一种管道无损检测方法、装置、存储介质及计算机与流程

1.本发明涉及管道检测技术领域，具体涉及一种管道无损检测方法、装置、存储介质及计算机。


背景技术：

2.目前无损检测技术已成功应用在管道检测行业中，具体是通过吸附在管道上的检测模块，对管道进行检测，对管道的检测点进行综合评价，提高检测准确性和管道的安全性。通过对管道划分多点进行检测，获取管道检测点的振动参数、涡流变化、漏磁变化、变形情况以及焊缝状态，并基于bp神经网络确定管道检测点的状态值。根据检测点的壁厚安全系数，变形安全系数，焊缝安全系数，确定检测点的综合评价值，对管道的检测点进行综合评价。
3.但现有管道无损检测技术基于bp神经网络确定管道检测点的状态值，因此现有技术仍存在一些问题，如由于管道缺陷数据量较少，导致深度学习模型鲁棒性差，泛化能力弱，存在漏检、误检等问题。


技术实现要素：

4.为了解决现有技术中，管道缺陷数据量较少，导致深度学习模型鲁棒性差，泛化能力弱，存在漏检、误检等技术问题，本发明提供一种管道无损检测方法、装置、存储介质及计算机。
5.本发明解决上述技术问题的技术方案如下：
6.一种管道无损检测方法，包括如下步骤：
7.利用管道的正常图像以及缺陷图像构建样本集；其中，所述样本集中的图像包括所述正常图像以及所述缺陷图像；
8.构建计算机图像识别模型；
9.基于半监督学习方法，并利用所述样本集中的图像训练所述计算机图像识别模型，得到管道无损检测模型；其中，在利用所述样本集中所述正常图像作为训练样本时，以聚类中心作为锚项，将所述正常图像中无缺陷区域背景张量对应的聚类簇作为正样本项，将所述正常图像中除所述无缺陷区域背景张量以外的聚类中心作为负样本项；在利用所述样本集中所述缺陷图像作为训练样本时，以聚类中心作为锚项，将所述缺陷图像中有缺陷区张量对应的聚类簇作为负样本项，将所述缺陷图像中无缺陷区域背景张量对应的聚类簇作为正样本项，将所述缺陷图像中除所述有缺陷区张量以及所述无缺陷区域背景张量以外的聚类中心作为负样本项；
10.获取管道的待测图像；
11.通过将所述待测图像输入所述管道无损检测模型进行管道无损检测。
12.本发明的有益效果是：本发明提出的异常检测算法属于半监督模式，在训练不含缺陷样本是用聚类中心作为anchor项即锚项，无缺陷区域背景张量作为positive项即正样
本项，其它聚类中心作为negative项即负样本项，这样设计可以缩小同一种背景中的类内距离，增大不同背景特征间的类间距离。在训练含有缺陷样本则将所有的缺陷区域的张量作为negative项即负样本项，其它项设置保持不变，这样设计可以在缩小背景类内距离的同时增大背景特征与缺陷特征的空间距离从而突出微小缺陷响应强度增加检出率并减少对噪声区域的误检率。
13.在上述技术方案的基础上，本发明还可以做如下改进。
14.进一步，所述计算机图像识别模型包括自编码器、度量学习模型以及记忆仓，所述自编码器包括编码器以及解码器；
15.基于半监督学习方法，并利用所述样本集中的图像训练所述计算机图像识别模型，得到管道无损检测模型，包括如下步骤：
16.利用所述编码器提取所述样本集中的所有图像的特征张量，得到特征张量数据集；
17.基于所述半监督学习方法，并利用所述特征张量数据集训练所述度量学习模型，得到训练好的所述度量学习模型；其中，所述特征张量数据集中的所述特征张量包括所述正样本项以及所述负样本项；
18.在基于所述半监督学习方法，并利用所述特征张量数据集训练所述度量学习模型过程中，利用所述记忆仓存储所述正样本项；
19.通过将所述特征张量数据集中的所述特征张量输入所述解码器重构管道图像；
20.将所述编码器、训练好的所述度量学习模型、所述记忆仓以及所述解码器整合为所述管道无损检测模型。
21.采用上述进一步方案的有益效果是，通过设置记忆仓，让记忆仓利用一种数据结构容器在训练阶段来存放正常样本背景特征的向量集合，测试阶段再将待测图像的每个像素点所对应的特征向量与记忆仓中的特征向量进行比较，利用两者之间的差异度反映该像素点存在缺陷或异常的可能性。
22.进一步，训练所述度量学习模型过程中的损失函数具体为三元组损失函数。
23.进一步，训练所述计算机图像识别模型过程中的损失函数loss的计算公式为：
[0024][0025]
其中，α表示损失函数separate_loss的动态权重，β表示损失函数compact_loss的动态权重，e表示自然常数，epoch表示所述计算机图像识别模型的迭代次数，损失函数separate_loss的计算公式为：
[0026][0027]
损失函数compact_loss的计算公式为：
[0028]
[0029]
损失函数loss_pixel的计算公式为：
[0030][0031]
mse(qi,ci)表示所述度量学习模型的均方根误差，表示所述自编码器的重构误差，表示所述度量学习模型的三元组距离值，qi表示所述正样本项，ci表示所述正样本项所属聚类簇的聚类中心，在训练不含缺陷的背景图片时，所述损失函数compact_loss中的表示所述负样本项；在训练含有缺陷的背景图片时，表示所述缺陷图像中有缺陷区张量对应的聚类簇；d(qi,ci)表示ci与qi之间的欧式距离；表示与qi之间的欧式距离；m表示所述正样本与所述负样本之间的预设距离阈值，n表示训练所述度量学习模型时的样本数量；表示所述解码器的输出图像，ii表示所述编码器的输入图像，n表示所述编码器的输入图像数量；i为正整数。
[0032]
进一步，用于训练所述计算机图像识别模型的所述样本集中所述缺陷图像数量为5。
[0033]
采用上述进一步方案的有益效果是，通过将用于训练所述计算机图像识别模型的所述样本集中所述缺陷图像数量为5，能够防止所述计算机图像识别模型过拟合。
[0034]
进一步，在训练所述计算机图像识别模型过程中，用于测试经过训练后的所述计算机图像识别模型的测试集中均为所述正常图像。
[0035]
为了解决上述技术问题，本发明还提供一种管道无损检测装置，其具体技术内容如下：
[0036]
一种管道无损检测装置，包括数据采集模块、模型建立模块、模型训练模块以及检测模块；
[0037]
所述数据采集模块用于，利用管道的正常图像以及缺陷图像构建样本集；其中，所述样本集中的图像包括所述正常图像以及所述缺陷图像；
[0038]
所述模型建立模块用于，构建计算机图像识别模型；
[0039]
所述模型建立模块，基于半监督学习方法，并利用所述样本集中的图像训练所述计算机图像识别模型，得到管道无损检测模型；其中，在利用所述样本集中所述正常图像作为训练样本时，以聚类中心作为锚项，将所述正常图像中无缺陷区域背景张量对应的聚类簇作为正样本项，将所述正常图像中除所述无缺陷区域背景张量以外的聚类中心作为负样本项；在利用所述样本集中所述缺陷图像作为训练样本时，以聚类中心作为锚项，将所述缺陷图像中有缺陷区张量对应的聚类簇作为负样本项，将所述缺陷图像中无缺陷区域背景张量对应的聚类簇作为正样本项，将所述缺陷图像中除所述有缺陷区张量以及所述无缺陷区域背景张量以外的聚类中心作为负样本项；
[0040]
所述数据采集模块还用于，获取管道的待测图像；
[0041]
所述检测模块用于，通过将所述待测图像输入所述管道无损检测模型进行管道无损检测。
[0042]
为了解决上述技术问题，本发明还提供一种存储介质，其具体技术内容如下：
[0043]
一种存储介质，所述存储介质存储有计算机程序或计算机指令，所述计算机程序或所述计算机指令被计算机的处理器执行时，实现上述一种管道无损检测方法的步骤。
[0044]
为了解决上述技术问题，本发明还提供一种计算机，其具体技术内容如下：
[0045]
一种计算机，包括存储器以及一个或多个处理器，所述存储器中存储有可执行代码，一个或多个所述处理器执行所述可执行代码时，实现上述一种管道无损检测方法的步骤。
附图说明
[0046]
图1为本发明实施例中一种管道无损检测方法的流程框图；
[0047]
图2为本发明实施例中计算机图像识别模型的结构示意图；
[0048]
图3为本发明实施例中一种管道无损检测装置的结构示意图。
具体实施方式
[0049]
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0050]
实施例1
[0051]
如图1所示，本实施例提供一种管道无损检测方法，包括如下步骤：
[0052]
s1、利用管道的正常图像以及缺陷图像构建样本集；其中，所述样本集中的图像包括所述正常图像以及所述缺陷图像。
[0053]
s2、构建计算机图像识别模型。
[0054]
s3、基于半监督学习方法，并利用所述样本集中的图像训练所述计算机图像识别模型，得到管道无损检测模型；其中，在利用所述样本集中所述正常图像作为训练样本时，以聚类中心作为锚项，将所述正常图像中无缺陷区域背景张量对应的聚类簇作为正样本项，将所述正常图像中除所述无缺陷区域背景张量以外的聚类中心作为负样本项；在利用所述样本集中所述缺陷图像作为训练样本时，以聚类中心作为锚项，将所述缺陷图像中有缺陷区张量对应的聚类簇作为负样本项，将所述缺陷图像中无缺陷区域背景张量对应的聚类簇作为正样本项，将所述缺陷图像中除所述有缺陷区张量以及所述无缺陷区域背景张量以外的聚类中心作为负样本项；训练所述度量学习模型过程中的损失函数具体为三元组损失函数。
[0055]
其中，用于训练所述计算机图像识别模型的所述样本集中所述缺陷图像数量为5。通过将用于训练所述计算机图像识别模型的所述样本集中所述缺陷图像数量为5，能够防止所述计算机图像识别模型过拟合。
[0056]
在训练所述计算机图像识别模型过程中，用于测试经过训练后的所述计算机图像识别模型的测试集中均为所述正常图像。
[0057]
具体地，训练所述计算机图像识别模型过程中的损失函数loss的计算公式为：
[0058]
loss＝α
×
separate_loss+β
×
compact_loss+loss_pixel，
[0059]
α＝e-(epoch+5)
，β＝log2(epoch+2)，
[0060]
其中，α表示损失函数separate_loss的动态权重，β表示损失函数compact_loss的动态权重，e表示自然常数，epoch表示所述计算机图像识别模型的迭代次数，损失函数
separate_loss的计算公式为：
[0061][0062]
损失函数compact_loss的计算公式为：
[0063][0064]
损失函数loss_pixel的计算公式为：
[0065][0066]
mse(qi,ci)表示所述度量学习模型的均方根误差，表示所述自编码器的重构误差，表示所述度量学习模型的三元组距离值，qi表示所述正样本项，ci表示所述正样本项所属聚类簇的聚类中心，在训练不含缺陷的背景图片时，所述损失函数compact_loss中的表示所述负样本项；在训练含有缺陷的背景图片时，表示所述缺陷图像中有缺陷区张量对应的聚类簇；d(qi,ci)表示ci与qi之间的欧式距离；表示与qi之间的欧式距离；m表示所述正样本与所述负样本之间的预设距离阈值，n表示训练所述度量学习模型时的样本数量；表示所述解码器的输出图像，ii表示所述编码器的输入图像，n表示所述编码器的输入图像数量；i为正整数。
[0067]
具体地，如图2所示，所述计算机图像识别模型包括自编码器、度量学习模型以及记忆仓，所述自编码器包括编码器以及解码器；通过设置记忆仓，让记忆仓利用一种数据结构容器在训练阶段来存放正常样本背景特征的向量集合，测试阶段再将待测图像的每个像素点所对应的特征向量与记忆仓中的特征向量进行比较，利用两者之间的差异度反映该像素点存在缺陷或异常的可能性。图2中，encoder表示所述编码器，feature map为所述编码器所提取的特征地图，decoder表示所述解码器，metric learning module表示所述度量学习模型，memory module表示所述记忆仓，attenuation function表示所述度量学习模型的衰减函数，images表示输入图像以及输出图像。
[0068]
基于半监督学习方法，并利用所述样本集中的图像训练所述计算机图像识别模型，得到管道无损检测模型，包括如下步骤：
[0069]
s301、利用所述编码器提取所述样本集中的所有图像的特征张量，得到特征张量数据集；其中，所有图像是指所有的所述正常图像以及所述缺陷图像。
[0070]
s302、基于所述半监督学习方法，并利用所述特征张量数据集训练所述度量学习模型，得到训练好的所述度量学习模型；其中，所述特征张量数据集中的所述特征张量包括所述正样本项以及所述负样本项。
[0071]
s303、在基于所述半监督学习方法，并利用所述特征张量数据集训练所述度量学习模型过程中，利用所述记忆仓存储所述正样本项。
[0072]
s304、通过将所述特征张量数据集中的所述特征张量输入所述解码器重构管道图像。
[0073]
s305、将所述编码器、训练好的所述度量学习模型、所述记忆仓以及所述解码器整合为所述管道无损检测模型。
[0074]
s4、获取管道的待测图像。
[0075]
s5、通过将所述待测图像输入所述管道无损检测模型进行管道无损检测。
[0076]
本发明中样本集中的图像以及待测图像均来源高清4k分辨率工业摄像机拍摄下的图像。为了保证与真实环境下的一致性，本发明的工业摄像机高度均设置为真实条件下即管道上安装的图像采集相机的高度，拍摄时的焦距曝光时间均为真实条件下的参数设置。异常检测算法的输入图像即待测图像尺寸会提前重置到512
×
512像素，并且会对图像像素值进行归一化处理。实验过程中，为了模拟真实场景下运行速度，本发明试验阶段相机运行速度设置为1m/s。
[0077]
通过实验结果发现，如表1不同算法各项评价指标对比所示本发明提供的管道无损检测方法对于管道焊缝区域有着较好的检测效果，且对其它噪声区域例如：记号笔、铁锈等有着很好的抗干扰能力。表1中检测方法一栏中spade即序列模式挖掘算法、padim、csflow即全卷积跨尺度归一化流算法、ikd即增量kd树算法、cfa即无监督机器学习算法以及stpm即基于教师学生网络算法的无监督异常检测算法均为现有技术对应的方法，ours为本发明所提供的管道无损检测方法。padim算法是一种基于图像patch的算法，依赖于预先训练好的cnn功能提取器，将图像分解为多个面片,并使用不同的特征提取层从每个面片中提取嵌入，将不同层次的激活向量串联起来,得到包含不同语义层次和分辨率信息的嵌入向量。
[0078][0079]
表1不同算法各项评价指标对比
[0080]
从表1中对比可知本发明所提出的管道无损检测方法在焊缝缺陷检测的准确率达到了91.3％，焊缝检出率达到100％，逼近现在异常检测sota级别算法检出率。但是在缺陷区域分割精度上，本发明所提出的异常检测算法远远超过其他算法对缺陷区域的分割精度，这得益于本发明的算法引入了半监督模式与度量学习模块，可以在一定程度上提高抗噪声鲁棒性与分割精度。推理时间指的是算法处理所有测试图像并生成异常热图所消耗的时间，可以在一定程度上评价算法效率。本发明考虑到算法是属于离线处理数据，对实时性要求较低，所以在处理速度上做了一定妥协来提高算法性能。flops是算法浮点值计算量的值，一定程度上反应算法的复杂度，本发明算法的flops因为只应用了一个自编码器作为特征提取器，所以在flops评价指标上只比cfa算法复杂一些，比其他采用resnet系列作为特
征提取器的算法要低。
[0081]
本发明实施例提出的异常检测算法属于半监督模式，在训练不含缺陷样本是用聚类中心作为anchor项即锚项，无缺陷区域背景张量作为positive项即正样本项，其它聚类中心作为negative项即负样本项，这样设计可以缩小同一种背景中的类内距离，增大不同背景特征间的类间距离。在训练含有缺陷样本则将所有的缺陷区域的张量作为negative项即负样本项，其它项设置保持不变，这样设计可以在缩小背景类内距离的同时增大背景特征与缺陷特征的空间距离从而突出微小缺陷响应强度增加检出率并减少对噪声区域的误检率。
[0082]
实施例2
[0083]
如图3所示，基于实施例1，本发明提供一种管道无损检测装置，包括数据采集模块、模型建立模块、模型训练模块以及检测模块；
[0084]
所述数据采集模块用于，利用管道的正常图像以及缺陷图像构建样本集；其中，所述样本集中的图像包括所述正常图像以及所述缺陷图像；
[0085]
所述模型建立模块用于，构建计算机图像识别模型；
[0086]
所述模型建立模块，基于半监督学习方法，并利用所述样本集中的图像训练所述计算机图像识别模型，得到管道无损检测模型；其中，在利用所述样本集中所述正常图像作为训练样本时，以聚类中心作为锚项，将所述正常图像中无缺陷区域背景张量对应的聚类簇作为正样本项，将所述正常图像中除所述无缺陷区域背景张量以外的聚类中心作为负样本项；在利用所述样本集中所述缺陷图像作为训练样本时，以聚类中心作为锚项，将所述缺陷图像中有缺陷区张量对应的聚类簇作为负样本项，将所述缺陷图像中无缺陷区域背景张量对应的聚类簇作为正样本项，将所述缺陷图像中除所述有缺陷区张量以及所述无缺陷区域背景张量以外的聚类中心作为负样本项；
[0087]
所述数据采集模块还用于，获取管道的待测图像；
[0088]
所述检测模块用于，通过将所述待测图像输入所述管道无损检测模型进行管道无损检测。
[0089]
其中，数据采集模块、模型建立模块、模型训练模块以及检测模块均为计算机程序对应的功能模块或者均为用于实现这些模块所对应的功能设备。
[0090]
本发明实施例通过对一种管道无损检测方法的各个步骤进行功能模块化，能够通过计算机程序或功能设备进行应用，实现产品化以及商业化，提高应用价值。
[0091]
实施例3
[0092]
基于实施例1，本实施例提供一种存储介质，所述存储介质存储有计算机程序或计算机指令，所述计算机程序或所述计算机指令被计算机的处理器执行时，实现如实施例1中所述的管道无损检测方法的步骤。所述存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡、sd卡、闪存卡等。进一步的，所述存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
[0093]
实施例4
[0094]
基于实施例1，本实施提供一种计算机，包括存储器以及一个或多个处理器，所述存储器中存储有可执行代码，一个或多个所述处理器执行所述可执行代码时，实现实施例1中的管道无损检测方法的步骤。
[0095]
所述存储器可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述存储器也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡、sd卡、闪存卡等。进一步，所述存储器还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
[0096]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的构思和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种管道无损检测方法，其特征在于，包括如下步骤：利用管道的正常图像以及缺陷图像构建样本集；其中，所述样本集中的图像包括所述正常图像以及所述缺陷图像；构建计算机图像识别模型；基于半监督学习方法，并利用所述样本集中的图像训练所述计算机图像识别模型，得到管道无损检测模型；其中，在利用所述样本集中所述正常图像作为训练样本时，以聚类中心作为锚项，将所述正常图像中无缺陷区域背景张量对应的聚类簇作为正样本项，将所述正常图像中除所述无缺陷区域背景张量以外的聚类中心作为负样本项；在利用所述样本集中所述缺陷图像作为训练样本时，以聚类中心作为锚项，将所述缺陷图像中有缺陷区张量对应的聚类簇作为负样本项，将所述缺陷图像中无缺陷区域背景张量对应的聚类簇作为正样本项，将所述缺陷图像中除所述有缺陷区张量以及所述无缺陷区域背景张量以外的聚类中心作为负样本项；获取管道的待测图像；通过将所述待测图像输入所述管道无损检测模型进行管道无损检测。2.根据权利要求1所述的管道无损检测方法，其特征在于，所述计算机图像识别模型包括自编码器、度量学习模型以及记忆仓，所述自编码器包括编码器以及解码器；基于半监督学习方法，并利用所述样本集中的图像训练所述计算机图像识别模型，得到管道无损检测模型，包括如下步骤：利用所述编码器提取所述样本集中的所有图像的特征张量，得到特征张量数据集；其中，所述特征张量数据集中的所述特征张量包括所述正样本项以及所述负样本项；基于所述半监督学习方法，并利用所述特征张量数据集训练所述度量学习模型，得到训练好的所述度量学习模型；在基于所述半监督学习方法，并利用所述特征张量数据集训练所述度量学习模型过程中，利用所述记忆仓存储所述正样本项；通过将所述特征张量数据集中的所述特征张量输入所述解码器重构管道图像；将所述编码器、训练好的所述度量学习模型、所述记忆仓以及所述解码器整合为所述管道无损检测模型。3.根据权利要求2所述的管道无损检测方法，其特征在于，训练所述度量学习模型过程中的损失函数具体为三元组损失函数。4.根据权利要求2所述的管道无损检测方法，其特征在于，训练所述计算机图像识别模型过程中的损失函数loss的计算公式为：loss＝α
×
separate_loss+β
×
compact_loss+loss_pixel，α＝e-(epoch+5)
，β＝log2(epoch+2)，其中，α表示损失函数separate_loss的动态权重，β表示损失函数compact_loss的动态权重，e表示自然常数，epoch表示所述计算机图像识别模型的迭代次数，损失函数separate_loss的计算公式为：
损失函数compact_loss的计算公式为：损失函数loss_pixel的计算公式为：mse(q
i
,c
i
)表示所述度量学习模型的均方根误差，表示所述自编码器的重构误差，表示所述度量学习模型的三元组距离值，q
i
表示所述正样本项，c
i
表示所述正样本项所属聚类簇的聚类中心，在训练不含缺陷的背景图片时，所述损失函数compact_loss中的表示所述负样本项；在训练含有缺陷的背景图片时，表示所述缺陷图像中有缺陷区张量对应的聚类簇；d(q
i
,c
i
)表示c
i
与q
i
之间的欧式距离；表示与q
i
之间的欧式距离；m表示所述正样本与所述负样本之间的预设距离阈值，n表示训练所述度量学习模型时的样本数量；表示所述解码器的输出图像，i
i
表示所述编码器的输入图像，n表示所述编码器的输入图像数量；i为正整数。5.根据权利要求2所述的管道无损检测方法，其特征在于，用于训练所述计算机图像识别模型的所述样本集中所述缺陷图像数量为5。6.根据权利要求2所述的管道无损检测方法，其特征在于，在训练所述计算机图像识别模型过程中，用于测试经过训练后的所述计算机图像识别模型的测试集中均为所述正常图像。7.一种管道无损检测装置，其特征在于，包括数据采集模块、模型建立模块、模型训练模块以及检测模块；所述数据采集模块用于，利用管道的正常图像以及缺陷图像构建样本集；其中，所述样本集中的图像包括所述正常图像以及所述缺陷图像；所述模型建立模块用于，构建计算机图像识别模型；所述模型建立模块，基于半监督学习方法，并利用所述样本集中的图像训练所述计算机图像识别模型，得到管道无损检测模型；其中，在利用所述样本集中所述正常图像作为训练样本时，以聚类中心作为锚项，将所述正常图像中无缺陷区域背景张量对应的聚类簇作为正样本项，将所述正常图像中除所述无缺陷区域背景张量以外的聚类中心作为负样本项；在利用所述样本集中所述缺陷图像作为训练样本时，以聚类中心作为锚项，将所述缺陷图像中有缺陷区张量对应的聚类簇作为负样本项，将所述缺陷图像中无缺陷区域背景张量对应的聚类簇作为正样本项，将所述缺陷图像中除所述有缺陷区张量以及所述无缺陷区域背景张量以外的聚类中心作为负样本项；所述数据采集模块还用于，获取管道的待测图像；所述检测模块用于，通过将所述待测图像输入所述管道无损检测模型进行管道无损检测。
8.一种存储介质，其特征在于，所述存储介质存储有计算机程序或计算机指令，所述计算机程序或所述计算机指令被计算机的处理器执行时，实现如权利要求1至6任一项所述的管道无损检测方法的步骤。9.一种计算机，其特征在于，包括存储器以及一个或多个处理器，所述存储器中存储有可执行代码，一个或多个所述处理器执行所述可执行代码时，实现如权利要求1至6任一项所述的管道无损检测方法的步骤。

技术总结
本发明涉及一种管道无损检测方法、装置、存储介质及计算机，其方法包括利用管道的正常图像以及缺陷图像构建样本集；其中，样本集中的图像包括正常图像以及缺陷图像；构建计算机图像识别模型；基于半监督学习方法，并利用样本集中的图像训练计算机图像识别模型，得到管道无损检测模型；获取管道的待测图像；通过将待测图像输入管道无损检测模型进行管道无损检测；本发明缩小同一种背景中的类内距离，增大不同背景特征间的类间距离；在训练含有缺陷样本则将所有的缺陷区域的张量作为negative项即负样本项，其它项设置保持不变，缩小背景类内距离的同时增大背景特征与缺陷特征的空间距离从而突出微小缺陷响应强度增加检出率并减少对噪声区域的误检率。并减少对噪声区域的误检率。并减少对噪声区域的误检率。


技术研发人员：陈朋超 李睿 富宽 王亚楠 马江涛
受保护的技术使用者：国家石油天然气管网集团有限公司
技术研发日：2023.04.24
技术公布日：2023/8/16