储罐作为石油、液体化工原料及其产品的专用存储设备,由于石油以及化工产品是危险物品,所以其存储的安全性问题受到人们的广泛关注。储罐泄漏事故大部分是因储罐底板失效所引起的,因此定期检测储罐底板对储罐的安全性运行具有重要意义。目前,漏磁检测、涡流检测、超声检测等无损检测方法已经成为常用储罐底板检测方法。漏磁检测由于其对检测环境要求低、检测精度高和可靠性强等优点成为目前应用最广泛的储罐底板无损检测方法。由于漏磁信号与缺陷信息对应关系复杂,漏磁信号难于分析出缺陷形状,漏磁缺陷形状评估对储罐的安全运行有着严重影响,使得漏磁检测缺陷重构问题成为漏磁检测领域一个研究难点问题。同时因为漏磁信号数据量大,漏磁信号异常区域复杂,难于准确地获得缺陷漏磁信号进行重构,成为阻碍漏磁检测缺陷重构发展一个重要问题。因此,进行漏磁信号异常区域诊断与提出合理的漏磁检测缺陷重构算法对提高漏磁检测缺陷重构评估效果具有重要的研究意义。首先,针对漏磁检测漏磁信号与缺陷信息之间关系复杂问题,建立了储罐底板漏磁检测仿真模型,通过Ansys Maxwell与磁偶极子法分析了缺陷漏磁场的分布规律以及缺陷信息对漏磁场信号的影响,以构建漏磁信号数据集。所得结果为后续的诊断研究与重构研究提供丰富的数据集。然后,考虑了漏磁检测异常区域诊断问题,把该问题转化为数字矩阵特征提取识别问题,将有缺陷区域的漏磁检测信号从整个检测范围提取出来,分析了卷积神经网络及其特征提取优势,并利用卷积神经网络框架目标检测算法对漏磁检测缺陷区域进行识别、提取研究。研究结果表明该方法能够快速、精确地诊断漏磁信号异常区域是否为缺陷,为后续的缺陷重构问题奠定了基础。最后,考虑了漏磁检测缺陷三维轮廓重构问题,借助生成对抗网络的思想,提出一种基于生成对抗网络的漏磁检测缺陷三维轮廓重构方法。该方法使用漏磁检测信号作为模型的输入,使用缺陷数据作为模型的目标,利用神经网络模型学习建立漏磁检测信号与缺陷数据之间的关系,并输出生成的缺陷数据。在迭代过程中缺陷信号数据与真实生成缺陷的数据不断进行博弈,使得网络生成的缺陷数据更加接近于真实缺陷数据。研究结果表明,该方法通过对仿真数据集试验,实现了漏磁检测缺陷三维轮廓重构问题求解,为漏磁检测缺陷重构技术提供了一种研究方法。