摘要
我国油气管网发展迅速，总量已超过15万公里。近年来由于环焊缝缺陷引起的长输油气管道事故频繁发生，及时发现环焊缝缺陷并有效处置对于管道安全尤为重要。漏磁内检测是在役长输油气管道常用的内检测方式，可以在不损伤管道的前提下获取全部环焊缝数据，但是环焊缝处漏磁内检测信号复杂，利用传统的人工分析信号浅层形貌的方法不易实现缺陷分类和尺寸量化。本文借助深度卷积神经网络（Deep Convolutional Neural Network,DCNN）在图像处理方面的优势，以环焊缝处漏磁内检测图像为样本，以环焊缝实际开挖后射线检测发现的缺陷类型和尺寸为样本标签，建立图像数据集，进行了基于DCNN的管道环焊缝缺陷分类与尺寸量化研究。同时提出了基于层次分析法的环焊缝处附加载荷量化方法，对仅基于内压的环焊缝缺陷适用性评价方法进行了修正。为在役管道安全运行提供保障，研究内容具体如下： （1）提出了基于改进VGG16的管道环焊缝漏磁内检测灰度图像分类方法。对DCNN经典的VGG16模型进行结构改进。获取管道环焊缝处漏磁内检测灰度图像样本，以开挖后射线检测发现的缺陷类型为样本标签，建立数据库。根据缺陷情况将样本分为三类：合格、次合格和不合格。利用中值滤波法对图像进行优化处理。用数据集对改进的VGG16模型进行分类训练，测试训练后模型的分类准确率为73%，对于合格样本召回率为93%。通过该方法，可以有效筛选出合格的环焊缝。 （2）提出了基于改进深度卷积生成对抗网络（Deep Convolution Generative Adversarial Networks，DCGAN）的管道环焊缝漏磁内检测信号图像生成方法。对DCNN经典的DCGAN模型进行改进。获取管道环焊缝处漏磁内检测信号图像样本，利用改进的DCGAN对其中圆形缺陷样本和条形缺陷样本进行图像生成，生成图像质量高且与原图像具有高相似度。该方法有效扩展增强了信号图像数据集并改善了两类样本比例不均衡问题，为后续信号图像的分类研究奠定了基础。 （3）提出了基于改进残差网络（Residual Network，ResNet）的管道环焊缝漏磁内检测信号图像分类方法。对DCNN经典的ResNet-50模型进行改进。用扩展增强后的圆形和条形缺陷信号图像数据集对改进的模型进行训练，测试训练后模型的分类准确率大于等于83%，对圆形缺陷召回率大于等于97%。该方法突破了人工分析环焊缝处漏磁内检测信号的局限，可有效识别分类环焊缝缺陷类型。 （4）提出了基于深度迁移学习（Deep Transfer Learning，DTL）、层次分析法（Analytic Hierarchy Process，AHP）和失效评估图（Failure Assessment Diagram，FAD）的环焊缝条形缺陷适用性评价方法。获取环焊缝条形缺陷漏磁内检测信号图像样本，以缺陷长度为样本标签建立数据集，应用预训练的VGG16模型对该数据集进行深度迁移学习，预测条形缺陷长度；利用层次分析法对环焊缝处附加载荷进行量化，修正了FAD适用性评价方法。以上研究实现了非开挖情况下对环焊缝缺陷更为精确的适用性评价，为环焊缝安全管理提供更准确的决策支持。
NETL