王國慶，李 璇，楊理踐，高松巍，耿 浩,2

(1.沈陽工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院,沈陽 110870; 2.大連理工大學(xué) 工業(yè)裝備智能控制與優(yōu)化教育部重點(diǎn)實(shí)驗(yàn)室,大連 116024)

0 引言

管道運(yùn)輸作為石油和天然氣等能源的主要運(yùn)輸手段，其安全問題尤為重要，并且隨著管道數(shù)量和里程數(shù)的增加，對(duì)于管道安全的維護(hù)難度也相應(yīng)增加，漏磁檢測等無損檢測方法可以檢測出管道中的缺陷[1]，為解決管道安全問題提供了很大幫助。

漏磁內(nèi)檢測數(shù)據(jù)的判讀是評(píng)估管道缺陷的基礎(chǔ)[2]。由于長輸管線輸送距離較長，漏磁內(nèi)檢測數(shù)據(jù)量龐大。傳統(tǒng)的漏磁數(shù)據(jù)識(shí)別分析方法大多需要人工判讀，但是利用人工判別的方式進(jìn)行漏磁數(shù)據(jù)檢測，結(jié)果會(huì)受到無損檢測員專業(yè)水平的影響，且對(duì)缺陷的判別沒有統(tǒng)一的標(biāo)準(zhǔn)，對(duì)于不同的檢測人員，檢測結(jié)果容易受到主觀影響[3]。并且人工判讀需要花費(fèi)大量的精力和時(shí)間，容易造成人員疲勞從而導(dǎo)致漏檢或誤檢。通過機(jī)器學(xué)習(xí)的方法建立模型并進(jìn)行訓(xùn)練，可以實(shí)現(xiàn)對(duì)管道漏磁內(nèi)檢測數(shù)據(jù)的批量處理和自動(dòng)識(shí)別[4-6]。對(duì)于減少人力工作量，減少人為誤差，提升數(shù)據(jù)判別的準(zhǔn)確性具有重要意義。

近年來，眾多學(xué)者在機(jī)器學(xué)習(xí)識(shí)別缺陷方面進(jìn)行了大量研究，提出了不同的算法來自動(dòng)識(shí)別漏磁缺陷信號(hào)[7-10]。不同的方法在缺陷識(shí)別的準(zhǔn)確度和效率方面存在差異，在管道缺陷位置識(shí)別精度上也有待提高。采用一種基于改進(jìn)的YOLOv5算法來對(duì)管道漏磁缺陷進(jìn)行識(shí)別檢測[11-14]，通過向改進(jìn)YOLOv5網(wǎng)絡(luò)中輸入實(shí)際檢測數(shù)據(jù)進(jìn)行訓(xùn)練，建立漏磁曲線缺陷識(shí)別系統(tǒng)，從而提升缺陷的識(shí)別準(zhǔn)確性。

1 YOLOv5算法

YOLO(You Only Look Once)算法是一種基于回歸思想的多目標(biāo)檢測算法，代表可以從一張圖像上識(shí)別出多種不同種類的物體，并通過非線性擬合計(jì)算出物體的尺寸坐標(biāo)，以便為檢測出的物體打上標(biāo)注框。YOLO算法經(jīng)過近幾年的不斷改進(jìn)，發(fā)展成為現(xiàn)在的YOLOv5算法。YOLOv5網(wǎng)絡(luò)模型結(jié)構(gòu)總共分為輸入端、Backbone、Neck以及Prediction四個(gè)部分。YOLOv5算法的網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

圖1 YOLOv5網(wǎng)絡(luò)模型結(jié)構(gòu)

第一部分為輸入端，它表示輸入的圖片。在該網(wǎng)絡(luò)模型中輸入圖像的大小為640×640，在輸入端模塊會(huì)對(duì)圖像進(jìn)行圖像預(yù)處理，具體為將圖像縮放至便于網(wǎng)絡(luò)訓(xùn)練的大小，以及對(duì)圖像進(jìn)行歸一化等操作。輸入端分為3個(gè)部分：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[15]，其中mosaic數(shù)據(jù)增強(qiáng)部分可以使模型能夠更好地對(duì)圖像中的小目標(biāo)物體進(jìn)行檢測，也可以使模型的訓(xùn)練速度和模型精度大大提升。自適應(yīng)錨框計(jì)算部分通過對(duì)每一次迭代輸出的預(yù)測框面積進(jìn)行更新，從而使模型預(yù)測的結(jié)果更加地合理化，自適應(yīng)圖片縮放部分的作用是對(duì)原始圖像進(jìn)行縮放，使輸入圖像統(tǒng)一為一個(gè)標(biāo)準(zhǔn)尺寸后，再送入檢測網(wǎng)絡(luò)中檢測。Backbone為基準(zhǔn)網(wǎng)絡(luò)，該模塊是為了對(duì)圖像提取一些通用的特征表示。它分為兩個(gè)部分：分別是Focus結(jié)構(gòu)和CSP結(jié)構(gòu)，其中Focus結(jié)構(gòu)主要的作用是對(duì)圖像進(jìn)行切片操作，CSP結(jié)構(gòu)是為了從網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的角度使推理中計(jì)算量很大的問題得以解決[16]。Neck網(wǎng)絡(luò)通常是在Head網(wǎng)絡(luò)和Backbone網(wǎng)絡(luò)中間的位置，它起到進(jìn)一步提升特征的多樣性和魯棒性的作用。該模塊為FPN+PAN結(jié)構(gòu)，它可以使加強(qiáng)網(wǎng)絡(luò)特征融合的效果更好。Prediction使用的是GIOU_Loss損失函數(shù)[17]，該損失函數(shù)可以對(duì)檢測目標(biāo)矩形框的識(shí)別損失率進(jìn)行估算，并使算法的檢測精度大大提升。

YOLOv5算法根據(jù)其含有的殘差組件個(gè)數(shù)不同分為4個(gè)目標(biāo)檢測版本，分別為Yolov5s、Yolov5m、Yolov5l和YOLOv5x，4個(gè)目標(biāo)檢測版本殘差組件依次遞增，YOLOv5算法的不同網(wǎng)絡(luò)結(jié)構(gòu)的殘差組件個(gè)數(shù)和卷積核個(gè)數(shù)如表1所示。隨著YOLOv5算法網(wǎng)絡(luò)深度逐漸加深，其模型的特征提取和特征融合能力也越來越強(qiáng)大[18]。

表1 YOLOv5的不同網(wǎng)絡(luò)結(jié)構(gòu)卷積核個(gè)數(shù)以及殘差組件個(gè)數(shù)

其中:YOLOv5s是網(wǎng)絡(luò)深度最小、特征圖寬度最小的網(wǎng)絡(luò)[19]，其他的3種網(wǎng)絡(luò)都是在YOLOv5s的基礎(chǔ)上對(duì)網(wǎng)絡(luò)進(jìn)行加深以及加寬，可利用代碼的編寫控制每種模型的深度與寬度，更改便捷，實(shí)驗(yàn)中通過從節(jié)約內(nèi)存成本和計(jì)算成本發(fā)的角度考慮，YOLOv5s可以使網(wǎng)絡(luò)更加地輕量級(jí)，故本實(shí)驗(yàn)選擇了網(wǎng)絡(luò)模型深度以及寬度均最小的YOLOv5s進(jìn)行模型訓(xùn)練，YOLOv5s的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5對(duì)于目標(biāo)識(shí)別檢測有著良好的表現(xiàn)的主要原因如下：

1)YOLOv5算法輸入端模塊設(shè)計(jì)了Mosaic數(shù)據(jù)增強(qiáng)，豐富了數(shù)據(jù)的多樣性，同時(shí)自適應(yīng)錨框計(jì)算以及自適應(yīng)圖片縮放的使用，也使模型的檢測速度大大提升；

2)YOLOv5算法的主干網(wǎng)絡(luò)中使用了Focus模塊和CSP模塊[20]，F(xiàn)ocus模塊在輸入圖像特征圖轉(zhuǎn)換過程實(shí)現(xiàn)切片操作，效果表現(xiàn)良好，CSP模塊可以提升網(wǎng)絡(luò)學(xué)習(xí)能力，提升檢測準(zhǔn)確率，節(jié)約內(nèi)存成本；

3)Neck網(wǎng)絡(luò)中使用了與主干網(wǎng)絡(luò)不同的CSP模塊，在輸出端部分使用GIOU_Loss損失函數(shù)為預(yù)測框的損失函數(shù)，在目標(biāo)識(shí)別的后處理過程中，YOLOv5模型采用了加權(quán)NMS(非極大值抑制)算法。

2 改進(jìn)YOLOv5算法

YOLOv5算法是一種基于回歸的目標(biāo)檢測算法，其采用直接輸入整張圖片的方式，不再使用卷積神經(jīng)網(wǎng)絡(luò)的全連接層，直接形成端到端的網(wǎng)絡(luò)。邊界框回歸(bounding box regression)算法是該算法的核心，利用邊界框回歸算法能夠在大量的管道漏磁檢測數(shù)據(jù)中準(zhǔn)確的找到管道缺陷位置，并對(duì)其邊界進(jìn)行準(zhǔn)確劃定。邊界框回歸算法使用窗口滑動(dòng)機(jī)制將整張圖像劃分為S×S個(gè)網(wǎng)格，如果待檢測目標(biāo)的中心在某一網(wǎng)格中，則由該網(wǎng)格對(duì)待檢測目標(biāo)進(jìn)行識(shí)別預(yù)測。每個(gè)網(wǎng)格會(huì)針對(duì)待測目標(biāo)產(chǎn)生多個(gè)大小不一的候選檢測框，最終通過平移縮放等幾何變換對(duì)候選框進(jìn)行回歸，YOLOv5模型的回歸計(jì)算方法為：

bx=2σ(tx)-0.5+cx

(1)

by=2σ(ty)-0.5+cy

(2)

bw=pw(2σ(tw))2

(3)

bh=ph(2σ(th))2

(4)

式中，tx，ty，tw，th分別為x，y軸坐標(biāo)寬度和高度的偏移量，bx，by，bw，bh分別為回歸的結(jié)果，(cx,cy)表示邊界框在左上角的坐標(biāo)值，pw，ph表示預(yù)測的前邊框的寬度和高度。計(jì)算時(shí)的求解方法使用殘差平方和，并用邏輯回歸方法找出圖像管道漏磁缺陷信號(hào)的邊界框。

YOLOv5在目標(biāo)識(shí)別過程中引入候選檢測框，候選檢測框是一組固定尺寸和寬高比的初始區(qū)域[21]，初始檢測框越接近真實(shí)檢測框，其模型的訓(xùn)練越容易，訓(xùn)練結(jié)果檢測精度越高。所以，初始檢測框的確定會(huì)直接影響到真實(shí)檢測框位置的確定和模型識(shí)別的精度。YOLOv5模型中采用了加權(quán)NMS(非極大值抑制)算法對(duì)初始檢測框進(jìn)行篩選，將交并比較大并且置信度較低的檢測框判定為冗余檢測框，并對(duì)冗余檢測框進(jìn)行刪除。在YOLOv5算法中，非極大值抑制算法會(huì)將預(yù)測框集合B，與集合B中每個(gè)預(yù)測框相對(duì)應(yīng)的置信度集合C和最終輸出的預(yù)測框集合3個(gè)集合進(jìn)行匯總。并對(duì)集合C中的置信分?jǐn)?shù)從高到低將集合B中與其對(duì)應(yīng)的預(yù)測框進(jìn)行排序，將置信度值最高的預(yù)測框選出放到集合R中，移除集合B中的該預(yù)測框。將集合B中其余的預(yù)測框與置信度值最高的預(yù)測框計(jì)算交并比IOU的數(shù)值，并將交并比值與設(shè)定的閾值進(jìn)行大小比較，移除交并比值比設(shè)定閾值大的相對(duì)應(yīng)預(yù)測框。重復(fù)對(duì)集合B中剩余預(yù)測框置信度進(jìn)行排序，直至集合B中的預(yù)測框被全部移除為止，此時(shí)的集合R為該數(shù)據(jù)集所求預(yù)測框。該算法雖然解決了形成的多個(gè)檢測框而導(dǎo)致的標(biāo)記框冗余問題，但是閾值的不同設(shè)定會(huì)影響檢測精度，實(shí)驗(yàn)中引進(jìn)自適應(yīng)閾值調(diào)整的方法，對(duì)預(yù)測框的選擇進(jìn)行了自適應(yīng)調(diào)整，以減少漏檢問題。

(5)

(6)

式中,Ci,j為最終的置信度結(jié)果，IOU為計(jì)算所得的兩個(gè)邊界框的交并比數(shù)值，N為YOLOv5默認(rèn)的設(shè)定閾值0.5，Nt為可變動(dòng)的自適應(yīng)閾值。即選取的最大置信度Im與默認(rèn)閾值N的差值和默認(rèn)閾值N之比，使默認(rèn)閾值N向大于0.5方向按差值比例偏移得到的數(shù)值為Nt的值。更改后的自適應(yīng)NMS算法在挑出置信度最高的預(yù)測框后，會(huì)計(jì)算集合B中剩余預(yù)測框與選出預(yù)測框的IOU值，在IOU值大于閾值的預(yù)測框中選出數(shù)值最大的值設(shè)為Im，根據(jù)式(6)重新計(jì)算Nt的值為新的閾值，最后把比Nt值大的IOU值相對(duì)應(yīng)的預(yù)測框進(jìn)行移除操作，重復(fù)上述比較，直至集合B中的預(yù)測框個(gè)數(shù)為零。改進(jìn)后的NMS算法的閾值設(shè)定與預(yù)測框相關(guān)，預(yù)測框的結(jié)果與最終的檢測結(jié)果相關(guān)，故對(duì)閾值進(jìn)行上述優(yōu)化，以提升算法的識(shí)別準(zhǔn)確率。

在YOLOv5算法中，損失函數(shù)作為該算法輸出端的一部分，起到了計(jì)算邊界框損失的作用。利用它可以對(duì)邊界框的位置進(jìn)行調(diào)節(jié)，提升該算法對(duì)漏磁信號(hào)識(shí)別的準(zhǔn)確性[22]。傳統(tǒng)的YOLOv5算法采用損失函數(shù)GIoU Loss來計(jì)算邊界框的損失，其評(píng)價(jià)指標(biāo)廣義交并比GIoU(generalized intersection over union)直接把交并比IoU(intersection over union)設(shè)為模型回歸的損失，用下式表示：

(7)

(8)

其中:交并比IoU為在遍歷所有圖像網(wǎng)格后，在網(wǎng)絡(luò)輸出端輸出的置信度，置信度是候選邊界框與真實(shí)邊界框的交并比[23]，式中：A、B分別為真實(shí)邊界框和候選邊界框的面積。在任意的兩個(gè)邊界框A、B中先確定一個(gè)最小的閉合形狀C，然后計(jì)算真實(shí)邊界框A與候選邊界框B的交并比，再利用交并比減去封閉形狀C中沒有覆蓋真實(shí)邊界框和候選邊界框的面積占閉合形狀C總面積的比值，進(jìn)而得到損失函數(shù)GIoULoss，其損失函數(shù)計(jì)算如下：LGIoU=1-GIoU。在該算法求解時(shí)，將損失函數(shù)GIoULoss與非極大值抑制算法(NMS)相結(jié)合，搜索局部極大值進(jìn)而得到準(zhǔn)確的漏磁信號(hào)標(biāo)注結(jié)果。

GIoU由于懲罰項(xiàng)的引入，在目標(biāo)框和預(yù)測框不重疊的情況下，預(yù)測框會(huì)向漏磁數(shù)據(jù)標(biāo)定目標(biāo)框移動(dòng)，GIoU除了關(guān)注漏磁信號(hào)目標(biāo)框與預(yù)測框的重疊區(qū)域不同，還關(guān)注了非重疊區(qū)域，能夠更好的反應(yīng)重合度。但GIoU仍然在相鄰缺陷識(shí)別準(zhǔn)確性上存在問題，對(duì)于一些沒有重疊的目標(biāo)檢測框，GIoU回歸策略可能會(huì)退化為交并比IoU的回歸策略[24]。其主要問題在于，當(dāng)IoU返回值為0時(shí)，GIoU傾向于使漏磁缺陷信號(hào)檢測框和目標(biāo)框以最快方式產(chǎn)生重疊，而后GIoU的懲罰機(jī)制逐漸失效，即檢測框與目標(biāo)框之間的包含而不重疊也被認(rèn)為是正確的。為了解決這一問題，在GIoU中引入歐氏距離ρ，檢測框和目標(biāo)框之間的最小矩形斜距c以及檢測框和目標(biāo)框的中心點(diǎn)b,bgt，達(dá)到提升漏磁信號(hào)識(shí)別精度的目的。建立DIoU(Distance-IoU)公式原理如下所示：

(9)

在該損失函數(shù)中，b,bgt分別表示檢測框和目標(biāo)框的中心點(diǎn)，其歐式距離為ρ。c為覆蓋檢測框和目標(biāo)框之間的最小矩形的斜距。DIoU中添加了一個(gè)懲罰項(xiàng)，故仍然保留GIoU中當(dāng)預(yù)測框和目標(biāo)框不重疊時(shí)，預(yù)測框可以向目標(biāo)框移動(dòng)這一優(yōu)點(diǎn)。同時(shí)，對(duì)于漏磁缺陷信號(hào)的識(shí)別，DIoULoss能迅速使漏磁信號(hào)預(yù)測框與目標(biāo)框之間的距離最小化，而GIoULoss優(yōu)化的是識(shí)別出的漏磁信號(hào)預(yù)測框與已標(biāo)定的目標(biāo)框之間的面積，所以DIoU和GIoU相比，不但可以提升精度，還可以加快收斂速度。

3 數(shù)據(jù)集建立

3.1 管道漏磁內(nèi)檢測數(shù)據(jù)采集

管道漏磁內(nèi)檢測器中，漏磁場信號(hào)的采集記錄由探頭完成，然后將漏磁場信號(hào)信息傳送送到計(jì)算機(jī)部分，由計(jì)算機(jī)部分將漏磁數(shù)據(jù)和管道其他信息數(shù)據(jù)統(tǒng)一存儲(chǔ)記錄。管道漏磁數(shù)據(jù)掃描格式如圖3所示。每次掃描的管道漏磁場信號(hào)數(shù)據(jù)被保存在一個(gè)完整的文件中，一個(gè)數(shù)據(jù)文件主要包括漏磁場信號(hào)的數(shù)據(jù)和輔助數(shù)據(jù)。

圖3 管道漏磁內(nèi)檢測數(shù)據(jù)組成部分

其中漏磁場信號(hào)的數(shù)據(jù)主要有φ分量、ρ分量和z分量，它們分別相當(dāng)于管道周向、徑向和軸向的三維磁感應(yīng)強(qiáng)度分量；其他的數(shù)據(jù)主要有探頭每次掃描所需要的時(shí)間信息；探頭所在的周向位置信息；管道相關(guān)配置文件信息等。

探頭在管道內(nèi)檢測器中的排列方向?yàn)槟鏁r(shí)針方向排列，分別記錄管道周向360°漏磁場信號(hào)特征。其中，磁感應(yīng)強(qiáng)度徑向分量、磁感應(yīng)強(qiáng)度周向分量、磁感應(yīng)強(qiáng)度軸向分量又為管道外部和管道內(nèi)部的同一個(gè)檢測點(diǎn)的信息。對(duì)于輔助數(shù)據(jù)的內(nèi)容主要有掃描時(shí)間、探頭的周向、距離、經(jīng)度、緯度、溫度、瞬時(shí)速度、壓力、數(shù)據(jù)處理標(biāo)志、硬件版本信息、備用、結(jié)束標(biāo)志等設(shè)置信息。

3.2 管道漏磁信號(hào)成像

YOLO模型對(duì)于目標(biāo)的識(shí)別分類過程為有監(jiān)督訓(xùn)練方法，需要輸入圖像數(shù)據(jù)集，將漏磁數(shù)據(jù)通過管道漏磁檢測數(shù)據(jù)分析系統(tǒng)分段導(dǎo)出，每段數(shù)據(jù)包括X、Y、Z三個(gè)方向的磁場數(shù)據(jù)，分別為管道漏磁信號(hào)軸向數(shù)據(jù)、徑向數(shù)據(jù)和周向數(shù)據(jù)。管道漏磁信號(hào)數(shù)據(jù)經(jīng)管道漏磁內(nèi)檢測器的存儲(chǔ)單元內(nèi)導(dǎo)出，導(dǎo)出格式為十六進(jìn)制的DAT數(shù)據(jù)文件，利用漏磁數(shù)據(jù)分析軟件對(duì)DAT文件進(jìn)行數(shù)據(jù)讀取，將DAT數(shù)據(jù)格式轉(zhuǎn)換為txt文本數(shù)據(jù)格式，通過對(duì)數(shù)據(jù)進(jìn)行處理，提取數(shù)據(jù)文件中所需要的檢測信息，利用代碼將txt文件批量轉(zhuǎn)化為曲線圖，將管道漏磁數(shù)據(jù)可視化，以供機(jī)器進(jìn)行識(shí)別判讀。

“之后，我只聽到小表姐大發(fā)雷霆，罵了好多難聽的話，我只記得小表姐最后一句話是：‘蕩婦，不要臉的女人，跟我去見我媽，讓我媽看看你到底是個(gè)什么東西！’

曲線圖像的成像原理是將轉(zhuǎn)換完數(shù)據(jù)格式后的數(shù)據(jù)點(diǎn)直接輸入到計(jì)算機(jī)中，將檢測器內(nèi)各個(gè)通道中的實(shí)際檢測值按照描點(diǎn)連線的方式對(duì)其進(jìn)行成像，從而生成曲線圖像。其中，曲線圖像中的橫坐標(biāo)表示沿檢測器運(yùn)行方向上采集檢測點(diǎn)的數(shù)量，可通過計(jì)算得到里程數(shù)；縱向?yàn)槎嗤ǖ纻鞲衅鞑⑿胁杉臄?shù)據(jù)，每條曲線的波動(dòng)情況則反映漏磁數(shù)據(jù)的大小。定義漏磁檢測數(shù)據(jù)中的記錄數(shù)為橫坐標(biāo)X，漏磁檢測數(shù)據(jù)中的實(shí)際檢測值為縱坐標(biāo)Y，通過描點(diǎn)成像進(jìn)而實(shí)現(xiàn)管道漏磁內(nèi)檢測的曲線顯示。生成的漏磁檢測曲線如圖4所示。

圖4 漏磁檢測曲線圖

長輸油氣管道一般由高磁導(dǎo)率的鐵磁性材料加工而成，檢測過程中需要經(jīng)過勵(lì)磁裝置磁化。以軸向永磁勵(lì)磁方式的管道漏磁內(nèi)檢測裝置為例，磁通經(jīng)過的磁路主要由永磁體、軛鐵、鋼刷、管道、工作氣隙及裝配氣隙幾部分組成。在磁路內(nèi)部安裝有磁敏元件，以檢測缺陷處漏磁通。管道壁上不存在缺陷，磁力線會(huì)直接均勻地通過管道壁。在管道壁上存在自然缺陷或焊縫缺陷時(shí)，磁力線無法直接通過缺陷處的管道壁，會(huì)形成畸形的，不均勻的磁通回路，形成漏磁場。可通過對(duì)漏磁場的位置進(jìn)行標(biāo)定，建立漏磁曲線圖像缺陷數(shù)據(jù)集。

3.3 建立YOLO數(shù)據(jù)集

現(xiàn)有的數(shù)據(jù)進(jìn)行某種操作后生成新的數(shù)據(jù)來擴(kuò)充數(shù)據(jù)庫，采用預(yù)設(shè)的數(shù)據(jù)變換規(guī)則，在已有數(shù)據(jù)的基礎(chǔ)上進(jìn)行數(shù)據(jù)擴(kuò)增，在單樣因?yàn)閅OLOv5模型受數(shù)據(jù)樣本量的影響較大，所以訓(xùn)練中需要大量的數(shù)據(jù)來支撐，但是獲取足夠的圖像數(shù)據(jù)集相對(duì)較難。實(shí)驗(yàn)利用本數(shù)據(jù)增強(qiáng)中，基本上可以對(duì)圖像進(jìn)行以下4種操作，分別為圖像顏色反轉(zhuǎn)、對(duì)圖像進(jìn)行亮度增強(qiáng)、圖像鏡像以及對(duì)圖像進(jìn)行旋轉(zhuǎn)。實(shí)驗(yàn)共建立1 400張漏磁曲線圖像作為數(shù)據(jù)集，其中每張圖像大小均為875×656像素。YOLOv5模型對(duì)于圖像的識(shí)別是有一種有監(jiān)督的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程，模型的輸入是圖像，需要人為對(duì)輸入圖像進(jìn)行標(biāo)記，定義圖像特征，為其制作標(biāo)簽文件。實(shí)驗(yàn)利用圖像標(biāo)注工具labelImg軟件為漏磁信號(hào)標(biāo)準(zhǔn)缺陷進(jìn)行標(biāo)準(zhǔn)標(biāo)注，從而為模型提供標(biāo)準(zhǔn)缺陷信息。漏磁缺陷信號(hào)數(shù)據(jù)標(biāo)定如圖5所示。

圖5 漏磁缺陷信號(hào)數(shù)據(jù)標(biāo)定

通過在labelImg軟件上為管道漏磁信號(hào)曲線缺陷處打上識(shí)別標(biāo)框，記錄管道漏磁曲線缺陷信息。再通過labelImg軟件生成格式為PASCAL VOC數(shù)據(jù)文件，即.xml后綴文件，xml文件中存儲(chǔ)著標(biāo)注框的關(guān)鍵信息，有標(biāo)注框在x軸上的最小值xmin、標(biāo)注框在y軸上的最小值ymin、標(biāo)注框在x軸上的最大值xmax、標(biāo)注框在y軸上的最小值ymax四個(gè)關(guān)鍵參數(shù)，利用標(biāo)注框在x軸上的最大值與標(biāo)注框在x軸上的最小值之差得到標(biāo)注框的寬，利用標(biāo)注框在y軸上的最大值與標(biāo)注框在y軸上的最小值之差得到標(biāo)注框的高，進(jìn)而確定標(biāo)注框的左上角坐標(biāo)以及標(biāo)注框的大小，根據(jù)這個(gè)思想利用代碼將xml文件轉(zhuǎn)化為txt格式文件，為建立YOLO模型數(shù)據(jù)集做準(zhǔn)備。改進(jìn)YOLOv5模型數(shù)據(jù)格式如圖6所示。

圖6 YOLOv5數(shù)據(jù)格式

將數(shù)據(jù)集按照5：1：1比例進(jìn)行訓(xùn)練集、驗(yàn)證集和測試集的劃分，隨機(jī)抽取1 000張圖像作為訓(xùn)練集，200張圖像作為驗(yàn)證集，剩余200張圖像作為測試集，并按照如上的數(shù)據(jù)格式對(duì)數(shù)據(jù)集文件夾進(jìn)行建立，完成YOLOv5模型數(shù)據(jù)集的制作，其中，Annotations文件夾和labels文件夾存放圖像標(biāo)注框的坐標(biāo)信息，images文件夾存放數(shù)據(jù)圖像，imageSets文件夾存放訓(xùn)練集和驗(yàn)證集的圖像名稱與存放地址。

4 模型訓(xùn)練

實(shí)驗(yàn)需要搭建深度學(xué)習(xí)平臺(tái)對(duì)YOLOv5模型進(jìn)行訓(xùn)練，管道漏磁缺陷信號(hào)識(shí)別實(shí)驗(yàn)的運(yùn)行環(huán)境如下：CPU為Intel i7-7700 K，GPU為NVDIA GeForce GTX 1070，系統(tǒng)內(nèi)存為16 G，操作系統(tǒng)為 Windows 7 64位，安裝驅(qū)動(dòng)為CUDA 11.2，開發(fā)語言為Python，深度學(xué)習(xí)框架為Pytorch。

首先進(jìn)行數(shù)據(jù)預(yù)處理，訓(xùn)練過程中需要PASCAL VOC和YOLO兩種數(shù)據(jù)文件，利用LabelImg生成格式為PASCAL VOC的數(shù)據(jù)，即.xml后綴文件，再利用代碼將其轉(zhuǎn)化為txt格式文件，轉(zhuǎn)換后的txt文件可以方便YOLOv5模型進(jìn)行數(shù)據(jù)的讀取。之后將準(zhǔn)備好的數(shù)據(jù)集輸入YOLOv5s進(jìn)行訓(xùn)練，然后初始化先驗(yàn)框參數(shù)，YOLOv5采用K-means聚類算法對(duì)數(shù)據(jù)集的標(biāo)注框進(jìn)行聚類得到初始先驗(yàn)框。YOLOv5中的先驗(yàn)框，是由寬w和高h(yuǎn)兩個(gè)參數(shù)組成，利用圖像的像素尺寸，來表示數(shù)據(jù)樣本中樣本的大概形狀。在YOLOv5中共有9個(gè)先驗(yàn)框，平均分配在3個(gè)檢測層上，每個(gè)檢測層分配3個(gè)尺寸不同的檢測框。不同尺寸的檢測框?qū)Σ煌叽绲奶卣饔兄煌拿舾谐潭龋煌叽绲奶卣鲿?huì)匹配與其對(duì)應(yīng)的先驗(yàn)框。運(yùn)行模型得到適合該數(shù)據(jù)集的先驗(yàn)框參數(shù)，并將先驗(yàn)框參數(shù)寫入此模型。通過確定更精確的先驗(yàn)框，可以使網(wǎng)絡(luò)模型對(duì)于待檢測目標(biāo)有更好的識(shí)別精度。

設(shè)置初始先驗(yàn)框后，為模型導(dǎo)入預(yù)訓(xùn)練模型權(quán)重，并通過訓(xùn)練調(diào)整該模型的權(quán)重。訓(xùn)練模型設(shè)置圖像尺寸參數(shù)img為640，單次訓(xùn)練圖像數(shù)batch為16，訓(xùn)練次數(shù)epochs為100次。分別將GIoU Loss和DIoU Loss作為模型訓(xùn)練的損失函數(shù)。

通過建立的數(shù)據(jù)集分別對(duì)原始YOLOv5網(wǎng)絡(luò)和改進(jìn)YOLOv5網(wǎng)絡(luò)進(jìn)行訓(xùn)練，圖像尺寸參數(shù)設(shè)置、單次訓(xùn)練圖像數(shù)和訓(xùn)練次數(shù)保持不變。在漏磁信號(hào)數(shù)據(jù)訓(xùn)練集和驗(yàn)證集上訓(xùn)練后的損失函數(shù)均值曲線與目標(biāo)檢測損失均值曲線分別如圖7和圖8所示。

圖7 原始YOLOv5網(wǎng)絡(luò)在訓(xùn)練集和驗(yàn)證集上損失函數(shù)曲線與目標(biāo)檢測損失均值曲線

圖8 改進(jìn)YOLOv5網(wǎng)絡(luò)在訓(xùn)練集和驗(yàn)證集上損失函數(shù)均值曲線與目標(biāo)檢測損失均值曲線

從圖7、8可以看出，在相同的實(shí)驗(yàn)條件下，改進(jìn)的YOLOv5算法在訓(xùn)練集和驗(yàn)證集上的損失函數(shù)均值與目標(biāo)檢測損失均值和原始的YOLOv5算法相比，均有所下降。針對(duì)訓(xùn)練集，改進(jìn)YOLOv5算法在訓(xùn)練結(jié)束后損失函數(shù)均值由0.058降為0.036，目標(biāo)檢測損失均值由0.071降為0.012；針對(duì)驗(yàn)證集，改進(jìn)YOLOv5算法損失函數(shù)均值由0.066降為0.033，目標(biāo)檢測損失均值由0.078降為0.011。這表明了每處漏磁信號(hào)缺陷識(shí)別框和需要識(shí)別的對(duì)應(yīng)缺陷目標(biāo)框面積之差減小，漏磁信號(hào)識(shí)別框位置也更加準(zhǔn)確，改進(jìn)YOLOv5算法起到了更良好的效果。

5 實(shí)驗(yàn)結(jié)果及分析

5.1 測試過程

將測試集輸入訓(xùn)練后的網(wǎng)絡(luò)，并將權(quán)重文件更改為訓(xùn)練后的最佳權(quán)重。分別對(duì)X、Y、Z三個(gè)方向上的單個(gè)缺陷、組合缺陷、相鄰缺陷、邊緣缺陷以及不規(guī)則缺陷進(jìn)行自動(dòng)識(shí)別。運(yùn)行改進(jìn)后的YOLOv5模型，缺陷的自動(dòng)識(shí)別結(jié)果如圖9～11所示。

圖9 X向漏磁數(shù)據(jù)自動(dòng)識(shí)別結(jié)果

從圖9～11可以看出，對(duì)于X、Y、Z三個(gè)方向上的磁場信號(hào)，通過改進(jìn)的YOLOv5算法，均對(duì)漏磁缺陷信號(hào)進(jìn)行了有效的自動(dòng)識(shí)別。對(duì)于單個(gè)缺陷、組合缺陷、相鄰缺陷、邊緣缺陷以及不規(guī)則缺陷均具有很好的識(shí)別效果。測試結(jié)果表明，改進(jìn)的YOLOv5算法可以在漏磁缺陷圖像上找到缺陷信號(hào)的位置，并形成識(shí)別框。通過自動(dòng)對(duì)缺陷信號(hào)進(jìn)行識(shí)別標(biāo)注，實(shí)現(xiàn)了管道缺陷自動(dòng)識(shí)別的過程。

5.2 測試結(jié)果評(píng)價(jià)

采用插值平均精度方法對(duì)漏磁數(shù)據(jù)的自動(dòng)識(shí)別過程進(jìn)行評(píng)價(jià)，計(jì)算缺陷類別識(shí)別準(zhǔn)確率P和召回率R并繪制P-R曲線，P-R曲線下的面積為平均準(zhǔn)確率AP的值，多個(gè)類別的平均準(zhǔn)確率AP的平均值即為總平均準(zhǔn)確率mAP。對(duì)于YOLOv5模型，平均準(zhǔn)確率AP和總平均準(zhǔn)確率mAP通常被作為評(píng)估模型的指標(biāo)，缺陷類別識(shí)別準(zhǔn)確率P和召回率R的計(jì)算如式(10)、(11)所示：

(10)

式中,TP為準(zhǔn)確檢測出漏磁缺陷信號(hào)的數(shù)量，F(xiàn)P為將非漏磁缺陷信號(hào)檢測為缺陷信號(hào)的數(shù)量。

(11)

式中,FN為將漏磁缺陷信號(hào)檢測為非缺陷信號(hào)的數(shù)量。

(12)

實(shí)驗(yàn)采用的評(píng)估指標(biāo)主要包括：模型訓(xùn)練損失函數(shù)均值、目標(biāo)檢測損失均值以及平均準(zhǔn)確率mAP。其中模型訓(xùn)練損失函數(shù)均值和目標(biāo)檢測損失均值越低，代表漏磁信號(hào)識(shí)別效果越好；平均準(zhǔn)確率mAP值越高，代表模型分辨漏磁缺陷信號(hào)和漏磁非缺陷信號(hào)的能力越好。實(shí)驗(yàn)利用200張未標(biāo)注的管道漏磁信號(hào)圖像對(duì)改進(jìn)的YOLOv5模型進(jìn)行驗(yàn)證，圖12為模型的mAP評(píng)價(jià)結(jié)果，本次訓(xùn)練模型mAP值為0.928，說明該模型精度較高，測試結(jié)果良好，對(duì)管道漏磁信號(hào)缺陷檢測具有一定的可行性。

圖12 模型mAP評(píng)價(jià)結(jié)果

6 結(jié)束語

針對(duì)管道漏磁信號(hào)識(shí)別中存在的問題，在傳統(tǒng)的YOLOv5算法的基礎(chǔ)上，對(duì)YOLOv5算法進(jìn)行了改進(jìn)，提出了基于改進(jìn)的YOLOv5算法的管道漏磁信號(hào)識(shí)別方法。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的YOLOv5算法在漏磁信號(hào)的識(shí)別準(zhǔn)確性上有大幅度提升，缺陷識(shí)別精度相較于原算法有明顯提高，對(duì)漏磁信號(hào)的位置及形態(tài)均具有較好的識(shí)別能力?；诟倪M(jìn)的YOLOv5算法實(shí)現(xiàn)了管道缺陷漏磁數(shù)據(jù)的自動(dòng)檢測和識(shí)別，模型平均準(zhǔn)確率mAP值達(dá)到0.928，實(shí)現(xiàn)了管道漏磁信號(hào)識(shí)別精確度的提升。經(jīng)實(shí)驗(yàn)驗(yàn)證，該方法具有一定的可行性，可在短時(shí)間內(nèi)大量標(biāo)注管道漏磁曲線圖像缺陷信息，降低人員工作量，提升數(shù)據(jù)判讀的準(zhǔn)確性。