摘 要 在進(jìn)行漏磁內(nèi)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(zhǔn)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(fù)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(gòu)引入GSConv網(wǎng)絡(luò)與坐標(biāo)注意力機(jī)制（CA），通過Slim?Neck結(jié)構(gòu)重構(gòu)主干網(wǎng)絡(luò)，并利用有限元仿真生成的管道特殊部件漏磁圖像數(shù)據(jù)集進(jìn)行訓(xùn)練。結(jié)果表明，改進(jìn)的YOLOv5算法實現(xiàn)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(dá)到87.1%，較原YOLOv5算法提升了4.3%，并且在相同的訓(xùn)練條件下，改進(jìn)的YOLOv5算法具有較小的內(nèi)存占用量，更適用于小管徑管道。

關(guān)鍵詞 小管徑管道 特殊部件 漏磁內(nèi)檢測 YOLOv5

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

小管徑管道在工業(yè)和生產(chǎn)領(lǐng)域扮演著至關(guān)重要的角色，其在輸送液體、氣體及化學(xué)品等方面具有廣泛的應(yīng)用，為防止管道因腐蝕等問題引發(fā)嚴(yán)重事故，必須實施定期的檢測與維護(hù)[1]。相比長輸油氣管道，小管徑管道特殊部件數(shù)量更多，且類型更復(fù)雜，在實際檢測過程中，這些特殊部件被磁化后也會產(chǎn)生漏磁場[2]。通過對小管徑管道特殊部件進(jìn)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(chǎn)生缺陷，威脅安全生產(chǎn)[3]，因此，亟需一種快速識別和區(qū)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(fā)現(xiàn)周期并增強(qiáng)定位精度。

深度學(xué)習(xí)通過多層神經(jīng)網(wǎng)絡(luò)的堆疊，能夠自動提取特征，省去了傳統(tǒng)信號處理的繁瑣步驟，為復(fù)雜工業(yè)場景的智能化檢測提供了新的技術(shù)路徑?；谏疃葘W(xué)習(xí)的管道漏磁內(nèi)檢測技術(shù)結(jié)合了計算機(jī)視覺和深度學(xué)習(xí)算法，能夠有效實現(xiàn)對管道漏磁內(nèi)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(lǐng)域已實現(xiàn)跨越式發(fā)展[4，5]，PAN J H和GAO L通過改進(jìn)CLIQUE算法，實現(xiàn)了缺陷的標(biāo)記與定位[6];王國慶團(tuán)隊優(yōu)化了YOLOv5，用于漏磁信號的自動識別[7];YANG L J等則通過優(yōu)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(xué)習(xí)算法，通過優(yōu)化網(wǎng)絡(luò)層數(shù)實現(xiàn)了較高的測試精度[9]。

基于此，提出了一種改進(jìn)的YOLOv5算法，結(jié)合有限元仿真技術(shù)，構(gòu)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(shù)據(jù)進(jìn)行預(yù)處理，輸出適配深度學(xué)習(xí)訓(xùn)練的漏磁特征圖像;通過采用基于GSConv網(wǎng)絡(luò)的Slim?Neck結(jié)構(gòu)，替換YOLOv5網(wǎng)絡(luò)模型的主干網(wǎng)絡(luò)，實現(xiàn)輕量化網(wǎng)絡(luò)，并引入CA（Coordinate Attention）注意力模塊，提升模型檢測精度，利用改進(jìn)后的YOLOv5算法對管道漏磁圖像進(jìn)行訓(xùn)練，實現(xiàn)對管道特殊部件漏磁信號的自主辨識。在此基礎(chǔ)上，結(jié)合測試結(jié)果及一系列的評價指標(biāo)，評估該方法的優(yōu)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(gòu)建

利用Maxwell軟件建立管道規(guī)格為?114 mm×8 mm的小管徑管道永磁勵磁漏磁內(nèi)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(jìn)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(jié)模型進(jìn)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(jié)構(gòu)，確保檢測器在小管徑環(huán)境中的靈活穿行與穩(wěn)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(dǎo)率設(shè)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(jié)構(gòu)的勵磁源，并按激勵方向設(shè)定其矯頑力的方向及幅值[10]。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 異常數(shù)據(jù)提取和標(biāo)準(zhǔn)化處理

在實際漏磁內(nèi)檢測過程中，大多數(shù)由漏磁檢測器采集到的數(shù)據(jù)，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(shù)據(jù)進(jìn)行處理以定位和提取異常數(shù)據(jù)信息;同時，用于深度學(xué)習(xí)網(wǎng)絡(luò)模型訓(xùn)練的數(shù)據(jù)集必須為標(biāo)準(zhǔn)化數(shù)據(jù)，即所有用于構(gòu)建數(shù)據(jù)集的異常信號必須采用相同的通道數(shù)和里程數(shù)。

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

首先確定每個數(shù)據(jù)通道的磁通量數(shù)據(jù)平均值，將每個數(shù)據(jù)點與該點所在通道的平均值之間的數(shù)據(jù)值的大小進(jìn)行比較，如果當(dāng)前值與平均值的差值大于閾值，并且至少一個相鄰的數(shù)據(jù)點也滿足該條件，則該點被判斷為有效的異常數(shù)據(jù)。為了分離不同類型的異常數(shù)據(jù)，使用一個合并準(zhǔn)則：如果兩個有效異常數(shù)據(jù)點之間的非異常數(shù)據(jù)點數(shù)量超過一定距離，則判斷這些異常數(shù)據(jù)點屬于兩個不同類型異常數(shù)據(jù)。將每個原始異常信號數(shù)據(jù)集的中心作為相應(yīng)的新標(biāo)準(zhǔn)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(shù)據(jù)，形成標(biāo)準(zhǔn)化漏磁異常信號單通道數(shù)據(jù)集。

利用有限元仿真得到的漏磁檢測數(shù)據(jù)樣本，通過上述流程循環(huán)判斷每條通道的異常數(shù)據(jù)，最終合并提取所有異常漏磁信號數(shù)據(jù)，形成標(biāo)準(zhǔn)化漏磁信號數(shù)據(jù)集并導(dǎo)出處理結(jié)果。

利用Origin軟件對數(shù)據(jù)進(jìn)行偏移處理，增加通道間距，生成了包含完整細(xì)節(jié)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(shù)據(jù)成像

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

基于預(yù)設(shè)色彩編碼規(guī)則，將單通道灰度數(shù)據(jù)重構(gòu)為多通道偽彩色空間表達(dá)[11]。具體步驟如下：首先，對仿真漏磁數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)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(qū)間[min，max]為基準(zhǔn)，將原始數(shù)據(jù)線性映射至[0，1]實現(xiàn)歸一化。隨后，根據(jù)公式定義的映射關(guān)系，將每個像素的灰度值f（x，y）分別轉(zhuǎn)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(yīng)的通道數(shù)。

變換函數(shù)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(gòu)建數(shù)據(jù)集

由于采集的漏磁圖像數(shù)量有限，為了防止訓(xùn)練過程中模型過擬合，也為了顯著增加數(shù)據(jù)樣本集的數(shù)量和多樣性，在訓(xùn)練之前需要進(jìn)行數(shù)據(jù)增強(qiáng)。通過旋轉(zhuǎn)、剪切、調(diào)節(jié)亮度、添加噪聲等圖像增強(qiáng)方法，共得到1 582幅訓(xùn)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(shù)據(jù)集分為原始圖像和增強(qiáng)圖像，采用LabelImg工具標(biāo)注并轉(zhuǎn)換為VOC格式，并按7∶2∶1比例進(jìn)行數(shù)據(jù)集劃分。

2 特殊部件識別算法

作為實時目標(biāo)檢測領(lǐng)域的標(biāo)桿算法，YOLOv5憑借其卓越的精度-速度平衡特性，已成為工業(yè)檢測的首選框架。相比傳統(tǒng)算法，YOLOv5在特征提取、預(yù)測網(wǎng)絡(luò)和損失函數(shù)方面進(jìn)行了多項優(yōu)化，其結(jié)構(gòu)包括輸入層、主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測層[12]。

模型以YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，采用基于GSConv網(wǎng)絡(luò)的Slim?Neck結(jié)構(gòu)，替換YOLOv5網(wǎng)絡(luò)模型的主干網(wǎng)絡(luò)，通過輕量化設(shè)計，減少了模型的內(nèi)存占用，同時提高了檢測速度。

GSConv模塊的執(zhí)行流程如下：輸入的特征圖經(jīng)標(biāo)準(zhǔn)卷積降維后，與深度可分離卷積（DWConv）輸出進(jìn)行跨通道融合，形成復(fù)合特征表達(dá);將兩組結(jié)果沿通道維度拼接，并通過通道重排（Shuffle）操作將對應(yīng)通道交替排列，形成新的融合特征圖。該模塊的結(jié)構(gòu)設(shè)計如圖6所示。

全模型部署GSConv將導(dǎo)致計算復(fù)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(shù)，構(gòu)建了一個跨層局部網(wǎng)絡(luò)（GSCSP）模塊VoV?GSCSP（圖7）[13]。

在Backbone與Neck連接處植入坐標(biāo)注意力CA模塊，可以通過雙軸位置編碼強(qiáng)化小目標(biāo)特征捕獲能力。CA機(jī)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(wǎng)絡(luò)在關(guān)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(jìn)的C3模塊如圖8所示。進(jìn)一步將CA模塊與C3層融合，構(gòu)建改進(jìn)的C3CA模塊，最終形成輕量化YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)如圖9所示。

3 試驗結(jié)果及分析

3.1 模型訓(xùn)練

試驗在Intel i5?12490 CPU和GTX 1660Super GPU的平臺上進(jìn)行，系統(tǒng)內(nèi)存16 GB，運行Windows 10 64位系統(tǒng)，使用CUDA 10.2驅(qū)動，Python語言和Pytorch框架。設(shè)定批量尺寸16、初始學(xué)習(xí)率0.01、最大訓(xùn)練輪次100次的訓(xùn)練策略，確保模型穩(wěn)定收斂。

3.2 評價指標(biāo)

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

式中 FP——將非特殊部件檢測為特殊部件的數(shù)量;

FN——將特殊部件檢測為非特殊部件的數(shù)量;

TP——準(zhǔn)確檢測出特殊部件的數(shù)量。

每個目標(biāo)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(biāo)Precision;

R——P?R曲線的橫坐標(biāo)Recall。

mAP指標(biāo)通過計算各類別AP值的算術(shù)平均數(shù)獲得，全面反映模型的多目標(biāo)識別性能，即：

式中 i——當(dāng)前類別的編號;

n——訓(xùn)練樣本集的類別總數(shù)。

3.3 訓(xùn)練結(jié)果

利用構(gòu)建好的數(shù)據(jù)集，保持圖像分辨率、批次樣本量及訓(xùn)練輪次等參數(shù)一致，分別對基線YOLOv5與改進(jìn)模型進(jìn)行全流程訓(xùn)練。訓(xùn)練結(jié)束后，得到的邊界框損失函數(shù)均值曲線、mAP均值曲線，分別對應(yīng)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(shù)和mAP均值在模型訓(xùn)練過程中的收斂趨勢可知，改進(jìn)后的識別方法在相同訓(xùn)練輪次下?lián)p失函數(shù)值低于原始模型，且mAP均值更高，表明改進(jìn)后的模型具有更快的收斂速度和更優(yōu)的識別精度。

為了更直觀地檢驗?zāi)Ｐ蛯β┐艌D像自動識別能力，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。運行原始YOLOv5模型和改進(jìn)后的YOLOv5模型，管道漏磁圖像自動識別結(jié)果對比如圖12所示，由圖可知，改進(jìn)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(jìn)模塊對最終性能的貢獻(xiàn)度。

以原始YOLOv5s算法為基礎(chǔ)，引入其他注意力機(jī)制，進(jìn)行性能對比。具體的消融試驗數(shù)據(jù)結(jié)果見表2。

表2中數(shù)據(jù)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(shù)量與計算復(fù)雜度顯著增加[16]。而采用GSConv與Sim?Neck結(jié)合的輕量化設(shè)計雖可壓縮參數(shù)量并降低計算負(fù)擔(dān)，卻伴隨精度損失。相比之下，本研究的改進(jìn)算法通過優(yōu)化權(quán)重分配，在維持精度的同時實現(xiàn)模型輕量化，綜合性能優(yōu)于對比方法。

為驗證改進(jìn)YOLOv5的優(yōu)越性，將其與SSD、Faster R?CNN進(jìn)行對比，結(jié)果見表3。

進(jìn)一步對比表3中的數(shù)據(jù)，傳統(tǒng)算法SSD精度低（mAP@0.5 56.0%）且模型內(nèi)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(fù)雜的兩階段結(jié)構(gòu)導(dǎo)致運行效率低下。相較之下，改進(jìn)YOLOv5算法以87.1%的mAP@0.5和11.6 MB的輕量內(nèi)存占用，兼具高精度與高效性，更適配工業(yè)場景的實時檢測需求。

4 結(jié)束語

本研究通過融合輕量化結(jié)構(gòu)與注意力機(jī)制，構(gòu)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(jié)果表明，改進(jìn)模型在管道特殊部件漏磁圖像中實現(xiàn)了87.1%的平均檢測精度，且參數(shù)量縮減至5.45×106，具有較小的內(nèi)存占用量，較傳統(tǒng)算法顯著降低資源消耗，可以有效實現(xiàn)對小管徑管道特殊部件的快速檢測和識別，進(jìn)而更方便和快速地實現(xiàn)缺陷的定位，滿足工業(yè)場景中對實用性與準(zhǔn)確性的雙重需求。

參 考 文 獻(xiàn)

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

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

[3] 葉光，霍曉彤，朱楊可.高鋼級管道環(huán)焊縫異常漏磁內(nèi)檢測與射線驗證結(jié)果關(guān)聯(lián)性分析[J].化工機(jī)械，2021，48（5）：639-643.

[4] 崔偉，黃松嶺，趙偉.基于RBF網(wǎng)絡(luò)的漏磁檢測缺陷定量分析方法[J].清華大學(xué)學(xué)報（自然科學(xué)版），2006，46（7）：1218-1222.

[5] 趙翰學(xué)，張咪，郭巖寶，等.基于機(jī)器學(xué)習(xí)的管道金屬損失缺陷識別方法[J].石油機(jī)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(jìn)YOLOv5算法的管道漏磁信號識別方法[J].計算機(jī)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(guī)律[J].化工機(jī)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(xiàn)代電子技術(shù)，2023，46（22）：151-158.

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

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

[14] 王竹筠，楊理踐，高松巍.基于改進(jìn)SSD網(wǎng)絡(luò)的管道漏磁缺陷圖像識別算法[J].沈陽航空航天大學(xué)學(xué)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(biāo)識別[J].計算機(jī)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(shù)值模擬研究[J].中國特種設(shè)備安全，2021，37（9）：37-41.