隨著經(jīng)濟(jì)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(yùn)和航空并列的五大運(yùn)輸方式之一,具有一次性投資少、運(yùn)輸成本低、安全性高、利于環(huán)保等獨(dú)特優(yōu)勢,在經(jīng)濟(jì)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(jì)達(dá)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(yùn)輸體系的不斷發(fā)展,老齡期長時(shí)間服役的管道會(huì)出現(xiàn)腐蝕、材料失效、外部干擾等問題,進(jìn)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(shí)施完整性管理[8-9],精準(zhǔn)評估油氣管道運(yùn)行風(fēng)險(xiǎn),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(dòng)化程度高,缺陷識別能力強(qiáng)等優(yōu)點(diǎn),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(jì)損失和社會(huì)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(xiǎn)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(fèi)大量的精力和時(shí)間,容易造成人員疲勞進(jìn)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(jī)器學(xué)習(xí)的方式建立模型并對批量數(shù)據(jù)進(jìn)行訓(xùn)練,可以實(shí)現(xiàn)對漏磁內(nèi)檢測數(shù)據(jù)的批量處理和自動(dòng)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(jìn)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(qiáng)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(shí)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(jìn)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(dòng)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(yùn)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(qiáng)算法并添加小目標(biāo)檢測層改進(jìn)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(shí)際檢測線路的漏磁信號識別,實(shí)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(lì)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(shí),若管道存在缺陷,缺陷處的磁導(dǎo)率會(huì)非常小,磁阻增大,磁感線就會(huì)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(shí)現(xiàn)對缺陷的分析[24],具體原理如圖1所示[25-27]。 

圖  1  漏磁內(nèi)檢測原理示意

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(jìn)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(qiáng)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(jìn)行色彩映射轉(zhuǎn)換而成的；偽彩增強(qiáng)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(jìn)行色彩轉(zhuǎn)換得到的。某實(shí)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(qiáng)圖如圖2所示。仿真模擬計(jì)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。 

圖  2  實(shí)際環(huán)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(huán)焊縫漏磁信號徑向分量云圖

由圖2可知,管道環(huán)焊縫異常（圖中“girthWelder”標(biāo)識處）時(shí),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(qiáng)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(jì)算機(jī)進(jìn)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(lán)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(lán)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(shí)保證了足夠的檢測精度和速度,在部署到手機(jī)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(gè)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(jìn)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(jìn)一步提取并優(yōu)化圖像特征。隨后通過SPPF模塊進(jìn)行空間金字塔池化快速操作,有效擴(kuò)大感受野并捕獲不同尺度空間特征。接下來,特征進(jìn)入頸部（Neck）模塊,該模塊通過Upsample上采樣和Concat拼接操作實(shí)現(xiàn)不同尺度特征融合,并利用CBS和C3模塊進(jìn)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(dá)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(gè)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(shí)現(xiàn)對不同大小目標(biāo)的高效檢測和定位。 

圖  4  YOLOv5 網(wǎng)絡(luò)結(jié)構(gòu)示意

輸入端主要由Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)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(qiáng)將4張圖片進(jìn)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(shí)也獲得了這張圖片對應(yīng)的框,達(dá)到數(shù)據(jù)增強(qiáng)的目的。在YOLO算法中,針對不同的數(shù)據(jù)集,都會(huì)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(jìn)而和真實(shí)框進(jìn)行比對,計(jì)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(jì)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(jìn)行聚類,通過遺傳算法對得到的錨框進(jìn)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(jì)算量。自適應(yīng)圖片縮放計(jì)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)。 

圖  5  輸入端數(shù)據(jù)處理示意

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(gè)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(jìn)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(jìn)

2.2.1   環(huán)焊縫缺陷漏磁信號圖像數(shù)據(jù)增強(qiáng)

Mosaic作為YOLOv5模型的輸入端數(shù)據(jù)增強(qiáng)算法,能隨機(jī)讀取4張圖片進(jìn)行訓(xùn)練,豐富了數(shù)據(jù)集也極大地增強(qiáng)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(qiáng)圖結(jié)合了對比圖和偽彩圖的部分優(yōu)點(diǎn),同時(shí),對于操作人員較為友好。 

依據(jù)漏磁信號3種圖像的特點(diǎn),數(shù)據(jù)混合增強(qiáng)可以集中3種圖像的優(yōu)點(diǎn),文章將對比圖、偽彩圖、偽彩增強(qiáng)圖3種圖像數(shù)據(jù)進(jìn)行混合增強(qiáng),既保證了模型輸入各種形式圖像的同時(shí),也增強(qiáng)了模型的圖像數(shù)據(jù)量。 

2.2.2   算法改進(jìn)

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(jìn)行融合外,還使用到了PAN結(jié)構(gòu)。FPN層自頂向下傳達(dá)強(qiáng)語義特征,而特征金字塔則自底向上傳達(dá)強(qiáng)定位特征,從不同的主干層對不同的檢測層進(jìn)行參數(shù)聚合。模型可同時(shí)進(jìn)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(jìn)行預(yù)測的特征圖。 

原始模型具有3個(gè)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(dá)到了4個(gè)像素,在實(shí)際檢測時(shí),測試集效果會(huì)更差,采用原始的檢測模型已經(jīng)很難達(dá)到檢測的要求。文章針對實(shí)際環(huán)焊縫缺陷圖像的缺陷特點(diǎn),對YOLOv5進(jìn)行了改進(jìn)。 

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(shí),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(jìn)行小目標(biāo)檢測,模型改進(jìn)前后的圖像特征上下采樣示意如圖6所示。 

圖  6  模型改進(jìn)前后的圖像特征上下采樣示意

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(shí)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(jì)對比圖1 032張,偽彩圖1 032張,偽彩增強(qiáng)圖1 032張,圖片具有RGB 3個(gè)顏色通道。對管道環(huán)焊縫缺陷信號圖像進(jìn)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(gè)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(jìn)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(jìn)行訓(xùn)練集、驗(yàn)證集、測試集劃分。按照訓(xùn)練集∶驗(yàn)證集∶測試集=70∶15∶15的劃分比例進(jìn)行劃分,最終得到訓(xùn)練集單一類型圖像688張,驗(yàn)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(jìn)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(jì)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(jià)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（m[email protected],即mAP）；從0.5到0.95,步長為0.05的不同IoU閾值的平均精度（m[email protected]: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(yàn)證集的GIoU損失函數(shù)均值,驗(yàn)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(qiáng)分析

分別針對對比圖、偽彩圖、偽彩增強(qiáng)圖以及3種圖像數(shù)據(jù)混合增強(qiáng)后的數(shù)據(jù)進(jìn)行模型訓(xùn)練及驗(yàn)證,模型的訓(xùn)練驗(yàn)證結(jié)果如圖7所示,主要繪制了Precision,Recall,m[email protected],m[email protected]∶0.95共計(jì)4個(gè)指標(biāo)的性能圖。由圖7可知,在通過數(shù)據(jù)混合增強(qiáng)后,核心指標(biāo)m[email protected]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(qiáng)圖單種圖像的m[email protected],表明數(shù)據(jù)混合增強(qiáng)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(qiáng)對于不同閾值上的平均精度均有很好的表現(xiàn)。 

圖  7  各種圖像性能指標(biāo)

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(qiáng)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(qiáng)后的指標(biāo)都有著不小的差異,圖片數(shù)據(jù)在混合增強(qiáng)以后各指標(biāo)都有了顯著提升,m[email protected]提升了近30%,其余參數(shù)也均有不同程度的性能提升。 

3.2.2   算法改進(jìn)對比分析

利用增加小目標(biāo)檢測層后的改進(jìn)算法分別對對比圖、偽彩圖、偽彩增強(qiáng)圖3種圖像進(jìn)行模型訓(xùn)練和驗(yàn)證,模型的訓(xùn)練驗(yàn)證結(jié)果如圖8所示,主要繪制了損失函數(shù)均值、目標(biāo)檢測損失函數(shù)均值、驗(yàn)證集損失函數(shù)均值、驗(yàn)證集目標(biāo)檢測損失函數(shù)均值共計(jì)4個(gè)指標(biāo)的性能圖。由圖8可知,對于損失函數(shù)均值以及驗(yàn)證集損失函數(shù)均值而言,模型改進(jìn)前后的曲線下降趨勢和曲線數(shù)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(shí),Box推測為GIoU損失函數(shù)均值的差異并不明顯。但通過目標(biāo)檢測損失函數(shù)均值以及驗(yàn)證集目標(biāo)檢測損失函數(shù)均值可以看出,模型在改進(jìn)以后,目標(biāo)檢測損失函數(shù)的損失都有一定程度的下降,尤其對于驗(yàn)證集目標(biāo)檢測損失函數(shù)均值而言,采用改進(jìn)后的模型在大幅度降低損失的同時(shí)也改善了模型過擬合的現(xiàn)象,表明增加小目標(biāo)檢測層后的模型具有更好的效果。 

圖  8  模型改進(jìn)前后損失函數(shù)均值

模型目標(biāo)檢測損失函數(shù)均值如表2所示,可知,相較于改進(jìn)前的模型,改進(jìn)后的模型具有更低的損失,對比圖、偽彩圖、偽彩增強(qiáng)圖3種模型改進(jìn)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(jìn)前,目標(biāo)檢測損失函數(shù)均值最小值和最終值分別下降了62.714 8%和63.539 9%,驗(yàn)證集目標(biāo)檢測損失函數(shù)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(shù)均值的下降表明模型具有更好的目標(biāo)檢測準(zhǔn)確性,在對圖像中的物體進(jìn)行檢測時(shí)效果更好。 

改進(jìn)后圖像性能指標(biāo)如表3所示,可以看出,模型在改進(jìn)以后,對比圖、偽彩圖、偽彩增強(qiáng)圖的m[email protected],精確率,召回率指標(biāo)都有了小幅降低,m[email protected]∶0.95有小幅度上升,改進(jìn)后整體模型的性能指標(biāo)與改進(jìn)前相差不大。 

可見,增加小目標(biāo)檢測層后,可以在保證模型的常規(guī)性能指標(biāo)基本穩(wěn)定的情況下,大幅降低模型的目標(biāo)檢測損失函數(shù)均值,對于環(huán)焊縫漏磁信號圖像中的缺陷目標(biāo)檢測效果有了一定程度的改善。 

3.3   環(huán)焊縫缺陷圖像測試集識別率分析

對環(huán)焊縫缺陷圖像而言,實(shí)際檢測應(yīng)用時(shí),能正確識別出漏磁信號圖像中的環(huán)焊縫異常缺陷的位置和大小等信息是至關(guān)重要的。筆者對環(huán)焊縫缺陷圖像測試集進(jìn)行最終的實(shí)際管道環(huán)焊縫異常圖像識別,以獲得缺陷的識別準(zhǔn)確率,結(jié)果如表4所示。 

當(dāng)選取原始單一圖像模型進(jìn)行檢測時(shí),選取對比圖模型測試,共有51張圖片出現(xiàn)誤檢、未檢出、少檢等情況,有121張圖準(zhǔn)確識別缺陷；選取偽彩圖模型測試,有63張圖片出現(xiàn)誤檢、未檢出、少檢等情況,有109張圖準(zhǔn)確識別缺陷；選取偽彩增強(qiáng)圖模型測試,有54張圖片出現(xiàn)誤檢、未檢出、少檢等情況,有118張圖準(zhǔn)確識別缺陷。 

當(dāng)選取改進(jìn)后的單一圖像模型進(jìn)行檢測時(shí),選取對比圖模型測試,共有32張圖片出現(xiàn)誤檢、未檢出、少檢等情況,有140張圖準(zhǔn)確識別缺陷；選取偽彩圖模型測試,有55張圖片出現(xiàn)誤檢、未檢出、少檢等情況,有117張圖準(zhǔn)確識別缺陷；選取偽彩增強(qiáng)圖模型測試,有49張圖片出現(xiàn)誤檢、未檢出、少檢等情況,有123張圖成功識別準(zhǔn)確到缺陷。 

當(dāng)選取圖片數(shù)據(jù)增強(qiáng)模型測試時(shí),有65組圖片出現(xiàn)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(qiáng)圖出現(xiàn)的檢測錯(cuò)誤一致,并未出現(xiàn)三種圖檢測結(jié)果不一致的情況；有107組圖片成功識別準(zhǔn)確到缺陷。 

由表4可知,模型在改進(jìn)后,缺陷的識別準(zhǔn)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(jìn)模型識別準(zhǔn)確率提高了11.05%,其他圖像也有一定的提升。對于圖片數(shù)據(jù)增強(qiáng)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(qiáng)模型的相關(guān)性能指標(biāo)均有非常明顯的上升,說明模型的波動(dòng)有了顯著降低,同時(shí)模型的穩(wěn)定性有了顯著增強(qiáng)。 

4.   結(jié)論

文章基于漏磁檢測技術(shù)以及YOLOv5基本原理,采用PyTorch框架,利用YOLOv5算法對管道環(huán)焊縫漏磁信號缺陷圖像進(jìn)行了自動(dòng)識別,并對算法進(jìn)行了部分改進(jìn),分析了算法改進(jìn)前后的差異以及對于識別準(zhǔn)確率（識別率）的影響,得到以下結(jié)論。 

（1）模型在圖像數(shù)據(jù)混合增強(qiáng)以后,各指標(biāo)都有了顯著提升,m[email protected]提升了近30%,其余參數(shù)也有了不同程度的性能提升。 

（2）模型在增加小目標(biāo)檢測層改進(jìn)后,模型的常規(guī)性能指標(biāo)基本穩(wěn)定,同時(shí)模型的目標(biāo)檢測損失函數(shù)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(biāo)檢測效果。 

（3）模型在增加小目標(biāo)檢測層改進(jìn)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(dá)到11.05%。 

通過使用該自動(dòng)識別算法,可以實(shí)現(xiàn)對管道環(huán)焊縫缺陷漏磁內(nèi)檢測數(shù)據(jù)的批量處理和自動(dòng)識別,大大減少數(shù)據(jù)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(shí),該方法可隨著獲取環(huán)焊縫缺陷漏磁內(nèi)檢測異常信號樣本量的增加進(jìn)行持續(xù)改進(jìn),不斷地提升缺陷信號識別的準(zhǔn)確性和可靠性。

文章來源——材料與測試網(wǎng)