)設(shè)備對(duì)損傷檢測(cè)技術(shù)要求較高，需要保證檢測(cè)位置的多樣性、檢測(cè)結(jié)果的時(shí)效性以及防止檢測(cè)過(guò)程中對(duì)設(shè)備產(chǎn)生破壞等。因此，無(wú)損檢測(cè)技術(shù)因?qū)z測(cè)區(qū)域無(wú)破壞損傷、操作簡(jiǎn)便且反應(yīng)迅速等優(yōu)勢(shì)被廣泛應(yīng)用于該類(lèi)設(shè)備的損傷檢測(cè)。無(wú)損檢測(cè)是設(shè)備質(zhì)量控制的重要組成部分，該技術(shù)的使用情況很大程度取決于檢測(cè)對(duì)象的環(huán)境及材料屬性，如檢測(cè)部位材料的直徑、長(zhǎng)度、厚度、制造方法、潛在不連續(xù)點(diǎn)位置等。在確保檢測(cè)材料完整性的基礎(chǔ)上，不影響設(shè)備運(yùn)行預(yù)期功能是無(wú)損檢測(cè)的主要目的。在這種復(fù)雜的應(yīng)用環(huán)境中，許多無(wú)損檢測(cè)技術(shù)被開(kāi)發(fā)，如射線檢測(cè)、超聲檢測(cè)、磁粉檢測(cè)以及漏磁檢測(cè)（MFL）等。在所有無(wú)損檢測(cè)方法中，漏磁檢測(cè)是油氣行業(yè)最常用的方法之一，可以得到可靠、及時(shí)并利于分析的結(jié)果，該項(xiàng)技術(shù)自20世紀(jì)60年代以來(lái)在管道檢測(cè)領(lǐng)域得到了長(zhǎng)足的發(fā)展。漏磁檢測(cè)無(wú)需對(duì)檢測(cè)對(duì)象進(jìn)行預(yù)處理，易于獲得檢測(cè)信號(hào)，操作自動(dòng)化程度高，并且能夠探測(cè)不同類(lèi)型的缺陷，如氣孔、縮孔、腐蝕等。雖然，在長(zhǎng)期的研究和應(yīng)用過(guò)程中，該技術(shù)從對(duì)缺陷的定性檢測(cè)轉(zhuǎn)變?yōu)槎繖z測(cè)，但是仍存在挑戰(zhàn)，如針對(duì)復(fù)雜的檢測(cè)工況需要處理大量磁場(chǎng)信號(hào)，無(wú)法做到準(zhǔn)確定性缺陷；在檢測(cè)過(guò)程中對(duì)噪聲的干擾非常敏感，一些較小的缺陷信號(hào)會(huì)被定性為噪聲信號(hào)；當(dāng)材料含有雜質(zhì)時(shí)會(huì)顯著影響檢測(cè)信號(hào)；缺乏缺陷定量理論，針對(duì)檢測(cè)信號(hào)無(wú)法反演準(zhǔn)確的缺陷特征，并且高度依賴操作者的經(jīng)驗(yàn)等。漏磁檢測(cè)原理及操作流程漏磁檢測(cè)通過(guò)外磁場(chǎng)對(duì)鐵磁性材料進(jìn)行磁化，然后通過(guò)磁傳感器檢測(cè)材料中的漏磁信號(hào)來(lái)得到材料的連續(xù)性信息，其原理示意如圖1所示。圖1漏磁檢測(cè)原理示意漏磁檢測(cè)時(shí)，當(dāng)被測(cè)試件表面完整時(shí)，磁感線在其中有序傳播，無(wú)法檢測(cè)到漏磁信號(hào)。當(dāng)被測(cè)試件表面存在切割磁感線方向的缺陷時(shí)，缺陷處的低磁導(dǎo)率會(huì)導(dǎo)致磁感線無(wú)法正常傳播進(jìn)而改變傳播方向，其中，改變方向的磁感線包括穿過(guò)缺陷或沿缺陷附近傳播的磁感線以及離開(kāi)物體表面?zhèn)鞑ブ量諝饣蚱渌橘|(zhì)中的磁感線，而后者則會(huì)形成漏磁。在電磁場(chǎng)的邊界條件下，可利用磁場(chǎng)的折射來(lái)解釋漏磁場(chǎng)現(xiàn)象，其示意如圖2所示，其中折射角的表達(dá)式為：α2=arctan[(υ1/υ2)tanα1]，式中：α1和α2分別為入射角和折射角；υ1和υ2分別為邊界上下介質(zhì)的滲透率。圖2磁場(chǎng)在缺陷界面的折射示意VISINTIN從微觀角度對(duì)這一現(xiàn)象進(jìn)行了說(shuō)明，他假設(shè)實(shí)際的物體由許多稱(chēng)為“疇”的小區(qū)域組成，在無(wú)外加磁場(chǎng)的情況下每個(gè)區(qū)域的局部磁化是飽和的；不同疇的磁化方向不一定是平行的，在多晶樣品中存在大量磁化方向不同的磁疇，這些磁疇呈隨機(jī)分布，磁矩相互抵消，導(dǎo)致整個(gè)物體呈無(wú)磁性材料。單晶和多晶體合成零磁矩示意如圖3所示。圖3單晶和多晶體零磁矩示意KITTEL研究提出，在外加磁場(chǎng)的作用下，有利取向（與外加磁場(chǎng)方向接近）的疇體積增大，且疇方向逐漸向外加磁場(chǎng)方向轉(zhuǎn)變，而不利取向的疇體積逐漸縮小，最終使得試件表現(xiàn)出磁性。這種磁化方式通常是通過(guò)疇壁的移動(dòng)來(lái)進(jìn)行的，所以疇的體積會(huì)發(fā)生變化。當(dāng)試件中存在缺陷時(shí)，缺陷處的磁疇壁勢(shì)能發(fā)生改變，抑制疇壁在缺陷處的移動(dòng)，導(dǎo)致磁場(chǎng)不能通過(guò)疇壁的移動(dòng)來(lái)達(dá)到系統(tǒng)能量平衡。在系統(tǒng)能量平衡且達(dá)到最小化的過(guò)程中，缺陷部位產(chǎn)生磁場(chǎng)畸變進(jìn)而導(dǎo)致試件漏磁。漏磁檢測(cè)操作流程漏磁檢測(cè)操作流程如圖4所示。漏磁檢測(cè)內(nèi)部探測(cè)器結(jié)構(gòu)如圖5所示，該探測(cè)器由測(cè)量段、數(shù)據(jù)采集室以及電池室組成。其操作主要分為以下幾個(gè)步驟。圖4漏磁檢測(cè)操作流程圖5漏磁檢測(cè)內(nèi)部探測(cè)器結(jié)構(gòu)

漏磁檢測(cè)與信號(hào)采集：將內(nèi)部探測(cè)器牽引至管道中，對(duì)管壁進(jìn)行磁化并采集漏磁信號(hào)，將采集信號(hào)存儲(chǔ)至數(shù)據(jù)采集室后將探測(cè)器從管道內(nèi)牽引出。

信號(hào)預(yù)處理與可視化：首先在檢測(cè)之前對(duì)探測(cè)器參數(shù)進(jìn)行校準(zhǔn)，而后通過(guò)小波分解等方法提取缺陷信號(hào)，最后借助可視化程序?qū)⑷毕菪盘?hào)以圖像形式呈現(xiàn)出來(lái)。

異常信號(hào)識(shí)別：通過(guò)對(duì)信號(hào)特征分析識(shí)別異常信號(hào)，并對(duì)異常信號(hào)進(jìn)行分類(lèi)，將管道損傷與非損傷狀態(tài)區(qū)分開(kāi)。

缺陷定量分析：根據(jù)缺陷信號(hào)對(duì)缺陷位置、尺寸及深度進(jìn)行反演。

設(shè)備安全評(píng)估與預(yù)測(cè)：結(jié)合缺陷反演結(jié)果和管道環(huán)境等因素對(duì)管道運(yùn)行狀態(tài)進(jìn)行安全評(píng)估和預(yù)測(cè)。檢測(cè)信號(hào)的預(yù)處理信號(hào)的預(yù)處理包括對(duì)檢測(cè)信號(hào)進(jìn)行壓縮以及降噪等處理。一般情況下，檢測(cè)數(shù)據(jù)包含磁性數(shù)據(jù)和非磁性數(shù)據(jù)。磁性數(shù)據(jù)是指檢測(cè)到的相關(guān)管道損傷的漏磁數(shù)據(jù)；非磁性數(shù)據(jù)記錄了內(nèi)部探測(cè)器工作狀態(tài)、時(shí)間、速度、管道溫度以及空間位置等信息。由于漏磁檢測(cè)信號(hào)數(shù)據(jù)量較為龐大，且檢測(cè)設(shè)備存儲(chǔ)容量有限，因此需要對(duì)檢測(cè)信號(hào)進(jìn)行壓縮。通常情況下，檢測(cè)到異常部位時(shí)信號(hào)會(huì)產(chǎn)生峰值，因此在壓縮信號(hào)時(shí)，對(duì)其峰值部分可選擇輕微壓縮或者不壓縮以保證數(shù)據(jù)的真實(shí)性，而其他小幅度信號(hào)則可以選擇較大壓縮比進(jìn)行壓縮。此外，為了提高信號(hào)質(zhì)量以及信號(hào)表征缺陷的準(zhǔn)確性，有必要對(duì)噪聲信號(hào)進(jìn)行處理。李小娟等將濾波算法改進(jìn)為適用于過(guò)濾漏磁信號(hào)的多級(jí)濾波算法，通過(guò)二級(jí)改進(jìn)的中值濾波算法達(dá)到過(guò)濾漏磁信號(hào)中高頻噪聲以及基線漂移信號(hào)的目的。ZHANG等提出了一種基于小波去噪結(jié)合中值濾波的多電平濾波方法，通過(guò)選擇兩個(gè)最佳小波基，即sym8和sym6（8階和6階的Symlet小波函數(shù)）并結(jié)合中值濾波方法實(shí)現(xiàn)了對(duì)漏磁信號(hào)的去噪。利用小波分解重構(gòu)技術(shù)可以有效濾除漏磁信號(hào)中的噪聲信號(hào)，而小波分解重構(gòu)的層數(shù)是決定信號(hào)去噪效果的關(guān)鍵，過(guò)低的層數(shù)會(huì)使得去噪效果不佳，過(guò)高的層數(shù)則會(huì)使得小缺陷信號(hào)被作為噪聲信號(hào)去除而引起信號(hào)失真。SHI等在綜合考慮了信噪比、均方根誤差以及平滑度等多個(gè)指標(biāo)的基礎(chǔ)上，提出了一種基于交變系數(shù)的磁流變信號(hào)小波去噪方法，該方法在實(shí)際應(yīng)用中表現(xiàn)出了良好的信號(hào)去噪效果。-

異常識(shí)別

-1設(shè)備異常類(lèi)型一般情況下，工業(yè)設(shè)備如管道、儲(chǔ)罐等表面存在的異常主要包括材料損傷、焊縫以及拼接部件。材料損傷分為材料損失、腐蝕、形變等。其中，材料的表面損失主要指人為操作如安裝、搬運(yùn)等過(guò)程中造成的表面剮蹭；腐蝕大多是外部環(huán)境的變化以及內(nèi)部運(yùn)輸介質(zhì)的化學(xué)反應(yīng)引起的；形變則是指設(shè)備長(zhǎng)期處于某種壓力作用下形成的塑性變形。焊縫主要存在于運(yùn)輸管道的拼接處，主要分為直焊、環(huán)焊以及螺旋焊接。由于焊接材料與管材存在差異，檢測(cè)過(guò)程中材料性質(zhì)的不連續(xù)會(huì)導(dǎo)致漏磁。拼接部件例如三通、彎頭等主要用于管道連接，這些連接部件會(huì)改變管道結(jié)構(gòu)而導(dǎo)致檢測(cè)過(guò)程中出現(xiàn)漏磁現(xiàn)象。2設(shè)備異常識(shí)別與分類(lèi)在漏磁檢測(cè)過(guò)程中上述情況均會(huì)導(dǎo)致漏磁反應(yīng)，而焊縫以及拼接部件卻是非損傷結(jié)構(gòu)，因此，對(duì)設(shè)備異常進(jìn)行識(shí)別與分類(lèi)尤為重要。傳統(tǒng)的檢測(cè)信號(hào)異常識(shí)別流程包括管道檢測(cè)位置選取、人工異常信號(hào)提取與識(shí)別以及異常分類(lèi)。通常情況下，采取人為選擇檢測(cè)區(qū)域并且定義檢測(cè)信號(hào)特征（包括信號(hào)峰谷值、信號(hào)上升率、谷寬等）的方式，其識(shí)別結(jié)果很大程度上依賴操作者的工作經(jīng)驗(yàn)。此外，漏磁檢測(cè)采集的信號(hào)數(shù)據(jù)體量龐大，除了一些常見(jiàn)的異常信號(hào)（見(jiàn)圖6）之外還會(huì)出現(xiàn)不同種類(lèi)且類(lèi)型和特征未知的異常信號(hào)。圖6漏磁信號(hào)檢測(cè)中常見(jiàn)的異常信號(hào)傳統(tǒng)的異常分類(lèi)方法主要有支持向量機(jī)模型（SVM）、極限學(xué)習(xí)機(jī)（ELM）、淺層神經(jīng)網(wǎng)絡(luò)模型等，這些方法均依賴于人工信號(hào)特征的提取情況，檢測(cè)精度較低。隨著計(jì)算機(jī)技術(shù)的發(fā)展，一些異常信號(hào)建模和統(tǒng)計(jì)方法被提出并應(yīng)用于漏磁信號(hào)的異常識(shí)別中。WANG等提出了一種基于稀疏主題模型的半監(jiān)督視頻監(jiān)控異常檢測(cè)方法。SONG等提出了一種基于行為模型的異常檢測(cè)方法，通過(guò)行為模型提取的行為數(shù)據(jù)與實(shí)測(cè)的行為數(shù)據(jù)進(jìn)行對(duì)比，檢測(cè)異常情況。這些異常信號(hào)建模方法通常適用于異常信號(hào)固定或者精度要求較低的工況，但在實(shí)際中，異常信號(hào)的特征通常是復(fù)雜的、未知的，異常信號(hào)的數(shù)量亦極少，這些局限性使得其很少用于復(fù)雜工況。而如高斯過(guò)程回歸法和基于貝葉斯的統(tǒng)計(jì)方法，被認(rèn)為過(guò)于依賴工業(yè)數(shù)據(jù)分布情況而在實(shí)際中應(yīng)用較少。此外，一些快速識(shí)別算法，如閾值分析法、差分閾值法、幅值閾值法以及模板匹配法等被提出，其通過(guò)程序自動(dòng)化完成對(duì)漏磁信號(hào)的識(shí)別工作。閾值分析法需要手動(dòng)設(shè)置管道異常識(shí)別的閾值，由于管道管徑、壁厚、材料等條件不同，相應(yīng)的閾值不一致，因此，手動(dòng)設(shè)置閾值并不能滿足所有情況。差分閾值法是比較磁信號(hào)數(shù)據(jù)相鄰兩點(diǎn)之間的差值與閾值來(lái)確定信號(hào)是否異常，該方法能夠識(shí)別大部分情況下的異常數(shù)據(jù)，但會(huì)使得信號(hào)谷峰附近出現(xiàn)信號(hào)缺失等現(xiàn)象。幅值閾值法是將信號(hào)中多個(gè)信號(hào)數(shù)據(jù)最大值的平均值設(shè)定為閾值T，并通過(guò)比較原始數(shù)據(jù)與閾值T的大小來(lái)判定是否為異常信號(hào)，但該方法受幅值閾值設(shè)定的限制，當(dāng)檢測(cè)信號(hào)中同時(shí)存在缺陷大小差異過(guò)大的信號(hào)數(shù)據(jù)時(shí)小缺陷部分?jǐn)?shù)據(jù)將被過(guò)濾。王婷婷基于差分閾值法和幅值閾值法提出了缺陷自適應(yīng)閾值檢測(cè)法，一定程度上彌補(bǔ)了兩者的不足。然而，管道漏磁信號(hào)的復(fù)雜性仍然是限制傳統(tǒng)方法識(shí)別精度的主要因素。3基于卷積神經(jīng)網(wǎng)絡(luò)的漏磁信號(hào)異常識(shí)別近年來(lái)，隨著人工智能的發(fā)展，深度學(xué)習(xí)方法在管道漏磁檢測(cè)領(lǐng)域得到了應(yīng)用。將預(yù)處理后的數(shù)據(jù)輸入深度學(xué)習(xí)模型后，模型自動(dòng)進(jìn)行特征提取，識(shí)別和分類(lèi)，識(shí)別效果良好。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是典型的前饋神經(jīng)網(wǎng)絡(luò)，也是最流行的深度學(xué)習(xí)算法之一。只要用樣本數(shù)據(jù)對(duì)已知的卷積網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，就可以得到一個(gè)性能良好的網(wǎng)絡(luò)模型來(lái)提取圖像的局部特征信息。這種網(wǎng)絡(luò)模型已經(jīng)廣泛應(yīng)用于圖像識(shí)別和分類(lèi)、人臉識(shí)別、音頻檢索、自然語(yǔ)言處理、視覺(jué)跟蹤等領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意如圖7所示，其由輸入層、卷積層、池化層、全連接層以及輸出層組成。其輸入層采集原始圖像數(shù)據(jù)；卷積層通過(guò)卷積計(jì)算獲得特征圖；池化層對(duì)特征圖進(jìn)行降采樣操作，降低數(shù)據(jù)維數(shù)。其中，卷積層和池化層的數(shù)量通常根據(jù)實(shí)際情況決定，全連接層則是基于降維數(shù)據(jù)進(jìn)行映射，最終通過(guò)輸出層對(duì)信號(hào)進(jìn)行分類(lèi)。圖7卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意常用的CNN信號(hào)分類(lèi)算法有LeNet、VGG、AlexNet、GoogleNet等，這些深度學(xué)習(xí)算法在油氣管道異常分類(lèi)的應(yīng)用中已經(jīng)取得了良好的效果。此外，LI等提出了一種基于CNN的漏磁檢測(cè)響應(yīng)進(jìn)行分類(lèi)，如缺陷、三通以及陰極保護(hù)等。YANG等為了更好地對(duì)漏磁信號(hào)進(jìn)行分類(lèi)提出了一種基于稀疏自編碼的漏磁圖像分類(lèi)方法，該方法基于卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取特征，優(yōu)化了管道環(huán)焊縫和螺旋焊縫的識(shí)別精度。曹輝等提出了基于U-Net卷積神經(jīng)網(wǎng)絡(luò)識(shí)別管道漏磁異常的方法，在U-Net提取管道圖像異常的基礎(chǔ)上采用ResNet網(wǎng)絡(luò)替代下采樣部分的網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)而提升檢測(cè)的準(zhǔn)確性。LIU等構(gòu)建了基于VGG16卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)深度殘差網(wǎng)絡(luò)，能夠從檢測(cè)圖像信號(hào)中自動(dòng)學(xué)習(xí)特征，并識(shí)別損傷信號(hào)與非損傷信號(hào)。相較于傳統(tǒng)異常識(shí)別手段，基于深度學(xué)習(xí)方法的異常識(shí)別的準(zhǔn)確性得到了明顯的提升。-

缺陷量化

-油氣管道的缺陷量化是評(píng)價(jià)管道損傷程度以及評(píng)估管道安全性的重要指標(biāo)。同時(shí)，通過(guò)漏磁信號(hào)數(shù)據(jù)定量確定缺陷輪廓的大小也是漏磁檢測(cè)中最困難的問(wèn)題之一，因?yàn)檫@是一個(gè)不適定的逆問(wèn)題。而量化的最終目標(biāo)是計(jì)算管道最大安全操作壓力（MOP），可根據(jù)量化特征參數(shù)如等效長(zhǎng)度、寬度和深度將缺陷等效為矩形或者立方體，并基于此來(lái)計(jì)算MOP。雖然將缺陷等效為矩形等規(guī)則形狀在實(shí)際工程中具有一定可行性，但是仍存在長(zhǎng)足的進(jìn)步空間。MFL逆問(wèn)題的求解包括基于迭代的方法和基于映射的方法?；诘姆椒ㄍǔ２捎谜菽Ｐ停瑢⒛Ｐ陀?jì)算出的模擬信號(hào)與檢測(cè)信號(hào)進(jìn)行比較，進(jìn)而獲得殘差；最后，通過(guò)優(yōu)化策略最小化殘差，進(jìn)而迭代出缺陷大小。基于映射的方法通常采用神經(jīng)網(wǎng)絡(luò)構(gòu)建函數(shù)，建立MFL信號(hào)和缺陷幾何特征之間的映射關(guān)系，進(jìn)而求解MFL逆問(wèn)題。1基于迭代的量化方法目前，基于迭代的方法已廣泛應(yīng)用于油氣管道的缺陷量化?；诘椒ǖ脑硎疽馊鐖D8所示（其中缺陷的量化被認(rèn)為是一個(gè)優(yōu)化問(wèn)題），首先，對(duì)缺陷輪廓進(jìn)行初步估計(jì)，通過(guò)正演模型生成MFL信號(hào)；將計(jì)算得到的MFL信號(hào)與檢測(cè)得到的MFL信號(hào)進(jìn)行比較；如果誤差小于期望值ε，則將輪廓視為最終缺陷輪廓，否則，使用誤差來(lái)更新缺陷輪廓并重復(fù)前向計(jì)算的過(guò)程。在更新缺陷輪廓的過(guò)程中，常用的優(yōu)化算法有梯度下降算法、遺傳算法、粒子群優(yōu)化以及布谷鳥(niǎo)搜索等。圖8基于迭代方法的原理示意然而，上述的迭代方法仍然存在計(jì)算成本較高，反應(yīng)速度較慢等缺點(diǎn)。針對(duì)這些不足，近幾年許多被優(yōu)化的迭代方法被提出。LU等對(duì)傳統(tǒng)粒子群優(yōu)化算法的自適應(yīng)慣性權(quán)重和速度更新策略進(jìn)行了改進(jìn)，提出了一種基于有限元正演的快速全局收斂粒子群優(yōu)化算法作為迭代算法，該方法在加速優(yōu)化速度的同時(shí)能夠反演出精確的缺陷輪廓。ZHOU等采用基于改進(jìn)的粒子群優(yōu)化算法的反演技術(shù)量化缺陷尺寸，結(jié)果表明該方法可將缺陷深度的平均誤差精度提高5.83%，缺陷長(zhǎng)度的平均誤差精度提高4.87%。LI等建立了適應(yīng)矩形和V形缺陷輪廓的反演模型并基于混沌初始分布、S型慣性權(quán)重系數(shù)和正弦余弦加速度系數(shù)對(duì)粒子群優(yōu)化算法進(jìn)行了改進(jìn)。LI等提出了一種將漏磁檢測(cè)技術(shù)與遺傳算法改進(jìn)的核函數(shù)極值學(xué)習(xí)機(jī)（GA-KELM）相結(jié)合的無(wú)損檢測(cè)方法，結(jié)果表明該方法能有效反演腐蝕缺陷的深度和長(zhǎng)度，量化精度優(yōu)于傳統(tǒng)極限學(xué)習(xí)機(jī)模型的精度。2基于映射的缺陷量化近年來(lái)，機(jī)器學(xué)習(xí)得到了快速發(fā)展，特別是在人工神經(jīng)網(wǎng)絡(luò)（ANN）和深度學(xué)習(xí)領(lǐng)域。缺陷量化本質(zhì)是一個(gè)分類(lèi)或回歸的問(wèn)題，因此，人工神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于漏磁檢測(cè)技術(shù)的缺陷量化。將神經(jīng)網(wǎng)絡(luò)視為一個(gè)函數(shù)，該函數(shù)以漏磁檢測(cè)的原始信號(hào)或從信號(hào)中提取出的特征作為輸入量映射到具有缺陷類(lèi)型或者缺陷尺寸性質(zhì)的輸出量上。其通過(guò)模擬各種尺寸、形狀的缺陷對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將缺陷大小和相應(yīng)的信號(hào)輸入網(wǎng)絡(luò)以優(yōu)化權(quán)重。最初，受計(jì)算設(shè)備性能的制約，神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)量被限制。CARVALHO等使用原始MFL信號(hào)和濾波后的信號(hào)作為神經(jīng)網(wǎng)絡(luò)的輸入，將信號(hào)分為缺陷和非缺陷兩類(lèi)，準(zhǔn)確率達(dá)到94.2%。此外，他還利用神經(jīng)網(wǎng)絡(luò)將缺陷分為外腐蝕、內(nèi)腐蝕和未焊透，準(zhǔn)確率達(dá)到71.7%。HWANG等采用小波基函數(shù)（WBF）神經(jīng)網(wǎng)絡(luò)將MFL信號(hào)轉(zhuǎn)化為三維缺陷輪廓。KHODAYARI-ROSTAMABAD等引入了各種機(jī)器學(xué)習(xí)技術(shù)和特征選擇方法，對(duì)缺陷深度的量化誤差小于8%。淺層的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力較差且需要手動(dòng)提取信號(hào)特征。而隨著計(jì)算機(jī)性能的飛速提升，深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力得以提升，避免了手動(dòng)提取特征引入的誤差。LU等提出了一種新的視覺(jué)變換CNN（VT-CNN）方法來(lái)估算油氣管道的缺陷尺寸，該方法增加了一個(gè)視覺(jué)轉(zhuǎn)換層來(lái)突出缺陷的特征信息，可以將原始的MFL測(cè)量結(jié)果轉(zhuǎn)換成任意視角的三維圖像。在實(shí)際應(yīng)用中