Page 132 - 无损检测2024年第十二期
P. 132
王 轲，等：
深度学习在油气管道漏磁检测领域的应用
总里程累计达到155×10 km 。可见，对管道进行 想是通过构建多层网络，从目标对象中自动提取抽
3
[2]
定期的安全检测是十分必要的。目前用于管道检测 象特征，实现目标的多层表示，获得更好的特征鲁
的方法有很多，其中漏磁检测法可靠性高，不需要使 棒性。深度学习法已成为信号分析领域的热点，该
用耦合剂，受外界干扰小且检测速度快，已成为国内 方法在目标检测、图像重建以及数据分析等方面取
外应用最为普遍的管道检测技术之一 [3-6] 。 得了许多突破，并且进一步地扩展到了无损检测领
管道健康的评估主要依靠分析漏磁内检测数 域 [11-12] 。相比于浅层神经网络在处理复杂函数和自
据，由于石油管道管线铺设距离都是上千公里，漏磁 然信号以及模型泛化能力上的不足，深度学习的深
内检测数据量过于庞大，且数据的识别与分析仍大 层自主学习能力和强大的模型诊断与自我泛化能力
多是通过人工判读的方式进行的，这种方式存在效 有效弥补了传统方法对人工经验的依赖性 [13] 。典型
率低、误判率高、人工成本高等诸多问题。故，迫切 的深度学习模型主要有深度置信网络(DBN)、卷积
需要一种智能的检测方法代替人工判读 [7-8] 。深度学 神经网络(CNN)和自编码器(AE)。卷积神经网络是
习作为人工智能技术的重要发展方向，可以显著提 最流行的深度学习算法之一，在图像分类和识别方
高数据分析的效率。近年来，深度学习技术取得了 面表现良好。CNN模型的典型架构如图1所示 [14] ，
诸多重大突破，其具有的强大的特征提取能力和优 该模型具有4个主要模块，即输入、特征提取、分类
异的学习训练能力引起了管道漏磁检测领域学者的 和输出模块。输入模块接收图像，输出模块提供“正
关注 。基于此，主要从管道目标检测、管道异常分 常”或“异常”等分析结果。根据训练数据和CNN
[9]
类和管道缺陷量化等三个方面概述了深度学习在油 模型，可以对异常类型进行分类，例如裂纹和腐蚀。
气管道漏磁检测领域的应用，最后讨论了深度学习 特征提取模块是由卷积层和池化层等多个神经网络
在漏磁检测领域所存在的问题及未来的发展趋势。 层组成的，从输入图像中提取特征。分类层通过全
连接层对提取的特征进行分类，不同层的参数通过
1 深度学习概述
训练数据进行校准。经过近年来的不断发展，CNN
深度学习的概念最早由Geoffrey Hinton教授 的一些算法已经成功应用于管道漏磁信号的缺陷分
于2006年提出 [10] ，属于机器学习的分支。其基本思 类和目标检测，并取得了良好的效果 [15-16] 。
图 1 CNN 模型的典型架构
2 深度学习在油气管道漏磁检测领域的 2.1 管道目标检测
应用 目标检测是从漏磁信号中提取管道异常区域，
然后对所有类型的异常进行定位和识别。目标检测
深度学习的引入为管道漏磁检测提供了一种新
不仅可以检测出图像中的缺陷以及组件的类别，还
的高效解决方案。笔者主要从管道目标检测、管道
异常分类以及管道缺陷量化等三个方面介绍深度学 包括了缺陷的位置信息，符合管道检测的实际需求。
习在油气管道漏磁检测领域的应用。准确的目标检 传统目标检测在检测时会面临漏磁数据量庞大和工
测可以定位异常位置，便于有效指导后续管道的开 作环境恶劣等问题，将深度学习与目标检测结合，
挖和修复工作。异常分类可以将缺陷和其他管道异 为解决上述难题提供了可行的方案，已有许多学者
常区分开来，便于后续缺陷的反演。缺陷量化即对 将基于深度学习的目标检测算法应用到管道漏磁检
缺陷进行定量分析，定量数据是评价管道损伤程度 测中。
的重要依据 [17-19] 。 YANG等 [20] 提出一种基于多尺度SSD网络的
94
2024 年 第 46 卷 第 12 期
无损检测
