圖 1漏磁內檢測原理示意
隨著經濟的發展,全球對于天然氣、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、利于環保等獨特優勢,在經濟發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]。
隨著管網運輸體系的不斷發展,老齡期長時間服役的管道會出現腐蝕、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],精準評估油氣管道運行風險,是降低事故發生率的有效手段[10]。漏磁內檢測技術是一種高效的無損檢測方法,具有無需耦合劑,對環境要求低,自動化程度高,缺陷識別能力強等優點,從而成為應用最廣泛的油氣管道檢測技術[11-13]。
近年來,國內已發生數起長輸管道環焊縫開裂事故,造成了嚴重的經濟損失和社會影響。環焊縫開裂已成為影響長輸管道服役安全的主要風險因素。目前的各種檢測技術手段可獲取海量的管道環焊縫缺陷數據,以漏磁內檢測數據為例,其對于環焊縫異常信號的判讀主要依賴人工,檢測結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致漏檢或誤檢[14-16]。隨著大數據分析技術、人工智能和深度學習的發展,通過機器學習的方式建立模型并對批量數據進行訓練,可以實現對漏磁內檢測數據的批量處理和自動識別[17-19]。國內外學者開展了將目標檢測方法應用于漏磁內檢測方面的研究。FENG等[20]使用卷積神經網絡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]通過優化卷積核的方法,提升了管道焊縫漏磁圖像的分類準確性,增強了模型的魯棒性。CHEN等[22]提出了級聯深度學習方法,實現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網絡方法,進一步提高了環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檢測信號的后期人工判讀效率和準確性,對于提升數據分析質量、保障管道安全運行具有重要的工程意義。
文章將YOLOv5目標檢測算法應用于漏磁內檢測環焊縫異常缺陷數據處理,對數據集使用圖像增強算法并添加小目標檢測層改進深度學習網絡結構,以獲得更好的檢測效果,最終應用于實際檢測線路的漏磁信號識別,實現了管道環焊縫異常缺陷識別準確率的有效提升。
1. 管道漏磁內檢測技術
1.1 漏磁內檢測原理
作為漏磁內檢測的勵磁源,永磁鐵產生磁感線,磁感線經銜鐵、管道等傳播形成閉合回路。當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,依據漏磁信號可實現對缺陷的分析[24],具體原理如圖1所示[25-27]。
1.2 管道漏磁內檢測圖像
管道漏磁內檢測設備通過管道后,位于檢測設備上的磁敏原件輸出電壓信號,對其進行數據處理后繪制出漏磁信號曲線,曲線的數目與檢測設備的磁敏原件通道數相互對應,漏磁信號曲線經過后期數據處理可形成對比圖、偽彩圖、偽彩增強圖等管道漏磁內檢測圖像。偽彩圖是基于信號的原始灰度圖進行色彩映射轉換而成的；偽彩增強圖是在偽彩圖的基礎上,將圖片中大面積的綠色通道無信號特征圖進行色彩轉換得到的。某實際管道環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焊縫缺陷漏磁信號徑向分量云圖如圖3所示。
圖 2實際環焊縫缺陷漏磁信號徑向分量
圖 3仿真模擬的無缺陷、含缺陷環焊縫漏磁信號徑向分量云圖
由圖2可知,管道環焊縫異常（圖中“girthWelder”標識處）時,焊縫缺陷處的漏磁信號圖像呈現中心色彩異常,對于對比圖,缺陷處信號顏色較淺,灰度較小；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。由圖3可知,無缺陷環焊縫漏磁信號呈現先增后減的分布趨勢,圖像上體現為先紅后藍的色彩分布特征；缺陷處環焊縫漏磁信號呈局部先減薄后增厚的趨勢,圖像上體現為先藍后紅的色彩分布特征。
2. 基于YOLOv5的管道環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）目標檢測網絡YOLOv5是一種基于回歸思想的多目標檢測算法,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備上具有巨大優勢。YOLOv5主要由輸入端、Backbone、Neck和Prediction 4個部分組成,其網絡結構示意如圖4所示[28]。主干網絡首先通過CBS模塊對圖像進行初步特征提取,然后依次經過C3模塊（具有殘差瓶頸結構）,進一步提取并優化圖像特征。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拼接操作實現不同尺度特征融合,并利用CBS和C3模塊進一步精煉和優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,實現對不同大小目標的高效檢測和定位。
圖 4YOLOv5 網絡結構示意
輸入端主要由Mosaic數據增強、自適應錨框計算和自適應圖片縮放組成[29],如圖5所示。Mosaic數據增強將4張圖片進行拼接,每一張圖片都有其對應的框,拼接后就獲得一張新的圖片,同時也獲得了這張圖片對應的框,達到數據增強的目的。在YOLO算法中,針對不同的數據集,都會有初始設定長寬的錨框（Anchor）,網絡在初始錨框的基礎上輸出預測框,進而和真實框進行比對,計算兩者差距,再反向更新,迭代網絡參數。自適應錨框計算讀取訓練集中所有圖片的寬、高以及檢測框的寬、高,將讀取的坐標修正為絕對坐標并使用Kmeans算法對訓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,最終得到最優錨框。自適應圖片縮放目的在于對原始圖像自適應添加最少的黑邊,提高推理速度,減少計算量。自適應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。
圖 5輸入端數據處理示意
主干網絡主要采用Focus結構和CSP結構,Focus結構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,使得卷積核的數目大大增加,極大地提高了圖像特征的提取能力。CSP結構大大增加了主干網絡的殘差結構,可以增加層與層之間反向傳播的梯度值,從而避免網絡加深帶來的梯度消失問題,最終提取到更細粒度的特征并且不用擔心網絡退化。頸部主要借鑒了應用于圖像分割領域的PANet網絡,但作者將其拆分應用到YOLO中,進一步提高了特征提取的能力。
2.2 基于環焊縫缺陷圖像的YOLOv5算法改進
2.2.1 環焊縫缺陷漏磁信號圖像數據增強
Mosaic作為YOLOv5模型的輸入端數據增強算法,能隨機讀取4張圖片進行訓練,豐富了數據集也極大地增強了網絡的魯棒性[30]。環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；偽彩圖能較好地區分周向長度的變化；偽彩增強圖結合了對比圖和偽彩圖的部分優點,同時,對于操作人員較為友好。
依據漏磁信號3種圖像的特點,數據混合增強可以集中3種圖像的優點,文章將對比圖、偽彩圖、偽彩增強圖3種圖像數據進行混合增強,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據量。
2.2.2 算法改進
通過YOLOv5的網絡結構可知,在頸部（Neck）部分除了使用FPN結構對特征進行融合外,還使用到了PAN結構。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,分別對應最后的特征圖大小。特征圖中,最大的特征圖負責檢測小目標,對應到原始的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,因此若檢測目標的長或寬像素低于8像素,對于小型目標的檢測就不準確。環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很難達到檢測的要求。文章針對實際環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,對應最終的小目標檢測,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,為小目標增加特征提取層,以獲取更大的特征圖進行小目標檢測,模型改進前后的圖像特征上下采樣示意如圖6所示。
圖 6模型改進前后的圖像特征上下采樣示意
3. 測試及結果分析
3.1 環焊縫缺陷圖像數據集
文章選取的數據集為某線路成品油管道實際漏磁內檢測數據,調整檢測系統的輸出圖像大小,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。對管道環焊縫缺陷信號圖像進行人工缺陷標簽制作,采用VOC2007數據集結構,將管道環焊縫缺陷命名為girthWelderr。對于數據集而言,每張圖都包含了至少一個管道環焊縫缺陷；對于每張圖而言,每張圖中都包含管道環焊縫缺陷圖像及正常環焊縫圖像。對標簽制作完成的圖像數據集進行數據轉換,將xml文件轉化為txt文件,并依據轉化完成后的txt文件和圖像數據集進行訓練集、驗證集、測試集劃分。按照訓練集∶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 模型訓練與分析
對環焊縫缺陷圖像數據集進行了500輪[次數（Epochs）]的訓練,每次訓練的batch-size設為8。硬件參數方面,CPU型號為Intel(R) Xeon(R) Gold 6130 CPU @ 2.10GHz(雙路處理器),內存為256 GB,核心計算資源GPU型號為NVIDIA Quadro P5000,顯存16GB；軟件參數方面,Python為3.9.13,PyTorch為1.12.1,Cudatoolkit為11.3.1。操作環境采用Windows10,Python編輯器采用Pycharm 2022.3.3。
圖像目標檢測領域中,重要的模型性能評價指標包括精確率（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損失函數均值,推測為目標檢測的損失函數均值,驗證集的GIoU損失函數均值,驗證集目標檢測的損失函數均值。
3.2.1 圖像數據增強分析
分別針對對比圖、偽彩圖、偽彩增強圖以及3種圖像數據混合增強后的數據進行模型訓練及驗證,模型的訓練驗證結果如圖7所示,主要繪制了Precision,Recall,mAP@0.5,mAP@0.5∶0.95共計4個指標的性能圖。由圖7可知,在通過數據混合增強后,核心指標mAP@0.5呈現明顯的穩定上升趨勢,并在100輪后趨于穩定,且穩定后的參數遠高于對比圖、偽彩圖、偽彩增強圖單種圖像的mAP@0.5,表明數據混合增強后,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,圖像數據混合增強對于不同閾值上的平均精度均有很好的表現。
圖 7各種圖像性能指標
各圖像性能指標如表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都相差不大,但3種圖像的平均性能均值與圖像數據混合增強后的指標都有著不小的差異,圖片數據在混合增強以后各指標都有了顯著提升,mAP@0.5提升了近30%,其余參數也均有不同程度的性能提升。
Table 1.各圖像性能指標
3.2.2 算法改進對比分析
利用增加小目標檢測層后的改進算法分別對對比圖、偽彩圖、偽彩增強圖3種圖像進行模型訓練和驗證,模型的訓練驗證結果如圖8所示,主要繪制了損失函數均值、目標檢測損失函數均值、驗證集損失函數均值、驗證集目標檢測損失函數均值共計4個指標的性能圖。由圖8可知,對于損失函數均值以及驗證集損失函數均值而言,模型改進前后的曲線下降趨勢和曲線數值相差不大,表明模型在使用GIoU Loss（廣義交并比損失）作為bounding box（邊界框）的損失時,Box推測為GIoU損失函數均值的差異并不明顯。但通過目標檢測損失函數均值以及驗證集目標檢測損失函數均值可以看出,模型在改進以后,目標檢測損失函數的損失都有一定程度的下降,尤其對于驗證集目標檢測損失函數均值而言,采用改進后的模型在大幅度降低損失的同時也改善了模型過擬合的現象,表明增加小目標檢測層后的模型具有更好的效果。
圖 8模型改進前后損失函數均值
模型目標檢測損失函數均值如表2所示,可知,相較于改進前的模型,改進后的模型具有更低的損失,對比圖、偽彩圖、偽彩增強圖3種模型改進前后的損失差別都不大,通過誤差分析,可以看出,相較于改進前,目標檢測損失函數均值最小值和最終值分別下降了62.714 8%和63.539 9%,驗證集目標檢測損失函數均值最小值和最終值分別下降了74.423 2%和78.870 1%。損失函數均值的下降表明模型具有更好的目標檢測準確性,在對圖像中的物體進行檢測時效果更好。
Table 2.模型目標檢測損失函數均值
改進后圖像性能指標如表3所示,可以看出,模型在改進以后,對比圖、偽彩圖、偽彩增強圖的mAP@0.5,精確率,召回率指標都有了小幅降低,mAP@0.5∶0.95有小幅度上升,改進后整體模型的性能指標與改進前相差不大。
Table 3.改進后圖像性能指標
可見,增加小目標檢測層后,可以在保證模型的常規性能指標基本穩定的情況下,大幅降低模型的目標檢測損失函數均值,對于環焊縫漏磁信號圖像中的缺陷目標檢測效果有了一定程度的改善。
3.3 環焊縫缺陷圖像測試集識別率分析
對環焊縫缺陷圖像而言,實際檢測應用時,能正確識別出漏磁信號圖像中的環焊縫異常缺陷的位置和大小等信息是至關重要的。筆者對環焊縫缺陷圖像測試集進行最終的實際管道環焊縫異常圖像識別,以獲得缺陷的識別準確率,結果如表4所示。
Table 4.管道環焊縫缺陷識別準確率
當選取原始單一圖像模型進行檢測時,選取對比圖模型測試,共有51張圖片出現誤檢、未檢出、少檢等情況,有121張圖準確識別缺陷；選取偽彩圖模型測試,有63張圖片出現誤檢、未檢出、少檢等情況,有109張圖準確識別缺陷；選取偽彩增強圖模型測試,有54張圖片出現誤檢、未檢出、少檢等情況,有118張圖準確識別缺陷。
當選取改進后的單一圖像模型進行檢測時,選取對比圖模型測試,共有32張圖片出現誤檢、未檢出、少檢等情況,有140張圖準確識別缺陷；選取偽彩圖模型測試,有55張圖片出現誤檢、未檢出、少檢等情況,有117張圖準確識別缺陷；選取偽彩增強圖模型測試,有49張圖片出現誤檢、未檢出、少檢等情況,有123張圖成功識別準確到缺陷。
當選取圖片數據增強模型測試時,有65組圖片出現誤檢、未檢出、少檢等情況,這3組圖片中,每一組對比圖、偽彩圖、偽彩增強圖出現的檢測錯誤一致,并未出現三種圖檢測結果不一致的情況；有107組圖片成功識別準確到缺陷。
由表4可知,模型在改進后,缺陷的識別準確率有了顯著提升,尤其對于對比圖而言,相較于原始的對比圖模型,對比圖改進模型識別準確率提高了11.05%,其他圖像也有一定的提升。對于圖片數據增強模型而言,相較于單一的圖像檢測模型,識別率雖不顯著提升,但增強模型的相關性能指標均有非常明顯的上升,說明模型的波動有了顯著降低,同時模型的穩定性有了顯著增強。
4. 結論
文章基于漏磁檢測技術以及YOLOv5基本原理,采用PyTorch框架,利用YOLOv5算法對管道環焊縫漏磁信號缺陷圖像進行了自動識別,并對算法進行了部分改進,分析了算法改進前后的差異以及對于識別準確率（識別率）的影響,得到以下結論。
（1）模型在圖像數據混合增強以后,各指標都有了顯著提升,mAP@0.5提升了近30%,其余參數也有了不同程度的性能提升。
（2）模型在增加小目標檢測層改進后,模型的常規性能指標基本穩定,同時模型的目標檢測損失函數均值有了大幅度的降低,一定程度改善了圖像中缺陷的目標檢測效果。
（3）模型在增加小目標檢測層改進后,圖像中的缺陷識別率有了顯著提升,對比圖提升最為顯著,達到11.05%。
通過使用該自動識別算法,可以實現對管道環焊縫缺陷漏磁內檢測數據的批量處理和自動識別,大大減少數據判讀人員的工作量、提高工作效率,降低人工判讀的主觀性和人員水平差異帶來的漏判、誤判等不利影響；同時,該方法可隨著獲取環焊縫缺陷漏磁內檢測異常信號樣本量的增加進行持續改進,不斷地提升缺陷信號識別的準確性和可靠性。
文章來源——材料與測試網