导读
全球油气管道总里程已超15万公里,但长期服役带来的环焊缝缺陷(如腐蚀、裂纹)犹如“隐形炸弹”。仅2021年,国内多起管道泄漏事故就造成数亿元损失。传统漏磁检测依赖人工判读图像,效率低、主观性强,漏检率高达20%以上。国家管网集团联合中国矿业大学的创新研究,将YOLOv5算法与工业检测深度结合,实现缺陷识别率最高提升11.05%,为管道安全装上“AI天眼”!>>更多资讯可加入CV技术群获取了解哦~
漏磁检测的核心原理如同给管道做“磁学CT”:
原始漏磁信号需转换为可视化图像,便于人工或AI判读:
关键特征:
正常焊缝:漏磁信号先增后减,图像呈“红-蓝”渐变。
缺陷焊缝:信号先骤减后回升,图像呈现“蓝-红”异常过渡,为AI识别提供明确依据。
基于上述原理,研究团队针对漏磁图像的三大特性——多模态(对比图/伪彩图/伪彩增强图)、小目标(微米级缺陷)、低信噪比,对YOLOv5进行了深度适配:
Mosaic作为YOLOv5模型的输入端数据增强算法,能随机读取4张图片进行训练,丰富了数据集也极大地增强了网络的鲁棒性。环焊缝缺陷漏磁信号图像的3种图像都是通过原始的漏磁信号曲线变换得来的,由于采取的方式不同,不同大小、不同形式缺陷的图像效果也不同。对比图能较好地展示深度较深的环焊缝缺陷,但对于缺陷的周向长度(缺陷宽度)显示并不友好;伪彩图能较好地区分周向长度的变化;伪彩增强图结合了对比图和伪彩图的部分优点,同时,对于操作人员较为友好。依据漏磁信号3种图像的特点,数据混合增强可以集中3种图像的优点,文章将对比图、伪彩图、伪彩增强图3种图像数据进行混合增强,既保证了模型输入各种形式图像的同时,也增强了模型的图像数据量。
通过YOLOv5的网络结构可知,在颈部(Neck)部分除了使用FPN结构对特征进行融合外,还使用到了PAN结构。FPN层自顶向下传达强语义特征,而特征金字塔则自底向上传达强定位特征,从不同的主干层对不同的检测层进行参数聚合。模型可同时进行下采(Subsampling)和上采样(Upsampling),以将信息传递融合,提高特征提取的能力,得到进行预测的特征图。原始模型具有 3 个检测层,分别为 80 像素×80像素,40像素×40像素,20像素×20像素,分别对应最后的特征图大小。特征图中,最大的特征图负责检测小目标,对应到原始的640像素×640像素漏磁图像上,每格特征图的感受野是640/80即8×8大小,因此若检测目标的长或宽像素低于8像素,对于小型目标的检测就不准确。环焊缝漏磁信号图像中有诸多极小的缺陷图像,有的宽度像素值甚至达到了4个像素,在实际检测时,测试集效果会更差,采用原始的检测模型已经很难达到检测的要求。文章针对实际环焊缝缺陷图像的缺陷特点,对YOLOv5进行了改进。
对检测层而言,增加了一层160像素×160像素检测层,对应最终的小目标检测,每格的特征图感受野是640/160即4×4大小。同时,在模型的头部(Head)部分,为小目标增加特征提取层,以获取更大的特征图进行小目标检测,模型改进前后的图像特征上下采样示意如图6所示。
当然在Coovally平台上你可以直接进行模型训练和部署,无需配置环境、修改配置文件等繁琐操作,一键上传数据集,使用模型进行训练与结果预测,全程高速零代码!
本研究采用某成品油管道实际漏磁检测数据构建数据集,包含对比图、伪彩图、伪彩增强图各1,032张(640×640像素,RGB三通道)。通过人工标注生成VOC2007格式标签,命名缺陷类别为girthWelderr。数据集按70%:15%:15%划分为训练集(688张)、验证集(172张)及测试集(172张),确保每张图像至少含有一个缺陷。
对比单一图像类型(对比图、伪彩图、伪彩增强图)与混合增强数据发现:
混合增强显著提升性能:mAP@0.5提升近30%,其他指标(Precision、Recall、mAP@0.5:0.95)均明显优化,100轮后趋于稳定(图7)。
单图类型表现相近:三种单图的最佳性能指标接近,但均值远低于混合增强数据(表1),表明数据多样性对模型泛化能力至关重要。
通过增加小目标检测层优化模型:损失函数显著降低:验证集目标检测损失均值下降74.42%~78.87%(表2),缓解过拟合现象(图8)。
性能指标稳定:改进后模型mAP@0.5及召回率小幅下降,但mAP@0.5:0.95微升(表3),表明模型在复杂场景下的鲁棒性增强。
对改进前后模型及混合增强模型进行测试集验证:
单一模型改进效果:对比图模型准确率提升11.05%(121→140张),伪彩图、伪彩增强图分别提升4.65%与4.23%。
改进后模型显著减少误检、漏检,表明小目标检测层优化了缺陷定位能力。
混合增强模型表现:识别率107/172(62.21%),虽未显著高于单一模型,但性能指标(如mAP@0.5)稳定性提升,且误检行为一致(65组错误中三类图像检测结果一致),反映模型泛化能力增强。
本研究通过融合多模态漏磁图像数据(对比图/伪彩图/增强图)并改进YOLOv5算法(新增160×160小目标检测层),将管道环焊缝缺陷识别率提升最高11.05%,测试集漏检率从传统人工20%以上降至37.79%,验证了AI在油气管道安全检测中的突破性应用,为全球15万公里管道运维提供高效智能解决方案。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
扫码关注腾讯云开发者
领取腾讯云代金券
Copyright © 2013 - 2025 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号:粤B2-20090059 深公网安备号 44030502008569
腾讯云计算(北京)有限责任公司 京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287
Copyright © 2013 - 2025 Tencent Cloud.
All Rights Reserved. 腾讯云 版权所有