(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211308775.6 (22)申请日 2022.10.25 (71)申请人 东北大学 地址 110819 辽宁省沈阳市和平区文化路3 号巷11号 (72)发明人 徐行　刘金海　姜琳　肖奇　王威　 刘晓媛　刘佳睿　张化光　汪刚　 马大中　卢森骧　 (74)专利代理 机构 北京中强智尚知识产权代理 有限公司 1 1448 专利代理师 朱春元 (51)Int.Cl. G06K 9/62(2022.01) (54)发明名称 裂纹检测方法、 装置、 电子设备及存 储介质 (57)摘要 本申请公开了一种裂纹检测方法、 装置、 电 子设备及存储介质， 涉及故障诊断技术领域， 解 决了目前在检测管道裂纹时， 由于非裂纹信号的 波动以及裂纹训练样本不充足， 导致裂纹检测精 度不高的问题。 该方法， 包括： 控制设置于埋地管 道内的漏磁检测器向前移动， 得到裂缝训练样本 集、 非裂缝训练样本集、 测试样本集， 建立多传感 器融合特征 互监督神经网络， 并基于裂缝训练样 本集、 非裂缝训练样本集对多传感器融合特征互 监督神经网络进行多次训练， 更新网络参数， 得 到目标多传感器融合特征互监督神经网络， 基于 目标多传感器融合特征互监督神经网络确定所 述测试样本集中的裂纹样本 。 权利要求书6页 说明书19页 附图2页 CN 115496167 A 2022.12.20 CN 115496167 A 1.一种裂纹检测方法， 其特 征在于， 包括： 控制设置于埋地管道内的漏磁检测器向前移动， 所述漏磁检测器用于释放磁信号并接 收当所述磁信号 穿过所述埋地管道的金属管壁时产生的漏磁信号； 在所述漏磁检测器前进的过程中， 采集漏磁轴向信号和漏磁径向信号， 以及基于所述 漏磁轴向信号和所述漏磁径向信号分别生成初始裂缝训练样本集、 初始非裂缝训练样本 集、 初始测试样本集， 并对所述初始裂缝训练样本集、 所述初始非裂缝训练样本集、 所述初 始测试样本集进行 预处理， 得到裂缝训练样本集、 非裂缝训练样本集、 测试样本集； 建立多传感器融合特 征互监督神经网络； 基于所述裂缝训练样本集对所述多传感器融合特征互监督神经网络进行第 一次训练， 更新网络参数， 以使裂缝处融合轴向特征和裂缝处融合径向特征相互逼近， 以及基于非裂 缝训练样本集对第一次训练后的多传感器融合特征互监督神经网络进 行第二训练， 更新网 络参数， 以使非裂纹处融合轴向特征和非裂纹处融合径向特征相互远离， 得到第二次训练 后的多传感器融合特 征互监督神经网络作为下一轮次的训练网络； 确定训练次数， 在每一轮次训练中基于所述裂缝训练样本集对上一轮次得到的第 二次 训练后的多传感器融合特征互监督神经网络进行当前轮次第一次训练， 更新网络参数， 以 使裂缝处融合轴向特征和裂缝 处融合径向特征继续相互逼近， 以及基于所述 非裂缝训练样 本集对当前轮次第一次训练后的多传感器融合特征互监督神经网络进行当前轮次第二次 训练， 更新网络参数， 以使非裂纹处融合轴向特征和非裂纹处融合径向特征继续相互远离， 直至训练的轮次达 到所述训练次数， 得到目标多传感器融合特 征互监督神经网络； 基于所述目标多传感器融合特 征互监督神经网络确定所述测试样本集中的裂纹样本 。 2.根据权利要求1所述的裂纹检测方法， 其特征在于， 所述基于所述漏磁轴向信号和所 述漏磁径向信号分别生成初始裂缝训练样本集、 初始非裂缝训练样本集、 初始测试样本集， 包括： 基于所述漏磁轴向信号和所述漏磁径向信号 生成训练信号样本集和 测试信号样本集； 对所述训练信号样本集包括的信号进行划分， 确定包括多个轴向裂缝训练样本和对应 的多个径向裂缝训练样 本的初始裂缝训练样本集、 包括多个轴向非裂缝训练样本和对应的 多个径向非裂缝训练样本的初始非裂缝训练样本集， 其中， 所述初始裂缝训练样本集为Xd： 为所述初始裂缝训 练样本集中第i个轴向裂缝训练样本， 为所述初始裂缝训练样本集中第i个径向裂缝 训练样本， N 为所述初始裂缝训练样本集中轴向缝训练样本 /径向裂缝训练样本的数量， 所述初始非裂缝训练样本集Xnd为： 为所述初始 非裂缝训练样本集中第i个轴向非裂缝训练样本， 为所述初始非裂缝训练样本集中 第i个径向非裂缝训练样本， N为所述初始非裂缝训练样本集中轴向非裂缝训练样本/径向 非裂缝训练样本的数量； 将所述测试信号样本集包括的轴向漏磁信号和径向漏磁信号分别按照预设规则分割 成多个测试样本， 得到初始轴向测试样本集和初始 径向测试样本集， 其中，权　利　要　求　书 1/6 页 2 CN 115496167 A 2所述初始轴向测试样本集 为： 为所述初始轴向测试 样本集中第i个初始轴向测试样本， NT为所述初始轴向测试样本集中初始轴向测试样本 的 数量， 所述初始径向测试样本集 为： 为所述初始径向测试 样本集中第i个初始径 向测试样本， NT为所述初始径 向测试样本集中初始径 向测试样本 的 数量； 所述初始轴向测试样本集 和所述初始径向测试样本集 组成所述初始测试样本 集。 3.根据权利要求2所述的裂纹检测方法， 其特征在于， 所述对所述初始裂缝训练样本 集、 所述初始非裂缝训练样本集、 所述初始测试样本集进行预处理， 得到裂缝训练样本集、 非裂缝训练样本集、 测试样本集， 包括： 分别对所述初始裂缝训练样本集、 所述初始非裂缝训练样本集、 所述初始轴向测试样 本集、 所述初始径向测试样本集中的每个样本进行基值校正， 以确保所述初始裂缝训练样 本集、 所述初始非裂缝训练样本集、 所述初始轴向测试样 本集、 所述初始径向测试样本集中 每个通道的均值 为定值 ε； 利用二维三 次样条插值法分别对所述初始裂缝训练样本集、 所述初始非裂缝训练样本 集、 所述初始轴向测试样本集、 所述初始径向测试样本集中每个校正后的样 本进行插值， 分 别将所述初始裂缝训练样本集、 所述初始非裂缝训练样本集、 所述初始轴向测试样本集、 所 述初始径向测试样本集中每个经过正矫正、 插值的样本按照彩虹编 码方式转化成三通道图 片， 获得所述裂缝训练样本集、 所述 非裂缝训练样 本集、 轴向测试样本集、 径向测试样 本集， 其中， 所述裂缝训练样本集Sd为： 为所述裂缝训练样本集中 第i个轴向裂缝训练样本， 为所述裂缝训练样本集中第i个径向裂缝训练样本， 所述非裂缝训练样本集Snd为： 为所述非裂缝训练 样本集中第i个轴向非裂缝训练样本， 为所述非裂缝训练样本集中第i个径向非裂缝 训练样本， 所述轴向测试样本集 为： 为所述轴向测试样本集 中第 i个轴向测试样本， 所述径向测试样本集 为： 为所述径向测试样本集中第 i个径向测试样本； 所述轴向测试样本集 和所述径向测试样本集 组成所述测试样本集。 4.根据权利要求3所述的裂纹检测方法， 其特征在于， 所述建立多传感器融合特征互监 督神经网络， 包括：权　利　要　求　书 2/6 页 3 CN 115496167 A 3