分享：深度学习在油气管道漏磁检测领域的应用

随着全球能源需求的不断增长和能源资源开发的迅猛发展,油气管道作为能源运输的重要通道,承载着巨大的责任和挑战。油气管道的安全运行对维持能源供应、保障经济发展和保护环境具有重要意义。油气管道一般深埋在地底下,容易出现由运输介质腐蚀造成的内壁缺陷以及由土壤等外部环境影响造成的外壁缺陷,缺陷的形式包括点蚀、孔洞、裂纹和破损等[1],缺陷严重的话易导致管道泄漏,从而造成严重的安全事故和环境污染。据统计,2022年,中国新建成的油气管道里程约4 668 km,油气管道总里程累计达到155×103 km[2]。可见,对管道进行定期的安全检测是十分必要的。目前用于管道检测的方法有很多,其中漏磁检测法可靠性高,不需要使用耦合剂,受外界干扰小且检测速度快,已成为国内外应用最为普遍的管道检测技术之一[3-6]。 

管道健康的评估主要依靠分析漏磁内检测数据,由于石油管道管线铺设距离都是上千公里,漏磁内检测数据量过于庞大,且数据的识别与分析仍大多是通过人工判读的方式进行的,这种方式存在效率低、误判率高、人工成本高等诸多问题。故,迫切需要一种智能的检测方法代替人工判读[7-8]。深度学习作为人工智能技术的重要发展方向,可以显著提高数据分析的效率。近年来,深度学习技术取得了诸多重大突破,其具有的强大的特征提取能力和优异的学习训练能力引起了管道漏磁检测领域学者的关注[9]。基于此,主要从管道目标检测、管道异常分类和管道缺陷量化等三个方面概述了深度学习在油气管道漏磁检测领域的应用,最后讨论了深度学习在漏磁检测领域所存在的问题及未来的发展趋势。 

1.   深度学习概述

深度学习的概念最早由Geoffrey Hinton教授于2006年提出[10],属于机器学习的分支。其基本思想是通过构建多层网络,从目标对象中自动提取抽象特征,实现目标的多层表示,获得更好的特征鲁棒性。深度学习法已成为信号分析领域的热点,该方法在目标检测、图像重建以及数据分析等方面取得了许多突破,并且进一步地扩展到了无损检测领域[11-12]。相比于浅层神经网络在处理复杂函数和自然信号以及模型泛化能力上的不足,深度学习的深层自主学习能力和强大的模型诊断与自我泛化能力有效弥补了传统方法对人工经验的依赖性[13]。典型的深度学习模型主要有深度置信网络(DBN)、卷积神经网络(CNN)和自编码器(AE)。卷积神经网络是最流行的深度学习算法之一,在图像分类和识别方面表现良好。CNN模型的典型架构如图1所示[14],该模型具有4个主要模块,即输入、特征提取、分类和输出模块。输入模块接收图像,输出模块提供“正常”或“异常”等分析结果。根据训练数据和CNN 模型,可以对异常类型进行分类,例如裂纹和腐蚀。特征提取模块是由卷积层和池化层等多个神经网络层组成的,从输入图像中提取特征。分类层通过全连接层对提取的特征进行分类,不同层的参数通过训练数据进行校准。经过近年来的不断发展,CNN的一些算法已经成功应用于管道漏磁信号的缺陷分类和目标检测,并取得了良好的效果[15-16]。 

图  1  CNN模型的典型架构

2.   深度学习在油气管道漏磁检测领域的应用

深度学习的引入为管道漏磁检测提供了一种新的高效解决方案。笔者主要从管道目标检测、管道异常分类以及管道缺陷量化等三个方面介绍深度学习在油气管道漏磁检测领域的应用。准确的目标检测可以定位异常位置,便于有效指导后续管道的开挖和修复工作。异常分类可以将缺陷和其他管道异常区分开来,便于后续缺陷的反演。缺陷量化即对缺陷进行定量分析,定量数据是评价管道损伤程度的重要依据[17-19]。 

2.1   管道目标检测

目标检测是从漏磁信号中提取管道异常区域,然后对所有类型的异常进行定位和识别。目标检测不仅可以检测出图像中的缺陷以及组件的类别,还包括了缺陷的位置信息,符合管道检测的实际需求。传统目标检测在检测时会面临漏磁数据量庞大和工作环境恶劣等问题,将深度学习与目标检测结合,为解决上述难题提供了可行的方案,已有许多学者将基于深度学习的目标检测算法应用到管道漏磁检测中。 

YANG等[20]提出一种基于多尺度SSD网络的管道漏磁图像检测算法,在SSD算法中引入膨胀卷积和注意力残差模块,对管道漏磁图像中的缺陷、环焊缝和螺旋焊缝有较好的识别检测效果。王宏安[21]提出一种基于深度学习的管道环焊缝目标检测方法,该方法包含了特征提取模块和预测模块,特征提取模块利用卷积神经网络自动提取特征,预测模块使用全连接网络和卷积网络预测目标的类别,该方法在较大的噪声和数据局部缺失的情况下也有较好的表现。刘金海等[22]提出一种自监督的缺陷检测方法,使用SIMCLR框架对可视化缺陷进行训练,并生成预训练模型,并将预训练后的模型替换到Faster R-CNN的特征提取网络中,然后使用该网络检测漏磁图像中的缺陷类型和位置。SHEN等[23]提出了一种改进的级联R-CNN多目标检测算法,利用该算法对管道分支、三通和焊缝进行检测,通过在级联R-CNN中添加FPN (特征金字塔网络)和OHEM (在线难例挖掘)来提高检测的精度。为了提升目标检测的准确性,王国庆等[24]在传统YOLOv5算法的基础上,通过引入损失函数Distance-IoU对检测算法YOLOv5进行改进,YOLOv5网络模型结构如图2所示,模型结构包括输入端、Backbone、Neck和Prediction四部分,输入端可以将图像进行预处理,Backbone为基准网络,该模块的功能是提取图像的一些通用特征,Neck网络用于提升特征的鲁棒性和多样性,Prediction模块使用GIOU-Loss损失函数,可以大大提高算法的检测精度。利用改进的YOLOv5算法对管道漏磁数据进行训练,使之具有对漏磁缺陷信号自动识别的能力,结果表明,相同训练条件下,改进算法的准确率明显提升,可在短时间内大量标注管道漏磁曲线图像缺陷信息,降低人员工作量,提升数据判读的准确性。JIANG等[25]提出一种周期监督卷积神经网络（CsCNN）,来实现无监督缺陷检测,不需要任何的先验信息和标签。CsCNN 的构建包括多个具有相同结构的CNN和一个周期监督部分,首次检测无监督管道异常情况,检测精度为0.935,对缺陷有良好的检测性能。 

图  2  YOLOv5算法架构示意

2.2   管道异常分类

漏磁信号在管道正常区域、缺陷区域和组件区域会呈现出不同的信号特征。油气管道的异常分类是根据获得的信号特征将管道的不同区域分为不同的类别。传统分类方法依赖于手动特征提取或定义,这会带来噪声并降低检测精度[26]。深度学习的引入为异常分类提供了新的高效解决方案。基于卷积神经网络的算法大大提高了分类的精度,一些应用案例表明,这种方法的分类能力已经远超过传统方法的。 

杨理践等[27]提出一种改进的卷积神经网络来识别油管道焊缝法兰组件,该方法直接应用漏磁图像替代传统的特征提取。改进的结构包括了2个卷积层、1个局部响应归一化层、2个池化层、1个全连接分类层和1个Softmax层。试验结果表明该方法识别灵敏度为85.3%,优于其他基于特征的智能识别方法。YANG等[28]还使用经过预训练后和筛选后的卷积核构建卷积神经网络。该网络能够自动提取焊缝图像中的特征,从500张漏磁信号图像中对环焊缝和螺旋焊缝进行分类,分类准确率为95.1%。王竹筠等[29]提出一种基于改进SSD网络的管道漏磁图像识别算法,在SSD模型中加入多孔卷积,结合膨胀卷积来扩展网络的感知场,提取低分辨率高语义信息特征,从而提高对小目标细节特征的学习能力。该算法可以准确识别漏磁数据中环向焊缝、螺旋焊缝和缺陷的位置,算法准确率达92.62%,误检率小于3%,漏检率小于6%。赵翰学等[30]采用支持向量机、随机森林和梯度提升决策树(GBDT)这3种机器学习算法对缺陷信号特征量进行了分类识别。该研究利用交叉验证法来进行参数调优使算法达到较好的效果,并对凹坑数据集、穿孔数据集、周向裂纹数据集、表面剥落数据集和轴向裂纹数据集进行分类识别,结果表明,3种算法对于缺陷的分类识别效果均较好。LIU等[31]提出了一种改进的深度残差卷积神经网络,用于对管道缺陷进行分类,包括焊缝和腐蚀。该深度残差网络以 VGG16卷积神经网络为基础,VGG16网络模型如图3所示,主要包括输入层、卷积层、池化层、全连接层和Softmax层,输入图像为相同大小的预处理图像,通过卷积层提取特征,得到一定数量的特征图；然后将特征图输入到池化层进行下采样,对特征图进行泛化,并使用ReLU函数作为每个卷积层后面的激活函数,使函数非线性,全连接层用于组织和合成提取的特征,Softmax函数通常用作分类器。该方法还引入了注意力模块以减少噪声和复合特征的影响。耿丽媛等[32]提出了一种基于深度卷积神经网络的管道漏磁内检测环焊缝缺陷智能分类方法,以漏磁信号图像为样本,并以环焊缝开挖后射线检测发现的缺陷类型为样本标签建立数据库；然后使用深度卷积生成对抗网络（DCGAN）扩展和增强数据集,并用于改进和训练残差网络；再使用经过训练的网络对环焊缝的漏磁检测信号图像进行分类。该方法可实现对常见条形缺陷和圆形缺陷的识别分类。CHEN等[33]提出了一种结合YOLOv5 和 ViT 模型的级联深度学习方法,用于准确检测和分类管道缺陷。该方法使用拉通测试（PTT）生成的内部实验室数据集进行模型训练和验证,在管道缺陷分类精度方面优于单纯的YOLOv5算法,同时在缺陷检测方面保持了较高的精度。 

图  3  VGG16网络模型结构示意

2.3   管道缺陷量化

漏磁检测信号的量化过程,即根据检测得到的漏磁信号确定出对应管道缺陷几何参数的过程[34]。缺陷的大小,特别是缺陷的深度,是评价管道损伤程度的重要指标。传统的缺陷量化方法分为直接法和间接法,直接法是通过统计分析获得缺陷尺寸和漏磁信号之间的定量关系,进而来量化缺陷的大小,这种方法测量精度低,特别依赖经验数据。间接法是将前向模型和闭环迭代结构相结合,实现尺寸的最优更新。这些方法在很大程度上依赖于前向模型的准确性,并且很容易陷入局部最优。虽然目前只有少数学者研究了基于深度学习的管道缺陷量化方法,但都取得了较好的定量结果。 

LU等[35]提出了一种新的视觉变换神经网络来估计缺陷的大小。通过引入视觉变换层,该网络能够更准确地区分不同尺寸的缺陷特征,在实际应用中,采用3种VT-CNN对缺陷的长度、宽度和深度进行量化。WANG等[36]建立了一种漏磁缺陷信号的量化模型,模型结构如图4所示,其包括 CNN 模块和回归模块。其将漏磁信号的3个分量输入CNN 模块,自动提取特征；在回归模块中设计了缺陷长度、宽度和深度的联合损失函数,以量化缺陷尺度。WU等[37]提出一种基于强化学习（RL）的算法来估计缺陷的深度,将经典的基于迭代的方法嵌入到所提出的基于强化学习的算法学习过程中,并从迭代过程产生的数据中学习策略。试验结果表明,峰值深度误差（PDE）小于 2.94%。崔国宁等[38]提出一种基于卷积神经网络的缺陷尺寸智能量化方法。该方法利用卷积核来提取缺陷处的数据特征,采用Adam优化器和MAE损失函数线性输出训练结果,实现对缺陷尺寸的智能测量。其对管道缺陷具有良好的量化能力,量化误差为2~4 mm。ZHANG等[39]提出了一种视觉深度转移学习神经网络（VDTL）来预测缺陷尺寸。VDTL网络由可视化数据转换层、迁移学习卷积神经网络（CNN）层和全连接层组成,该网络可以预测缺陷大小,还可以估计缺陷横截面轮廓。并且,还引入了多核最大均值差异（MK-MMD）迁移学习算法,以提高准确性。结果表明,长度和深度的量化误差仅为 0.67 mm和 0.97%。YUKSEL等[40]提出了基于Swin Transformer Backbone YOLOv5（SwinYv5）算法的缺陷检测模型和基于交叉残差卷积神经网络（CR-CNN）的量化模型。检测模型用于提取缺陷的ROI（感兴趣区域）图像,图像用作量化模型的输入,通过特殊训练机制进行大量测试,增强训练数据的数量和种类。根据测试结果,所提方法的缺陷检测精度能达到98.9%,并对其进行量化,其长度、宽度和深度的最大误差分别为1.30,1.65,0.47 mm。 

图  4  漏磁缺陷信号的量化模型结构示意

3.   存在的问题

基于深度学习的管道漏磁检测模拟人类思维的学习和推理过程,通过有效的特征提取、选择和分类识别处理漏磁信息,以灵活的诊断策略对监测对象的运行状态和漏磁信息做出智能判断和决策,类似于人类专家的工作方式。随着科技的发展和研究的深入,基于深度学习的油气管道漏磁检测技术还面临以下的问题。 

（1）复杂环境下的适应性有待提高。深度学习模型获取不同环境下的缺陷样本存在困难,从而导致模型的检测精度低,增加了漏磁检测的难度。因此需要大量的样本为不同的环境建立检测模型。 

（2）缺陷特征高效准确识别需重点关注。准确的缺陷识别是有效保证管道安全运行的前提。如何有效剥离干扰信息,减小样本训练量和模型层数,缩短模型训练耗时,进行高效有序、精确的小样本模型训练是一个极具挑战的课题。 

（3）深度学习异常检测模型和传统异常检测模型协同作业较少。如何针对不同模型的特点,取长补短,实现不同模型间的相互融合与协同作业,对复杂工况下的检测工作而言是非常关键的。 

4.   结论与展望

文章从管道目标检测、管道异常分类和管道缺陷量化3个方面,介绍了深度学习在油气管道漏磁检测领域的应用,总结了近年来国内外的研究内容与取得的显著成果。但关于深度学习在管道漏磁检测领域的应用研究并不广泛,为了更好地将深度学习应用于管道漏磁检测中,未来的发展和突破可以从以下几个方面来实现。 

（1） 提高信号采集质量。由于管道内壁漏磁信号采集环境的影响,漏磁信号会受到一些因素的干扰,因此需要对样本数据进行清洗和预处理,提高深度学习模型的性能和泛化能力,另外,在模型训练过程中采用一些技术和方法,如数据增强、正则化等,也可以提高模型的鲁棒性和抗干扰能力。 

（2） 简化深度学习模型。深度学习模型的训练和推理通常需要大量的计算资源,比如ZHANG等[39]提出的VDTL深度学习模型需要28 h的时间来进行训练,这在一些实际应用中可能面临限制。后续的研究可以探索更简约和高效的深度学习模型结构,以减少计算成本,并结合硬件加速技术来提高性能。 

（3） 扩充模型训练数据。深度学习模型需要大量标注好的数据进行训练,而获取大规模的数据集可能是一项挑战。研究人员可以考虑利用数据增强或半监督学习等方法来扩充数据集,以弥补实际数据不足的问题。 

（4） 融合传统检测模型。如何针对不同缺陷和模型的特点,取长补短,实现不同模型间的相互融合与协同作业,非常有利于复杂工况下的缺陷检测。 

（5） 加大缺陷早期监测。目前的缺陷检测主要集中在缺陷发生之后,甚至是管道发生损坏后的阶段,此时的损失已经无法挽回,故有必要加大管道早期缺陷的监测研究。

文章来源——材料与测试网