Page 133 - 无损检测2024年第十二期
P. 133
王 轲，等：
深度学习在油气管道漏磁检测领域的应用
管道漏磁图像检测算法，在SSD算法中引入膨胀卷 算法的基础上，通过引入损失函数Distance-IoU对
积和注意力残差模块，对管道漏磁图像中的缺陷、 检测算法YOLOv5 进行改进，YOLOv5 网络模型
环焊缝和螺旋焊缝有较好的识别检测效果。王宏 结构如图2所示，模型结构包括输入端、Backbone、
安 [21] 提出一种基于深度学习的管道环焊缝目标检测 Neck和Prediction四部分，输入端可以将图像进行
方法，该方法包含了特征提取模块和预测模块，特 预处理，Backbone为基准网络，该模块的功能是提
征提取模块利用卷积神经网络自动提取特征，预测 取图像的一些通用特征，Neck网络用于提升特征的
模块使用全连接网络和卷积网络预测目标的类别， 鲁棒性和多样性，Prediction模块使用GIOU-Loss损
该方法在较大的噪声和数据局部缺失的情况下也有 失函数，可以大大提高算法的检测精度。利用改进
较好的表现。刘金海等 [22] 提出一种自监督的缺陷 的YOLOv5算法对管道漏磁数据进行训练，使之具
检测方法，使用SIMCLR框架对可视化缺陷进行训 有对漏磁缺陷信号自动识别的能力，结果表明，相同
练，并生成预训练模型，并将预训练后的模型替换 训练条件下，改进算法的准确率明显提升，可在短
到Faster R-CNN的特征提取网络中，然后使用该网 时间内大量标注管道漏磁曲线图像缺陷信息，降低
络检测漏磁图像中的缺陷类型和位置。SHEN等 [23] 人员工作量，提升数据判读的准确性。JIANG等 [25]
提出了一种改进的级联R-CNN多目标检测算法， 提出一种周期监督卷积神经网络（CsCNN），来实现
利用该算法对管道分支、三通和焊缝进行检测，通 无监督缺陷检测，不需要任何的先验信息和标签。
过在级联R-CNN中添加FPN (特征金字塔网络)和 CsCNN 的构建包括多个具有相同结构的CNN和一
OHEM (在线难例挖掘)来提高检测的精度。为了提 个周期监督部分，首次检测无监督管道异常情况，检
升目标检测的准确性，王国庆等 [24] 在传统YOLOv5 测精度为0. 935，对缺陷有良好的检测性能。
图 2 YOLOv5 算法架构示意
2.2 管道异常分类 别油管道焊缝法兰组件，该方法直接应用漏磁图像
漏磁信号在管道正常区域、缺陷区域和组件区 替代传统的特征提取。改进的结构包括了2个卷积
域会呈现出不同的信号特征。油气管道的异常分类 层、1个局部响应归一化层、2个池化层、1个全连接
是根据获得的信号特征将管道的不同区域分为不同 分类层和1个Softmax层。试验结果表明该方法识
的类别。传统分类方法依赖于手动特征提取或定义， 别灵敏度为85. 3%，优于其他基于特征的智能识别
这会带来噪声并降低检测精度 。深度学习的引入 方法。YANG等 [28] 还使用经过预训练后和筛选后
[26]
为异常分类提供了新的高效解决方案。基于卷积神 的卷积核构建卷积神经网络。该网络能够自动提取
经网络的算法大大提高了分类的精度，一些应用案例 焊缝图像中的特征，从500张漏磁信号图像中对环
表明，这种方法的分类能力已经远超过传统方法的。 焊缝和螺旋焊缝进行分类，分类准确率为 95. 1%。
杨理践等 [27] 提出一种改进的卷积神经网络来识 王竹筠等 [29] 提出一种基于改进SSD网络的管道漏磁
95
2024 年 第 46 卷 第 12 期
无损检测
