隨著經(jīng)濟的發(fā)展,全球?qū)τ谔烊粴?、石油等能源的需求與日俱增。管道輸送是與鐵路、公路、水運和航空并列的五大運輸方式之一,具有一次性投資少、運輸成本低、安全性高、利于環(huán)保等獨特優(yōu)勢,在經(jīng)濟發(fā)展及能源安全中有著舉足輕重的地位[1-2]。2021年底,中國大陸已建成的油氣長輸管道里程累計達到150 000 km,其中天然氣管道里程約89 000 km,原油管道里程約31 000 km,成品油管道里程約30 000 km[3]。
隨著管網(wǎng)運輸體系的不斷發(fā)展,老齡期長時間服役的管道會出現(xiàn)腐蝕、材料失效、外部干擾等問題,進而造成泄漏、爆炸以及人員傷亡等重大事故[4-7]。因此,對管道實施完整性管理[8-9],精準(zhǔn)評估油氣管道運行風(fēng)險,是降低事故發(fā)生率的有效手段[10]。漏磁內(nèi)檢測技術(shù)是一種高效的無損檢測方法,具有無需耦合劑,對環(huán)境要求低,自動化程度高,缺陷識別能力強等優(yōu)點,從而成為應(yīng)用最廣泛的油氣管道檢測技術(shù)[11-13]。
近年來,國內(nèi)已發(fā)生數(shù)起長輸管道環(huán)焊縫開裂事故,造成了嚴(yán)重的經(jīng)濟損失和社會影響。環(huán)焊縫開裂已成為影響長輸管道服役安全的主要風(fēng)險因素。目前的各種檢測技術(shù)手段可獲取海量的管道環(huán)焊縫缺陷數(shù)據(jù),以漏磁內(nèi)檢測數(shù)據(jù)為例,其對于環(huán)焊縫異常信號的判讀主要依賴人工,檢測結(jié)果易受到檢測人員的主觀影響,并且人工判讀需要花費大量的精力和時間,容易造成人員疲勞進而導(dǎo)致漏檢或誤檢[14-16]。隨著大數(shù)據(jù)分析技術(shù)、人工智能和深度學(xué)習(xí)的發(fā)展,通過機器學(xué)習(xí)的方式建立模型并對批量數(shù)據(jù)進行訓(xùn)練,可以實現(xiàn)對漏磁內(nèi)檢測數(shù)據(jù)的批量處理和自動識別[17-19]。國內(nèi)外學(xué)者開展了將目標(biāo)檢測方法應(yīng)用于漏磁內(nèi)檢測方面的研究。FENG等[20]使用卷積神經(jīng)網(wǎng)絡(luò)對漏磁圖像進行分類,有效識別有害性和無害性缺陷,顯著提高了檢測精度。YANG等[21]通過優(yōu)化卷積核的方法,提升了管道焊縫漏磁圖像的分類準(zhǔn)確性,增強了模型的魯棒性。CHEN等[22]提出了級聯(lián)深度學(xué)習(xí)方法,實現(xiàn)了高效的管道缺陷檢測,減少了漏檢率和誤檢率。XU等[23]通過引入注意力模塊的神經(jīng)網(wǎng)絡(luò)方法,進一步提高了環(huán)焊縫缺陷識別的精度和效率,該方法能夠自動聚焦圖像中的重要區(qū)域,顯著減少漏檢率和誤檢率。上述研究成果均不同程度地提高了漏磁內(nèi)檢測信號的后期人工判讀效率和準(zhǔn)確性,對于提升數(shù)據(jù)分析質(zhì)量、保障管道安全運行具有重要的工程意義。
文章將YOLOv5目標(biāo)檢測算法應(yīng)用于漏磁內(nèi)檢測環(huán)焊縫異常缺陷數(shù)據(jù)處理,對數(shù)據(jù)集使用圖像增強算法并添加小目標(biāo)檢測層改進深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu),以獲得更好的檢測效果,最終應(yīng)用于實際檢測線路的漏磁信號識別,實現(xiàn)了管道環(huán)焊縫異常缺陷識別準(zhǔn)確率的有效提升。
1. 管道漏磁內(nèi)檢測技術(shù)
1.1 漏磁內(nèi)檢測原理
作為漏磁內(nèi)檢測的勵磁源,永磁鐵產(chǎn)生磁感線,磁感線經(jīng)銜鐵、管道等傳播形成閉合回路。當(dāng)被測管道被磁化至飽和或近飽和時,若管道存在缺陷,缺陷處的磁導(dǎo)率會非常小,磁阻增大,磁感線就會溢出管道,被傳感器接收形成漏磁信號,依據(jù)漏磁信號可實現(xiàn)對缺陷的分析[24],具體原理如圖1所示[25-27]。
1.2 管道漏磁內(nèi)檢測圖像
管道漏磁內(nèi)檢測設(shè)備通過管道后,位于檢測設(shè)備上的磁敏原件輸出電壓信號,對其進行數(shù)據(jù)處理后繪制出漏磁信號曲線,曲線的數(shù)目與檢測設(shè)備的磁敏原件通道數(shù)相互對應(yīng),漏磁信號曲線經(jīng)過后期數(shù)據(jù)處理可形成對比圖、偽彩圖、偽彩增強圖等管道漏磁內(nèi)檢測圖像。偽彩圖是基于信號的原始灰度圖進行色彩映射轉(zhuǎn)換而成的；偽彩增強圖是在偽彩圖的基礎(chǔ)上,將圖片中大面積的綠色通道無信號特征圖進行色彩轉(zhuǎn)換得到的。某實際管道環(huán)焊縫缺陷漏磁信號徑向分量的對比圖、偽彩圖、偽彩增強圖如圖2所示。仿真模擬計算得到的環(huán)焊縫缺陷漏磁信號徑向分量云圖如圖3所示。
由圖2可知,管道環(huán)焊縫異常（圖中“girthWelder”標(biāo)識處）時,焊縫缺陷處的漏磁信號圖像呈現(xiàn)中心色彩異常,對于對比圖,缺陷處信號顏色較淺,灰度較??；對于偽彩圖,缺陷處信號顏色比正常處紅色信號更淺；偽彩增強圖焊縫處的漏磁信號圖像與偽彩圖的相似,焊縫外漏磁信號不明顯區(qū)域的色彩映射與對比圖的相似。通過上述3種圖像的對比可知,焊縫缺陷處的漏磁信號與正常焊縫處的漏磁信號存在較大差異,該差異為使用計算機進行圖像判別漏磁信號差異的基礎(chǔ)。由圖3可知,無缺陷環(huán)焊縫漏磁信號呈現(xiàn)先增后減的分布趨勢,圖像上體現(xiàn)為先紅后藍的色彩分布特征；缺陷處環(huán)焊縫漏磁信號呈局部先減薄后增厚的趨勢,圖像上體現(xiàn)為先藍后紅的色彩分布特征。
2. 基于YOLOv5的管道環(huán)焊縫缺陷信號圖像識別算法
2.1 YOLOv5基本原理
JOCHER提出的一階段（One-Stage）目標(biāo)檢測網(wǎng)絡(luò)YOLOv5是一種基于回歸思想的多目標(biāo)檢測算法,相較于之前的YOLO版本,v5在框架非常小的同時保證了足夠的檢測精度和速度,在部署到手機等智能設(shè)備上具有巨大優(yōu)勢。YOLOv5主要由輸入端、Backbone、Neck和Prediction 4個部分組成,其網(wǎng)絡(luò)結(jié)構(gòu)示意如圖4所示[28]。主干網(wǎng)絡(luò)首先通過CBS模塊對圖像進行初步特征提取,然后依次經(jīng)過C3模塊（具有殘差瓶頸結(jié)構(gòu)）,進一步提取并優(yōu)化圖像特征。隨后通過SPPF模塊進行空間金字塔池化快速操作,有效擴大感受野并捕獲不同尺度空間特征。接下來,特征進入頸部（Neck）模塊,該模塊通過Upsample上采樣和Concat拼接操作實現(xiàn)不同尺度特征融合,并利用CBS和C3模塊進一步精煉和優(yōu)化融合后的特征表示,以提高不同尺度特征的表達能力。最后,這些融合后的特征送入頭部（Head）模塊,分別經(jīng)過Conv卷積層處理,得到三個尺度（80×80、40×40、20×20）的輸出特征圖,分別用于檢測小、中、大尺度的目標(biāo),實現(xiàn)對不同大小目標(biāo)的高效檢測和定位。
輸入端主要由Mosaic數(shù)據(jù)增強、自適應(yīng)錨框計算和自適應(yīng)圖片縮放組成[29],如圖5所示。Mosaic數(shù)據(jù)增強將4張圖片進行拼接,每一張圖片都有其對應(yīng)的框,拼接后就獲得一張新的圖片,同時也獲得了這張圖片對應(yīng)的框,達到數(shù)據(jù)增強的目的。在YOLO算法中,針對不同的數(shù)據(jù)集,都會有初始設(shè)定長寬的錨框（Anchor）,網(wǎng)絡(luò)在初始錨框的基礎(chǔ)上輸出預(yù)測框,進而和真實框進行比對,計算兩者差距,再反向更新,迭代網(wǎng)絡(luò)參數(shù)。自適應(yīng)錨框計算讀取訓(xùn)練集中所有圖片的寬、高以及檢測框的寬、高,將讀取的坐標(biāo)修正為絕對坐標(biāo)并使用Kmeans算法對訓(xùn)練集中所有的檢測框進行聚類,通過遺傳算法對得到的錨框進行變異,如果變異后效果好則將其保留,否則跳過,最終得到最優(yōu)錨框。自適應(yīng)圖片縮放目的在于對原始圖像自適應(yīng)添加最少的黑邊,提高推理速度,減少計算量。自適應(yīng)圖片縮放計算的比例是縮放尺寸與原始圖像的尺寸的較小縮放系數(shù)。
主干網(wǎng)絡(luò)主要采用Focus結(jié)構(gòu)和CSP結(jié)構(gòu),Focus結(jié)構(gòu)采用切片操作把高分辨率的圖片拆分成多個低分辨率的圖片或特征圖,即隔列采樣并拼接,使得卷積核的數(shù)目大大增加,極大地提高了圖像特征的提取能力。CSP結(jié)構(gòu)大大增加了主干網(wǎng)絡(luò)的殘差結(jié)構(gòu),可以增加層與層之間反向傳播的梯度值,從而避免網(wǎng)絡(luò)加深帶來的梯度消失問題,最終提取到更細(xì)粒度的特征并且不用擔(dān)心網(wǎng)絡(luò)退化。頸部主要借鑒了應(yīng)用于圖像分割領(lǐng)域的PANet網(wǎng)絡(luò),但作者將其拆分應(yīng)用到Y(jié)OLO中,進一步提高了特征提取的能力。
2.2 基于環(huán)焊縫缺陷圖像的YOLOv5算法改進
2.2.1 環(huán)焊縫缺陷漏磁信號圖像數(shù)據(jù)增強
Mosaic作為YOLOv5模型的輸入端數(shù)據(jù)增強算法,能隨機讀取4張圖片進行訓(xùn)練,豐富了數(shù)據(jù)集也極大地增強了網(wǎng)絡(luò)的魯棒性[30]。環(huán)焊縫缺陷漏磁信號圖像的3種圖像都是通過原始的漏磁信號曲線變換得來的,由于采取的方式不同,不同大小、不同形式缺陷的圖像效果也不同。對比圖能較好地展示深度較深的環(huán)焊縫缺陷,但對于缺陷的周向長度（缺陷寬度）顯示并不友好；偽彩圖能較好地區(qū)分周向長度的變化；偽彩增強圖結(jié)合了對比圖和偽彩圖的部分優(yōu)點,同時,對于操作人員較為友好。
依據(jù)漏磁信號3種圖像的特點,數(shù)據(jù)混合增強可以集中3種圖像的優(yōu)點,文章將對比圖、偽彩圖、偽彩增強圖3種圖像數(shù)據(jù)進行混合增強,既保證了模型輸入各種形式圖像的同時,也增強了模型的圖像數(shù)據(jù)量。
2.2.2 算法改進
通過YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)可知,在頸部（Neck）部分除了使用FPN結(jié)構(gòu)對特征進行融合外,還使用到了PAN結(jié)構(gòu)。FPN層自頂向下傳達強語義特征,而特征金字塔則自底向上傳達強定位特征,從不同的主干層對不同的檢測層進行參數(shù)聚合。模型可同時進行下采樣（Subsampling）和上采樣（Upsampling）,以將信息傳遞融合,提高特征提取的能力,得到進行預(yù)測的特征圖。
原始模型具有3個檢測層,分別為80像素×80像素,40像素×40像素,20像素×20像素,分別對應(yīng)最后的特征圖大小。特征圖中,最大的特征圖負(fù)責(zé)檢測小目標(biāo),對應(yīng)到原始的640像素×640像素漏磁圖像上,每格特征圖的感受野是640/80即8×8大小,因此若檢測目標(biāo)的長或?qū)捪袼氐陀?像素,對于小型目標(biāo)的檢測就不準(zhǔn)確。環(huán)焊縫漏磁信號圖像中有諸多極小的缺陷圖像,有的寬度像素值甚至達到了4個像素,在實際檢測時,測試集效果會更差,采用原始的檢測模型已經(jīng)很難達到檢測的要求。文章針對實際環(huán)焊縫缺陷圖像的缺陷特點,對YOLOv5進行了改進。
對檢測層而言,增加了一層160像素×160像素檢測層,對應(yīng)最終的小目標(biāo)檢測,每格的特征圖感受野是640/160即4×4大小。同時,在模型的頭部（Head）部分,為小目標(biāo)增加特征提取層,以獲取更大的特征圖進行小目標(biāo)檢測,模型改進前后的圖像特征上下采樣示意如圖6所示。
3. 測試及結(jié)果分析
3.1 環(huán)焊縫缺陷圖像數(shù)據(jù)集
文章選取的數(shù)據(jù)集為某線路成品油管道實際漏磁內(nèi)檢測數(shù)據(jù),調(diào)整檢測系統(tǒng)的輸出圖像大小,確保輸出大小為640（長像素）×640（寬像素）,生成的環(huán)焊縫缺陷圖像共計對比圖1 032張,偽彩圖1 032張,偽彩增強圖1 032張,圖片具有RGB 3個顏色通道。對管道環(huán)焊縫缺陷信號圖像進行人工缺陷標(biāo)簽制作,采用VOC2007數(shù)據(jù)集結(jié)構(gòu),將管道環(huán)焊縫缺陷命名為girthWelderr。對于數(shù)據(jù)集而言,每張圖都包含了至少一個管道環(huán)焊縫缺陷；對于每張圖而言,每張圖中都包含管道環(huán)焊縫缺陷圖像及正常環(huán)焊縫圖像。對標(biāo)簽制作完成的圖像數(shù)據(jù)集進行數(shù)據(jù)轉(zhuǎn)換,將xml文件轉(zhuǎn)化為txt文件,并依據(jù)轉(zhuǎn)化完成后的txt文件和圖像數(shù)據(jù)集進行訓(xùn)練集、驗證集、測試集劃分。按照訓(xùn)練集∶驗證集∶測試集=70∶15∶15的劃分比例進行劃分,最終得到訓(xùn)練集單一類型圖像688張,驗證集172張,測試集172張。
3.2 模型訓(xùn)練與分析
對環(huán)焊縫缺陷圖像數(shù)據(jù)集進行了500輪[次數(shù)（Epochs）]的訓(xùn)練,每次訓(xùn)練的batch-size設(shè)為8。硬件參數(shù)方面,CPU型號為Intel(R) Xeon(R) Gold 6130 CPU @ 2.10GHz(雙路處理器),內(nèi)存為256 GB,核心計算資源GPU型號為NVIDIA Quadro P5000,顯存16GB；軟件參數(shù)方面,Python為3.9.13,PyTorch為1.12.1,Cudatoolkit為11.3.1。操作環(huán)境采用Windows10,Python編輯器采用Pycharm 2022.3.3。
圖像目標(biāo)檢測領(lǐng)域中,重要的模型性能評價指標(biāo)包括精確率（Precision）；召回率（Recall）；IoU閾值大于0.5的平均精度（mAP@0.5,即mAP）；從0.5到0.95,步長為0.05的不同IoU閾值的平均精度（mAP@0.5:0.95）。損失包括GIoU損失函數(shù)均值,推測為目標(biāo)檢測的損失函數(shù)均值,驗證集的GIoU損失函數(shù)均值,驗證集目標(biāo)檢測的損失函數(shù)均值。
3.2.1 圖像數(shù)據(jù)增強分析
分別針對對比圖、偽彩圖、偽彩增強圖以及3種圖像數(shù)據(jù)混合增強后的數(shù)據(jù)進行模型訓(xùn)練及驗證,模型的訓(xùn)練驗證結(jié)果如圖7所示,主要繪制了Precision,Recall,mAP@0.5,mAP@0.5∶0.95共計4個指標(biāo)的性能圖。由圖7可知,在通過數(shù)據(jù)混合增強后,核心指標(biāo)mAP@0.5呈現(xiàn)明顯的穩(wěn)定上升趨勢,并在100輪后趨于穩(wěn)定,且穩(wěn)定后的參數(shù)遠(yuǎn)高于對比圖、偽彩圖、偽彩增強圖單種圖像的mAP@0.5,表明數(shù)據(jù)混合增強后,模型精度有了明顯改善。從精確率及召回率曲線中也可以看出,圖像數(shù)據(jù)混合增強對于不同閾值上的平均精度均有很好的表現(xiàn)。
各圖像性能指標(biāo)如表1所示,可知,對比圖、偽彩圖、偽彩增強圖3種圖像的最佳性能指標(biāo)都相差不大,但3種圖像的平均性能均值與圖像數(shù)據(jù)混合增強后的指標(biāo)都有著不小的差異,圖片數(shù)據(jù)在混合增強以后各指標(biāo)都有了顯著提升,mAP@0.5提升了近30%,其余參數(shù)也均有不同程度的性能提升。
