圖 1CNN模型的典型架構(gòu)
隨著全球能源需求的不斷增長和能源資源開發(fā)的迅猛發(fā)展,油氣管道作為能源運輸?shù)闹匾ǖ?承載著巨大的責(zé)任和挑戰(zhàn)。油氣管道的安全運行對維持能源供應(yīng)、保障經(jīng)濟發(fā)展和保護環(huán)境具有重要意義。油氣管道一般深埋在地底下,容易出現(xiàn)由運輸介質(zhì)腐蝕造成的內(nèi)壁缺陷以及由土壤等外部環(huán)境影響造成的外壁缺陷,缺陷的形式包括點蝕、孔洞、裂紋和破損等[1],缺陷嚴重的話易導(dǎo)致管道泄漏,從而造成嚴重的安全事故和環(huán)境污染。據(jù)統(tǒng)計,2022年,中國新建成的油氣管道里程約4 668 km,油氣管道總里程累計達到155×103km[2]?？梢?對管道進行定期的安全檢測是十分必要的。目前用于管道檢測的方法有很多,其中漏磁檢測法可靠性高,不需要使用耦合劑,受外界干擾小且檢測速度快,已成為國內(nèi)外應(yīng)用最為普遍的管道檢測技術(shù)之一[3-6]。
管道健康的評估主要依靠分析漏磁內(nèi)檢測數(shù)據(jù),由于石油管道管線鋪設(shè)距離都是上千公里,漏磁內(nèi)檢測數(shù)據(jù)量過于龐大,且數(shù)據(jù)的識別與分析仍大多是通過人工判讀的方式進行的,這種方式存在效率低、誤判率高、人工成本高等諸多問題。故,迫切需要一種智能的檢測方法代替人工判讀[7-8]。深度學(xué)習(xí)作為人工智能技術(shù)的重要發(fā)展方向,可以顯著提高數(shù)據(jù)分析的效率。近年來,深度學(xué)習(xí)技術(shù)取得了諸多重大突破,其具有的強大的特征提取能力和優(yōu)異的學(xué)習(xí)訓(xùn)練能力引起了管道漏磁檢測領(lǐng)域?qū)W者的關(guān)注[9]。基于此,主要從管道目標檢測、管道異常分類和管道缺陷量化等三個方面概述了深度學(xué)習(xí)在油氣管道漏磁檢測領(lǐng)域的應(yīng)用,最后討論了深度學(xué)習(xí)在漏磁檢測領(lǐng)域所存在的問題及未來的發(fā)展趨勢。
1. 深度學(xué)習(xí)概述
深度學(xué)習(xí)的概念最早由Geoffrey Hinton教授于2006年提出[10],屬于機器學(xué)習(xí)的分支。其基本思想是通過構(gòu)建多層網(wǎng)絡(luò),從目標對象中自動提取抽象特征,實現(xiàn)目標的多層表示,獲得更好的特征魯棒性。深度學(xué)習(xí)法已成為信號分析領(lǐng)域的熱點,該方法在目標檢測、圖像重建以及數(shù)據(jù)分析等方面取得了許多突破,并且進一步地擴展到了無損檢測領(lǐng)域[11-12]。相比于淺層神經(jīng)網(wǎng)絡(luò)在處理復(fù)雜函數(shù)和自然信號以及模型泛化能力上的不足,深度學(xué)習(xí)的深層自主學(xué)習(xí)能力和強大的模型診斷與自我泛化能力有效彌補了傳統(tǒng)方法對人工經(jīng)驗的依賴性[13]。典型的深度學(xué)習(xí)模型主要有深度置信網(wǎng)絡(luò)(DBN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)和自編碼器(AE)。卷積神經(jīng)網(wǎng)絡(luò)是最流行的深度學(xué)習(xí)算法之一,在圖像分類和識別方面表現(xiàn)良好。CNN模型的典型架構(gòu)如圖1所示[14],該模型具有4個主要模塊,即輸入、特征提取、分類和輸出模塊。輸入模塊接收圖像,輸出模塊提供“正常”或“異常”等分析結(jié)果。根據(jù)訓(xùn)練數(shù)據(jù)和CNN 模型,可以對異常類型進行分類,例如裂紋和腐蝕。特征提取模塊是由卷積層和池化層等多個神經(jīng)網(wǎng)絡(luò)層組成的,從輸入圖像中提取特征。分類層通過全連接層對提取的特征進行分類,不同層的參數(shù)通過訓(xùn)練數(shù)據(jù)進行校準。經(jīng)過近年來的不斷發(fā)展,CNN的一些算法已經(jīng)成功應(yīng)用于管道漏磁信號的缺陷分類和目標檢測,并取得了良好的效果[15-16]。
2. 深度學(xué)習(xí)在油氣管道漏磁檢測領(lǐng)域的應(yīng)用
深度學(xué)習(xí)的引入為管道漏磁檢測提供了一種新的高效解決方案。筆者主要從管道目標檢測、管道異常分類以及管道缺陷量化等三個方面介紹深度學(xué)習(xí)在油氣管道漏磁檢測領(lǐng)域的應(yīng)用。準確的目標檢測可以定位異常位置,便于有效指導(dǎo)后續(xù)管道的開挖和修復(fù)工作。異常分類可以將缺陷和其他管道異常區(qū)分開來,便于后續(xù)缺陷的反演。缺陷量化即對缺陷進行定量分析,定量數(shù)據(jù)是評價管道損傷程度的重要依據(jù)[17-19]。
2.1 管道目標檢測
目標檢測是從漏磁信號中提取管道異常區(qū)域,然后對所有類型的異常進行定位和識別。目標檢測不僅可以檢測出圖像中的缺陷以及組件的類別,還包括了缺陷的位置信息,符合管道檢測的實際需求。傳統(tǒng)目標檢測在檢測時會面臨漏磁數(shù)據(jù)量龐大和工作環(huán)境惡劣等問題,將深度學(xué)習(xí)與目標檢測結(jié)合,為解決上述難題提供了可行的方案,已有許多學(xué)者將基于深度學(xué)習(xí)的目標檢測算法應(yīng)用到管道漏磁檢測中。
YANG等[20]提出一種基于多尺度SSD網(wǎng)絡(luò)的管道漏磁圖像檢測算法,在SSD算法中引入膨脹卷積和注意力殘差模塊,對管道漏磁圖像中的缺陷、環(huán)焊縫和螺旋焊縫有較好的識別檢測效果。王宏安[21]提出一種基于深度學(xué)習(xí)的管道環(huán)焊縫目標檢測方法,該方法包含了特征提取模塊和預(yù)測模塊,特征提取模塊利用卷積神經(jīng)網(wǎng)絡(luò)自動提取特征,預(yù)測模塊使用全連接網(wǎng)絡(luò)和卷積網(wǎng)絡(luò)預(yù)測目標的類別,該方法在較大的噪聲和數(shù)據(jù)局部缺失的情況下也有較好的表現(xiàn)。劉金海等[22]提出一種自監(jiān)督的缺陷檢測方法,使用SIMCLR框架對可視化缺陷進行訓(xùn)練,并生成預(yù)訓(xùn)練模型,并將預(yù)訓(xùn)練后的模型替換到Faster R-CNN的特征提取網(wǎng)絡(luò)中,然后使用該網(wǎng)絡(luò)檢測漏磁圖像中的缺陷類型和位置。SHEN等[23]提出了一種改進的級聯(lián)R-CNN多目標檢測算法,利用該算法對管道分支、三通和焊縫進行檢測,通過在級聯(lián)R-CNN中添加FPN (特征金字塔網(wǎng)絡(luò))和OHEM (在線難例挖掘)來提高檢測的精度。為了提升目標檢測的準確性,王國慶等[24]在傳統(tǒng)YOLOv5算法的基礎(chǔ)上,通過引入損失函數(shù)Distance-IoU對檢測算法YOLOv5進行改進,YOLOv5網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示,模型結(jié)構(gòu)包括輸入端、Backbone、Neck和Prediction四部分,輸入端可以將圖像進行預(yù)處理,Backbone為基準網(wǎng)絡(luò),該模塊的功能是提取圖像的一些通用特征,Neck網(wǎng)絡(luò)用于提升特征的魯棒性和多樣性,Prediction模塊使用GIOU-Loss損失函數(shù),可以大大提高算法的檢測精度。利用改進的YOLOv5算法對管道漏磁數(shù)據(jù)進行訓(xùn)練,使之具有對漏磁缺陷信號自動識別的能力,結(jié)果表明,相同訓(xùn)練條件下,改進算法的準確率明顯提升,可在短時間內(nèi)大量標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)判讀的準確性。JIANG等[25]提出一種周期監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)（CsCNN）,來實現(xiàn)無監(jiān)督缺陷檢測,不需要任何的先驗信息和標簽。CsCNN 的構(gòu)建包括多個具有相同結(jié)構(gòu)的CNN和一個周期監(jiān)督部分,首次檢測無監(jiān)督管道異常情況,檢測精度為0.935,對缺陷有良好的檢測性能。
圖 2YOLOv5算法架構(gòu)示意
2.2 管道異常分類
漏磁信號在管道正常區(qū)域、缺陷區(qū)域和組件區(qū)域會呈現(xiàn)出不同的信號特征。油氣管道的異常分類是根據(jù)獲得的信號特征將管道的不同區(qū)域分為不同的類別。傳統(tǒng)分類方法依賴于手動特征提取或定義,這會帶來噪聲并降低檢測精度[26]。深度學(xué)習(xí)的引入為異常分類提供了新的高效解決方案?；诰矸e神經(jīng)網(wǎng)絡(luò)的算法大大提高了分類的精度,一些應(yīng)用案例表明,這種方法的分類能力已經(jīng)遠超過傳統(tǒng)方法的。
楊理踐等[27]提出一種改進的卷積神經(jīng)網(wǎng)絡(luò)來識別油管道焊縫法蘭組件,該方法直接應(yīng)用漏磁圖像替代傳統(tǒng)的特征提取。改進的結(jié)構(gòu)包括了2個卷積層、1個局部響應(yīng)歸一化層、2個池化層、1個全連接分類層和1個Softmax層。試驗結(jié)果表明該方法識別靈敏度為85.3%,優(yōu)于其他基于特征的智能識別方法。YANG等[28]還使用經(jīng)過預(yù)訓(xùn)練后和篩選后的卷積核構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)能夠自動提取焊縫圖像中的特征,從500張漏磁信號圖像中對環(huán)焊縫和螺旋焊縫進行分類,分類準確率為95.1%。王竹筠等[29]提出一種基于改進SSD網(wǎng)絡(luò)的管道漏磁圖像識別算法,在SSD模型中加入多孔卷積,結(jié)合膨脹卷積來擴展網(wǎng)絡(luò)的感知場,提取低分辨率高語義信息特征,從而提高對小目標細節(jié)特征的學(xué)習(xí)能力。該算法可以準確識別漏磁數(shù)據(jù)中環(huán)向焊縫、螺旋焊縫和缺陷的位置,算法準確率達92.62%,誤檢率小于3%,漏檢率小于6%。趙翰學(xué)等[30]采用支持向量機、隨機森林和梯度提升決策樹(GBDT)這3種機器學(xué)習(xí)算法對缺陷信號特征量進行了分類識別。該研究利用交叉驗證法來進行參數(shù)調(diào)優(yōu)使算法達到較好的效果,并對凹坑數(shù)據(jù)集、穿孔數(shù)據(jù)集、周向裂紋數(shù)據(jù)集、表面剝落數(shù)據(jù)集和軸向裂紋數(shù)據(jù)集進行分類識別,結(jié)果表明,3種算法對于缺陷的分類識別效果均較好。LIU等[31]提出了一種改進的深度殘差卷積神經(jīng)網(wǎng)絡(luò),用于對管道缺陷進行分類,包括焊縫和腐蝕。該深度殘差網(wǎng)絡(luò)以 VGG16卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),VGG16網(wǎng)絡(luò)模型如圖3所示,主要包括輸入層、卷積層、池化層、全連接層和Softmax層,輸入圖像為相同大小的預(yù)處理圖像,通過卷積層提取特征,得到一定數(shù)量的特征圖；然后將特征圖輸入到池化層進行下采樣,對特征圖進行泛化,并使用ReLU函數(shù)作為每個卷積層后面的激活函數(shù),使函數(shù)非線性,全連接層用于組織和合成提取的特征,Softmax函數(shù)通常用作分類器。該方法還引入了注意力模塊以減少噪聲和復(fù)合特征的影響。耿麗媛等[32]提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的管道漏磁內(nèi)檢測環(huán)焊縫缺陷智能分類方法,以漏磁信號圖像為樣本,并以環(huán)焊縫開挖后射線檢測發(fā)現(xiàn)的缺陷類型為樣本標簽建立數(shù)據(jù)庫；然后使用深度卷積生成對抗網(wǎng)絡(luò)（DCGAN）擴展和增強數(shù)據(jù)集,并用于改進和訓(xùn)練殘差網(wǎng)絡(luò)；再使用經(jīng)過訓(xùn)練的網(wǎng)絡(luò)對環(huán)焊縫的漏磁檢測信號圖像進行分類。該方法可實現(xiàn)對常見條形缺陷和圓形缺陷的識別分類。CHEN等[33]提出了一種結(jié)合YOLOv5 和 ViT 模型的級聯(lián)深度學(xué)習(xí)方法,用于準確檢測和分類管道缺陷。該方法使用拉通測試（PTT）生成的內(nèi)部實驗室數(shù)據(jù)集進行模型訓(xùn)練和驗證,在管道缺陷分類精度方面優(yōu)于單純的YOLOv5算法,同時在缺陷檢測方面保持了較高的精度。
圖 3VGG16網(wǎng)絡(luò)模型結(jié)構(gòu)示意
2.3 管道缺陷量化
漏磁檢測信號的量化過程,即根據(jù)檢測得到的漏磁信號確定出對應(yīng)管道缺陷幾何參數(shù)的過程[34]。缺陷的大小,特別是缺陷的深度,是評價管道損傷程度的重要指標。傳統(tǒng)的缺陷量化方法分為直接法和間接法,直接法是通過統(tǒng)計分析獲得缺陷尺寸和漏磁信號之間的定量關(guān)系,進而來量化缺陷的大小,這種方法測量精度低,特別依賴經(jīng)驗數(shù)據(jù)。間接法是將前向模型和閉環(huán)迭代結(jié)構(gòu)相結(jié)合,實現(xiàn)尺寸的最優(yōu)更新。這些方法在很大程度上依賴于前向模型的準確性,并且很容易陷入局部最優(yōu)。雖然目前只有少數(shù)學(xué)者研究了基于深度學(xué)習(xí)的管道缺陷量化方法,但都取得了較好的定量結(jié)果。
LU等[35]提出了一種新的視覺變換神經(jīng)網(wǎng)絡(luò)來估計缺陷的大小。通過引入視覺變換層,該網(wǎng)絡(luò)能夠更準確地區(qū)分不同尺寸的缺陷特征,在實際應(yīng)用中,采用3種VT-CNN對缺陷的長度、寬度和深度進行量化。WANG等[36]建立了一種漏磁缺陷信號的量化模型,模型結(jié)構(gòu)如圖4所示,其包括 CNN 模塊和回歸模塊。其將漏磁信號的3個分量輸入CNN 模塊,自動提取特征；在回歸模塊中設(shè)計了缺陷長度、寬度和深度的聯(lián)合損失函數(shù),以量化缺陷尺度。WU等[37]提出一種基于強化學(xué)習(xí)（RL）的算法來估計缺陷的深度,將經(jīng)典的基于迭代的方法嵌入到所提出的基于強化學(xué)習(xí)的算法學(xué)習(xí)過程中,并從迭代過程產(chǎn)生的數(shù)據(jù)中學(xué)習(xí)策略。試驗結(jié)果表明,峰值深度誤差（PDE）小于 2.94%。崔國寧等[38]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的缺陷尺寸智能量化方法。該方法利用卷積核來提取缺陷處的數(shù)據(jù)特征,采用Adam優(yōu)化器和MAE損失函數(shù)線性輸出訓(xùn)練結(jié)果,實現(xiàn)對缺陷尺寸的智能測量。其對管道缺陷具有良好的量化能力,量化誤差為2~4 mm。ZHANG等[39]提出了一種視覺深度轉(zhuǎn)移學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（VDTL）來預(yù)測缺陷尺寸。VDTL網(wǎng)絡(luò)由可視化數(shù)據(jù)轉(zhuǎn)換層、遷移學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)（CNN）層和全連接層組成,該網(wǎng)絡(luò)可以預(yù)測缺陷大小,還可以估計缺陷橫截面輪廓。并且,還引入了多核最大均值差異（MK-MMD）遷移學(xué)習(xí)算法,以提高準確性。結(jié)果表明,長度和深度的量化誤差僅為 0.67 mm和 0.97%。YUKSEL等[40]提出了基于Swin Transformer Backbone YOLOv5（SwinYv5）算法的缺陷檢測模型和基于交叉殘差卷積神經(jīng)網(wǎng)絡(luò)（CR-CNN）的量化模型。檢測模型用于提取缺陷的ROI（感興趣區(qū)域）圖像,圖像用作量化模型的輸入,通過特殊訓(xùn)練機制進行大量測試,增強訓(xùn)練數(shù)據(jù)的數(shù)量和種類。根據(jù)測試結(jié)果,所提方法的缺陷檢測精度能達到98.9%,并對其進行量化,其長度、寬度和深度的最大誤差分別為1.30,1.65,0.47 mm。
圖 4漏磁缺陷信號的量化模型結(jié)構(gòu)示意
3. 存在的問題
基于深度學(xué)習(xí)的管道漏磁檢測模擬人類思維的學(xué)習(xí)和推理過程,通過有效的特征提取、選擇和分類識別處理漏磁信息,以靈活的診斷策略對監(jiān)測對象的運行狀態(tài)和漏磁信息做出智能判斷和決策,類似于人類專家的工作方式。隨著科技的發(fā)展和研究的深入,基于深度學(xué)習(xí)的油氣管道漏磁檢測技術(shù)還面臨以下的問題。
（1）復(fù)雜環(huán)境下的適應(yīng)性有待提高。深度學(xué)習(xí)模型獲取不同環(huán)境下的缺陷樣本存在困難,從而導(dǎo)致模型的檢測精度低,增加了漏磁檢測的難度。因此需要大量的樣本為不同的環(huán)境建立檢測模型。
（2）缺陷特征高效準確識別需重點關(guān)注。準確的缺陷識別是有效保證管道安全運行的前提。如何有效剝離干擾信息,減小樣本訓(xùn)練量和模型層數(shù),縮短模型訓(xùn)練耗時,進行高效有序、精確的小樣本模型訓(xùn)練是一個極具挑戰(zhàn)的課題。
（3）深度學(xué)習(xí)異常檢測模型和傳統(tǒng)異常檢測模型協(xié)同作業(yè)較少。如何針對不同模型的特點,取長補短,實現(xiàn)不同模型間的相互融合與協(xié)同作業(yè),對復(fù)雜工況下的檢測工作而言是非常關(guān)鍵的。
4. 結(jié)論與展望
文章從管道目標檢測、管道異常分類和管道缺陷量化3個方面,介紹了深度學(xué)習(xí)在油氣管道漏磁檢測領(lǐng)域的應(yīng)用,總結(jié)了近年來國內(nèi)外的研究內(nèi)容與取得的顯著成果。但關(guān)于深度學(xué)習(xí)在管道漏磁檢測領(lǐng)域的應(yīng)用研究并不廣泛,為了更好地將深度學(xué)習(xí)應(yīng)用于管道漏磁檢測中,未來的發(fā)展和突破可以從以下幾個方面來實現(xiàn)。
（1） 提高信號采集質(zhì)量。由于管道內(nèi)壁漏磁信號采集環(huán)境的影響,漏磁信號會受到一些因素的干擾,因此需要對樣本數(shù)據(jù)進行清洗和預(yù)處理,提高深度學(xué)習(xí)模型的性能和泛化能力,另外,在模型訓(xùn)練過程中采用一些技術(shù)和方法,如數(shù)據(jù)增強、正則化等,也可以提高模型的魯棒性和抗干擾能力。
（2） 簡化深度學(xué)習(xí)模型。深度學(xué)習(xí)模型的訓(xùn)練和推理通常需要大量的計算資源,比如ZHANG等[39]提出的VDTL深度學(xué)習(xí)模型需要28 h的時間來進行訓(xùn)練,這在一些實際應(yīng)用中可能面臨限制。后續(xù)的研究可以探索更簡約和高效的深度學(xué)習(xí)模型結(jié)構(gòu),以減少計算成本,并結(jié)合硬件加速技術(shù)來提高性能。
（3） 擴充模型訓(xùn)練數(shù)據(jù)。深度學(xué)習(xí)模型需要大量標注好的數(shù)據(jù)進行訓(xùn)練,而獲取大規(guī)模的數(shù)據(jù)集可能是一項挑戰(zhàn)。研究人員可以考慮利用數(shù)據(jù)增強或半監(jiān)督學(xué)習(xí)等方法來擴充數(shù)據(jù)集,以彌補實際數(shù)據(jù)不足的問題。
（4） 融合傳統(tǒng)檢測模型。如何針對不同缺陷和模型的特點,取長補短,實現(xiàn)不同模型間的相互融合與協(xié)同作業(yè),非常有利于復(fù)雜工況下的缺陷檢測。
（5） 加大缺陷早期監(jiān)測。目前的缺陷檢測主要集中在缺陷發(fā)生之后,甚至是管道發(fā)生損壞后的階段,此時的損失已經(jīng)無法挽回,故有必要加大管道早期缺陷的監(jiān)測研究。
文章來源——材料與測試網(wǎng)