基于门控并行的管道泄漏检测方法及装置

本发明涉及一种检测，特别是涉及一种基于门控并行的管道泄漏检测方法及装置。

背景技术：

1、油气管道用于运输石油、天然气等重要资源，受环境、人为因素影响，管道往往会出现腐蚀、变形和泄漏的现象，从而造成管道事故(泄漏、爆炸等)的多发。为了防止事故的发生，对管道进行定期的检测是非常重要的一项工作。

2、目前，现有管道泄漏检测通常使用深度学习算法漏磁图像进行分别识别，确定是否泄漏。但是，大部分深度学习模型的模型结构过于复杂，或者数据样本质量不高，导致模型的鲁棒性较低，检测到的泄漏缺陷形状过于单一，并且无法对管道中微小缺陷进行识别，从而导致管道泄漏检测精度较低。

技术实现思路

1、有鉴于此，本发明提供一种基于门控并行的管道泄漏检测方法及装置，主要目的在于解决现有管道泄漏检测精度较低的问题。

2、依据本发明一个方面，提供了一种基于门控并行的管道泄漏检测方法，包括：

3、获取待检测管道的漏磁图像；

4、基于完成模型训练的管道泄漏模型对所述漏磁图像进行特征提取，得到特征图像，所述管道泄漏模型为基于训练样本数据集对引入注意力机制以及门控并行卷积层的深度卷积模型进行训练得到的，所述训练样本数据集包括基于原始样本数据进行噪声构造得到的优化样本数据以及所述原始样本数据；

5、解析所述特征图像中的泄漏特征确定所述待检测管道的管道泄漏检测结果。

6、进一步地，所述基于完成模型训练的管道泄漏模型对所述漏磁图像进行特征提取，得到特征图像之前，所述方法还包括：

7、获取基于至少一个原始样本数据创建的所述训练样本数据集；

8、创建深度卷积模型，所述深度卷积模型包括特征提取层以及所述门控并行卷积层，所述门控并行卷积层包括并行空洞卷积以及深度可分离卷积，并通过门控单元进行输出控制；

9、基于所述训练样本数据集对所述深度卷积模型进行模型训练，得到完成模型训练的所述管道泄漏模型。

10、进一步地，所述获取基于至少一个原始样本数据创建的所述训练样本数据集包括：

11、获取所述原始样本数据，并在所述原始样本数据中加入高斯噪声，得到前向样本数据；

12、基于已完成训练的神经网络模型对所述前向样本数据进行去噪，得到所述优化样本数据，所述神经网络模型中的概率分布差异值为基于散度进行测量确定的。

13、进一步地，所述基于所述训练样本数据集对所述深度卷积模型进行模型训练，得到完成模型训练的所述管道泄漏模型包括：

14、通过所述并行空洞卷积生成所述训练样本数据集对应的自注意参数，所述自注意力参数包括查询以及键、值；

15、在基于所述自注意参数对所述训练样本数据集进行自关注计算后，通过所述深度可分离卷积对所述训练样本数据集进行卷积处理，得到门控并行卷积层输出，所述卷积处理为基于所述门控单元进行控制；

16、通过所述特征提取层对所述门控并行卷积层输出进行特征提取，并在提取的训练特征匹配预设模型训练特征条件下，确定所述管道泄漏模型完成模型训练。

17、进一步地，所述解析所述特征图像中的泄漏特征确定所述待检测管道的管道泄漏检测结果包括：

18、通过区域分类、特征分割、盒回归分类模型中至少一项对所述泄漏特征进行特征分类，确定所述管道泄漏检测结果。

19、依据本发明另一个方面，提供了一种基于门控并行的管道泄漏检测装置，包括：

20、获取模块，用于获取待检测管道的漏磁图像；

21、提取模块，用于基于完成模型训练的管道泄漏模型对所述漏磁图像进行特征提取，得到特征图像，所述管道泄漏模型为基于训练样本数据集对引入注意力机制以及门控并行卷积层的深度卷积模型进行训练得到的，所述训练样本数据集包括基于原始样本数据进行噪声构造得到的优化样本数据以及所述原始样本数据；

22、解析模块，用于解析所述特征图像中的泄漏特征确定所述待检测管道的管道泄漏检测结果。

23、进一步地，所述装置还包括：创建模块，训练模块，

24、所述获取模块，还用于获取基于至少一个原始样本数据创建的所述训练样本数据集；

25、所述创建模块，用于创建深度卷积模型，所述深度卷积模型包括特征提取层以及所述门控并行卷积层，所述门控并行卷积层包括并行空洞卷积以及深度可分离卷积，并通过门控单元进行输出控制；

26、所述训练模块，用于基于所述训练样本数据集对所述深度卷积模型进行模型训练，得到完成模型训练的所述管道泄漏模型。

27、进一步地，所述获取模块包括：

28、获取单元，用于获取所述原始样本数据，并在所述原始样本数据中加入高斯噪声，得到前向样本数据；

29、去噪单元，用于基于已完成训练的神经网络模型对所述前向样本数据进行去噪，得到所述优化样本数据，所述神经网络模型中的概率分布差异值为基于散度进行测量确定的。

30、进一步地，所述训练模块，具体用于通过所述并行空洞卷积生成所述训练样本数据集对应的自注意参数，所述自注意力参数包括查询以及键、值；在基于所述自注意参数对所述训练样本数据集进行自关注计算后，通过所述深度可分离卷积对所述训练样本数据集进行卷积处理，得到门控并行卷积层输出，所述卷积处理为基于所述门控单元进行控制；通过所述特征提取层对所述门控并行卷积层输出进行特征提取，并在提取的训练特征匹配预设模型训练特征条件下，确定所述管道泄漏模型完成模型训练。

31、进一步地，所述解析模块，具体用于通过区域分类、特征分割、盒回归分类模型中至少一项对所述泄漏特征进行特征分类，确定所述管道泄漏检测结果。

32、根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于门控并行的管道泄漏检测方法对应的操作。

33、根据本发明的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

34、所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于门控并行的管道泄漏检测方法对应的操作。

35、借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：

36、本发明提供了一种基于门控并行的管道泄漏检测方法及装置，与现有技术相比，本发明实施例通过获取待检测管道的漏磁图像；基于完成模型训练的管道泄漏模型对所述漏磁图像进行特征提取，得到特征图像，所述管道泄漏模型为基于训练样本数据集对引入注意力机制以及门控并行卷积层的深度卷积模型进行训练得到的，所述训练样本数据集包括基于原始样本数据进行噪声构造得到的优化样本数据以及所述原始样本数据；解析所述特征图像中的泄漏特征确定所述待检测管道的管道泄漏检测结果，通过卷积神经网络中加入门控并行卷积进行特征分类提高了网络提取全局上下文信息的能力，有利于提高模型检测精度，从而提高管道泄漏检测精度较。

37、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。