CN115457391A - 一种管道的漏磁内检测方法、***及相关组件 - Google Patents
一种管道的漏磁内检测方法、***及相关组件 Download PDFInfo
- Publication number
- CN115457391A CN115457391A CN202211121759.6A CN202211121759A CN115457391A CN 115457391 A CN115457391 A CN 115457391A CN 202211121759 A CN202211121759 A CN 202211121759A CN 115457391 A CN115457391 A CN 115457391A
- Authority
- CN
- China
- Prior art keywords
- leakage
- model
- magnetic
- magnetic leakage
- pipeline
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本申请公开了一种管道的漏磁内检测方法、***及相关组件,涉及管道检测领域,该方法包括:获取漏磁内检测器通过目标管道后得到的漏磁内检测信号;根据所有漏磁内检测信号生成漏磁曲线图像;将漏磁曲线图像输入图像识别模型以得到部位分析结果;根据目标管道的部位参数,在漏磁曲线图像上增加相应的部位标记;对目标管道的部位标记与部位分析结果进行比对,得到最终检测结果;图像识别模型包括YOLO模型和注意力模型。本申请根据漏磁内检测信号生成漏磁曲线图像,并利用YOLO模型和注意力模型结合的图像识别模型分析漏磁曲线图像,能够较为准确地识别出微细缺陷,得到精确度较高的部位分析结果,进而得到深入、准确的最终检测结果。
Description
技术领域
本发明涉及管道检测领域,特别涉及一种管道的漏磁内检测方法、***及相关组件。
背景技术
由于管道的加工工艺参差不齐、焊接工艺水平限制、现场施工质量把控不严等问题,管道不仅在出厂前、施工后需要检查,在投入运行后更要求定期检修,以避免管道缺陷造成安全隐患、导致事故发生。
由于大部分投入运行的管道埋于地下,外部装置如X光的方式难以对管道进行检测,通常使用漏磁内检测的方式对管道进行内部检测。但是由于环境、设备、人员及现场施工的影响,不同的管道结构、环焊缝形貌与焊接质量差异较大,导致获取到的漏磁内检测信号差异较大。漏磁内检测信号的分析和识别,传统由人工进行,判断基准多依赖专家经验,分析过程耗时较长、准确性较低,难以对漏磁内检测信号进行有效识别与判定。
因此,如何提供一种解决上述技术问题的方案是目前本领域技术人员需要解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种能够有效识别的管道的漏磁内检测方法、***及相关组件。其具体方案如下:
一种管道的漏磁内检测方法,包括:
获取漏磁内检测器通过目标管道后得到的漏磁内检测信号;
根据所有所述漏磁内检测信号生成漏磁曲线图像;
将所述漏磁曲线图像输入图像识别模型,以使所述图像识别模型输出对应所述漏磁曲线图像的部位分析结果;
根据所述目标管道的部位参数,在所述漏磁曲线图像上增加相应的部位标记;
对所述目标管道的部位标记与所述部位分析结果进行比对,得到最终检测结果;
所述图像识别模型包括YOLO模型和注意力模型。
优选的,所述部位标记包括:
内管壁标记,和/或焊缝标记,和/或特殊部件标记。
优选的,所述部位分析结果包括:
内管壁正常或异常,和/或,焊缝正常或异常,和/或,特殊部件正常或异常。
优选的,所述特殊部件标记包括法兰标记、和/或弯管标记、和/或通口标记、和/或阀门标记。
优选的,所述漏磁曲线图像上的每条曲线为所述漏磁内检测器的一个检测通道的所有所述漏磁内检测信号的描点连线结果。
优选的,YOLO模型具体为YOLOv5模型。
优选的,所述注意力模型具体为CBAM模型。
相应的,本申请还公开了一种管道的漏磁内检测***,包括:
获取模块,用于获取漏磁内检测器通过目标管道后得到的漏磁内检测信号;
图像模块,用于根据所有所述漏磁内检测信号生成漏磁曲线图像;
分析模块,用于将所述漏磁曲线图像输入图像识别模型,以使所述图像识别模型输出对应所述漏磁曲线图像的部位分析结果;
标记模块,用于根据所述目标管道的部位参数,在所述漏磁曲线图像上增加相应的部位标记;
比对模块,用于对所述目标管道的部位标记与所述部位分析结果进行比对,得到最终检测结果;
所述图像识别模型包括YOLO模型和注意力模型。
相应的,本申请还公开了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上文任一项所述管道的漏磁内检测方法的步骤。
相应的,本申请还公开了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文任一项所述管道的漏磁内检测方法的步骤。
本申请公开了一种管道的漏磁内检测方法,包括:获取漏磁内检测器通过目标管道后得到的漏磁内检测信号;根据所有所述漏磁内检测信号生成漏磁曲线图像;将所述漏磁曲线图像输入图像识别模型,以使所述图像识别模型输出对应所述漏磁曲线图像的部位分析结果;根据所述目标管道的部位参数,在所述漏磁曲线图像上增加相应的部位标记;对所述目标管道的部位标记与所述部位分析结果进行比对,得到最终检测结果;所述图像识别模型包括YOLO模型和注意力模型。本申请根据漏磁内检测信号生成漏磁曲线图像,并利用YOLO模型和注意力模型结合的图像识别模型对漏磁曲线图像进行分析,能够较为准确地识别出管道中各部位的微细缺陷,得到检测精确度较高的部位分析结果,将部位分析结果与部位参数相比较,从而得到深入、准确的最终检测结果,对管道的安全运行提供了重要参考依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种管道的漏磁内检测方法的步骤流程图;
图2为本发明实施例中焊缝正常的漏磁曲线图像的示意图;
图3为本发明实施例中焊缝异常的漏磁曲线图像的示意图;
图4为本发明实施例中YOLOv5模型的结构分布图;
图5为本发明实施例中CBAM模型的原理示意图;
图6为本发明实施例中图像识别模型的网络框架图;
图7a和图7b分别为焊缝缺陷信号对应的局部漏磁曲线图像和X-ray图像;
图8a-图8d分别为本发明实施例中训练loss值的变化示意图;
图9a-图9d分别为本发明实施例中训练过程的指标示意图;
图10a-图10d分别为本发明实施例中智能识别的结果示意图;
图11为本发明实施例中一种管道的漏磁内检测***的结构分布图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于大部分投入运行的管道埋于地下,外部装置如X光的方式难以对管道进行检测,通常使用漏磁内检测的方式对管道进行内部检测。但是由于环境、设备、人员及现场施工的影响,不同的管道结构、环焊缝形貌与焊接质量差异较大,导致获取到的漏磁内检测信号差异较大,难以对漏磁内检测信号进行有效识别与判定。
本申请根据漏磁内检测信号生成漏磁曲线图像,并利用YOLO模型和注意力模型结合的图像识别模型对漏磁曲线图像进行分析,得到检测精确度较高的部位分析结果,将部位分析结果与部位参数相比较,从而得到深入、准确的最终检测结果,对管道的安全运行提供了重要参考依据。
本发明实施例公开了一种管道的漏磁内检测方法,参见图1所示,包括:
S1:获取漏磁内检测器通过目标管道后得到的漏磁内检测信号;
S2:根据所有漏磁内检测信号生成漏磁曲线图像;
具体的,漏磁曲线图像上的每条曲线为漏磁内检测器的一个检测通道的所有漏磁内检测信号的描点连线结果。
可以理解的是,用于漏磁内检测的漏磁内检测器具有多个检测传感器,从而形成多个检测通道,在漏磁内检测器纵向通过目标管道时,每个检测通道均对应一组漏磁内检测信号,对每组漏磁内检测信号描点连线,即可得到以运动方向为横轴的完整的漏磁曲线图像。如图2和图3所示的环焊缝检测图像,其中图2为焊缝正常的漏磁曲线图像,图3为焊缝异常的漏磁曲线图像。
S3:将漏磁曲线图像输入图像识别模型,以使图像识别模型输出对应漏磁曲线图像的部位分析结果;
具体的,这里的图像识别模型包括YOLO模型和注意力模型,进一步的,YOLO模型具体可选为YOLOv5模型,相应的,注意力模型具体可选为CBAM模型,YOLO模型和注意力模型的结合,对应微小异常信号具有较好的检出效果,且分类准确,能够准确区分漏磁曲线图像中的不同部位并判断部位是否异常,有效提升了管道的漏磁内检测准确度。当然,YOLO模型也可以选择其他版本的YOLO框架,注意力模型也可选择其他类型的模型,根据实际需求和训练结果进行选择即可,此处不作限制。
S4:根据目标管道的部位参数,在漏磁曲线图像上增加相应的部位标记;
S5:对目标管道的部位标记与部位分析结果进行比对,得到最终检测结果;
可以理解的是,本实施例中根据部位参数可添加在漏磁曲线图像上的部位标记包括:内管壁标记,和/或焊缝标记,和/或特殊部件标记。其中焊缝标记包括环焊缝和/或螺旋焊缝的标记,具体的,特殊部件标记包括法兰标记、和/或弯管标记、和/或通口标记、和/或阀门标记。除此外,随着管道的类型或结构差异,还可能存在其他类型的部位标记,此处不作限制,均可列入本实施例的部位标记中,并对实际的管道部位进行识别。
进一步的,部位分析结果与部位标记对应,部位分析结果主要为根据漏磁曲线图像检测到的部位以及该部位的状态正常或异常,因此部位分析结果包括:内管壁正常或异常,和/或,焊缝正常或异常,和/或,特殊部件正常或异常。其中,内管壁异常的情况主要为金属损失,焊缝异常的情况主要是指环焊缝存在缺陷的情况,部位分析结果中的异常情况可能是生产或工作过程导致的,这些异常情况对于管道的安全运行造成了隐患,因此需要进行准确检测和分类,以避免问题进一步扩大。
可以理解的是,将图像识别模型输出的部位分析结果与目标管道额定的部位参数所对应的部位标记进行比对,是为了进一步验证部位分析结果的准确性,如果部位分析结果的部位类型与部位标记一致且具有明确的正常或异常的判定,可认为部位分析结果的准确性较高,因此可生成最终检测结果。如果部位分析结果与部位标记之间的出入较大,例如与部位标记不一致的部位数量超出预设值,则很有可能当前图像识别模型不适用于当前目标管道,该部位分析结果被判定无效,无法得出最终检测结果。
本申请根据漏磁内检测信号生成漏磁曲线图像,并利用YOLO模型和注意力模型结合的图像识别模型对漏磁曲线图像进行分析,得到检测精确度较高的部位分析结果,将部位分析结果与部位参数相比较,从而得到深入、准确的最终检测结果,对管道的安全运行提供了重要参考依据。
本发明实施例公开了一种具体的一种管道的漏磁内检测方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。
具体的,图像识别模型包括YOLO模型和注意力模型,YOLO模型具体可选为YOLOv5模型,相应的,注意力模型具体可选为CBAM模型。
如图4所示,YOLOv5模型的模型结构包括输入端input、Backbone、Neck和prediction四部分组成,输入端input接收输入到图像识别模型的漏磁曲线图像,并对输入的初始图像进行图像预处理。该预处理包括将初始图像缩放到网格输入的大小、归一化操作、数据增强等操作,本实施例中网格输入大小可设为640×640,数据增强方面YOLOv5采用了mosaic方式,主要包括将四张图片进行翻转、缩放、色域变化等操作后,进行随机剪裁和拼接,从而形成一张新的图片作为数据集应用于后续模型中。
YOLOv5模型的Backbone主要包括五个CBS、三个CSP Darknet53和一个SPPF结构,以提取目标的通用特征。YOLOv5模型将CSP(Cross Stage Paritial Network,跨阶段局部网络结构)作为主干网络的基础,解决了大型卷积神经网络框架Backbone中网络优化的梯度信息重复的问题。
Neck位于Backbone和Prediction之间,目的是进一步丰富特征的多样性以达到提升模型鲁棒性的目的。YOLOv5模型在FPN(Feature Pyramid Networks,特征金字塔网络)的基础上采用PAN(Path Aggregation Network,路径聚合网络)结构进行特征融合,FPN是由上而下,通过上采样将深层特征与底层特征进行融合得到预测的特征图,但仅仅是将高层的强语义特征进行向下的传递,虽然增强了模型对图像特征的学习能力,却可能丢失一些定位特征。为此,YOLOv5模型在FPN之后添加了PAN,通过自下而上的传达强定位特征,与FPN达到互补的效果,通过组合这两个网络,从不同的主干层对不同的检测层进行参数的聚合,从而全面的提升了模型的鲁棒性和学习性能。
Prediction即为输出端,作用为完成目标检测结果的输出。
YOLOv5模型的目标框回归计算公式如下式(1)所示:
式中,(bx,by,bw,bh)表示预测框的中心点坐标、宽度和高度,(cx,cy)表示预测框中心点所在网格的左上角坐标,(tx,ty)表示预测框的中心点相对于网格左上角坐标的偏移量,(tw,th)表示预测框的宽高相对于先验框anchor宽高的缩放比例,(pw,ph)表示先验框anchor的宽高。
为了将预测框的中心点约束到当前网格中,使用Sigmoid函数处理偏移量,使预测的偏移值保持在(0,1)范围内。这样一来,根据目标框回归计算公式,预测框中心点坐标的偏移量保持在(-0.5,1.5)范围内。
进一步的,YOLOv5模型的损失函数,主要作用为衡量预测信息和真实信息之间的差距,若预测信息越接近真实信息,则损失函数值越小,进而可指导模型下一步收敛方向。YOLOv5的损失主要包含三个方面:矩形框损失(bbox_loss)、分类损失(cls_loss)、置信度损失(obj_loss)。总损失的表达式如式(2)所示:
Loss=box_gain×bbox_loss+cls_gain×cls_loss+obj_gain×obj_loss (2)
式中:box_gain、cls_gain、obj_gain分别对应矩形框损失权重、分类损失权重、置信度损失权重,通常设定默认值分别为0.05,0.5,1.0。
其中,矩形框损失的计算时,涉及到IoU,即交并比,它的作用是衡量目标检测中预测框与真实框的重叠程度。假设预测框为A,真实框为B,则IoU的表达式如式(3)所示:
进一步的,YOLOv5模型默认使用CloU来计算边界框损失。CloU在DloU的基础上,进一步考虑矩形框的宽高比。
DloU考虑了预测框和真实框之间的距离,重叠率以及尺度等因素,使得目标框回归变得更加稳定,其计算公式如式(4)所示:
式中:b和bgt分别表示预测框和真实框的中心点,ρ表示两个中心点之间的欧氏距离,c表示预测框和真实框的最小闭包区域的对角线距离。
CIoU是在DIoU的惩罚项基础上添加了一个影响因子av,这个因子将预测框的宽高比和真实框的宽高比考虑进去,CIoU的惩罚项公式如式(5):
式中:a为权重参数,其表达式为
v是用来衡量宽高比的一致性参数,其表达式为
所以CloU的损失计算公式为
式中,(w,h)为预测框的宽高,(wgt,hgt)为真实框的宽高。
进一步的,YOLOv5模型通常使用二元交叉熵函数来计算分类损失,二元交叉熵函数的定义为:
式中:Losscls即为分类损失cls_loss,y为输入样本对应的标签(正样本为l,负样本为0),p为模型预测该输入样本为正样本的概率。
Losscls=-log pt (10)
可以理解的是,YOLOv5模型能够有效识别异常图像目标,但是在提取特征过程中无注意力偏好,导致小目标特征提取效果较差,本实施例为了保证小目标却相信好的特征提取,进一步在YOLOv5模型的基础上增加了CBAM模型。
进一步的,CBAM模型的原理图如图5所示,其中Mc表示通道注意力,Ms表示空间注意力。给定特征图F∈RC×H×W,其中C为特征图的通道数,H×W为特征图大小。CBAM模型首先将F送入通道注意力模型Channel Attention Module,通过平均池化和最大池化得到每个通道的信息,并将得到的参数通过多层感知器进行叠加,再经过Sigmoid函数激活,从而得到通道注意力特征Mc(F),其计算公式如式(11)所示:
式中:σ()表示Sigmoid函数,MLP(Multilayer Perceptron)为多层感知器,AvgPool()和MaxPool()分别表示模型对特征图空间信息进行平均池化和最大池化操作;和分别表示通道注意力机制的全局平均池化和最大平均池化运算。
将给定特征图F送入空间注意力模型Spatial Attention Module后,通过平均池化和最大池化沿通道维度汇聚空间信息,生成空间特征图Favg∈R1×H×W和Fmax∈R1×H×W,再通过1×1的卷积和Sigmoid函数激活,得到空间注意力特征,接着与F逐元素相乘,最终得到空间注意力特征图Fs,其计算公式如式(12)所示。
可以理解的是,YOLOv5模型在提取特征过程中无注意力偏好,对不同重要成都的特征采用相同的加权方式。本实施例通过在Backbone中任一个CSP后引入CBAM模型来解决原网络无注意力偏好问题,使网络在检测过程中能够更多的关注兴趣目标。以在backbone中最后一个CSP后引入CBAM模型为例,图像识别模型的网络框架图如图6所示。
可以理解的是,YOLOv5模型能够对漏磁曲线图像进行智能识别,将CBAM注意力机制融合到YOLOv5框架,可进一步提升YOLOv5模型的小目标检测能力。具体的,分别使用训练好的YOLOv5以及YOLOv5+CBAM模型对管道环焊缝信号进行识别,识别精度分别为95%和99%,可见使用CBAM注意力机制改进YOLOv5模型的识别精度得到有效提升,该图像识别模型能够为管道的漏磁内检测,尤其是环焊缝缺陷的准确检出和判别提供技术支撑,为管道的安全等级评估及开挖验证提供技术支持。
本发明实施例公开了一种具体的一种管道的漏磁内检测方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。
本实施例利用已知的管道的漏磁内检测结果,对上文提到管道的漏磁内检测方法进行验证,主要是对包括YOLOv5模型和CBAM模型的图像识别模型在漏磁内检测方法中的准确性进行验证,主要以检测的部位为焊缝举例,其对应部位标记为焊缝标记,对应部位分析结果为焊缝正常异常。
具体的,图像识别模型的准确性验证指标包括:
(1)准确度(Accuracy,Acc)
准确度是所有预测中预测正确的比例。
式中:TP为正样本预测正确的数量,FN为负样本预测错误的数量,FP为正样本预测错误的数量,TN为负样本预测正确的数量。
(2)精确率(Precision)
精确率是指在所有检测出的目标中检测正确的概率。
(3)召回率(Recall)
召回率是指所有的正样本中正确识别的概率。
(4)平均精确率(Average Precision,AP)
AP表示的是检测器在各个Recall情况下的平均值,对应的就是PR曲线下的面积。AP表达式为式(16):
式中:Pri表示PR曲线上r-i所对应的精确率,而召回率总和∑r=1。
(5)mAP
可以理解的是,AP是针对单个类别的识别器,而mAP是从类别的维度对AP进行平均值计算,因此可以评价多分类器的性能,mAP的表达式为式(17)。
式中:mAP的取值区间为[0,1],越接近1越好,num_classes指类别数。该指标是目标检测算法中最重要的一个指标。
进一步的,本实施例中已知的管道的漏磁内检测结果来源于国内某埋地成品油管道,该管道材质为X52,管道里程102km,管径323mm,壁厚6.4mm,运行压力6.4MPa。管道漏磁内检测器检出的漏磁内检测信号所生成的漏磁曲线图像中,焊缝缺陷信号所对应的局部漏磁曲线图像如图7a所示,为进一步验证管道漏磁检测数据的准确性,需经定位、开挖、X-ray外检测复核内检测结果,X-ray检出的焊缝缺陷信号如图7b。实验采集到漏磁曲线图像中存在焊缝信号8600条,包括450条缺陷信号,和8150条正常信号。
为确保正常及异常管道环焊缝漏磁信号数据的平衡性,本文选用450张焊缝异常漏磁信号图,和450张为焊缝正常漏磁信号图开展信号分析。将训练集、验证集、测试集的数据按7:1:1的比例随机划分,即训练集:验证集:测试集=700:100:100。可以理解的是,本实施例中YOLOv5模型的搭建、训练和结果测试均使用Pytorch框架完成,使用CUDA(ComputeUnified Device Architecture)并行计算架构,同时将CU-DNN(CUDA Deep NeuralNetwork library)加速库集成到Pytorch框架下加速计算机计算能力,实验所需运行环境具体见下表1。
表1模型训练软硬件参数
进一步的,初始参数设置时,考虑在YOLOv5模型训练中,模型结构的损失函数Loss值越小越好。为了实现模型的最佳性能,在训练过程中,将Epoach设置为350次,学习率设置为0.0001,以防止模型过拟合,Bachsize设置为16。为了实现模型的最佳性能,在训练过程中,将迭代次数设置为350次,最大训练批次设置为16。
具体的,YOLOv5以及YOLOv5+CBAM模型的训练loss值变化情况如图8a-图8d所示,Train_Box_loss值如图8a,Val_Box_loss值如图8b,Train_Obj_loss值如图8c,Val_Obj_loss值如图8d。YOLOv5的Loss值在0到50次时损失函数值急剧下降,在51到350次时损失数缓慢下降,在经过350次迭代后YOLOv5模型的Train_Box_loss在0.018附近趋于稳定,Val_Box_loss在0.013附近趋于稳定,Train_Obj_loss在0.03附近趋于稳定,Val_Obj_loss在0.0035附近趋于稳定,模型达到最优状态;YOLOv5+CBAM模型的Loss值在0到25次时损失函数值急剧下降,在26到350次时损失数缓慢下降,YOLOv5+CBAM模型的Train_Box_loss在0.016附近趋于稳定,Val_Box_loss在0.012附近趋于稳定,Train_Obj_loss在0.028附近趋于稳定,Val_Obj_loss在0.030附近趋于稳定,模型达到最优状态。
由此可见,YOLOv5+CBAM模型训练的Train_Box_loss值、Val_Box_loss值、Train_Obj_loss值、Val_Obj_loss值相较于YOLOv5模型分别降低了0.002、0.001、0.002、0.005,这是由于YOLOv5融合了CBAM注意力机制模型后不通过循环而直接建立输入与输出之间的依赖关系,并行化程度增强,提升了其寻优速度,并且融合CBAM注意力机制后提高了YOLOv5对焊缝漏磁信号的关注度,进而降低了其Loss值。进一步的,图9a-图9d为YOLOv5与YOLOv5+CBAM训练过程指标对比,其中图9a为训练过程的Precision值对比图,图9b为训练过程的Recall值对比图,图9c为训练过程的mAP_0.5值对比图,图9d为训练过程的mAP_0.5:0.95值对比图。根据图9a-图9d可知,本实施例中的图像识别模型,即YOLOv5+CBAM算法能够有效提高对管道漏磁内检测各部位的检测精度,尤其是正常环焊缝以及异常环焊缝的检测精度。YOLOv5+CBAM模型训练时管道漏磁检测焊缝信号的识别的最大Precision值为99.37%,相较于YOLOv5训练时的最大Precision值99.32%提升了0.05%;YOLOv5+CBAM模型训练时管道漏磁检测焊缝信号的识别的最大Recall值为100%,相较于YOLOv5训练时的最大Recall值98.35%提升了1.65%;YOLOv5+CBAM对管道漏磁检测焊缝漏磁信号mAP_0.5达到99.39%,优于YOLOv5的mAP_0.5的99.02%,提升了0.37%;YOLOv5+CBAM对管道漏磁检测焊缝漏磁信号mAP_0.5:0.95达到73.35%,优于YOLOv5的mAP_0.5:0.95的74.26%,提升了0.91%;YOLOv5+CBAM与YOLOv5相比,在Precision、Recall、mAP_0.5和mAP_0.5:0.95上都有一定提升。
可以理解的是,CBAM的通道注意力使网络自动获取每个通道的重要程度,并将每个通道的信息与权重共享的多层感知器进行叠加从而赋予每个通道不同的权重来强化管道的漏磁内检测信号特征;通过利用CBAM模块的空间注意力为特征图中每个位置生成权重并加权输出,增强目标特定区域的同时弱化不相关的其他漏磁信号区域,进一步增强了管道漏磁内检测信号缺陷特征的表达能力,使检测网络注意力偏向管道各部位正常信号和异常信号的特征提取,进而能够准确检测出管道部位信号并对正常和异常信号进行准确分类。可见,本实施例在管道漏磁内检测的异常信号识别准确性方面表现优秀,能够满足现在复杂信号下管道内各部件异常信号的准确率要求。
分别使用训练好的YOLOv5模型和YOLOv5+CBAM模型对测试集的管道环焊缝漏磁信号进行识别分类,其测试结果如表2所示,其中测试集中的正常和异常管道环焊缝漏磁信号图数量各50张,共计100张。针对正常环焊缝信号YOLOv5以及YOLOv5+CBAM模型的识别准确度都为100%;在异常管道环焊缝漏磁信号的识别方面,YOLOv5对50张测试集数据进行检测,检出了45张异常信号图,测试准确度为90%,而YOLOv5+CBAM模型检出了49张异常信号图,检出准确度达到了98%。YOLOv5+CBAM模型在测试集管道内检测正常信号的的检测精度与于YOLOv5模型的检测精度持平。YOLOv5+CBAM模型在测试集管道内检测异常信号的的检测精度与相较于YOLOv5模型的检测准确度提升了8%。这是由于管道环焊缝正常漏磁信号特征清晰,所以准确度可达100%;异常管道环焊缝漏磁信号的识别方面,YOLOv5融合了CBAM注意力机制后,针对微小缺陷的信号检测精度有提升。
表2 YOLOv5与YOLOv5+CBAM测试结果对比表
管道环焊缝漏磁信号类型 | 正常环焊缝信号 | 异常环焊缝信号 | 统计 |
信号图谱数量 | 50 | 50 | 100 |
YOLOv5测试结果 | 50 | 45 | 95 |
YOLOv5测试准确度 | 100% | 90% | 95% |
YOLOv5+CBAM测试结果 | 50 | 49 | 99 |
YOLOv5+CBAM测试准确度 | 100% | 98% | 99% |
进一步的,图10a-10d为YOLOv5以及YOLOv5+CBAM管道漏磁检测数据信号的智能识别结果图,图10a是正常管道环焊缝漏磁信号检测情况,图10b为明显的异常管道环焊缝漏磁信号检测情况;图10c和图10d是微细的异常管道环焊缝漏磁信号检测情况。由图10a和图10b可见,YOLOv5以及YOLOv5+CBAM模型都能正确的检出标准的焊缝正常信号数据以及明显的异常环焊缝漏磁信号,且YOLOv5+CBAM模型检测结果的置信度比YOLOv5高。由图10c和图10d可见,针对不明显的微小缺陷信号,YOLOv5会误检为正常环焊缝信号,影响分类精度,而YOLOv5+CBAM模型针对微小异常信号可较好检出,且分类准确,这是由于YOLOv5+CBAM融合了注意力机制,提升了其小目标检测以及分类精度。
相应的,本申请实施例还公开了一种管道的漏磁内检测***,参见图11所示,包括:
获取模块1,用于获取漏磁内检测器通过目标管道后得到的漏磁内检测信号;
图像模块2,用于根据所有所述漏磁内检测信号生成漏磁曲线图像;
分析模块3,用于将所述漏磁曲线图像输入图像识别模型,以使所述图像识别模型输出对应所述漏磁曲线图像的部位分析结果;
标记模块4,用于根据所述目标管道的部位参数,在所述漏磁曲线图像上增加相应的部位标记;
比对模块5,用于对所述目标管道的部位标记与所述分析结果进行比对,得到最终检测结果;
所述图像识别模型包括YOLO模型和注意力模型。
本申请实施例根据漏磁内检测信号生成漏磁曲线图像,并利用YOLO模型和注意力模型结合的图像识别模型对漏磁曲线图像进行分析,能够较为准确地识别出管道中各部位的微细缺陷,得到检测精确度较高的部位分析结果,将部位分析结果与部位参数相比较,从而得到深入、准确的最终检测结果,对管道的安全运行提供了重要参考依据。
在一些具体的实施例中,所述部位标记包括:
内管壁标记,和/或焊缝标记,和/或特殊部件标记。
在一些具体的实施例中,所述部位分析结果包括:
内管壁正常或异常,和/或,焊缝正常或异常,和/或,特殊部件正常或异常。
在一些具体的实施例中,所述特殊部件标记包括法兰标记、和/或弯管标记、和/或通口标记、和/或阀门标记。
在一些具体的实施例中,所述漏磁曲线图像上的每条曲线为所述漏磁内检测器的一个检测通道的所有所述漏磁内检测信号的描点连线结果。
在一些具体的实施例中,YOLO模型具体为YOLOv5模型。
在一些具体的实施例中,所述注意力模型具体为CBAM模型。
相应的,本申请还公开了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上文任一项所述管道的漏磁内检测方法的步骤。
相应的,本申请还公开了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文任一项所述管道的漏磁内检测方法的步骤。
其中,本实施例中具体有关管道的漏磁内检测方法的细节内容,可以参照上文实施例中的相关描述,此处不再赘述。
其中,本实施例中电子设备和可读存储介质具有与上文实施例中管道的漏磁内检测方法相同的技术效果,此处不再赘述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种管道的漏磁内检测方法、***及相关组件进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种管道的漏磁内检测方法,其特征在于,包括:
获取漏磁内检测器通过目标管道后得到的漏磁内检测信号;
根据所有所述漏磁内检测信号生成漏磁曲线图像;
将所述漏磁曲线图像输入图像识别模型,以使所述图像识别模型输出对应所述漏磁曲线图像的部位分析结果;
根据所述目标管道的部位参数,在所述漏磁曲线图像上增加相应的部位标记;
对所述目标管道的部位标记与所述部位分析结果进行比对,得到最终检测结果;
所述图像识别模型包括YOLO模型和注意力模型。
2.根据权利要求1所述漏磁内检测方法,其特征在于,所述部位标记包括:
内管壁标记,和/或焊缝标记,和/或特殊部件标记。
3.根据权利要求2所述漏磁内检测方法,其特征在于,所述部位分析结果包括:
内管壁正常或异常,和/或,焊缝正常或异常,和/或,特殊部件正常或异常。
4.根据权利要求2所述漏磁内检测方法,其特征在于,所述特殊部件标记包括法兰标记、和/或弯管标记、和/或通口标记、和/或阀门标记。
5.根据权利要求1所述漏磁内检测方法,其特征在于,
所述漏磁曲线图像上的每条曲线为所述漏磁内检测器的一个检测通道的所有所述漏磁内检测信号的描点连线结果。
6.根据权利要求1至5任一项所述漏磁内检测方法,其特征在于,YOLO模型具体为YOLOv5模型。
7.根据权利要求6所述漏磁内检测方法,其特征在于,所述注意力模型具体为CBAM模型。
8.一种管道的漏磁内检测***,其特征在于,包括:
获取模块,用于获取漏磁内检测器通过目标管道后得到的漏磁内检测信号;
图像模块,用于根据所有所述漏磁内检测信号生成漏磁曲线图像;
分析模块,用于将所述漏磁曲线图像输入图像识别模型,以使所述图像识别模型输出对应所述漏磁曲线图像的部位分析结果;
标记模块,用于根据所述目标管道的部位参数,在所述漏磁曲线图像上增加相应的部位标记;
比对模块,用于对所述目标管道的部位标记与所述部位分析结果进行比对,得到最终检测结果;
所述图像识别模型包括YOLO模型和注意力模型。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述管道的漏磁内检测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述管道的漏磁内检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211121759.6A CN115457391A (zh) | 2022-09-15 | 2022-09-15 | 一种管道的漏磁内检测方法、***及相关组件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211121759.6A CN115457391A (zh) | 2022-09-15 | 2022-09-15 | 一种管道的漏磁内检测方法、***及相关组件 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115457391A true CN115457391A (zh) | 2022-12-09 |
Family
ID=84305243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211121759.6A Pending CN115457391A (zh) | 2022-09-15 | 2022-09-15 | 一种管道的漏磁内检测方法、***及相关组件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457391A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274192A (zh) * | 2023-09-20 | 2023-12-22 | 重庆市荣冠科技有限公司 | 一种基于改进YOLOv5的管道漏磁缺陷检测方法 |
CN117934959A (zh) * | 2024-02-02 | 2024-04-26 | 中国矿业大学 | 一种管道环焊缝缺陷信号图像的分类识别算法 |
-
2022
- 2022-09-15 CN CN202211121759.6A patent/CN115457391A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274192A (zh) * | 2023-09-20 | 2023-12-22 | 重庆市荣冠科技有限公司 | 一种基于改进YOLOv5的管道漏磁缺陷检测方法 |
CN117934959A (zh) * | 2024-02-02 | 2024-04-26 | 中国矿业大学 | 一种管道环焊缝缺陷信号图像的分类识别算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113362329B (zh) | 病灶检测模型的训练方法及识别图像中的病灶的方法 | |
CN111292303B (zh) | 焊缝缺陷类别检测方法、装置、电子设备及存储介质 | |
CN115457391A (zh) | 一种管道的漏磁内检测方法、***及相关组件 | |
US8115169B2 (en) | Method and apparatus of pattern inspection and semiconductor inspection system using the same | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
Jiang et al. | A machine vision-based realtime anomaly detection method for industrial products using deep learning | |
CN113920107A (zh) | 一种基于改进yolov5算法的绝缘子破损检测方法 | |
CN111179262A (zh) | 一种结合形状属性的电力巡检图像金具检测方法 | |
CN113168687A (zh) | 图像评价装置和方法 | |
CN111368682A (zh) | 一种基于faster RCNN台标检测与识别的方法及*** | |
CN111539456B (zh) | 一种目标识别方法及设备 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN111553914A (zh) | 基于视觉的货物检测方法、装置、终端及可读存储介质 | |
CN116645586A (zh) | 一种基于改进YOLOv5的港口集装箱损伤检测方法及*** | |
CN116740758A (zh) | 一种防止误判的鸟类图像识别方法及*** | |
CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
CN115620083B (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN113447572B (zh) | 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质 | |
CN116994084A (zh) | 区域入侵检测模型训练方法及区域入侵检测方法 | |
CN114529543B (zh) | 一种航空发动机外周螺钉垫片的安装检测方法及装置 | |
CN115376007A (zh) | 目标检测方法、装置、设备、介质及计算机程序产品 | |
CN114927236A (zh) | 一种面向多重目标图像的检测方法及*** | |
CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
CN115690204A (zh) | 一种制造件的孔位测量方法、装置、设备及介质 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |