Page 99 - 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 5 输入端数据处理示意
YOLO算法中，针对不同的数据集，都会有初始设定 分优点，同时，对于操作人员较为友好。
长宽的锚框（Anchor），网络在初始锚框的基础上输 依据漏磁信号3种图像的特点，数据混合增强
出预测框，进而和真实框进行比对，计算两者差距， 可以集中3种图像的优点，文章将对比图、伪彩图、
再反向更新，迭代网络参数。自适应锚框计算读取 伪彩增强图3种图像数据进行混合增强，既保证了
训练集中所有图片的宽、高以及检测框的宽、高，将 模型输入各种形式图像的同时，也增强了模型的图
读取的坐标修正为绝对坐标并使用Kmeans算法对 像数据量。
训练集中所有的检测框进行聚类，通过遗传算法对 2.2.2 算法改进
得到的锚框进行变异，如果变异后效果好则将其保 通过YOLOv5的网络结构可知，在颈部（Neck）
留，否则跳过，最终得到最优锚框。自适应图片缩放 部分除了使用FPN结构对特征进行融合外，还使
目的在于对原始图像自适应添加最少的黑边，提高 用到了PAN结构。FPN层自顶向下传达强语义
推理速度，减少计算量。自适应图片缩放计算的比 特征，而特征金字塔则自底向上传达强定位特征，
例是缩放尺寸与原始图像的尺寸的较小缩放系数。 从不同的主干层对不同的检测层进行参数聚合。
主干网络主要采用Focus结构和CSP结 构， 模型可同时进行下采样（Subsampling）和上采样
Focus结构采用切片操作把高分辨率的图片拆分成多 （Upsampling），以将信息传递融合，提高特征提取的
个低分辨率的图片或特征图，即隔列采样并拼接，使 能力，得到进行预测的特征图。
得卷积核的数目大大增加，极大地提高了图像特征的 原始模型具有 3 个检测层，分别为 80 像素×
提取能力。CSP结构大大增加了主干网络的残差结 80像素，40像素×40像素，20像素×20像素，分别
构，可以增加层与层之间反向传播的梯度值，从而避 对应最后的特征图大小。特征图中，最大的特征图
免网络加深带来的梯度消失问题，最终提取到更细粒 负责检测小目标，对应到原始的 640 像素×640 像
度的特征并且不用担心网络退化。颈部主要借鉴了 素漏磁图像上，每格特征图的感受野是 640/80 即
应用于图像分割领域的PANet网络， 但作者将其拆分 8×8大小，因此若检测目标的长或宽像素低于8像
应用到YOLO中，进一步提高了特征提取的能力。 素，对于小型目标的检测就不准确。环焊缝漏磁信
2.2 基于环焊缝缺陷图像的YOLOv5算法改进 号图像中有诸多极小的缺陷图像，有的宽度像素值
2.2.1 环焊缝缺陷漏磁信号图像数据增强 甚至达到了4个像素，在实际检测时，测试集效果会
Mosaic作为YOLOv5模型的输入端数据增强算 更差，采用原始的检测模型已经很难达到检测的要
法，能随机读取4张图片进行训练，丰富了数据集也 求。文章针对实际环焊缝缺陷图像的缺陷特点，对
极大地增强了网络的鲁棒性 [30] 。环焊缝缺陷漏磁信 YOLOv5进行了改进。
号图像的3种图像都是通过原始的漏磁信号曲线变 对检测层而言，增加了一层160像素×160像素
换得来的，由于采取的方式不同，不同大小、不同形 检测层，对应最终的小目标检测，每格的特征图感
式缺陷的图像效果也不同。对比图能较好地展示深 受野是640/160即4×4大小。同时，在模型的头部
度较深的环焊缝缺陷，但对于缺陷的周向长度（缺陷 （Head）部分，为小目标增加特征提取层，以获取更
宽度）显示并不友好；伪彩图能较好地区分周向长 大的特征图进行小目标检测，模型改进前后的图像
度的变化；伪彩增强图结合了对比图和伪彩图的部 特征上下采样示意如图6所示。
65
2025 年 第 47 卷 第 3 期
无损检测