Page 135 - 无损检测2024年第十二期

王 轲，等：

深度学习在油气管道漏磁检测领域的应用

图 4 漏磁缺陷信号的量化模型结构示意

方法。该方法利用卷积核来提取缺陷处的数据特 此需要大量的样本为不同的环境建立检测模型。
征，采用Adam优化器和MAE损失函数线性输出 （2）缺陷特征高效准确识别需重点关注。准确
训练结果，实现对缺陷尺寸的智能测量。其对管道 的缺陷识别是有效保证管道安全运行的前提。如何
缺陷具有良好的量化能力，量化误差为 2~4 mm。 有效剥离干扰信息，减小样本训练量和模型层数，缩
ZHANG等 [39] 提出了一种视觉深度转移学习神经网 短模型训练耗时，进行高效有序、精确的小样本模型
络（VDTL）来预测缺陷尺寸。VDTL网络由可视 训练是一个极具挑战的课题。
化数据转换层、迁移学习卷积神经网络（CNN）层和 （3）深度学习异常检测模型和传统异常检测模
全连接层组成，该网络可以预测缺陷大小，还可以 型协同作业较少。如何针对不同模型的特点，取长
估计缺陷横截面轮廓。并且，还引入了多核最大均 补短，实现不同模型间的相互融合与协同作业，对复
值差异（MK-MMD）迁移学习算法，以提高准确性。 杂工况下的检测工作而言是非常关键的。
结果表明，长度和深度的量化误差仅为 0. 67 mm和
0. 97%。YUKSEL等 [40] 提出了基于Swin Transformer 4 结论与展望
Backbone YOLOv5（SwinYv5）算法的缺陷检测模 文章从管道目标检测、管道异常分类和管道缺
型和基于交叉残差卷积神经网络（CR-CNN）的量化 陷量化3个方面，介绍了深度学习在油气管道漏磁
模型。检测模型用于提取缺陷的ROI（感兴趣区域） 检测领域的应用，总结了近年来国内外的研究内容
图像，图像用作量化模型的输入，通过特殊训练机制 与取得的显著成果。但关于深度学习在管道漏磁检
进行大量测试，增强训练数据的数量和种类。根据 测领域的应用研究并不广泛，为了更好地将深度学
测试结果，所提方法的缺陷检测精度能达到98. 9%， 习应用于管道漏磁检测中，未来的发展和突破可以
并对其进行量化，其长度、宽度和深度的最大误差分 从以下几个方面来实现。
别为1. 30，1. 65，0. 47 mm。 （1）提高信号采集质量。由于管道内壁漏磁信

号采集环境的影响，漏磁信号会受到一些因素的干
3 存在的问题
扰，因此需要对样本数据进行清洗和预处理，提高深
基于深度学习的管道漏磁检测模拟人类思维的 度学习模型的性能和泛化能力，另外，在模型训练过
学习和推理过程，通过有效的特征提取、选择和分类 程中采用一些技术和方法，如数据增强、正则化等，
识别处理漏磁信息，以灵活的诊断策略对监测对象 也可以提高模型的鲁棒性和抗干扰能力。
的运行状态和漏磁信息做出智能判断和决策，类似 （2）简化深度学习模型。深度学习模型的训练

于人类专家的工作方式。随着科技的发展和研究的 和推理通常需要大量的计算资源，比如ZHANG等 [39]
深入，基于深度学习的油气管道漏磁检测技术还面 提出的VDTL深度学习模型需要28 h的时间来进行
临以下的问题。 训练，这在一些实际应用中可能面临限制。后续的
（1）复杂环境下的适应性有待提高。深度学习 研究可以探索更简约和高效的深度学习模型结构，
模型获取不同环境下的缺陷样本存在困难，从而导 以减少计算成本，并结合硬件加速技术来提高性能。
致模型的检测精度低，增加了漏磁检测的难度。因 （3）扩充模型训练数据。深度学习模型需要大

97
2024 年 第 46 卷 第 12 期
无损检测