Page 109 - 无损检测2021年第三期

胡家铖, 等:

一种改进的支持向量回归三轴管道漏磁缺陷量化方法

表 2 不同算法量化准确率 %
算法类型 长度量化 宽度量化 深度量化
PSO-SVR 80.67 96.00 66.00
NCA-PSO-SVR 82.33 96.67 70.67
RVBA-SVR 82.00 96.67 67.33
NCA-RVBA-SVR 83.33 96.67 72.33

优参数在测试集中的均方根误差, 由表 1 , 表 2 可
知, 在测试集的不同尺寸量化任务中, 经过 NCA 特
征选择后的 RVBA-SVR 算法的均方根误差最小, 精

度最 高。相 比 于 PSO-SVR 算 法, NCA-RVBA-SVR
算法在长度量化上均方根误差减小了4.21% , 准确度
提高了 2.66% ; 在 宽 度 量 化 上 均 方 根 误 差 减 小 了
1.72% , 准确度提高了 0.67% ; 在深度量化上均方根

误差减小了2.10% , 准确度提高了6.33% 。
不同算法时间复杂度比较如图 12 所示, 表 3 描
述了 4 种算法在量化缺陷长、 宽以及深尺寸上所花
费的时间总和, 由表 3 可知, 相对于 PSO 参数寻优
算法, RVBA 参数寻优算法能够有效降低量化的时
间复杂度; NCA 特征选择算法也能够减小量化算法
的时间。试验结果表明, NCA-RVBA-SVR 算法在
量化缺陷的尺寸方面有着更好的性能。

图 11 不同算法训练效果比较
敛, 但是随机变异改进的 BA 算法能够有效跳出局
部最优, 收敛于一个更优的值, 加入 NCA 特征选择
的两种算法在整个训练过程中都会更优于未经过特
征选择的量化算法, 未进行 NCA 特征选择的特征

全集由于含有不能有效表征缺陷信息的无关特征,
图 12 算法时间复杂度比较
反而会使 SVR 量化算法效果更差。
表 3 不同算法花费总时间 s
长度以 10mm 作为指标, 宽度以 15mm 作为

指标, 深度以 15% 检测管道壁厚作为指标, 将样本 算法类型 花费总时间
集中 460 个作为训练集, 剩下的 150 个作为测试集, PSO-SVR 327.02
满足指标的量化准确率如表 2 所示。表 1 展示了 NCA-PSO-SVR 288.55
3个不同尺寸任务在训练次数为 70 次过程中寻到最 RVBA-SVR 192.02
表 1 不同算法最优均方根误差 mm NCA-RVBA-SVR 144.47

NCA-PSO- NCA-RVBA-
任务类型 PSO-SVR RVBA-SVR 5 结语
SVR SVR
长度量化 9.7750 9.4674 9.5658 9.3639 基于管道检测中三轴漏磁内检测器采集到的漏

宽度量化 7.7509 7.6998 7.7229 7.6178 磁数据, 设计了一系列针对缺陷区域的管道 3 个不
同子方向数据的特征提取方法, 建立了漏磁缺陷特
深度量化 1.7994 1.7865 1.7797 1.7616

征样本库, 为后续缺陷尺寸的量化提供了数据支持。
7
6

2021 年 第 43 卷 第 3 期
无损检测