声谱图与卷积神经网络在漏磁检测技术中的应用

                                  

摘  要：对无缝钢管进行漏磁无损检测的过程中，需要对信号进行分类识别，传统信号处理方法存在一定的不足，无法进行较为准确的判断。文章提出了一种基于卷积神经网络的声谱图识别方法，对传感器获取的信号进行转化获得声谱图，以图像处理的方法，利用卷积神经网络的技术，提升了信号分类的准确性。通过实验，证明此方法具有良好的效果。

关键词：卷积神经网络CNN;声谱图;漏磁信号

中图分类号：TP391.41    文献标识码：A     文章编号：1671-2064（2019）16-0000-00

0 引言

漏磁无损检测是对无缝钢管行检测的一种常用方法，该方法利用恒定磁场对无缝钢管进行磁化，如管体有裂纹、孔洞等缺陷情况存在，将会有一部分磁通量从缺陷所在的位置沿钢管圆周的法线方向“泄露”出来，这个磁通量被称为漏磁，漏磁无损检测方法就是利用紧贴钢管表面的磁敏传感器来“感应”漏磁信号，从而判定缺陷的存在^[1][2]。

对管道缺陷类型的判断主要是通过信号特征实现其几何参数的提取，并推导出缺陷的类型。缺陷特征的提取很多采用神经网络进行，如王长龙，Haueisen.J等研究以BP神经网络应用于漏磁信号的反演，建立了漏磁信号与缺陷几何参数之间的数学模型^[3][4][5];崔伟、王太勇等提出以基于径向基函数（RBF）神经网络对管壁缺陷的周向宽度特征进行定量分析^[6][7][8];除此之外，Li， M等提出了对管道表面磁场进行重建后，依据磁 场分布的拓扑梯度来进行缺陷类型的反演^[9][10];Joshi A等提出了以自适应小波算法来进行缺陷类型分析^[11]。

1 声谱图（Spectrogram）

声谱图技术可以将音频信号转化为图像，然后利用图像处理技术的方法，来进行信号的识别。具体来说，通过对音频信号进行连续频谱分析，来生成二维图谱，该图谱中横坐标为时间，纵坐标为信号的频率，而图谱中像素灰度值反映某时刻及其相应频率的信号能量密度。声谱图可以用来分析音频信号的动态频谱特性。

对无缝钢管进行漏磁无损检测时，主要缺陷类型的信号的频段集中于音频信号区域，且无损检测的初级放大电路已经进行了低通滤波，将高频部分进行了滤除。对于送入工业计算机进行数字化处理的信号来说，音频范围内的信号占据了主要部分，因此完全可以借鉴声谱图对信号进行处理的方法，结合卷积神经网络来对漏磁无损检测信号进行分类。

2卷积神经网络（Convolutional Neural Networks）

在神经网络的众多技术中，卷积神经网络（CNN）在处理图像方面较为突出。卷积神经网络含有卷积层与特征映射层，卷积层是卷积神经网络的基本结构。典型的卷积层包括数据输入、卷积计算、激活、池化等部分^[12]。其中，数据输入层包括原始数据的处理，主要是归一化等图像基本处理;卷积计算是通过卷积核与输入数据的卷积来进行图像的特征提取，从而得到多个特征映射;激活通过非线性的激活函数处理，提高网络的表达能力;池化层通过最大池化或者平均池化等来减小参数的规模，降低网络的复杂程度。

特征映射层上所有神经元的权重相同，通过Logistic 回归与ReLu激活映射图像特征 ，最后一个特征映射层通过softmax输出结果。特征映射层通过ReLu函数来约束Logistic回归中可能出现的负值，最后一层通过softmax 来输出分类结果。

AlexNet网络。AlexNet是基于LeNet发展起来的新型神经网络，共含有8层，前五层是卷积层，后3层为全连接（full-connected），其中第一层为卷积层1输入为 227×227×3的图像，第二层为卷积层2，由上层的卷积的分别由卷积、激活函数、下采样、批量标准化四个部分构成。第三层和第四层是卷积的过程，但这两个模块中没有下采样，这样的设计与输入图像的大小有关。第五层也是一个卷积过程，结构类似第一、第二层。第六层和第七层为全连接层（Dense）。第八层为输出层，该层利用 softmax分类器进行分类，假设样本集包含N类，输出层对应N个结点，每个结点输出的是属于该类别的概率值^[13]。AlexNet模型示意，如图1所示。

3 实验数据及wav格式转换

本文的实验数据选择了合肥中大检测技术有限公司ZDJC-180型漏磁无损检测设备的校验数据集，共选取了32类不同的无缝钢管管体缺陷信号对神经网络进行训练。这32种缺陷类型涵盖了常见的管体缺陷如横向内缺陷、横向外缺陷、纵向内缺陷、纵向外缺陷、管体内螺纹缺陷等。每种类型的缺陷信号各选取了200个信号片段用于训练。

由于漏磁无损检测进行模-数转换是由数据采集卡完成的，数据采集卡选用凌华科技PCI-9112型多功能通用数据采集卡，最高采樣率可达100K/s，采样分辨率为12位，采样后的数据要进行转换为音频格式（wav文件）以进行后继声谱图处理。数据格式的转换采用Python 3.6.4内建的wave包进行，图2为wav文件的通用格式。

4 声谱图转换

本文的研究用Matlab来进行声谱图的转换过程，步骤如下，先以audioread函数对wav文件进行读取，并另存为向量;再利用spectrogram函数，进行声谱图的转换，spectrogram函数包括了以下参数，x---输入信号的向量，window---窗函数本文选择海明窗，noverlap---每一段的重叠样本数，默认值是在各段之间产生50%的重叠，本文选择值为100;nfft---做FFT变换的长度，本文选择256。经过spectrogram函数处理后的声谱图中，以时间为横坐标，频率为纵坐标。图3为一个训练样本的声谱图实例

5 卷积神经网络的训练

卷积神经网络的训练利用了Matlab中的MatConvNet工具箱，该工具箱可进行基于卷积神经网络的图像识别处理，具有快速方便、效率高的特点，还支持利用GPU进行加速计算，并支持AlexNet。

实验中采用经过预处理的227*227*3的声谱图作为输入，输出为32个节点以表示预定义的32种无缝钢管管体缺陷类型。在Matlab中对网络模型进行初始化后即可开始训练样本集，训练过程中对网络中的权值进行更新，直到目标函数收敛到一个稳定区间。Matlab中的 AlexNet 结构，如图4所示。

6 实验结果

使用测试信号片段集合经过训练的卷积神经网络，进行了分类实验，取无缝钢管内部、外部普通缺陷及内部螺纹缺陷、管道通孔等4种缺陷为例，共有500组信号片段进行了分类实验，图5为分类结果，与传统的基于数据信号频率进行判断分类的方法相比，基于AlexNet神经网络的方法具有较好的分类准确度。

7 结语

本研究结合了声谱图与卷积神经网络技术，应用于漏磁无损检测过程中，能有效地提升无损检测过程中缺陷信號的分类识别准确率。利用已有的缺陷信号，制作相应的声谱图集合，并利用这些声谱图对神经网络进行训练，利用训练好的卷积神经网络特征，进行了多次实验，证明了本研究方法的可行性及有效性。

参考文献

[1]陈文明，何辅云，陈琨，等.石油管道检测中缺陷类型判别方法的研究[J].合肥工业大学学报（自然科学版），2008，31（12）：1929-1932.

[2]杨理践，马凤铭，高松巍.油气管道缺陷漏磁在线检测定量识别技术[J].哈尔滨工业大学学报，2009，41（1）：245-247.

[3]王长龙，刘兵，纪凤珠，等.基于BP神经网络的漏磁定量化检测[J].兵器材料科学与工程，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] 孙燕华，康宜华.基于物理场的缺陷漏磁检测信号特征分析[J].华中科技大学学报（自然科学版），2010，38（4）：90-93.

[6]崔伟，黄松岭，赵伟.基于RBF网络的漏磁检测缺陷定量分析方法[J].清华大学学报：自然科学版， 2006（7）：1216-1218.

[7]王太勇，蒋奇.管道缺陷定量识别技术的研究[J].天津大学学报（自然科学版），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.基于卷积神经网络的发言分类方法研究[D].东南大学，2018.

收稿日期：2019-06-24

基金项目：2018年教育部“中西部高等学校青年骨干教师国内访问学者项目”（编号50061）

作者简介：陈彬（1979—），男，安徽合肥人，硕士研究生，副教授，研究方向：软件开发、云计算技术。