聲譜圖與卷積神經網絡在漏磁檢測技術中的應用

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

摘 ?要：對無縫鋼管進行漏磁無損檢測的過程中，需要對信號進行分類識別，傳統信號處理方法存在一定的不足，無法進行較為準確的判斷。文章提出了一種基于卷積神經網絡的聲譜圖識別方法，對傳感器獲取的信號進行轉化獲得聲譜圖，以圖像處理的方法，利用卷積神經網絡的技術，提升了信號分類的準確性。通過實驗，證明此方法具有良好的效果。

關鍵詞：卷積神經網絡CNN;聲譜圖;漏磁信號

中圖分類號：TP391.41 ???文獻標識碼：A?????文章編號：1671-2064（2019）16-0000-00

0 引言

漏磁無損檢測是對無縫鋼管行檢測的一種常用方法，該方法利用恒定磁場對無縫鋼管進行磁化，如管體有裂紋、孔洞等缺陷情況存在，將會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，這個磁通量被稱為漏磁，漏磁無損檢測方法就是利用緊貼鋼管表面的磁敏傳感器來“感應”漏磁信號，從而判定缺陷的存在^[1][2]。

對管道缺陷類型的判斷主要是通過信號特征實現其幾何參數的提取，并推導出缺陷的類型。缺陷特征的提取很多采用神經網絡進行，如王長龍，Haueisen.J等研究以BP神經網絡應用于漏磁信號的反演，建立了漏磁信號與缺陷幾何參數之間的數學模型^[3][4][5];崔偉、王太勇等提出以基于徑向基函數（RBF）神經網絡對管壁缺陷的周向寬度特征進行定量分析^[6][7][8];除此之外，Li， M等提出了對管道表面磁場進行重建后，依據磁 場分布的拓撲梯度來進行缺陷類型的反演^[9][10];Joshi A等提出了以自適應小波算法來進行缺陷類型分析^[11]。

1 聲譜圖（Spectrogram）

聲譜圖技術可以將音頻信號轉化為圖像，然后利用圖像處理技術的方法，來進行信號的識別。具體來說，通過對音頻信號進行連續頻譜分析，來生成二維圖譜，該圖譜中橫坐標為時間，縱坐標為信號的頻率，而圖譜中像素灰度值反映某時刻及其相應頻率的信號能量密度。聲譜圖可以用來分析音頻信號的動態頻譜特性。

對無縫鋼管進行漏磁無損檢測時，主要缺陷類型的信號的頻段集中于音頻信號區域，且無損檢測的初級放大電路已經進行了低通濾波，將高頻部分進行了濾除。對于送入工業計算機進行數字化處理的信號來說，音頻范圍內的信號占據了主要部分，因此完全可以借鑒聲譜圖對信號進行處理的方法，結合卷積神經網絡來對漏磁無損檢測信號進行分類。

2卷積神經網絡（Convolutional Neural Networks）

在神經網絡的眾多技術中，卷積神經網絡（CNN）在處理圖像方面較為突出。卷積神經網絡含有卷積層與特征映射層，卷積層是卷積神經網絡的基本結構。典型的卷積層包括數據輸入、卷積計算、激活、池化等部分^[12]。其中，數據輸入層包括原始數據的處理，主要是歸一化等圖像基本處理;卷積計算是通過卷積核與輸入數據的卷積來進行圖像的特征提取，從而得到多個特征映射;激活通過非線性的激活函數處理，提高網絡的表達能力;池化層通過最大池化或者平均池化等來減小參數的規模，降低網絡的復雜程度。

特征映射層上所有神經元的權重相同，通過Logistic 回歸與ReLu激活映射圖像特征 ，最后一個特征映射層通過softmax輸出結果。特征映射層通過ReLu函數來約束Logistic回歸中可能出現的負值，最后一層通過softmax 來輸出分類結果。

AlexNet網絡。AlexNet是基于LeNet發展起來的新型神經網絡，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、下采樣、批量標準化四個部分構成。第三層和第四層是卷積的過程，但這兩個模塊中沒有下采樣，這樣的設計與輸入圖像的大小有關。第五層也是一個卷積過程，結構類似第一、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分類器進行分類，假設樣本集包含N類，輸出層對應N個結點，每個結點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 實驗數據及wav格式轉換

本文的實驗數據選擇了合肥中大檢測技術有限公司ZDJC-180型漏磁無損檢測設備的校驗數據集，共選取了32類不同的無縫鋼管管體缺陷信號對神經網絡進行訓練。這32種缺陷類型涵蓋了常見的管體缺陷如橫向內缺陷、橫向外缺陷、縱向內缺陷、縱向外缺陷、管體內螺紋缺陷等。每種類型的缺陷信號各選取了200個信號片段用于訓練。

由于漏磁無損檢測進行模-數轉換是由數據采集卡完成的，數據采集卡選用凌華科技PCI-9112型多功能通用數據采集卡，最高采樣率可達100K/s，采樣分辨率為12位，采樣后的數據要進行轉換為音頻格式（wav文件）以進行后繼聲譜圖處理。數據格式的轉換采用Python 3.6.4內建的wave包進行，圖2為wav文件的通用格式。

4 聲譜圖轉換

本文的研究用Matlab來進行聲譜圖的轉換過程，步驟如下，先以audioread函數對wav文件進行讀取，并另存為向量;再利用spectrogram函數，進行聲譜圖的轉換，spectrogram函數包括了以下參數，x---輸入信號的向量，window---窗函數本文選擇海明窗，noverlap---每一段的重疊樣本數，默認值是在各段之間產生50%的重疊，本文選擇值為100;nfft---做FFT變換的長度，本文選擇256。經過spectrogram函數處理后的聲譜圖中，以時間為橫坐標，頻率為縱坐標。圖3為一個訓練樣本的聲譜圖實例

5 卷積神經網絡的訓練

卷積神經網絡的訓練利用了Matlab中的MatConvNet工具箱，該工具箱可進行基于卷積神經網絡的圖像識別處理，具有快速方便、效率高的特點，還支持利用GPU進行加速計算，并支持AlexNet。

實驗中采用經過預處理的227*227*3的聲譜圖作為輸入，輸出為32個節點以表示預定義的32種無縫鋼管管體缺陷類型。在Matlab中對網絡模型進行初始化后即可開始訓練樣本集，訓練過程中對網絡中的權值進行更新，直到目標函數收斂到一個穩定區間。Matlab中的 AlexNet 結構，如圖4所示。

6 實驗結果

使用測試信號片段集合經過訓練的卷積神經網絡，進行了分類實驗，取無縫鋼管內部、外部普通缺陷及內部螺紋缺陷、管道通孔等4種缺陷為例，共有500組信號片段進行了分類實驗，圖5為分類結果，與傳統的基于數據信號頻率進行判斷分類的方法相比，基于AlexNet神經網絡的方法具有較好的分類準確度。

7 結語

本研究結合了聲譜圖與卷積神經網絡技術，應用于漏磁無損檢測過程中，能有效地提升無損檢測過程中缺陷信號的分類識別準確率。利用已有的缺陷信號，制作相應的聲譜圖集合，并利用這些聲譜圖對神經網絡進行訓練，利用訓練好的卷積神經網絡特征，進行了多次實驗，證明了本研究方法的可行性及有效性。

參考文獻

[1]陳文明，何輔云，陳琨，等.石油管道檢測中缺陷類型判別方法的研究[J].合肥工業大學學報（自然科學版），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定量識別技術[J].哈爾濱工業大學學報，2009，41（1）：245-247.

[3]王長龍，劉兵，紀鳳珠，等.基于BP神經網絡的漏磁定量化檢測[J].兵器材料科學與工程，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.基于物理場的缺陷漏磁檢測信號特征分析[J].華中科技大學學報（自然科學版），2010，38（4）：90-93.

[6]崔偉，黃松嶺，趙偉.基于RBF網絡的漏磁檢測缺陷定量分析方法[J].清華大學學報：自然科學版， 2006（7）：1216-1218.

[7]王太勇，蔣奇.管道缺陷定量識別技術的研究[J].天津大學學報（自然科學版），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.基于卷積神經網絡的發言分類方法研究[D].東南大學，2018.

收稿日期：2019-06-24

基金項目：2018年教育部“中西部高等學校青年骨干教師國內訪問學者項目”（編號50061）

作者簡介：陳彬（1979—），男，安徽合肥人，碩士研究生，副教授，研究方向：軟件開發、云計算技術。