基于注意力特征融合的漏磁缺陷識別方法

摘 要：針對漏磁缺陷識別率低、檢測速度慢等問題，提出了一種基于注意力特征融合的漏磁缺陷識別方法。所提算法以ＣｅｎｔｅｒＮｅｔ為基礎進行修改，主干網絡選取了一種輕量級網絡ＰＰ-ＬＣＮｅｔ，相較于現在流行的主干特征提取網絡既保證了低計算量又保證了高精度。采用注意力網絡ＣＢＡＭ主動學習低層特征中的重要信息并與高層特征進行融合，使模型同時獲得低層細粒度信息與高層語義信息，進而提升小缺陷識別的準確率。結果表明，當ＩＯＵ大于０.５時，所提算法的準確率為９４.３％，推理時間為９.６ｍｓ。

關 鍵 詞：注意力機制；缺陷識別；深度學習；深度可分離卷積；特征融合；輕量級網絡；漏磁；目標檢測

中圖分類號：ＴＥ９７３.６ 文獻標志碼：Ａ 文章編號：１０００－１６４６（２０２４）０２－０２１２－０７

管道因其運量大，成本低等優點一直作為輸送天然氣的主要載體。但長時間的運行很容易因腐蝕發生泄漏，對經濟、環境、人民的生命財產安全造成危害［１－４］。因此定期對管道進行檢測是十分必要的，漏磁檢測因其不受環境和媒介等因素的影響，因而是現在最常用的管道檢測手段。為了提高檢測精度，縮短人工判別的時間，深度學習算法被應用于漏磁檢測中［５－６］。

２０１４年隨著ＲＣＮＮ的橫空出世，目標檢測技術也有了很大的進展，在此之前所使用的技術主要基于滑動窗口與人工特征提取，而這些技術不僅算法的復雜性較大，而且在更復雜的環境下魯棒性也較差。而以Ｒ-ＣＮＮ為開端，基于深度學習的目標檢測方法則可以自動獲得目標信息，有效提高檢測的效率與精度。很多學者在缺陷檢測領域運用了深度學習算法，并取得了不俗的成績。兩階段目標檢測算法又稱為基于區域提議的目標檢測算法，通過顯式的區域提議將檢測的問題轉化為對生成的提議區域內局部圖片的分類問題，該類算法在第一階段生成區域提議，在第二階段對感興趣區域中的內容進行分類和回歸，代表算法為ＲＣＮＮ、ＳＰＰ-Ｎｅｔ、ＦａｓｔＲ-ＣＮＮ以及ＦａｓｔｅｒＲ-ＣＮＮ等。ＳＵ等［７－９］通過改變卷積神經網絡模型增加參數量，雖提升了精度但犧牲了速度。一階段目標檢測算法直接對整幅圖像進行回歸預測，無需生成感興趣區域，代表算法為ＳＳＤ和ＹＯＬＯ等。ＹＡＮＧ等［１０］利用空洞卷積代替普通卷積來增加模型的感受野，該類算法雖然提升了檢測速度，但降低了檢測精度。因此現在急需構建一個兼顧高精度與速度的漏磁缺陷檢測模型。自２０１８年的ＣｏｒｎｅｒＮｅｔ出現后，Ａｎｃｈｏｒ-ｆｒｅｅ目標檢測模型開始快速發展，Ａｎｃｈｏｒ-ｆｒｅｅ無需設置錨框的大小，減少了計算量，且特征圖上的位置只需設置一個樣本，代表算法有ＣｏｒｎｅｒＮｅｔ、ＥｘｔｒｅｍｅＮｅｔ、ＣｅｎｔｅｒＮｅｔ等［１１］。