Page 134 - 无损检测2024年第十二期
P. 134
王 轲，等：
深度学习在油气管道漏磁检测领域的应用
图像识别算法，在SSD模型中加入多孔卷积，结合 化层进行下采样，对特征图进行泛化，并使用ReLU
膨胀卷积来扩展网络的感知场，提取低分辨率高语 函数作为每个卷积层后面的激活函数，使函数非线
义信息特征，从而提高对小目标细节特征的学习能 性，全连接层用于组织和合成提取的特征，Softmax
力。该算法可以准确识别漏磁数据中环向焊缝、螺 函数通常用作分类器。该方法还引入了注意力模块
旋焊缝和缺陷的位置，算法准确率达92. 62%，误检 以减少噪声和复合特征的影响。耿丽媛等 [32] 提出
率小于3%，漏检率小于6%。赵翰学等 [30] 采用支持 了一种基于深度卷积神经网络的管道漏磁内检测环
向量机、随机森林和梯度提升决策树(GBDT)这3种 焊缝缺陷智能分类方法，以漏磁信号图像为样本，
机器学习算法对缺陷信号特征量进行了分类识别。 并以环焊缝开挖后射线检测发现的缺陷类型为样本
该研究利用交叉验证法来进行参数调优使算法达到 标签建立数据库；然后使用深度卷积生成对抗网络
较好的效果，并对凹坑数据集、穿孔数据集、周向裂 （DCGAN）扩展和增强数据集，并用于改进和训练
纹数据集、表面剥落数据集和轴向裂纹数据集进行 残差网络；再使用经过训练的网络对环焊缝的漏磁
分类识别，结果表明，3种算法对于缺陷的分类识别 检测信号图像进行分类。该方法可实现对常见条形
效果均较好。LIU等 [31] 提出了一种改进的深度残差 缺陷和圆形缺陷的识别分类。CHEN等 [33] 提出了
卷积神经网络，用于对管道缺陷进行分类，包括焊缝 一种结合YOLOv5 和 ViT 模型的级联深度学习方
和腐蚀。该深度残差网络以 VGG16卷积神经网络 法，用于准确检测和分类管道缺陷。该方法使用拉
为基础，VGG16网络模型如图3所示，主要包括输 通测试（PTT）生成的内部实验室数据集进行模型
入层、卷积层、池化层、全连接层和Softmax层，输入 训练和验证，在管道缺陷分类精度方面优于单纯的
图像为相同大小的预处理图像，通过卷积层提取特 YOLOv5算法，同时在缺陷检测方面保持了较高的
征，得到一定数量的特征图；然后将特征图输入到池 精度。
图 3 VGG16 网络模型结构示意
2.3 管道缺陷量化 估计缺陷的大小。通过引入视觉变换层，该网络能
漏磁检测信号的量化过程，即根据检测得到的 够更准确地区分不同尺寸的缺陷特征，在实际应用
漏磁信号确定出对应管道缺陷几何参数的过程 [34] 。 中，采用 3 种VT-CNN对缺陷的长度、宽度和深度
缺陷的大小，特别是缺陷的深度，是评价管道损伤 进行量化。WANG等 [36] 建立了一种漏磁缺陷信号
程度的重要指标。传统的缺陷量化方法分为直接法 的量化模型，模型结构如图4所示，其包括 CNN 模
和间接法，直接法是通过统计分析获得缺陷尺寸和 块和回归模块。其将漏磁信号的3个分量输入CNN
漏磁信号之间的定量关系，进而来量化缺陷的大小， 模块，自动提取特征；在回归模块中设计了缺陷长
这种方法测量精度低，特别依赖经验数据。间接法 度、宽度和深度的联合损失函数，以量化缺陷尺度。
是将前向模型和闭环迭代结构相结合，实现尺寸的 WU等 [37] 提出一种基于强化学习（RL）的算法来
最优更新。这些方法在很大程度上依赖于前向模型 估计缺陷的深度，将经典的基于迭代的方法嵌入到
的准确性，并且很容易陷入局部最优。虽然目前只 所提出的基于强化学习的算法学习过程中，并从
有少数学者研究了基于深度学习的管道缺陷量化方 迭代过程产生的数据中学习策略。试验结果表明，
法，但都取得了较好的定量结果。 峰值深度误差（PDE）小于 2. 94%。崔国宁等 [38]
LU等 [35] 提出了一种新的视觉变换神经网络来 提出一种基于卷积神经网络的缺陷尺寸智能量化
96
2024 年 第 46 卷 第 12 期
无损检测
