? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

摘 ?要：對(duì)無(wú)縫鋼管進(jìn)行漏磁無(wú)損檢測(cè)的過(guò)程中，需要對(duì)信號(hào)進(jìn)行分類識(shí)別，傳統(tǒng)信號(hào)處理方法存在一定的不足，無(wú)法進(jìn)行較為準(zhǔn)確的判斷。文章提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的聲譜圖識(shí)別方法，對(duì)傳感器獲取的信號(hào)進(jìn)行轉(zhuǎn)化獲得聲譜圖，以圖像處理的方法，利用卷積神經(jīng)網(wǎng)絡(luò)的技術(shù)，提升了信號(hào)分類的準(zhǔn)確性。通過(guò)實(shí)驗(yàn)，證明此方法具有良好的效果。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)CNN;聲譜圖;漏磁信號(hào)

中圖分類號(hào)：TP391.41 ???文獻(xiàn)標(biāo)識(shí)碼：A?????文章編號(hào)：1671-2064（2019）16-0000-00

0 引言

漏磁無(wú)損檢測(cè)是對(duì)無(wú)縫鋼管行檢測(cè)的一種常用方法，該方法利用恒定磁場(chǎng)對(duì)無(wú)縫鋼管進(jìn)行磁化，如管體有裂紋、孔洞等缺陷情況存在，將會(huì)有一部分磁通量從缺陷所在的位置沿鋼管圓周的法線方向“泄露”出來(lái)，這個(gè)磁通量被稱為漏磁，漏磁無(wú)損檢測(cè)方法就是利用緊貼鋼管表面的磁敏傳感器來(lái)“感應(yīng)”漏磁信號(hào)，從而判定缺陷的存在^[1][2]。

對(duì)管道缺陷類型的判斷主要是通過(guò)信號(hào)特征實(shí)現(xiàn)其幾何參數(shù)的提取，并推導(dǎo)出缺陷的類型。缺陷特征的提取很多采用神經(jīng)網(wǎng)絡(luò)進(jìn)行，如王長(zhǎng)龍，Haueisen.J等研究以BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于漏磁信號(hào)的反演，建立了漏磁信號(hào)與缺陷幾何參數(shù)之間的數(shù)學(xué)模型^[3][4][5];崔偉、王太勇等提出以基于徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)對(duì)管壁缺陷的周向?qū)挾忍卣鬟M(jìn)行定量分析^[6][7][8];除此之外，Li， M等提出了對(duì)管道表面磁場(chǎng)進(jìn)行重建后，依據(jù)磁 場(chǎng)分布的拓?fù)涮荻葋?lái)進(jìn)行缺陷類型的反演^[9][10];Joshi A等提出了以自適應(yīng)小波算法來(lái)進(jìn)行缺陷類型分析^[11]。

1 聲譜圖（Spectrogram）

聲譜圖技術(shù)可以將音頻信號(hào)轉(zhuǎn)化為圖像，然后利用圖像處理技術(shù)的方法，來(lái)進(jìn)行信號(hào)的識(shí)別。具體來(lái)說(shuō)，通過(guò)對(duì)音頻信號(hào)進(jìn)行連續(xù)頻譜分析，來(lái)生成二維圖譜，該圖譜中橫坐標(biāo)為時(shí)間，縱坐標(biāo)為信號(hào)的頻率，而圖譜中像素灰度值反映某時(shí)刻及其相應(yīng)頻率的信號(hào)能量密度。聲譜圖可以用來(lái)分析音頻信號(hào)的動(dòng)態(tài)頻譜特性。

對(duì)無(wú)縫鋼管進(jìn)行漏磁無(wú)損檢測(cè)時(shí)，主要缺陷類型的信號(hào)的頻段集中于音頻信號(hào)區(qū)域，且無(wú)損檢測(cè)的初級(jí)放大電路已經(jīng)進(jìn)行了低通濾波，將高頻部分進(jìn)行了濾除。對(duì)于送入工業(yè)計(jì)算機(jī)進(jìn)行數(shù)字化處理的信號(hào)來(lái)說(shuō)，音頻范圍內(nèi)的信號(hào)占據(jù)了主要部分，因此完全可以借鑒聲譜圖對(duì)信號(hào)進(jìn)行處理的方法，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)漏磁無(wú)損檢測(cè)信號(hào)進(jìn)行分類。

2卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks）

在神經(jīng)網(wǎng)絡(luò)的眾多技術(shù)中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）在處理圖像方面較為突出。卷積神經(jīng)網(wǎng)絡(luò)含有卷積層與特征映射層，卷積層是卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。典型的卷積層包括數(shù)據(jù)輸入、卷積計(jì)算、激活、池化等部分^[12]。其中，數(shù)據(jù)輸入層包括原始數(shù)據(jù)的處理，主要是歸一化等圖像基本處理;卷積計(jì)算是通過(guò)卷積核與輸入數(shù)據(jù)的卷積來(lái)進(jìn)行圖像的特征提取，從而得到多個(gè)特征映射;激活通過(guò)非線性的激活函數(shù)處理，提高網(wǎng)絡(luò)的表達(dá)能力;池化層通過(guò)最大池化或者平均池化等來(lái)減小參數(shù)的規(guī)模，降低網(wǎng)絡(luò)的復(fù)雜程度。

特征映射層上所有神經(jīng)元的權(quán)重相同，通過(guò)Logistic 回歸與ReLu激活映射圖像特征 ，最后一個(gè)特征映射層通過(guò)softmax輸出結(jié)果。特征映射層通過(guò)ReLu函數(shù)來(lái)約束Logistic回歸中可能出現(xiàn)的負(fù)值，最后一層通過(guò)softmax 來(lái)輸出分類結(jié)果。

AlexNet網(wǎng)絡(luò)。AlexNet是基于LeNet發(fā)展起來(lái)的新型神經(jīng)網(wǎng)絡(luò)，共含有8層，前五層是卷積層，后3層為全連接（full-connected），其中第一層為卷積層1輸入為 227×227×3的圖像，第二層為卷積層2，由上層的卷積的分別由卷積、激活函數(shù)、下采樣、批量標(biāo)準(zhǔn)化四個(gè)部分構(gòu)成。第三層和第四層是卷積的過(guò)程，但這兩個(gè)模塊中沒(méi)有下采樣，這樣的設(shè)計(jì)與輸入圖像的大小有關(guān)。第五層也是一個(gè)卷積過(guò)程，結(jié)構(gòu)類似第一、第二層。第六層和第七層為全連接層（Dense）。第八層為輸出層，該層利用 softmax分類器進(jìn)行分類，假設(shè)樣本集包含N類，輸出層對(duì)應(yīng)N個(gè)結(jié)點(diǎn)，每個(gè)結(jié)點(diǎn)輸出的是屬于該類別的概率值^[13]。AlexNet模型示意，如圖1所示。

3 實(shí)驗(yàn)數(shù)據(jù)及wav格式轉(zhuǎn)換

本文的實(shí)驗(yàn)數(shù)據(jù)選擇了合肥中大檢測(cè)技術(shù)有限公司ZDJC-180型漏磁無(wú)損檢測(cè)設(shè)備的校驗(yàn)數(shù)據(jù)集，共選取了32類不同的無(wú)縫鋼管管體缺陷信號(hào)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。這32種缺陷類型涵蓋了常見(jiàn)的管體缺陷如橫向內(nèi)缺陷、橫向外缺陷、縱向內(nèi)缺陷、縱向外缺陷、管體內(nèi)螺紋缺陷等。每種類型的缺陷信號(hào)各選取了200個(gè)信號(hào)片段用于訓(xùn)練。

由于漏磁無(wú)損檢測(cè)進(jìn)行模-數(shù)轉(zhuǎn)換是由數(shù)據(jù)采集卡完成的，數(shù)據(jù)采集卡選用凌華科技PCI-9112型多功能通用數(shù)據(jù)采集卡，最高采樣率可達(dá)100K/s，采樣分辨率為12位，采樣后的數(shù)據(jù)要進(jìn)行轉(zhuǎn)換為音頻格式（wav文件）以進(jìn)行后繼聲譜圖處理。數(shù)據(jù)格式的轉(zhuǎn)換采用Python 3.6.4內(nèi)建的wave包進(jìn)行，圖2為wav文件的通用格式。

4 聲譜圖轉(zhuǎn)換

本文的研究用Matlab來(lái)進(jìn)行聲譜圖的轉(zhuǎn)換過(guò)程，步驟如下，先以audioread函數(shù)對(duì)wav文件進(jìn)行讀取，并另存為向量;再利用spectrogram函數(shù)，進(jìn)行聲譜圖的轉(zhuǎn)換，spectrogram函數(shù)包括了以下參數(shù)，x---輸入信號(hào)的向量，window---窗函數(shù)本文選擇海明窗，noverlap---每一段的重疊樣本數(shù)，默認(rèn)值是在各段之間產(chǎn)生50%的重疊，本文選擇值為100;nfft---做FFT變換的長(zhǎng)度，本文選擇256。經(jīng)過(guò)spectrogram函數(shù)處理后的聲譜圖中，以時(shí)間為橫坐標(biāo)，頻率為縱坐標(biāo)。圖3為一個(gè)訓(xùn)練樣本的聲譜圖實(shí)例

5 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練利用了Matlab中的MatConvNet工具箱，該工具箱可進(jìn)行基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別處理，具有快速方便、效率高的特點(diǎn)，還支持利用GPU進(jìn)行加速計(jì)算，并支持AlexNet。

實(shí)驗(yàn)中采用經(jīng)過(guò)預(yù)處理的227*227*3的聲譜圖作為輸入，輸出為32個(gè)節(jié)點(diǎn)以表示預(yù)定義的32種無(wú)縫鋼管管體缺陷類型。在Matlab中對(duì)網(wǎng)絡(luò)模型進(jìn)行初始化后即可開(kāi)始訓(xùn)練樣本集，訓(xùn)練過(guò)程中對(duì)網(wǎng)絡(luò)中的權(quán)值進(jìn)行更新，直到目標(biāo)函數(shù)收斂到一個(gè)穩(wěn)定區(qū)間。Matlab中的 AlexNet 結(jié)構(gòu)，如圖4所示。

6 實(shí)驗(yàn)結(jié)果

使用測(cè)試信號(hào)片段集合經(jīng)過(guò)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行了分類實(shí)驗(yàn)，取無(wú)縫鋼管內(nèi)部、外部普通缺陷及內(nèi)部螺紋缺陷、管道通孔等4種缺陷為例，共有500組信號(hào)片段進(jìn)行了分類實(shí)驗(yàn)，圖5為分類結(jié)果，與傳統(tǒng)的基于數(shù)據(jù)信號(hào)頻率進(jìn)行判斷分類的方法相比，基于AlexNet神經(jīng)網(wǎng)絡(luò)的方法具有較好的分類準(zhǔn)確度。

7 結(jié)語(yǔ)

本研究結(jié)合了聲譜圖與卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，應(yīng)用于漏磁無(wú)損檢測(cè)過(guò)程中，能有效地提升無(wú)損檢測(cè)過(guò)程中缺陷信號(hào)的分類識(shí)別準(zhǔn)確率。利用已有的缺陷信號(hào)，制作相應(yīng)的聲譜圖集合，并利用這些聲譜圖對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)特征，進(jìn)行了多次實(shí)驗(yàn)，證明了本研究方法的可行性及有效性。

參考文獻(xiàn)

[1]陳文明，何輔云，陳琨，等.石油管道檢測(cè)中缺陷類型判別方法的研究[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，31（12）：1929-1932.

[2]楊理踐，馬鳳銘，高松巍.油氣管道缺陷漏磁在線檢測(cè)定量識(shí)別技術(shù)[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2009，41（1）：245-247.

[3]王長(zhǎng)龍，劉兵，紀(jì)鳳珠，等.基于BP神經(jīng)網(wǎng)絡(luò)的漏磁定量化檢測(cè)[J].兵器材料科學(xué)與工程，2007，30（1）：8-11.

[4] Haueisen J，Unger R，Beuker T，et al. Evaluation of inverse algorithms in the analysis of magnetic flux leakage data[J].IEEE?Transactions On Magnetics，2002，38（3）：1481-1488.

[5] 孫燕華，康宜華.基于物理場(chǎng)的缺陷漏磁檢測(cè)信號(hào)特征分析[J].華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，38（4）：90-93.

[6]崔偉，黃松嶺，趙偉.基于RBF網(wǎng)絡(luò)的漏磁檢測(cè)缺陷定量分析方法[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版， 2006（7）：1216-1218.

[7]王太勇，蔣奇.管道缺陷定量識(shí)別技術(shù)的研究[J].天津大學(xué)學(xué)報(bào)（自然科學(xué)版），2003，36（1）：55-58.

[8]RYING E A，BILBRO G L，JYE-CHYI Lu.Focused local learning with wavelet neural networks[J].Neural Networks，IEEE Transactions on，2002，13（2）：304-319.

[9]Li，M.Lowther，D.A.The Application of Topological Gradients to Defect Identification in Magnetic Flux Leakage-Type NDT[J].Magnetics， IEEE Transactions on，2010，46（8）：3221-3224.

[10]Amineh， R.K，Koziel， S，Nikolova， N.K.A Space Mapping Methodology for Defect Characterization From Magnetic Flux Leakage Measurements[J].IEEE Transactions on Magnetics，2008，44（8）：2058-2065.

[11]Joshi A，Udpa L，Udpa S，Tamburrino A.Adaptive Wavelets for Characterizing Magnetic Flux Leakage Signals From Pipeline Inspection[J].Magnetics，IEEE Transactions on，2006，42（10）：3168-3170.

[12]Lecun Y，Bengio Y，Hinton G.Deep learning[J].Natur，2015，521（7553）：436.

[13]魏黎明.基于卷積神經(jīng)網(wǎng)絡(luò)的發(fā)言分類方法研究[D].東南大學(xué)，2018.

收稿日期：2019-06-24

基金項(xiàng)目：2018年教育部“中西部高等學(xué)校青年骨干教師國(guó)內(nèi)訪問(wèn)學(xué)者項(xiàng)目”（編號(hào)50061）

作者簡(jiǎn)介：陳彬（1979—），男，安徽合肥人，碩士研究生，副教授，研究方向：軟件開(kāi)發(fā)、云計(jì)算技術(shù)。