周權(quán) 宮彥雙 吳超 安超 劉杰

目前，傳統(tǒng)的油氣管道失效識別技術(shù)依然采用人工檢測分析的方法為主，耗時較長且智能化程度低。提出了一種基于殘差網(wǎng)絡(luò)與遷移學習的管道失效圖像識別算法，通過深度卷積網(wǎng)絡(luò)建立了管道失效識別模型，然后利用大型ImageNet 數(shù)據(jù)集中訓練好的Resnet152模型參數(shù)，在包含1萬余張的管道失效圖像數(shù)據(jù)集上進行微調(diào)與模型優(yōu)化，最終實現(xiàn)對細菌腐蝕、土壤腐蝕、環(huán)境敏感開裂等15種失效類型的準確識別。實驗結(jié)果表明，算法的準確率達到95%以上，并具有較強的泛化能力，能夠?qū)崿F(xiàn)對油氣管道失效類型的快速準確識別。所提算法可以為油氣管道失效的統(tǒng)計與分析提供簡單快捷的方法，提高信息化管理水平。

油氣管道失效； 圖像識別； 殘差網(wǎng)絡(luò)； 遷移學習

TP391.413 A

［定稿日期］2021-12-27

［基金項目］四川省科技計劃項目（項目編號：2020YFG0303、2020YFH0111）；成都市科技項目（項目編號：2019-YF05-02657-SN）

［作者簡介］周權(quán)（1999—），男，在讀碩士，研究方向為機器學習、計算機視覺。

1 油氣管道失效識別

隨著天然氣及石油工業(yè)快速發(fā)展，我國的油氣管道運輸建設(shè)已相對完整，在2020年期間，新建成油氣管道里程高達5 081 km，管道總里程累計達到14.4萬km［1］。相比于油氣管道的飛速建設(shè)，管道的日常維護卻相對薄弱，相關(guān)部門對其投入的人力物力不足。管道的管理和檢測體系不完善，給管道的安全運行造成一定的威脅。

目前，我國每年新增被石油污染的土壤約為10萬t，部分重油田污染區(qū)的土壤原油含量遠遠超過國家標準臨界值。另外，水資源石油污染現(xiàn)狀也不容樂觀，如2006年發(fā)生的長達一個多月的渤海石油污染事件和2009年陜西發(fā)生的地下輸油管道泄漏事件等，給我國海洋環(huán)境和地下水資源造成了嚴重污染［2］。

開展油氣管道失效的識別與統(tǒng)計，可以明確不同類型風險權(quán)重，對提高風險概率計算精度和提高風險評價工作科學性具有重要作用，有助于采取有針對性的維修維護方法，進而提升管理對象本質(zhì)安全，防范失效泄漏的發(fā)生。由于油氣田管線的失效問題涉及材料本身、服役環(huán)境、工藝流程等多個方面，給失效識別工作帶來較大的困難。目前，管道一線巡檢人員在缺乏專業(yè)知識的情況下，難以在現(xiàn)場對失效類型進行準確判斷，失效類型往往不能被有效識別。專業(yè)實驗室識別在時間和費用上較高，不適用于油氣田管道失效多發(fā)的現(xiàn)狀。因此急需建立一種能夠為現(xiàn)場工作人員所掌握的，較為便捷的失效類型識別方法，低成本快速有效識別一些失效類型。

隨著人工智能的快速發(fā)展，計算機視覺技術(shù)已經(jīng)廣泛應(yīng)用于日常生活的各個領(lǐng)域，出現(xiàn)了一系列高效準確的圖像識別算法，如基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識別、垃圾圖像分類、手寫數(shù)字識別等［3-4］。因此，本文提出了一種基于深度學習的油氣管道失效類型識別算法，使用殘差結(jié)構(gòu)搭建了圖像分類神經(jīng)網(wǎng)絡(luò)，并采用遷移學習的方法，對油氣管道圖像數(shù)據(jù)集進行識別和分類。最終的模型能夠?qū)崿F(xiàn)對油氣管道典型失效類型的快速準確識別，有助于完善油氣管道腐蝕管理檢測系統(tǒng)，提高信息化管理水平，為油氣管道工程管理提供簡單快捷的方法和科學的指導(dǎo)意見。

2 生成數(shù)據(jù)集

根據(jù)所采集到的數(shù)據(jù)，制作了相應(yīng)的腐蝕分類圖表，一共分了15個類型，如表1所示。

由于原始采集到的數(shù)據(jù)集較小，約為1 000張圖片，遠遠不夠?qū)嶒炓?，所以先對?shù)據(jù)集進行增強處理以得到更多的數(shù)據(jù)，處理方法有放大縮小、旋轉(zhuǎn)、改變明亮度、平移、添加噪聲等。部分圖片處理后的效果如圖1所示，各類型的原始數(shù)據(jù)量與增強后的數(shù)據(jù)量如表2所示。

增強后一共得到了約10 000張圖片，共15個類型，每個類型約700張，最后按照7∶2∶1的比例劃分訓練集、驗證集和測試集，訓練集數(shù)量約為7 000張，驗證集約為2 000張，測試集約為1 000張，滿足后續(xù)模型訓練要求。

3 算法設(shè)計

3.1 遷移學習

對比傳統(tǒng)機器學習，遷移學習在微調(diào)之前，模型的初始性能更高；在訓練過程中，模型提升的速率更快；在訓練結(jié)束后，得到的模型收斂效果更好，解決了小數(shù)據(jù)樣本在訓練時容易出現(xiàn)的過擬合問題，提高了小數(shù)據(jù)樣本分類問題的準確性和效率性。

本實驗將先凍結(jié)前面卷積層參數(shù)，只訓練最后新建立的全連接層，保存下該次訓練的最優(yōu)模型；然后在前面保存的最優(yōu)模型基礎(chǔ)上，解凍前面的所有的卷積層，進行第二次全局訓練。

3.2 Resnet152

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)當堆疊到一定網(wǎng)絡(luò)深度時，會出現(xiàn)梯度爆炸和退化問題。2015年提出的Resnet網(wǎng)絡(luò)解決了以上問題，它提出殘差結(jié)構(gòu)，建立了輸入與輸出之間的有效連接，使神經(jīng)網(wǎng)絡(luò)在深度拓寬的同時還能保持其特征表達的能力，成功解決了退化問題，可以搭建超深的網(wǎng)絡(luò)結(jié)構(gòu)，超過了1 000層［5］。殘差塊的基本結(jié)構(gòu)如圖2所示。

Resnet中提出了2種映射：

（1）恒等映射（Identity Mapping），指的是圖2中數(shù)字2所標示的部分。

（2）殘差映射（Residual Mapping），指的是圖2中減去恒等映射剩下的部分。

殘差塊的最后的輸出如式（1）所示。

y=F（x）+x（1）

其中殘差指的就是F（x）部分。

在圖2的殘差塊中有2層結(jié)構(gòu)，第一層結(jié)構(gòu)的表達式如式（2）所示。

F=W2σ（W1x）（2）

其中σ代表非線性激活函數(shù)ReLU函數(shù)。

然后通過一個恒等映射和第二個ReLU函數(shù)，得到輸出y ，第二層表達式如式（3）所示。

y=F（x，{Wi}）+x（3）

Resnet152的網(wǎng)絡(luò)結(jié)構(gòu)多達152層，可以更加充分提取提取圖像特征，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。從第 1 組卷積塊起到第 5 組均為殘差模塊，將大小為 224×224 的圖像數(shù)據(jù)輸送后，經(jīng)殘差網(wǎng)絡(luò)提取特征進行學習訓練。經(jīng)過訓練后，將圖像輸入平均池化層取平均，最終由全連接層的 LogSoftmax 函數(shù)進行圖像類別的劃分。

4 實驗流程

運行環(huán)境為Windows10 64bit系統(tǒng)，CPU為AMD Ryzen 9 5900HX，GPU為NVIDIA Geforce RTX 3070。實驗基于Facebook開源的Pytorch框架運行，采用Python3語言編寫。

具體流程：

（1）數(shù)據(jù)預(yù)處理：加載訓練集和驗證集，通過torch中的transforms函數(shù)，對每個epoch數(shù)據(jù)圖像進行處理。

（2）模型初始化：加載在ImageNet上預(yù)訓練的Resnet152模型參數(shù)，凍住前面所有的卷積層參數(shù)。

（3）修改全連接層：重新定義最后的全連接層參數(shù)，將其改為15分類問題，采用LogSoftmax。

（4）設(shè)置優(yōu)化器和損失函數(shù)：采用NLLLoss損失函數(shù)和Adam優(yōu)化器，學習率為 0.000 1。

（5）全連接層訓練：總共訓練25個epoch，畫出模型的性能曲線，保存驗證集準確率最高的模型。

（6）全局訓練：先加載（5）中保存的模型，解凍前面的卷積層，使所有參數(shù)可以參與訓練，學習率為0.000 1，訓練30個epoch，最后保存驗證集準確率最高的那次模型作為最優(yōu)實驗?zāi)Ｐ汀?/p>

（7）模型測試：加載測試集數(shù)據(jù)與最優(yōu)模型，對測試集進行驗證。

5 實驗結(jié)果與分析

對2次訓練和一次測試過程進行性能分析，以迭代過程中損失函數(shù)值和預(yù)測精度為性能評估標準，分析模型的收斂性能及預(yù)測準確率。

5.1 全連接層訓練

圖4為模型準確率曲線，圖5為模型的損失函數(shù)曲線。從圖4可以看出，隨著迭代次數(shù)的增加，準確率一直處于上升狀態(tài)。當?shù)螖?shù)到達第20次時，驗證集準確率超過95%，訓練集準確率接近90%，曲線趨于穩(wěn)定，基本達到收斂狀態(tài)。

從圖5可以看出，訓練過程中，訓練集和驗證集的損失函數(shù)值一直呈平穩(wěn)下降趨勢，并沒有出現(xiàn)過擬合情況。

實驗結(jié)果可知，全連接層訓練的驗證集最高準確率出現(xiàn)在第23個epoch時，其數(shù)值為0.964 3，保存下該次訓練的模型。

5.2 全局訓練

加載全連接層訓練保存的模型，解凍前面的卷積層，訓練所有網(wǎng)絡(luò)參數(shù)，圖6、圖7分別為訓練過程中模型準確率曲線與損失函數(shù)值曲線。

從圖6可知，模型的準確率在小范圍內(nèi)發(fā)生波動，總體呈上升趨勢，epoch為29時，準確率達到98%。從圖7可知，訓練集和驗證集的損失函數(shù)值整體處于下降狀態(tài)，并未出現(xiàn)過擬合現(xiàn)象。

全局訓練的驗證集最高準確率出現(xiàn)在第29個epoch時，其數(shù)值為0.980 3，保存下該模型，作為訓練的最優(yōu)模型。

5.3 模型測試

測試集數(shù)量為1 000張左右，加載前面訓練保存的最優(yōu)模型，在測試集上進行實驗。圖8是部分圖片預(yù)測結(jié)果，圖9是所有圖片預(yù)測結(jié)果的混淆矩陣。

從圖8的預(yù)測結(jié)果和圖9的混淆矩陣可以看出，模型識別的準確率較高。從混淆矩陣可以看到，1 000余張測試圖片，僅有35張圖片預(yù)測錯誤，預(yù)測準確率達到了95%以上。

6 結(jié)論

本文將深度學習應(yīng)用于油氣管道失效類型的識別中，建立了一種基于遷移學習和殘差網(wǎng)絡(luò)的管道失效分類模型。實驗結(jié)果表明，Resnet152模型能夠做到在較少的Epoch次數(shù)中獲得高準確度。實驗過程包括兩次訓練，在第一次全連接層訓練中，僅經(jīng)過20次Epoch，其識別準確率能達到95%；在第二次全局訓練中，經(jīng)過30次Epoch，模型達到98%的準確率，并且最后的測試集準確率達到了95%以上。因此，該模型具有泛化能力較強、準確率較高、魯棒性較好等特點，可以為油氣管道失效類型的識別提供科學參考意見，提高信息化管理水平，有利于減少因管道失效泄露導(dǎo)致的環(huán)境污染。

參考文獻

［1］ 關(guān)鵬.論我國石油管道建設(shè)的特點和發(fā)展趨勢［J］.中國石油和化工標準與質(zhì)量，2019，39（18）：103-104.

［2］ 郭峰.石油污染治理技術(shù)綜述［J］.化工管理，2021（19）：51-53.

［3］ 邱靖，劉繼榮，曹志勇，等.基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識別研究［J］.云南農(nóng)業(yè)大學學報（自然科學），2019，34（5）：884-888.

［4］ 李優(yōu)，穆林平.基于遷移學習的垃圾圖像分類模型研究［J］.電腦與信息技術(shù)，2021，29（4）：17-21.

［5］ 郭玥秀，楊偉，劉琦，等.殘差網(wǎng)絡(luò)研究綜述［J］.計算機應(yīng)用研究，2020，37（5）：1292-1297.