基于深度学习的管道焊缝超声检测缺陷识别方法

摘要：

目前深度学习的方法已经很好的应用于基于图像数据的管道焊缝缺陷自动检测,但是对于深度学习辅助超声无损检测却进展缓慢.主要原因是超声无损检测数据的复杂性(步长大、多模态、多峰分布等),神经网络训练往往出现梯度消失或爆炸的问题,而且能用于训练的标准数据集也严重匮乏.为了克服这些困难,首先引入特殊标准化方法和全连接隐含层实现了一种超声无损检测数据增强方法FMC-GAN构建虚拟数据集,再根据改进的LSTM-FCN模型并引入门函数,以此彻底克服超声无损检测数据复杂性.最后实验表明LSTM-FCN网络识别真实检测数据中的缺陷漏检率为0,各缺陷综合正确识别率高于95.6％,达到工业检测的要求,为超声无损检测智能化发展提供重要研究基础.

关键词：超声无损检测、深度学习、管道焊缝、缺陷识别

所属期刊栏目：22

分类号：TE832(石油、天然气储存与运输)

资助基金：国家自然科学基金;湖北省技术创新专项重大项目

在线出版日期：2022-12-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：13288-13292