一种基于图像识别与声学识别的管道点蚀损伤智能识别方法

摘要

一种基于图像识别与声学识别的管道点蚀损伤智能识别方法，属于管道声发射信号处理领域。本发明与传统的处理声发射数据的小波变换、快速傅里叶变换不同，本发明提供的算法突破了它们的局限性，EEMD的基函数能够自动产生且具有自适应的滤波特性，分解后的各个分量相加能够获得原信号的性质。可以更好地去除管道点蚀状态下的各种腐蚀声信号的背景噪声，方便数据处理。方便提取腐蚀信号中比较细节的特征。此外将DIC成像技术与声发射技术结合分析，通过提取的图像的特征与声信号的特征达到智能识别的目的。

说明书

技术领域

本发明属于管道声发射信号处理领域，特别是针对管道的点蚀声信号处理。

背景技术

管道作为运送液体和气体介质的主要通道，在国民经济中发挥着巨大的作用。然而随着近年来管线的急剧增多、管龄的增长以及不可避免的腐蚀、磨损等自然或人为损坏等因素，管道腐蚀泄漏事故接连发生，对人民的生命和财产安全造成了严重的威胁。其中管道的点蚀尤为普遍，且此过程往往伴随了腐蚀疲劳损伤，因此，通过声发射技术对管道点蚀疲劳机理充分了解对于工程实际生产有着重要意义。

声发射检测技术作为常见的无损检测技术，其操作简单，成本低，能够对活动性缺陷进行在线监测与破坏预警，因而在管道损伤检测方面得到广泛的推广。本发明拟针对不同温度变化以及应力变化下的管道点蚀提出一种图像与声发射信号有机结合处理方法，该方法能够直观了解管道点蚀的实时变化情况。目前的腐蚀声发射处理往往只是通过对采集的数据进行相应的分析，然后通过提取特征参数等方法进行腐蚀严重程度进行判断。本发明在声发射的基础上增加高速成像系统，实时采集声发射数据的同时，通过DIC相机对反应进行高速拍照，将两者结合分析，更直接的反应管道点蚀的实时变化过程。

发明内容

针对现有的技术的需求，常见的管道点蚀声发射检测只是通过获取声信号数据然后通过分析数据，然后通过参量或者提取特征参数等了解管道的腐蚀状况。然而实际管道点蚀过程中存在背景噪声，且背景噪声时不能完美地消除。本发明拟将DIC成像技术与声发射检测系统结合分析，在提取声发射特征参数的同时利用DIC相机观察不同条件下的点蚀坑表面的气泡变化状态，两者对比大大提高分析的准确率。

为了实现上述目的，本发明是通过以下技术方案实现的：

一种基于图像识别与声学的管道点蚀损伤智能识别方法，具体包括

管道的点蚀过程声发射信号来源主要包括：氢气泡的产生、运动、破裂，点蚀坑表面氧化膜剥离与破裂，腐蚀产物的堆积与破灭。为了能够准确捕捉其中的声信号源，必须真实模拟点蚀各阶段变化过程。本发明在声发射检测技术的基础上结合电化学检测技术对管道进行点蚀速度监测，以及利用超高速显像系统对腐蚀画面进行捕捉，完整地记录管道点蚀每一个过程，以此实验为基础进行点蚀机理分析。

本发明提出了应力作用下的管道点蚀特征提取及基于图像分析的点蚀严重度智能识别方法。本发明主要思想为：图像识别与声信号识别技术同步分析，提高识别效果。首先是点蚀声学信号分析，在处理声发射数据的过程中，如果直接使用波形或者频谱进行分析使得计算量很大，且腐蚀过程背景噪声会影响分析的结果，因此必须对声发射信号进行特征提取。此外为了保证不同的物理量和量纲的输入变量平等使用，需要对特征向量的原始数据进行标准化处理。本发明以EEMD信号分析为理论基础，以实验测得的点蚀声信号数据为样本，并对样本数据进行标准化处理。由于点蚀声信号各阶IMF中心频率具有可分性，使用最高能量的固有模态中心频率作为特征参数，最后用计算的频率范围鉴别出点蚀信号来源点蚀的哪一阶段。因为不同点蚀阶段点蚀信号的最高能量固有模态中心频率具有较好的可分性，能够充分体现目标优势频段特征。

其次基于二维卷积神经网络的图像分析方法。DIC成像技术可以清晰捕捉点蚀试件表面的气泡的产生、运动、破裂的过程，这一过程是声发射最主要的信号来源，同时也是点蚀图像分析的重要依据。将图像信息以矩阵的形式输送到二维卷积神经网络中，借助于二维卷积神经网络提取拍摄图片的特征，并将提取的特征参数输入到神经网络的智能训练模型中，最后利用softmax函数达到智能化识别的目的。

第三步，实行双重判断标准。从点蚀实验开始，记录实验时间，将同一的点蚀声信号以及点蚀图像作为分析对象数据，代入上述两种对应的识别算法中，当两者的识别精度都达到固定要求时认为点蚀已经发展到某一阶段。根据本专利的算法，在改变点蚀试件力的加载形式，以及试件表面的温度变化，可以准确识别试件点蚀进程。

本发明的有益效果为：与传统的处理声发射数据的小波变换、快速傅里叶变换不同，本发明提供的算法突破了它们的局限性，EEMD的基函数能够自动产生且具有自适应的滤波特性，分解后的各个分量相加能够获得原信号的性质。可以更好地去除管道点蚀状态下的各种腐蚀声信号的背景噪声，方便数据处理。方便提取腐蚀信号中比较细节的特征。此外将DIC成像技术与声发射技术结合分析，通过提取的图像的特征与声信号的特征达到智能识别的目的。

具体实施方式

为了进一步解释本发明的技术方案，下面对本发明进行详细阐述。

本发明提出了管道点蚀信号EEMD分析及基于二维卷积的图像分析的点蚀严重度综合识别方法。首先是基于EEMD理论的点蚀声信号数据分析，第一步对的原始数据进行Z-score标准化处理得到x

第二步，利用EEMD算法提取管道点蚀信号最强固有模态(IMF)中心频率作为特征参数，具体步骤如下:

(1)对获取的原始声发射信号添加N次白噪声，生成N个新的x(t)。

(2)对N个x(t)进行EMD分解得到N组IMF分量及余量。

(3)对同阶的N个IMF取平均获得新的一组IMF分量。

(4)EEMD分解结果用式

信息分量中心频率计算步骤如下：

(1)信号x(t)经EEMD分解后，对分解得到的IMF分量c(t)做希尔伯特变换，即：

解析信号定义为：

(2)目标信号被分解后的任意一阶IMF的瞬时频率总是围绕一个中心频率波动，定义这个频率为该阶IMF的中心频率。假设第m阶模态共有N个采样点，第n个采样点的瞬时频率为fmn，瞬时振幅为bmn，该点瞬时强度为：

Q

式中:Qmn为分解后的第m阶模态的第n个采样点的瞬时强度。原观测数据的第m阶固有模态函数中心频率为:

式中：N为采样点数；f^m为分解后的第m阶固有模态的中心频率。第m阶固有模态函数平均强度为：

最后将计算出的最高能量第m阶固有模态的中心频率与样本数据的频率进行对比，判断出该声信号来源于点蚀哪一阶段。

其次是基于二维卷积神经网络的图像识别。具体操作如下：第一步数据的规则化，将拍到的腐蚀图片分解为G(红)、R(绿)、A(蓝)三个通道，本发明以3个64*64的数字矩阵输入到二维卷积神经网络中，其次设定基于图像纹理特征的3*3的特征提取滤波器矩阵，选取不同点蚀阶段点蚀图像的纹理特征的对比度作为特征参数，选取的激活函数为Relu函数，选择最大池化算法进行池化，最后使用softmax函数进行分类，对点蚀图像进行识别，判断该点蚀图像具体为哪一点蚀阶段。

最后是图像识别与声学识别方法的结合，选取统一时间的图像数据以及声学数据，分别代入两种算法，当两种识别准确度都达到98％以上说明该方法具有较高的识别精度。此外可以通过改变点蚀试件力的加载形式，以及试件表面的温度变化，总结管道点蚀的影响因素，并完善点蚀进程综合智能识别方法。

以上所述实施例仅表达了本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。