基于CNN-Transformer的管道缺陷三維重構(gòu)方法

摘 要：文章對(duì)基于漏磁信號(hào)的長(zhǎng)輸油氣管道缺陷重構(gòu)方法進(jìn)行了研究。由于反向求解具有不適定性，而深度學(xué)習(xí)模型具有強(qiáng)大的非線性映射能力以及特征提取能力，因此搭建CNN-Transformer混合架構(gòu)模型作為量化模型來(lái)預(yù)測(cè)缺陷尺寸；并對(duì)仿真漏磁信號(hào)的修正方法進(jìn)行研究，以減小仿真數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)之間誤差。經(jīng)驗(yàn)證，修正后仿真軸向分量數(shù)據(jù)與實(shí)驗(yàn)數(shù)據(jù)峰值之間誤差平均下降了83.73%，而徑向分量峰值誤差平均下降了28.25%，解決了深度學(xué)習(xí)模型訓(xùn)練樣本不充足的問(wèn)題；并且修正后的數(shù)據(jù)集作為訓(xùn)練集訓(xùn)練的混合架構(gòu)模型在預(yù)測(cè)缺陷尺寸時(shí)具有較好的預(yù)測(cè)精度，模型在預(yù)測(cè)缺陷長(zhǎng)度、寬度與深度時(shí)平均相對(duì)誤差分別降低了21.35%、22.58%和21.55%，具有較高的準(zhǔn)確性與魯棒性。

關(guān)鍵詞：漏磁檢測(cè)；有限元仿真；卷積神經(jīng)網(wǎng)絡(luò)；Transformer模型；信號(hào)修正

中圖分類(lèi)號(hào)：TP39；TP18；TG115.28+4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2024）20-0048-08

Three Dimensional Reconstruction Method of Pipeline Defects Based on CNN-Transformer

YU Zhiqi， LIU Haoyuan， HE Luyao， YANG Lijian， LIU Bin

（School of Information Science and Engineering， Shenyang University of Technology， Shenyang 110870， China）

Abstract： This paper studies the method of defect reconstruction in long distance oil and gas pipelines based on MFL signals. Because the inverse solution is ill posed， and the Deep Learning model has strong nonlinear mapping ability and feature extraction ability， the CNN-Transformer hybrid architecture model is developed as a quantitative model to predict the defect size. Additionally， it studies the correction methods for simulated MFL signals to reduce the discrepancy between simulation data and experimental data. It is verified that the error between this simulated axial component data and the peak value of the experimental data decreases by 83.73% on average， while the peak error of the radial component decreases by 28.25% on average， which solves the problem that the training samples of the Deep Learning model are not sufficient. Moreover， the hybrid architecture model trained by the corrected dataset as the training set has better prediction accuracy when predicting the defect size. The Mean Relative Error of the model in predicting the length， width and depth of the defect is reduced by 21.35%， 22.58% and 21.55% respectively， which has high accuracy and robustness.

Keywords： MFL detection; finite element analysis; Convolutional Neural Networks; Transformer model; signal correction

0 引 言

漏磁檢測(cè)是無(wú)損檢測(cè)領(lǐng)域中最常用的技術(shù)手段之一。由于其具有檢測(cè)速度快、原理簡(jiǎn)單、操作方便等優(yōu)點(diǎn)，因此被廣泛應(yīng)用于長(zhǎng)輸油氣管道與儲(chǔ)油罐的檢測(cè)中。長(zhǎng)輸油氣管道作為鐵磁性材料，漏磁檢測(cè)通過(guò)對(duì)其施加外加磁場(chǎng)至磁飽和，若被檢測(cè)管道存在缺陷就會(huì)在空間中產(chǎn)生漏磁場(chǎng)，對(duì)漏磁信號(hào)數(shù)據(jù)進(jìn)行采集與分析可以判斷缺陷有無(wú)和估計(jì)缺陷尺寸，進(jìn)而幫助技術(shù)人員了解管道服役狀態(tài)，避免管道泄露或管道爆炸等大型事故的發(fā)生。目前對(duì)漏磁檢測(cè)的研究主要分為正問(wèn)題與反問(wèn)題兩個(gè)方面[1]，自20世紀(jì)初國(guó)際上對(duì)漏磁檢測(cè)展開(kāi)初步研究至今，對(duì)于正問(wèn)題的研究已逐步趨近于完善，而反問(wèn)題由于其具有不適定性以及數(shù)據(jù)的不完全性，目前仍然是漏磁檢測(cè)領(lǐng)域中的重點(diǎn)與難點(diǎn)。

漏磁檢測(cè)中的反問(wèn)題即通過(guò)采集漏磁信號(hào)對(duì)其進(jìn)行處理與分析，通過(guò)反向求解得出被測(cè)管道缺陷的尺寸信息。反問(wèn)題的求解根據(jù)求解過(guò)程中是否存在迭代可以大致分為開(kāi)環(huán)逆向法和閉環(huán)偽逆法[2]。隨著人工智能的興起，機(jī)器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)在求解漏磁檢測(cè)的反問(wèn)題中得到了廣泛的應(yīng)用。通過(guò)訓(xùn)練模型來(lái)學(xué)習(xí)漏磁信號(hào)數(shù)據(jù)與缺陷尺寸之間的對(duì)應(yīng)關(guān)系，可以快速準(zhǔn)確的識(shí)別缺陷特征。盡管此類(lèi)方法識(shí)別精度會(huì)受到訓(xùn)練數(shù)據(jù)的影響，但由于其能適應(yīng)復(fù)雜的非線性關(guān)系并且泛化能力強(qiáng)，目前仍是解決反問(wèn)題最常用最有效的方法之一[3]。為了提高深度學(xué)習(xí)模型預(yù)測(cè)缺陷尺寸的精度，對(duì)模型的改進(jìn)與優(yōu)化也成為研究中的熱點(diǎn)問(wèn)題。紀(jì)鳳珠等提出用粒子群算法優(yōu)化最小向量機(jī)的方法，建立從漏磁信號(hào)到缺陷二維輪廓的映射關(guān)系，以實(shí)現(xiàn)缺陷的二維重構(gòu)[4]；韓文花等提出了以徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)為前向模型，多種啟發(fā)式優(yōu)化算法作為迭代算法的方法解決漏磁檢測(cè)反演問(wèn)題[5-7]；東北大學(xué)Wu等提出一種基于強(qiáng)化學(xué)習(xí)的缺陷深度重建算法通過(guò)迭代解決漏磁檢測(cè)中的反問(wèn)題[8]；清華大學(xué)繆立恒等提出一種基于缺陷區(qū)域漏磁信號(hào)平均值與深度間的近似線性關(guān)系估計(jì)初始深度，通過(guò)誤差分析與迭代實(shí)現(xiàn)深度估計(jì)的方法[9]；華北電力大學(xué)李巖松等提出用混合正則化的方法來(lái)求解對(duì)應(yīng)反演模型的最佳近似解[10]。盡管在漏磁信號(hào)反演問(wèn)題上的研究已經(jīng)取得不錯(cuò)的進(jìn)展，但仍存在樣本小、模型性能不佳等問(wèn)題，使得重構(gòu)精度仍存在較大提升的空間。

本文提出一種CNN-Transformer混合架構(gòu)模型，該模型可以兼顧卷積神經(jīng)網(wǎng)絡(luò)（CNN）的局部特征提取能力與Transformer的全局信息獲取能力。眾所周知，卷積神經(jīng)網(wǎng)絡(luò)作為最簡(jiǎn)單有效的深度學(xué)習(xí)模型，在處理信號(hào)數(shù)據(jù)時(shí)具有超強(qiáng)的局部感知力，能有效地提取數(shù)據(jù)中的局部模式與特征；而Transformer模型的多頭注意力機(jī)制是在自注意力機(jī)制（Self-Attention）的基礎(chǔ)上發(fā)展而來(lái)的[11]，自注意力機(jī)制可以計(jì)算出一維數(shù)據(jù)序列中位置間的關(guān)系與權(quán)重，從而得到每個(gè)數(shù)據(jù)與整個(gè)序列的相關(guān)性，多頭注意力機(jī)制將注意力機(jī)制分為多個(gè)頭進(jìn)行并行計(jì)算，大大提高了計(jì)算速度與模型的表達(dá)能力[12]。二者結(jié)合用于解決漏磁檢測(cè)中的反問(wèn)題，能極大地提高效率并提升精度。針對(duì)漏磁信號(hào)反演問(wèn)題中存在的樣本不充足的問(wèn)題，本文還提出了一種修正方法，引入修正矩陣M，可以將有限元仿真得到的漏磁信號(hào)數(shù)據(jù)近似修正為實(shí)驗(yàn)過(guò)程中采集到的漏磁信號(hào)數(shù)據(jù)，在一定程度上完成從小樣本向大樣本的擴(kuò)充。

本文的其他部分構(gòu)成如下：第1節(jié)介紹漏磁檢測(cè)的原理與有限元模型的建立，并且提出了一種修正仿真數(shù)據(jù)集的方法，通過(guò)數(shù)據(jù)的對(duì)比以及誤差分析驗(yàn)證所提出方法的可靠性；第2節(jié)提出了一種CNN-Tranformer的深度學(xué)習(xí)混合架構(gòu)模型，介紹了其組成以及該模型所具備的優(yōu)點(diǎn)；并通過(guò)圖表展示與數(shù)據(jù)分析驗(yàn)證該混合架構(gòu)在性能與精度上的優(yōu)越性；第3節(jié)是本文的結(jié)論。

1 原理與模型

1.1 漏磁檢測(cè)原理及有限元計(jì)算

管道漏磁檢測(cè)利用永磁體將長(zhǎng)輸油氣管道進(jìn)行磁化至磁飽和，若被測(cè)管道不存在缺陷，則磁力線在鐵磁性材料內(nèi)部呈環(huán)形閉合狀態(tài)，在空間中檢測(cè)不到漏磁場(chǎng)；而一旦被測(cè)管道存在缺陷，由于管壁與空氣磁導(dǎo)率存在較大差異，磁力線在從管壁進(jìn)入到空氣中時(shí)發(fā)生偏轉(zhuǎn)形成漏磁場(chǎng)。

空間漏磁場(chǎng)檢測(cè)到的磁信號(hào)作為矢量可以分解為包括軸向信號(hào)分量、徑向信號(hào)分量與周向信號(hào)分量的三軸信號(hào)，其中軸向信號(hào)分量與徑向信號(hào)分量與管道缺陷尺寸信息具有極高的關(guān)聯(lián)性，在用于反演缺陷尺寸時(shí)具有優(yōu)越的表現(xiàn)。

有限元分析是一種常用的工程分析方法，它將需要求解的大區(qū)域劃分成有限多個(gè)小單元，通過(guò)求解每個(gè)單元的解進(jìn)而得到整個(gè)求解區(qū)域的近似解[13]。有限元分析法將復(fù)雜的求解問(wèn)題簡(jiǎn)單化，被廣泛應(yīng)用于工程問(wèn)題中。對(duì)漏磁場(chǎng)進(jìn)行有限元分析建立在麥克斯韋方程組之上，屬于靜磁場(chǎng)求解問(wèn)題。

1.2 數(shù)據(jù)集建立與修正

在ANSYS Maxwe Ⅱ軟件中建立由簡(jiǎn)化的1/3管道、鋼刷、永磁體與軛鐵組成的仿真模型，其中管道長(zhǎng)800 mm，外直徑為610 mm，管壁厚度為12 mm。定義材料屬性，軟件內(nèi)置默認(rèn)Neumann邊界條件，通過(guò)參數(shù)化設(shè)置缺陷尺寸，由于實(shí)際工程問(wèn)題中缺陷形狀較為復(fù)雜，但基于有限元思想的啟發(fā)，每一個(gè)復(fù)雜缺陷都可以看作是有限多個(gè)簡(jiǎn)單缺陷組成，因此本文所涉及的仿真與實(shí)驗(yàn)均為矩形缺陷。將沿管道軸線方向的缺陷尺寸定義為缺陷長(zhǎng)度（Length）；水平面上垂直于缺陷長(zhǎng)度的缺陷尺寸定義為缺陷寬度（Width）；將垂直于軸線并延伸至管道內(nèi)部方向的缺陷尺寸定義為缺陷深度（Depth）?？梢缘玫讲煌毕菹碌穆┐判盘?hào)。在此仿真模型下采集1 333組漏磁信號(hào)作為訓(xùn)練樣本，組成數(shù)據(jù)集1。

由于有限元分析得到的解是近似解，在缺陷形狀和尺寸均相同的情況下，仿真得到的漏磁信號(hào)與實(shí)際工程檢測(cè)中得到的信號(hào)存在誤差，為了保證仿真數(shù)據(jù)的可應(yīng)用性，搭建實(shí)驗(yàn)平臺(tái)，實(shí)驗(yàn)設(shè)備采用管道漏磁內(nèi)檢測(cè)器與1016大口徑天然氣管道。管道與漏磁內(nèi)檢測(cè)器結(jié)構(gòu)如圖1所示。

實(shí)驗(yàn)管道包含122個(gè)不同尺寸缺陷，漏磁內(nèi)檢測(cè)器從管道一端勻速行進(jìn)到另一端以完成對(duì)122組漏磁信號(hào)的采集。將采集到的122組漏磁信號(hào)整理為數(shù)據(jù)集2。漏磁內(nèi)檢測(cè)器采集到的部分原始信號(hào)特征如圖2所示。

選取上述122組缺陷中的6組，在有限元仿真模型中設(shè)置同樣尺寸的缺陷進(jìn)行仿真，將仿真漏磁信號(hào)與實(shí)驗(yàn)漏磁信號(hào)進(jìn)行對(duì)比；仿真漏磁信號(hào)如圖3所示，實(shí)驗(yàn)漏磁信號(hào)如圖4所示。由圖3和圖4對(duì)比可以看出，仿真得到的漏磁信號(hào)曲線盡管在形態(tài)與趨勢(shì)上與實(shí)驗(yàn)采集到的漏磁信號(hào)曲線保持一致，但數(shù)值上存在較大誤差，一方面是由于仿真軟件模擬的磁場(chǎng)是在理想化狀態(tài)下且有限元分析得到的解是近似解；另一方面是在實(shí)驗(yàn)過(guò)程中管道漏磁內(nèi)檢測(cè)器在采集信號(hào)時(shí)存在一定的干擾而產(chǎn)生誤差。

如果直接使用仿真數(shù)據(jù)作為深度學(xué)習(xí)模型的訓(xùn)練樣本，則訓(xùn)練好的模型在面對(duì)實(shí)際工程問(wèn)題時(shí)一定會(huì)產(chǎn)生較大的誤差，因此如果想要將本文所提出的模型應(yīng)用于解決實(shí)際工程問(wèn)題，則需要對(duì)仿真數(shù)據(jù)進(jìn)行修正，使其可以更好地貼近實(shí)驗(yàn)數(shù)據(jù)，因此本文提出一種修正方法，引入修正矩陣M對(duì)仿真漏磁信號(hào)數(shù)據(jù)進(jìn)行修正。將實(shí)驗(yàn)所得的一組漏磁信號(hào)數(shù)據(jù)設(shè)為Pi = [xi，1，xi，2，xi，3，…，xi，100]，則對(duì)于相同缺陷尺寸下仿真得到的漏磁信號(hào)數(shù)據(jù)設(shè)為Qi = [yi，1，yi，2，yi，3，…，yi，100]，若存在n組數(shù)據(jù)，則：

（1）

（2）

其中，P表示n組仿真漏磁信號(hào)組成的矩陣，Q表示對(duì)應(yīng)的n組實(shí)驗(yàn)漏磁信號(hào)組成的矩陣。

引入修正量：

（3）

（4）

使得：

（5）

則：

（6）

那么修正矩陣：

（7）

將修正矩陣M引入到仿真數(shù)據(jù)集中用于修正仿真得到的漏磁信號(hào)數(shù)據(jù)，修正前后仿真漏磁信號(hào)與實(shí)驗(yàn)信號(hào)軸向分量峰值之間的誤差對(duì)比如表1所示；徑向分量峰值之間的對(duì)比誤差如表2所示。

由表2與表3可知，修正前仿真漏磁信號(hào)的軸向分量峰值與實(shí)驗(yàn)漏磁信號(hào)的軸向信號(hào)峰值之間誤差均高達(dá)87.5%～90.5%；而通過(guò)引入修正因子K修正后的誤差則降至0.5%～11%；而修正前后的徑向分量峰值之間誤差則從44.0%～72.5%下降至1.0%～19.0%。將修正矩陣M引入數(shù)據(jù)集1，將修正后的數(shù)據(jù)整理為數(shù)據(jù)集3。

2 CNN-Transformer混合架構(gòu)模型

Transformer的整體架構(gòu)由編碼器（Encoder）和解碼器（Decoder）組成[14]。編碼器用于捕捉輸入序列中的特征，通常包含多頭注意力機(jī)制、前饋神經(jīng)網(wǎng)絡(luò)、殘差連接和層歸一化[15]。而解碼器與編碼器組成大致相同，主要用于生成輸出序列。

漏磁信號(hào)數(shù)據(jù)屬于一維時(shí)間序列，序列中數(shù)據(jù)的位置信息對(duì)于理解數(shù)據(jù)十分重要。在Transformer模型中，由于注意力機(jī)制本身無(wú)法獲取序列中數(shù)據(jù)的位置信息，因此需要引入位置編碼[16]。

漏磁信號(hào)的反演問(wèn)題是利用漏磁信號(hào)數(shù)據(jù)對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，使得模型可以實(shí)現(xiàn)對(duì)缺陷尺寸的預(yù)測(cè)，本質(zhì)上是一維時(shí)間序列的回歸問(wèn)題。解決此類(lèi)問(wèn)題時(shí)既要考慮一維序列局部特征的表現(xiàn)，又要關(guān)注一維序列中每個(gè)數(shù)據(jù)與其所在位置之間的關(guān)聯(lián)性。CNN與Transformer的結(jié)合兼顧了卷積神經(jīng)網(wǎng)絡(luò)的局部特征提取能力與Transformer模型的多頭注意力機(jī)制針對(duì)全局的理解力[17]。目前對(duì)于二者融合按組合順序可以分為CNN-Transformer[18-19]和Transformer-CNN[20-22]兩大類(lèi)，CNN與Transformer的融合又包含交叉融合[23]、嵌入塊替換[24]、前饋層替換[25]等。通過(guò)觀察漏磁信號(hào)分量圖以及分析漏磁信號(hào)數(shù)據(jù)可以看出在采樣過(guò)程中，有一部分采樣點(diǎn)數(shù)據(jù)并不能有效地表征漏磁信號(hào)與缺陷尺寸之間的關(guān)系，因此先采用CNN進(jìn)行局部特征的提取，可以避免相關(guān)性較差的數(shù)據(jù)直接輸入到Transformer中，造成運(yùn)算量巨大導(dǎo)致運(yùn)算時(shí)間較長(zhǎng)的情況。又由于傳統(tǒng)Transformer中Encoder-Decoder結(jié)構(gòu)用于自然語(yǔ)言處理時(shí)需要解碼器生成序列，但本文解決的漏磁信號(hào)反演問(wèn)題只需要輸出單獨(dú)的預(yù)測(cè)值，因此可以將結(jié)構(gòu)進(jìn)行簡(jiǎn)化，用全連接層代替解碼器模塊，進(jìn)一步的提高計(jì)算速度。該模型由兩個(gè)并行的卷積神經(jīng)網(wǎng)絡(luò)模塊，一個(gè)Transformer模塊，一個(gè)全連接層以及一個(gè)輸出層組成。其中，每個(gè)卷積神經(jīng)網(wǎng)絡(luò)模塊都包含一個(gè)輸入層和三個(gè)卷積核，兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)模塊輸入分別為漏磁信號(hào)的軸向分量與徑向分量；輸出為被測(cè)管道缺陷的尺寸信息，即缺陷的長(zhǎng)度、寬度與深度。

將數(shù)據(jù)集1中樣本進(jìn)行隨機(jī)劃分，其中97%作為訓(xùn)練集，3%作為測(cè)試集，對(duì)CNN-Transformer模型以及傳統(tǒng)CNN模型和Transformer模型進(jìn)行訓(xùn)練并預(yù)測(cè)。圖5為CNN-Transformer預(yù)測(cè)結(jié)果圖。

由圖5可以看出，當(dāng)用仿真數(shù)據(jù)作為訓(xùn)練集并用仿真數(shù)據(jù)作為測(cè)試集測(cè)試模型預(yù)測(cè)精度時(shí)，預(yù)測(cè)長(zhǎng)度、寬度與深度精度均優(yōu)秀，預(yù)測(cè)精度約為90%～97%。其中預(yù)測(cè)缺陷長(zhǎng)度時(shí)模型表現(xiàn)最好，預(yù)測(cè)缺陷深度次之，預(yù)測(cè)缺陷寬度精度最低。

圖6中分別畫(huà)出了CNN-Transformer模型預(yù)測(cè)長(zhǎng)度、寬度與深度時(shí)每個(gè)預(yù)測(cè)點(diǎn)的相對(duì)誤差，圖中直線為基準(zhǔn)線，相對(duì)誤差等于0.03。可以看出，大部分誤差點(diǎn)位于基準(zhǔn)線下方，即大約有75%的預(yù)測(cè)點(diǎn)相對(duì)誤差小于3%。

表3為CNN-Transformer、CNN與Transformer預(yù)測(cè)缺陷尺寸誤差對(duì)比。

通過(guò)表4可以看出，無(wú)論是預(yù)測(cè)缺陷長(zhǎng)度、寬度或者深度，CNN-Transformer混合架構(gòu)模型的預(yù)測(cè)精度都要高于CNN和Transformer。分別將數(shù)據(jù)集1、與數(shù)據(jù)集3作為訓(xùn)練集，在數(shù)據(jù)集2中隨機(jī)選取33%作為測(cè)試集對(duì)CNN-Transformer模型進(jìn)行訓(xùn)練并預(yù)測(cè)；得到預(yù)測(cè)曲線對(duì)比圖如圖7所示。

通過(guò)圖7可以看出，經(jīng)過(guò)修正矩陣M修正后的仿真數(shù)據(jù)集用于訓(xùn)練深度學(xué)習(xí)模型并用實(shí)驗(yàn)漏磁信號(hào)數(shù)據(jù)集測(cè)試時(shí)，預(yù)測(cè)精度要遠(yuǎn)遠(yuǎn)高于未修正的仿真數(shù)據(jù)集訓(xùn)練的模型。通過(guò)表3可以看出，在預(yù)測(cè)缺陷長(zhǎng)度時(shí)，二者平均相對(duì)誤差分別為0.470 6和0.257 1，降低了21.35%；在預(yù)測(cè)缺陷寬度時(shí)，平均相對(duì)誤差分別為0.482 3和0.226 5，降低了22.58%；在預(yù)測(cè)缺陷深度時(shí)則由0.527 7下降至0.312 2，降低了21.55%。

圖8為CNN-Transformer模型預(yù)測(cè)時(shí)每一個(gè)預(yù)測(cè)點(diǎn)的相對(duì)誤差，方形點(diǎn)與圓形點(diǎn)分別代表修正前后的訓(xùn)練集訓(xùn)練模型的相對(duì)誤差，直線為相對(duì)誤差等于0.5，以此作為基準(zhǔn)線，可以看出，經(jīng)修正的訓(xùn)練集訓(xùn)練的模型的誤差點(diǎn)大多集中于基準(zhǔn)線之下，即相對(duì)誤差小于50%。

為了測(cè)試本文所提出模型的魯棒性，在信號(hào)中添加20 dB白噪聲作為測(cè)試。圖9為缺陷長(zhǎng)度與缺陷寬度均為20 mm，缺陷深度分別為3、5、7 mm時(shí)的原始漏磁信號(hào)分量與添加20 dB白噪聲后的漏磁信號(hào)分量。

表4為訓(xùn)練集數(shù)據(jù)修正前后用CNN-Transformer預(yù)測(cè)缺陷尺寸的平均相對(duì)誤差以及加入噪聲后的預(yù)測(cè)誤差。

當(dāng)對(duì)測(cè)試信號(hào)添加20 dB的白噪聲時(shí)，預(yù)測(cè)精度普遍降低。同時(shí)可以看出，修正后的數(shù)據(jù)集訓(xùn)練的CNN-Transformer混合架構(gòu)模型在預(yù)測(cè)缺陷尺寸時(shí)，預(yù)測(cè)缺陷長(zhǎng)度與缺陷寬度的準(zhǔn)確度要高于預(yù)測(cè)缺陷深度，平均相對(duì)誤差相差約6%～9%。

3 結(jié) 論

本文研究了通過(guò)深度學(xué)習(xí)模型來(lái)解決漏磁信號(hào)反演問(wèn)題的方法，提出了一種不同于常見(jiàn)的用于解決該問(wèn)題的深度學(xué)習(xí)模型，即優(yōu)化的CNN-Transformer混合架構(gòu)模型。該模型可以將雙軸漏磁信號(hào)數(shù)據(jù)作為輸入，輸出被測(cè)管道缺陷的三維尺寸信息。本文提出的模型是用仿真漏磁信號(hào)數(shù)據(jù)進(jìn)行訓(xùn)練的，為了確保該模型在實(shí)際工程應(yīng)用中具有可行性，本文還提出了一種對(duì)仿真漏磁信號(hào)進(jìn)行修正的方法，通過(guò)引入修正矩陣M，將仿真數(shù)據(jù)進(jìn)行修正。經(jīng)驗(yàn)證，修正后的仿真數(shù)據(jù)軸向分量峰值誤差平均下降83.73%，徑向分量峰值誤平均下降28.25%。經(jīng)修正后的訓(xùn)練集訓(xùn)練的CNN-Transformer混合架構(gòu)模型預(yù)測(cè)精度平均提高21.83%。在信號(hào)中添加20 dB白噪聲進(jìn)行測(cè)試，證明了該模型的準(zhǔn)確性與魯棒性。

參考文獻(xiàn)：

[1] 李志豪，王宏安，劉慶，等.管道缺陷截面形狀與漏磁信號(hào)關(guān)系研究 [J].科技創(chuàng)新與應(yīng)用，2022，12（33）：56-59.

[2] 黃松嶺，彭麗莎，趙偉，等.缺陷漏磁成像技術(shù)綜述 [J].電工技術(shù)學(xué)報(bào)，2016，31（20）：55-63.

[3] 張少軒.基于機(jī)器學(xué)習(xí)的缺陷深度反演研究 [D].沈陽(yáng)：東北大學(xué)，2017.

[4] 紀(jì)鳳珠，孫世宇，王長(zhǎng)龍，等.基于PSO-LS-SVM的漏磁信號(hào)二維輪廓重構(gòu) [J].無(wú)損檢測(cè)，2011，33（6）：19-22+34.

[5] 韓文花，汪勝兵，王建，等.基于改進(jìn)人工蜂群算法的漏磁缺陷輪廓重構(gòu) [J].火力與指揮控制，2016，41（6）：15-18.

[6] 韓文花，徐俊，沈曉暉，等.基于布谷鳥(niǎo)搜索算法的漏磁反演方法研究 [J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2015，23（6）：1275-1283.

[7] 韓文花，徐俊，沈曉暉，等.自學(xué)習(xí)粒子群與梯度下降混雜的漏磁反演方法 [J].火力與指揮控制，2015，40（1）：88-91.

[8] WU Z N，DENG Y M，LIU J H，et al. A Reinforcement Learning-Based Reconstruction Method for Complex Defect Profiles in MFL Inspection [J].IEEE Transactions on Instrumentation and Measurement，2021，70：1-10.

[9] 繆立恒，潘峰，彭麗莎，等.基于漏磁信號(hào)深度特性的缺陷深度輪廓迭代優(yōu)化方法 [J].中國(guó)電機(jī)工程學(xué)報(bào)，2022，42（8）：3077-3086.

[10] 李巖松，王麒翔，王敏壕，等.漏磁檢測(cè)的混合正則化反演方法研究 [J].電測(cè)與儀表，2020，57（21）：9-17.

[11] 毋冰.基于深度學(xué)習(xí)的粵語(yǔ)文本情感分類(lèi)研究 [D].成都：成都理工大學(xué)，2020.

[12] 龔永罡，裴晨晨，廉小親，等.基于Transformer模型的中文文本自動(dòng)校對(duì)研究 [J].電子技術(shù)應(yīng)用，2020，46（1）：30-33+38.

[13] 呂云飛.電容式微機(jī)械超聲換能器建模與仿真技術(shù)研究 [D].太原：中北大學(xué)，2018.

[14] 李清格，楊小岡，盧瑞濤，等.計(jì)算機(jī)視覺(jué)中的Transformer發(fā)展綜述 [J].小型微型計(jì)算機(jī)系統(tǒng)，2023，44（4）：850-861.

[15] 唐潘，汪學(xué)明.融合時(shí)間感知與興趣偏好的推薦模型研究 [J].計(jì)算機(jī)工程與應(yīng)用，2023，59（24）：268-276.

[16] 劉敬瑾.基于圖卷積網(wǎng)絡(luò)的跨被試腦電情緒識(shí)別研究 [D].汕頭：汕頭大學(xué)，2022.

[17] 張靜.融合用戶和產(chǎn)品信息的文本情感分類(lèi)研究 [D].北京：北京工業(yè)大學(xué)，2020.

[18] CARION N，MASSA F，SYNNAEVE G，et al. End-to-End Object Detection with Transformers [C]//Computer Vision-ECCV 2020.Glasgow：Springer，2020：213-229.

[19] DAI Z H，LIU H X，LE Q V，et al. CoAtNet： Marrying Convolution and Attention for All Data Sizes [J/OL].arXiv：2106.04803 [cs.CV].[2024-03-01].https：//doi.org/10.48550/arXiv.2106.04803.

[20] BEAL J，KIM E，TZENG E，et al. Toward Transformer-Based Object Detection [J/OL].arXiv：2012.09958 [cs.CV].[2024-02-26].https：//arxiv.org/abs/2012.09958.

[21] REN S Q，HE K M，GIRSHICK R，et al. Faster R-CNN： Towards Real-Time Object Detection with Region Proposal Networks [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.

[22] YAN H T，LI Z，LI W J，et al. ConTNet： Why not Use Convolution and Transformer at the Same Time？ [J/OL].arXiv：2104.13497 [cs.CV].[2024-02-25].https：//arxiv.org/abs/2104.13497.

[23] YOO J，KIM T，LEE S，et al. Enriched CNN-Transformer Feature Aggregation Networks for Super-Resolution [J/OL].arXiv：2203.07682 [cs.CV].[2024-02-26].https：//arxiv.org/abs/2203.07682.

[24] XIAO T，SINGH M，MINTUN E，et al. Early Convolutions Help Transformers See Better [J/OL].arXiv：2106.14881 [cs.CV].[2024-02-20].https：//arxiv.org/abs/2106.14881.

[25] LI Y W，ZHANG K，CAO J Z，et al. LocalViT： Bringing Locality to Vision Transformers [J/OL]. arXiv：2104.05707 [cs.CV].[2024-02-15].https：//arxiv.org/abs/2104.05707.

作者簡(jiǎn)介：于祉祺（1996—），女，漢族，黑龍江富錦人，學(xué)術(shù)型碩士，研究方向：無(wú)損檢測(cè)；劉皓源（1997—），男，漢族，遼寧鞍山人，沈陽(yáng)工業(yè)大學(xué)，學(xué)術(shù)型碩士，研究方向：無(wú)損檢測(cè)；何璐瑤（1994—），女，漢族，遼寧沈陽(yáng)人，副教授，博士，研究方向：在線檢測(cè)；楊理踐（1957—），男，漢族，遼寧沈陽(yáng)人，教授，博士，研究方向：在線檢測(cè)；劉斌（1981—），男，漢族，遼寧沈陽(yáng)人，教授，博士，研究方向：在線檢測(cè)。