La detección de fugas de flujo magnético débil es uno de los métodos de ensayo y medición no destructivos más importantes para tuberías. Dado que diferentes defectos causan diferentes daños, es necesario clasificar los diferentes tipos de defectos. Los métodos tradicionales de aprendizaje automático para la identificación de tipos de defectos utilizan principalmente métodos de análisis de características y dependen del conocimiento a priori de expertos y de la capacidad de los diseñadores. Estos métodos tienen las siguientes debilidades: el conocimiento a priori necesita ser diseñado de manera iterativa, y el diseño del conocimiento a priori depende de la experiencia de los expertos. En los últimos años, el rápido desarrollo de los métodos de aprendizaje profundo en el campo de la visión por computadora ha llevado al desarrollo del análisis de defectos en la industria. Sin embargo, la mayoría de los métodos de aprendizaje profundo carecen de la capacidad para analizar tanto la información detallada como la estructura general. En este artículo, proponemos redes de convolución gráfica para dividir y fusionar múltiples gráficos de gráficos de detalle y un gráfico raíz. La información detallada (gráficos de detalle) proporciona información detallada para la detección de WMFLs. La información estructural (gráfico raíz) proporciona información estructural para la detección de WMFLs. Este artículo utiliza datos de simulación y datos experimentales para verificar que el método propuesto puede identificar bien los defectos por estrés y los defectos por corrosión. El artículo explica los resultados experimentales en detalle para demostrar la superioridad del método en métodos industriales.