Page 100 - 无损检测2025年第三期

彭云超，等：

基于 YOLOv5 的管道环焊缝缺陷目标检测算法分析

图 6 模型改进前后的图像特征上下采样示意
3 测试及结果分析 数均值，验证集目标检测的损失函数均值。
3.2.1 图像数据增强分析
3.1 环焊缝缺陷图像数据集
分别针对对比图、伪彩图、伪彩增强图以及
文章选取的数据集为某线路成品油管道实际漏
3种图像数据混合增强后的数据进行模型训练及验
磁内检测数据，调整检测系统的输出图像大小，确保
证，模型的训练验证结果如图 7 所示，主要绘制了
输出大小为640（长像素） ×640（宽像素），生成的环
Precision，Recall， m AP@0. 5 ， m AP@0. 5∶0. 95 共计4个指标的
焊缝缺陷图像共计对比图1 032张，伪彩图1 032张，
性能图。由图7可知，在通过数据混合增强后，核心
伪彩增强图1 032张，图片具有RGB 3个颜色通道。
指标m AP@0. 5 呈现明显的稳定上升趋势，并在100轮
对管道环焊缝缺陷信号图像进行人工缺陷标签制
后趋于稳定，且稳定后的参数远高于对比图、伪彩
作，采用VOC2007数据集结构，将管道环焊缝缺陷
图、伪彩增强图单种图像的m AP@0. 5 ，表明数据混合增
命名为girthWelderr。对于数据集而言，每张图都包
含了至少一个管道环焊缝缺陷；对于每张图而言，每 强后，模型精度有了明显改善。从精确率及召回率
曲线中也可以看出，图像数据混合增强对于不同阈
张图中都包含管道环焊缝缺陷图像及正常环焊缝图
值上的平均精度均有很好的表现。
像。对标签制作完成的图像数据集进行数据转换，将
各图像性能指标如表1所示，可知，对比图、伪
xml文件转化为txt文件，并依据转化完成后的txt文
件和图像数据集进行训练集、验证集、测试集划分。 彩图、伪彩增强图3种图像的最佳性能指标都相差
按照训练集∶验证集∶测试集=70∶15∶15 的划分比 不大，但3种图像的平均性能均值与图像数据混合
例进行划分，最终得到训练集单一类型图像688张， 增强后的指标都有着不小的差异，图片数据在混合

验证集172张， 测试集172张。 增强以后各指标都有了显著提升， m AP@0. 5 提升了近
3.2 模型训练与分析 30%，其余参数也均有不同程度的性能提升。
3.2.2 算法改进对比分析
对环焊缝缺陷图像数据集进行了500轮[次数
（Epochs）的训练，每次训练的batch-size设为8。硬 利用增加小目标检测层后的改进算法分别对对
]
比图、伪彩图、伪彩增强图3种图像进行模型训练和
件参数方面，CPU型号为Intel(R) Xeon(R) Gold 6130
CPU @ 2. 10GHz(双路处理器)，内存为256 GB，核 验证，模型的训练验证结果如图8所示，主要绘制了
心计算资源GPU型号为NVIDIA Quadro P5000，显 损失函数均值、目标检测损失函数均值、验证集损失
存16GB；软件参数方面，Python为3. 9. 13，PyTorch 函数均值、验证集目标检测损失函数均值共计4个指
为 1. 12. 1，Cudatoolkit为 11. 3. 1。操 作环 境采 用 标的性能图。由图8可知，对于损失函数均值以及
Windows10，Python编辑器采用Pycharm 2022. 3. 3。 验证集损失函数均值而言，模型改进前后的曲线下
图像目标检测领域中，重要的模型性能评价 降趋势和曲线数值相差不大，表明模型在使用GIoU
指标包括精确率（Precision）；召回率（Recall）；IoU Loss（广义交并比损失）作为bounding box（边界框）
阈值大于 0. 5 的平均精度（m AP@0. 5 ，即m AP ）；从 0. 5 的损失时，Box推测为GIoU损失函数均值的差异并
到 0. 95，步长为 0. 05 的不同IoU阈值的平均精度 不明显。但通过目标检测损失函数均值以及验证集
（m AP@0. 5:0. 95 ）。损失包括GIoU损失函数均值，推测 目标检测损失函数均值可以看出，模型在改进以后，
为目标检测的损失函数均值，验证集的GIoU损失函 目标检测损失函数的损失都有一定程度的下降，尤
66
2025 年 第 47 卷 第 3 期
无损检测