Page 136 - 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

量标注好的数据进行训练，而获取大规模的数据集 提取及诊断方法研究[J]. 仪器仪表学报，2016，37（9）：
可能是一项挑战。研究人员可以考虑利用数据增强 1946-1953．
或半监督学习等方法来扩充数据集，以弥补实际数 [14] LIU Y M，BAO Y．Review on automated condition
据不足的问题。 assessment of pipelines with machine learning[J]. Advanced
Engineering Informatics，2022，53：101687．
（4）融合传统检测模型。如何针对不同缺陷和

[15] 谭震，郭新蕾，李甲振，等. 基于多尺度卷积神经网络
模型的特点，取长补短，实现不同模型间的相互融合
的管道泄漏检测模型研究[J]. 水利学报，2023，54（2）：
与协同作业，非常有利于复杂工况下的缺陷检测。
220-231.
（5）加大缺陷早期监测。目前的缺陷检测主要 [16] 张瑞程，王新颖，胡磊磊，等. 基于一维卷积神经网络

集中在缺陷发生之后，甚至是管道发生损坏后的阶 的燃气管道泄漏声发射信号识别[J]. 中国安全生产科
段，此时的损失已经无法挽回，故有必要加大管道早 学技术，2021，17（2）：104-109．
期缺陷的监测研究。 [17] 赵帅，秦林，林冬，等. 油气管道漏磁数据处理和缺陷
识别量化方法的研究进展[J]. 腐蚀与防护，2024，45（2）：
参考文献： 27-35．
[18] 杜文飞，李春光，万四海. 管道漏磁检测的智能方法综
[1] 吴志平，玄文博，戴联双，等. 管道内检测技术与管理
述[J]. 西南师范大学学报 （自然科学版），2022，47（6）：
的发展现状及提升策略[J]. 油气储运，2020，39（11）：
1-7．
1219-1227.
[19] 左万君，戴西斌，吴昌玉. 漏磁检测在管道损伤探测中
[2] 高振宇，张慧宇，高鹏. 2022年中国油气管道建设新进
的应用[J]. 无损检测，2024，46（3）：56-63．
展[J]. 国际石油经济，2023，31（3）：16-23．
[3] 杨理践，耿浩，高松巍. 长输油气管道漏磁内检测技 [20] YANG L J，WANG Z J，GAO S W．Pipeline
magnetic flux leakage image detection algorithm based
术[J]. 仪器仪表学报，2016，37（8）：1736-1746.
[4] 王秀丽，朱晓红，夏飞，等. 管道内检测技术及标准体 on multiscale SSD network[J]. IEEE Transactions on
Industrial Informatics，2020，16（1）：501-509．
系发展现状[J]. 石油化工自动化，2018，54（2）：1-5.
[21] 王宏安. 基于深度学习的管道环焊缝目标检测方
[5] XIE M J，TIAN Z G．A review on pipeline integrity
法[J]. 自动化与仪器仪表，2020（9）：144-146，151．
management utilizing in-line inspection data[J]. Engineering
Failure Analysis，2018，92：222-239． [22] 刘金海，赵贺，神祥凯，等. 基于漏磁内检测的自监督
缺陷检测方法[J]. 仪器仪表学报，2020，41（9）：180-187．
[6] SHI Y，ZHANG C，LI R，et al．Theory and application
of magnetic flux leakage pipeline detection[J]. Sensors， [23] SHEN X K，LIU J H，ZHAO H，et al．Research
2015，15（12）：31036-31055． on multi-target recognition algorithm of pipeline
[7] DRURY J C，MARINO A．A Comparison of the magnetic flux leakage signal based on improved cascade
magnetic flux leakage and ultrasonic methods in the RCNN[C]//2021 3rd International Conference on
Industrial Artificial Intelligence（IAI）. Shenyang，China：
detection and measurement of corrosion pitting in ferrous
IEEE，2021．
plate and pipe[C]//Proceeding of 15th World conference
[24] 王国庆，李璇，杨理践，等. 基于改进YOLOv5算法的
on Nondestructive Testing.Roma，Italy：ICNDT，2000.
[8] 许必宵，陈升波，韩重阳，等. 改进的数据预处理算法 管道漏磁信号识别方法[J]. 计算机测量与控制，2022，
及其应用[J]. 计算机技术与发展，2015，25（12）：143- 30（8）：147-154．
146，151． [25] JIANG L，ZHANG H G，LIU J H，et al．A
[9] 郭磊，丁疆强，李智文，等. 基于注意力特征融合的漏 multisensor cycle-supervised convolutional neural
磁缺陷识别方法[J]. 沈阳工业大学学报，2024，46（2）： network for anomaly detection on magnetic flux leakage
212-218． signals[J]. IEEE Transactions on Industrial Informatics，
[10] HINTON G E，SALAKHUTDINOV R R．Reducing the 2022，18（11）：7619-7627．
dimensionality of data with neural networks[J]. Science， [26] 岳明星，杨理践，石萌. 基于卷积神经网络的管道漏磁
2006，313（5786）：504-507． 内检测焊缝识别方法[J]. 电子世界，2018（12）：49-50．
[11] 王竹筠. 基于深度学习的管道漏磁信号智能识别方法 [27] 杨理践，曹辉. 基于深度学习的管道焊缝法兰组件识别
研究[D]. 沈阳：沈阳工业大学，2019． 方法[J]. 仪器仪表学报，2018，39（2）：193-202．
[12] 彭东华，徐鲁帅，信权宇，等. 管道高后果区第三方破 [28] YANG L J，WANG Z J，GAO S W，et al．Magnetic flux
坏智能识别方法[J]. 油气储运，2023，42（7）：793-798． leakage image classification method for pipeline weld based
[13] 赵光权，葛强强，刘小勇，等. 基于DBN的故障特征 on optimized convolution kernel[J]. Neurocomputing，

98
2024 年 第 46 卷 第 12 期
无损检测