Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >小目标检测层优化+多模态数据增强——YOLOv5在油气管道环焊缝缺陷识别的创新应用

小目标检测层优化+多模态数据增强——YOLOv5在油气管道环焊缝缺陷识别的创新应用

原创
作者头像
CoovallyAIHub
修改于 2025-05-22 01:35:00
修改于 2025-05-22 01:35:00
1170
举报

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~


一、技术背景

漏磁内检测原理

漏磁检测的核心原理如同给管道做“磁学CT”:

  • 磁化管道:永磁铁作为励磁源,产生闭合磁回路,将管道磁化至饱和状态。
  • 缺陷显形:当管道存在缺陷(如裂纹、腐蚀)时,缺陷处磁导率骤降,磁阻增大,磁感线被迫“溢出”管道表面,形成漏磁信号。
  • 信号捕捉:传感器阵列实时捕获漏磁场变化,转化为电信号,通过分析信号强度、分布即可定位缺陷位置并评估损伤程度。

漏磁信号图像化

原始漏磁信号需转换为可视化图像,便于人工或AI判读:

  • 对比图:直接映射信号强度,缺陷区域灰度值低,呈现“浅色斑块”。
  • 伪彩图:用红-蓝渐变色增强对比,缺陷处红色变浅,与正常区域形成鲜明差异。
  • 伪彩增强图:针对绿色通道优化,突出微小信号变化,缺陷边缘更清晰。

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。


二、方法

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:

环焊缝缺陷漏磁信号图像数据增强

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。

算法改进

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。


三、Coovally AI模型训练与应用平台

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!


四、实验结果

数据集

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。

图像数据增强分析

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。

算法改进对比分析

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。

测试集识别率分析

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。


五、结论

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。

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
YOLO-TLA也来了 | 重新设计C3模块为Backbone引入轻量化注意力,诞生高效的小目标检测YOLO模型
近年来深度学习的快速发展导致了计算机视觉各个方面的重要突破,尤其是在目标检测领域。这个计算机视觉的关键方面旨在识别和分类图像中的目标(例如,行人、动物、车辆),这对于目标追踪和目标分割等任务是一个基础性的要素。其在工业应用中非常广泛,范围从缺陷检测到自动驾驶。
集智书童公众号
2024/03/01
2K0
YOLO-TLA也来了 | 重新设计C3模块为Backbone引入轻量化注意力,诞生高效的小目标检测YOLO模型
基于YOLOv8的无人机图像目标检测算法
在无人机(UAV)目标检测任务中,存在因检测目标尺度小、检测图像背景复杂等原因导致的漏检、误检问题。针对上述问题,提出改进YOLOv8s的无人机图像目标检测算法。
一点人工一点智能
2024/05/21
2.6K0
基于YOLOv8的无人机图像目标检测算法
YOLOv5超详细的入门级教程(思考篇)(一)——关于遮挡问题与小目标检测问题
还是这张老图,16年到18年CVPR和ICCV的高频词词云。从2012年进入深度学习时代开始,目标检测、图像分割这样的视觉基本任务到现在已经火了有10年已久了(如果算上传统图像处理的方法,那么目标检测到现在已经被集中攻克22年了)。
润森
2022/08/18
3.1K0
YOLOv5超详细的入门级教程(思考篇)(一)——关于遮挡问题与小目标检测问题
改进YOLOv5的合成孔径雷达图像舰船目标检测方法
针对合成孔径雷达图像目标检测易受噪声和背景干扰影响, 以及多尺度条件下检测性能下降的问题, 在兼顾网络规模和检测精度的基础上, 提出了一种改进的合成孔径雷达舰船目标检测算法。使用坐标注意力机制, 在确保轻量化的同时抑制了噪声与干扰, 以提高网络的特征提取能力; 融入加权双向特征金字塔结构以实现多尺度特征融合, 设计了一种新的预测框损失函数以改善检测精度, 同时加快算法收敛, 从而实现了对合成孔径雷达图像舰船目标的快速准确识别。实验验证表明, 所提算法在合成孔径雷达舰船检测数据集(synthetic aperture radar ship detection dataset, SSDD)上的平均精度均值达到96.7%, 相比于YOLOv5s提高1.9%, 训练时收敛速度更快, 且保持了网络轻量化的特点, 在实际应用中具有良好前景。
墨明棋妙27
2023/12/19
9280
改进YOLOv5的合成孔径雷达图像舰船目标检测方法
yolov5小目标检测-提高检测小目标的检测精度
YOLOv5是一种单阶段目标检测算法,该算法在YOLOv4的基础上添加了一些新的改进思路,使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示:
机器学习AI算法工程
2024/02/05
1.8K0
yolov5小目标检测-提高检测小目标的检测精度
利用增强现实与改进 YOLOv5 检测 !
道路运输对于促进城市和国家之间的交流至关重要。此外,道路建设保证了经济发展,这是人们安全旅行的前提,也是一个国家经济发展的不可或缺条件。路面裂缝和损伤是道路上遇到的最常见问题。
AIGC 先锋科技
2024/07/08
4130
利用增强现实与改进 YOLOv5 检测 !
【目标检测】YOLOv5:模型构建解析
最近在看一些目标检测的最新论文和代码,大多数都是在YOLOv5的基础上进行魔改。 改的最多的基本是原版本的网络结构,这篇博文就从源码角度来解析YOLOv5中,模型是如何构建出来的。 本文使用的是YOLOv5-5.0版本。
zstar
2022/09/08
1.9K0
【目标检测】YOLOv5:模型构建解析
基于YOLOv5的缺陷检测算法(工件缺陷)
names: [ 'casting1', 'casting2', 'casting3', 'casting4','casting5', 'casting6' ]
AI小怪兽
2023/11/30
7470
YOLO-Z | 记录修改YOLOv5以适应小目标检测的实验过程
YOLOv5提供了4种不同的尺度:S、M、L和X。每种比例都对模型的深度和宽度应用不同的乘数,这意味着模型的整体结构保持不变,但每个模型的大小和复杂性是按比例缩放的。在实验中,在所有的尺度上分别对模型的结构进行修改,并将每个模型作为不同的模型来评估其效果。
集智书童公众号
2021/12/27
3K0
YOLO-Z | 记录修改YOLOv5以适应小目标检测的实验过程
小目标Trick | Detectron2、MMDetection、YOLOv5都通用的小目标检测解决方案
近年来,目标检测在人脸检测、视频目标检测、视频监控、自动驾驶汽车等不同应用领域得到了广泛的研究。在这一领域,深度学习架构的采用导致产生了高度精确的方法,如Faster R-CNN、RetinaNet,进一步发展为Cascade R-CNN、VarifocalNet和变体。
集智书童公众号
2022/04/07
2.1K0
小目标Trick | Detectron2、MMDetection、YOLOv5都通用的小目标检测解决方案
基于Yolov8网络进行目标检测(一)-介绍和预测
之前提到过目标检测模型分为两类。一类是two-stage,将物体识别和物体定位分为两个步骤分别完成,这一类的典型代表是R-CNN, fast R-CNN, faster-RCNN家族。他们识别错误率低,漏识别率也较低,但是由于网络结构参数的计算量大,导致其检测速度慢,不能满足实时检测场景。为了解决精度与速度并存的问题,另一类方式出现了,称为one-stage, 典型代表是Yolo, SSD, YoloV2等。此类方法使用基于回归方法的思想,直接在输入图像的多个位置中回归出这个位置的区域框坐标和物体类别,他们识别速度很快,可以达到实时性要求,而且准确率也基本能达到faster R-CNN的水平。
python与大数据分析
2023/09/18
2.1K0
基于Yolov8网络进行目标检测(一)-介绍和预测
MMYOLO:打破单一模式限制,多模态目标检测的革命性突破!
MMYOLO采用了模块化的设计,这使得研究人员和开发者可以轻松地组合不同的模型组件(如backbone、neck、head)以构建新的检测器。框架支持多种流行的卷积神经网络(CNNs),如YOLOv5, YOLOv6, YOLOX等,并提供了训练、验证和推理的一体化解决方案。MMYOLO定位为YOLO系列热门开源库以及工业应用核心库。
CoovallyAIHub
2025/01/22
5830
MMYOLO:打破单一模式限制,多模态目标检测的革命性突破!
详细解读TPH-YOLOv5 | 让目标检测任务中的小目标无处遁形
针对无人机捕获场景的目标检测是最近比较流行的一项任务。由于无人机在不同高度飞行,目标尺度变化较大,这样给模型的优化也带来了很大的负担。此外,在无人机进行高速低空飞行时,也会带来密集目标的运动模糊问题。
集智书童公众号
2021/09/18
6.4K0
详细解读TPH-YOLOv5 | 让目标检测任务中的小目标无处遁形
【目标检测】从YOLOv1到YOLOX(理论梳理)
YOLO系列应该是目标领域知名度最高的算法,其凭借出色的实时检测性能在不同的领域均有广泛应用。 目前,YOLO共有6个版本,YOLOv1-v5和YOLOX,除了YOLOv5外,其它都有相应的论文,5篇论文我已上传到资源中,可自行下载:https://www.aliyundrive.com/s/ofcnrxjzsFE 工程上使用最多的版本是YOLOv3和YOLOv5,Pytorch版本均由ultralytics公司开发,YOLOv5仍在进行维护,截至目前,已经更新到YOLOv5-6.1版本。 项目地址:https://github.com/ultralytics/yolov5 在上篇博文中,详细记录了如何用YOLOv5来跑通VOC2007数据集,本篇博文旨在对YOLO系列算法的演化进行简单梳理,更多详细的内容可以看文末的参考资料。
zstar
2022/09/08
2.3K0
基于YOLOv8的工业部署解决方案: 多头检测器+小缺陷到大缺陷一网打尽的GiraffeDet+Wasserstein Distance Loss
💡💡💡本文提供工业部署级解决方案:多头检测器+大小缺陷一网打尽GiraffeDet+Wasserstein Distance Loss,助力工业缺陷检测,大幅提升产线检测能力
AI小怪兽
2023/11/24
2.2K0
YOLO-ELA 高效的局部注意建模,用于高性能实时缺陷检测 !
确保输电线路基础设施的可靠运行对保证稳定供电,满足个人和企业能源需求至关重要。因此,对输电塔组件(如绝缘子)的缺陷进行检查和维护对于确保电网系统安全运行至关重要。绝缘子为导体和支撑电缆提供绝缘,容易受到恶劣天气条件或电磁应力的损坏(Sanyal等人,2020年)。这可能扰乱输电网络的顺畅运行,因此需要定期检查和维护以识别并更换损坏的绝缘子。
未来先知
2024/10/29
5360
YOLO-ELA 高效的局部注意建模,用于高性能实时缺陷检测 !
Yolo-Z:改进的YOLOv5用于小目标检测(附原论文下载)
论文地址:https://arxiv.org/pdf/2112.11798.pdf
计算机视觉研究院
2022/01/28
4.8K0
Yolo-Z:改进的YOLOv5用于小目标检测(附原论文下载)
【目标检测】目标检测界的扛把子YOLOv5(原理详解+修炼指南)
Mosaic数据增强提出的作者也是来自Yolov5团队的成员,不过,随机缩放、随机裁剪、随机排布的方式进行拼接,对于小目标的检测效果还是很不错的。
魏宝航
2022/07/22
12.1K0
【目标检测】目标检测界的扛把子YOLOv5(原理详解+修炼指南)
基于yolov5的工业缺陷检测方案
工业缺陷检测是当前深度学习落地的热门项目,其中瓷砖生产过程中的“质量检测环节”需要检测出瓷砖表面的瑕疵,目前比较依赖于人工,效果和效率都层次不齐。
Datawhale
2021/01/21
2.9K0
基于深度学习的目标检测算法面试必备(RCNN~YOLOv5)
目标检测算法主要包括:【两阶段】目标检测算法、【多阶段】目标检测算法、【单阶段】目标检测算法
AI算法与图像处理
2021/05/07
3.9K0
推荐阅读
YOLO-TLA也来了 | 重新设计C3模块为Backbone引入轻量化注意力,诞生高效的小目标检测YOLO模型
2K0
基于YOLOv8的无人机图像目标检测算法
2.6K0
YOLOv5超详细的入门级教程(思考篇)(一)——关于遮挡问题与小目标检测问题
3.1K0
改进YOLOv5的合成孔径雷达图像舰船目标检测方法
9280
yolov5小目标检测-提高检测小目标的检测精度
1.8K0
利用增强现实与改进 YOLOv5 检测 !
4130
【目标检测】YOLOv5:模型构建解析
1.9K0
基于YOLOv5的缺陷检测算法(工件缺陷)
7470
YOLO-Z | 记录修改YOLOv5以适应小目标检测的实验过程
3K0
小目标Trick | Detectron2、MMDetection、YOLOv5都通用的小目标检测解决方案
2.1K0
基于Yolov8网络进行目标检测(一)-介绍和预测
2.1K0
MMYOLO:打破单一模式限制,多模态目标检测的革命性突破!
5830
详细解读TPH-YOLOv5 | 让目标检测任务中的小目标无处遁形
6.4K0
【目标检测】从YOLOv1到YOLOX(理论梳理)
2.3K0
基于YOLOv8的工业部署解决方案: 多头检测器+小缺陷到大缺陷一网打尽的GiraffeDet+Wasserstein Distance Loss
2.2K0
YOLO-ELA 高效的局部注意建模,用于高性能实时缺陷检测 !
5360
Yolo-Z:改进的YOLOv5用于小目标检测(附原论文下载)
4.8K0
【目标检测】目标检测界的扛把子YOLOv5(原理详解+修炼指南)
12.1K0
基于yolov5的工业缺陷检测方案
2.9K0
基于深度学习的目标检测算法面试必备(RCNN~YOLOv5)
3.9K0
相关推荐
YOLO-TLA也来了 | 重新设计C3模块为Backbone引入轻量化注意力,诞生高效的小目标检测YOLO模型
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档