小管徑管道特殊部件漏磁內檢測圖像化識別方法

摘 要 在進行漏磁內檢測時，針對諸如焊縫、法蘭、三通等管道特殊部件漏磁場的快速準確定位和識別，可以更方便定位缺陷的位置，同時，相比長輸管道，小管徑管道具有更多的管道特殊部件，且類型更為復雜。因此，提出了一種面向小管徑管道漏磁圖像的輕量化識別方法，基于YOLOv5架構引入GSConv網絡與坐標注意力機制（CA），通過Slim?Neck結構重構主干網絡，并利用有限元仿真生成的管道特殊部件漏磁圖像數據集進行訓練。結果表明，改進的YOLOv5算法實現了小管徑管道特殊部件漏磁圖像的自動檢測識別，算法總平均精度達到87.1%，較原YOLOv5算法提升了4.3%，并且在相同的訓練條件下，改進的YOLOv5算法具有較小的內存占用量，更適用于小管徑管道。

關鍵詞 小管徑管道 特殊部件 漏磁內檢測 YOLOv5

中圖分類號 TE832" "文獻標志碼 A" "文章編號 0254?6094（2025）02?0268?09

小管徑管道在工業和生產領域扮演著至關重要的角色，其在輸送液體、氣體及化學品等方面具有廣泛的應用，為防止管道因腐蝕等問題引發嚴重事故，必須實施定期的檢測與維護[1]。相比長輸油氣管道，小管徑管道特殊部件數量更多，且類型更復雜，在實際檢測過程中，這些特殊部件被磁化后也會產生漏磁場[2]。通過對小管徑管道特殊部件進行識別，可以更方便定位缺陷的位置。同時，這些特殊部件也會因腐蝕等原因產生缺陷，威脅安全生產[3]，因此，亟需一種快速識別和區分這些漏磁信號的方法，以提升漏磁檢測信號的識別效率，顯著縮短管道隱患的發現周期并增強定位精度。

深度學習通過多層神經網絡的堆疊，能夠自動提取特征，省去了傳統信號處理的繁瑣步驟，為復雜工業場景的智能化檢測提供了新的技術路徑。基于深度學習的管道漏磁內檢測技術結合了計算機視覺和深度學習算法，能夠有效實現對管道漏磁內檢測信號的自動識別和檢測，憑借其高精度和實時處理能力，在管道缺陷識別領域已實現跨越式發展[4，5]，PAN J H和GAO L通過改進CLIQUE算法，實現了缺陷的標記與定位[6];王國慶團隊優化了YOLOv5，用于漏磁信號的自動識別[7];YANG L J等則通過優化卷積核和引入稀疏約束，提升了焊縫漏磁圖像的分類效果[8];ZHANG M等采用自主深度學習算法，通過優化網絡層數實現了較高的測試精度[9]。

基于此，提出了一種改進的YOLOv5算法，結合有限元仿真技術，構建了小管徑管道特殊部件的漏磁模型，并通過對仿真得到的漏磁數據進行預處理，輸出適配深度學習訓練的漏磁特征圖像;通過采用基于GSConv網絡的Slim?Neck結構，替換YOLOv5網絡模型的主干網絡，實現輕量化網絡，并引入CA（Coordinate Attention）注意力模塊，提升模型檢測精度，利用改進后的YOLOv5算法對管道漏磁圖像進行訓練，實現對管道特殊部件漏磁信號的自主辨識。在此基礎上，結合測試結果及一系列的評價指標，評估該方法的優勢。

1 小管徑管道特殊部件漏磁場仿真分析

1.1 有限元模型構建

利用Maxwell軟件建立管道規格為?114 mm×8 mm的小管徑管道永磁勵磁漏磁內檢測模型，通過有限元仿真，對焊縫、法蘭、三通等管道特殊部件進行了建模與分析，其中，焊縫寬度為9 mm，余高為2 mm;法蘭的外徑為220 mm，軸向長度為22 mm;三通為等徑三通，高度為105 mm。同時，對小管徑管道中常見的新型管道堵漏器哈夫節模型進行了有限元仿真。仿真模型如圖1所示。

采用永磁體-銜鐵-鋼刷組成的浮塊式磁化結構，確保檢測器在小管徑環境中的靈活穿行與穩定檢測，圖2為“浮塊式”磁化單元模型示意圖。

磁鐵選用N48釹鐵硼材料，磁軛和鋼刷采用DT4，管體為Q235鋼，空氣磁導率設為1.0，具體尺寸和材料屬性見表1。在有限元計算中，將永磁體用作整個結構的勵磁源，并按激勵方向設定其矯頑力的方向及幅值[10]。

1.2 數據預處理

1.2.1 異常數據提取和標準化處理

在實際漏磁內檢測過程中，大多數由漏磁檢測器采集到的數據，都是在正常、完好的金屬管線上檢測到的。因此，采用閾值法對原始海量檢測數據進行處理以定位和提取異常數據信息;同時，用于深度學習網絡模型訓練的數據集必須為標準化數據，即所有用于構建數據集的異常信號必須采用相同的通道數和里程數。

基于閾值檢測法的漏磁數據處理，主要是利用離散漏磁信號數據點與通道平均值的數據差值來檢測和定位異常數據，其具體流程如圖3所示。

首先確定每個數據通道的磁通量數據平均值，將每個數據點與該點所在通道的平均值之間的數據值的大小進行比較，如果當前值與平均值的差值大于閾值，并且至少一個相鄰的數據點也滿足該條件，則該點被判斷為有效的異常數據。為了分離不同類型的異常數據，使用一個合并準則：如果兩個有效異常數據點之間的非異常數據點數量超過一定距離，則判斷這些異常數據點屬于兩個不同類型異常數據。將每個原始異常信號數據集的中心作為相應的新標準化集的中心;然后，提取其周圍前后各60次掃描的所有檢測數據，形成標準化漏磁異常信號單通道數據集。

利用有限元仿真得到的漏磁檢測數據樣本，通過上述流程循環判斷每條通道的異常數據，最終合并提取所有異常漏磁信號數據，形成標準化漏磁信號數據集并導出處理結果。

利用Origin軟件對數據進行偏移處理，增加通道間距，生成了包含完整細節的軸向漏磁曲線圖（圖4），可以清晰地觀測到提取出的每個通道的異常漏磁信號變化。

1.2.2 漏磁數據成像

主流的漏磁數據表征方法涵蓋曲線圖、灰度圖和偽彩色圖3類技術路線。相比于曲線圖和灰度圖，偽彩色圖將復雜的數據以直觀的顏色顯示出來，能夠通過色彩變化來凸顯數據的差異性，通過色彩映射增強，將數據中的微小特征差異放大至人眼敏感區間，更容易被觀察和理解。

基于預設色彩編碼規則，將單通道灰度數據重構為多通道偽彩色空間表達[11]。具體步驟如下：首先，對仿真漏磁數據進行離差標準化處理，將其定義為矩陣形式F（x，y），其中x，y為漏磁信號特征的寬度和長度，并計算矩陣的最大值max和最小值min，以區間[min，max]為基準，將原始數據線性映射至[0，1]實現歸一化。隨后，根據公式定義的映射關系，將每個像素的灰度值f（x，y）分別轉換為f（x，y）、 f（x，y）、 f（x，y）三通道值，合成偽彩色圖像，圖像x軸為傳感器移動距離，即檢測點位置，y軸則為對應的通道數。

變換函數為：

最后生成的管道特殊部件漏磁偽彩色圖如圖5所示。

1.2.3 構建數據集

由于采集的漏磁圖像數量有限，為了防止訓練過程中模型過擬合，也為了顯著增加數據樣本集的數量和多樣性，在訓練之前需要進行數據增強。通過旋轉、剪切、調節亮度、添加噪聲等圖像增強方法，共得到1 582幅訓練集圖像。其中法蘭（falan）漏磁圖像280張，焊縫（hanfeng）漏磁圖像570張，三通（santong）漏磁圖像340張，堵漏器（dulouqi）漏磁圖像392張。

數據集分為原始圖像和增強圖像，采用LabelImg工具標注并轉換為VOC格式，并按7∶2∶1比例進行數據集劃分。

2 特殊部件識別算法

作為實時目標檢測領域的標桿算法，YOLOv5憑借其卓越的精度-速度平衡特性，已成為工業檢測的首選框架。相比傳統算法，YOLOv5在特征提取、預測網絡和損失函數方面進行了多項優化，其結構包括輸入層、主干網絡、頸部網絡和檢測層[12]。

模型以YOLOv5網絡結構為基礎，采用基于GSConv網絡的Slim?Neck結構，替換YOLOv5網絡模型的主干網絡，通過輕量化設計，減少了模型的內存占用，同時提高了檢測速度。

GSConv模塊的執行流程如下：輸入的特征圖經標準卷積降維后，與深度可分離卷積（DWConv）輸出進行跨通道融合，形成復合特征表達;將兩組結果沿通道維度拼接，并通過通道重排（Shuffle）操作將對應通道交替排列，形成新的融合特征圖。該模塊的結構設計如圖6所示。

全模型部署GSConv將導致計算復雜度激增，反而會使推理變慢。因此，僅在YOLO的中間部分（即Neck）使用GSConv。并使用一次性聚合技術，構建了一個跨層局部網絡（GSCSP）模塊VoV?GSCSP（圖7）[13]。

在Backbone與Neck連接處植入坐標注意力CA模塊，可以通過雙軸位置編碼強化小目標特征捕獲能力。CA機制通過沿寬度和高度方向分解通道注意力，編碼縱向與橫向的位置信息，使網絡在關注通道重要性的同時捕獲空間位置特征，從而降低計算開銷[14]，改進的C3模塊如圖8所示。進一步將CA模塊與C3層融合，構建改進的C3CA模塊，最終形成輕量化YOLOv5網絡結構如圖9所示。

3 試驗結果及分析

3.1 模型訓練

試驗在Intel i5?12490 CPU和GTX 1660Super GPU的平臺上進行，系統內存16 GB，運行Windows 10 64位系統，使用CUDA 10.2驅動，Python語言和Pytorch框架。設定批量尺寸16、初始學習率0.01、最大訓練輪次100次的訓練策略，確保模型穩定收斂。

3.2 評價指標

以平均精度均值mAP和平均精度AP作為評價指標，通過精確率Precision和召回率Recall計算而得到[15]，其表達式為：

式中 FP——將非特殊部件檢測為特殊部件的數量;

FN——將特殊部件檢測為非特殊部件的數量;

TP——準確檢測出特殊部件的數量。

每個目標類的平均精度（AP）可通過由包含Precision和Recall的精確率-召回率曲線（P?R曲線）的下方面積來計算：

式中 P——P?R曲線的縱坐標Precision;

R——P?R曲線的橫坐標Recall。

mAP指標通過計算各類別AP值的算術平均數獲得，全面反映模型的多目標識別性能，即：

式中 i——當前類別的編號;

n——訓練樣本集的類別總數。

3.3 訓練結果

利用構建好的數據集，保持圖像分辨率、批次樣本量及訓練輪次等參數一致，分別對基線YOLOv5與改進模型進行全流程訓練。訓練結束后，得到的邊界框損失函數均值曲線、mAP均值曲線，分別對應圖10、11。

mAP_0.5：0.95表示在不同IoU閾值（從0.5到0.95，步長0.05）上的平均mAP，分析邊界框損失函數和mAP均值在模型訓練過程中的收斂趨勢可知，改進后的識別方法在相同訓練輪次下損失函數值低于原始模型，且mAP均值更高，表明改進后的模型具有更快的收斂速度和更優的識別精度。

為了更直觀地檢驗模型對漏磁圖像自動識別能力，將測試集輸入訓練后的網絡，并將權重文件更改為訓練后的最佳權重。運行原始YOLOv5模型和改進后的YOLOv5模型，管道漏磁圖像自動識別結果對比如圖12所示，由圖可知，改進后的算法相較于原始YOLOv5，在檢測精度上有明顯的提升，具有更好的識別能力。

3.4 消融試驗

通過消融試驗，量化評估各改進模塊對最終性能的貢獻度。

以原始YOLOv5s算法為基礎，引入其他注意力機制，進行性能對比。具體的消融試驗數據結果見表2。

表2中數據顯示，基于YOLOv5s框架引入注意力模塊后，模型平均精度（mAP）雖有所提升，但參數量與計算復雜度顯著增加[16]。而采用GSConv與Sim?Neck結合的輕量化設計雖可壓縮參數量并降低計算負擔，卻伴隨精度損失。相比之下，本研究的改進算法通過優化權重分配，在維持精度的同時實現模型輕量化，綜合性能優于對比方法。

為驗證改進YOLOv5的優越性，將其與SSD、Faster R?CNN進行對比，結果見表3。

進一步對比表3中的數據，傳統算法SSD精度低（mAP@0.5 56.0%）且模型內存占用量大（91.7 MB），難以滿足實際需求;Faster R?CNN雖精度提升至74.4%，但其復雜的兩階段結構導致運行效率低下。相較之下，改進YOLOv5算法以87.1%的mAP@0.5和11.6 MB的輕量內存占用，兼具高精度與高效性，更適配工業場景的實時檢測需求。

4 結束語

本研究通過融合輕量化結構與注意力機制，構建了一種基于小管徑管道特殊部件漏磁檢測信息圖像化的高效識別方法。試驗結果表明，改進模型在管道特殊部件漏磁圖像中實現了87.1%的平均檢測精度，且參數量縮減至5.45×106，具有較小的內存占用量，較傳統算法顯著降低資源消耗，可以有效實現對小管徑管道特殊部件的快速檢測和識別，進而更方便和快速地實現缺陷的定位，滿足工業場景中對實用性與準確性的雙重需求。

參 考 文 獻

[1] 蔚道祥，楊宇清.超聲相控陣對小管徑環焊縫缺陷檢測能力研究[J].化工裝備技術，2018，39（6）：5-8.

[2] 楊理踐，耿浩，高松巍.長輸油氣管道漏磁內檢測技術[J].儀器儀表學報，2016，37（8）：1736-1746.

[3] 葉光，霍曉彤，朱楊可.高鋼級管道環焊縫異常漏磁內檢測與射線驗證結果關聯性分析[J].化工機械，2021，48（5）：639-643.

[4] 崔偉，黃松嶺，趙偉.基于RBF網絡的漏磁檢測缺陷定量分析方法[J].清華大學學報（自然科學版），2006，46（7）：1218-1222.

[5] 趙翰學，張咪，郭巖寶，等.基于機器學習的管道金屬損失缺陷識別方法[J].石油機械，2020，48（12）：138-145.

[6] PAN J H，GAO L.A novel method for defects marking and classifying in MFL inspection of pipeline[J].International Journal of Pressure Vessels and Piping，2023，202：104892.

[7] 王國慶，李璇，楊理踐，等.基于改進YOLOv5算法的管道漏磁信號識別方法[J].計算機測量與控制，2022，30（8）：147-154.

[8] YANG L J，WANG Z J，GAO S W，et al.Magnetic flux leakage image classification method for pipeline weld based on optimized convolution kernel[J].Neurocomputing，2019，365：229-238.

[9] ZHANG M， GUO Y B， XIE Q J， et al.Defect identification for oil and gas pipeline safety based on autonomous deep learning network[J].Computer Communications，2022，195：14-26.

[10] 周忠賀，許皆樂，古玉祺.缺陷特征對漏磁場檢測的影響規律[J].化工機械，2021，48（5）：711-716.

[11] 高英，吳玉虹.基于YOLOv5s的輕量化行人檢測算法[J].現代電子技術，2023，46（22）：151-158.

[12] 邱天衡，王玲，王鵬，等.基于改進YOLOv5的目標檢測算法研究[J].計算機工程與應用，2022，58（13）：63-73.

[13] 薛陽，丁凱，李清，等.基于改進YOLOv5s的活塞桿表面缺陷檢測[J].現代制造工程，2023（11）：104-112.

[14] 王竹筠，楊理踐，高松巍.基于改進SSD網絡的管道漏磁缺陷圖像識別算法[J].沈陽航空航天大學學報，2019，36（3）：74-82.

[15] 陳錦生，馬文臻，方少峰，等.基于地基氣輝圖像的大氣重力波目標識別[J].計算機工程，2023，49（11）：13-23.

[16] 陳興陽，葉宇峰，宋俊俊，等.高分辨焊縫漏磁檢測數值模擬研究[J].中國特種設備安全，2021，37（9）：37-41.