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?承載著巨大的責任和挑戰(zhàn)。油氣管道的安全運行對維持能源供應、保障經濟發(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)由運輸介質腐蝕造成的內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,已成為國內外應用最為普遍的管道檢測技術之一[3-6]。

管道健康的評估主要依靠分析漏磁內檢測數(shù)據(jù),由于石油管道管線鋪設距離都是上千公里,漏磁內檢測數(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]。深度學習作為人工智能技術的重要發(fā)展方向,可以顯著提高數(shù)據(jù)分析的效率。近年來,深度學習技術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)異的學習訓練能力引起了管道漏磁檢測領域學者的關注[9]?；诖?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習在油氣管道漏磁檢測領域的應用,最后討論了深度學習在漏磁檢測領域所存在的問題及未來的發(fā)展趨勢。

1. 深度學習概述

深度學習的概念最早由Geoffrey Hinton教授于2006年提出[10],屬于機器學習的分支。其基本思想是通過構建多層網絡,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。深度學習法已成為信號分析領域的熱點,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域[11-12]。相比于淺層神經網絡在處理復雜函數(shù)和自然信號以及模型泛化能力上的不足,深度學習的深層自主學習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)方法對人工經驗的依賴性[13]。典型的深度學習模型主要有深度置信網絡(DBN)、卷積神經網絡(CNN)和自編碼器(AE)。卷積神經網絡是最流行的深度學習算法之一,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”等分析結果。根據(jù)訓練數(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網絡層組成的,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)通過訓練數(shù)據(jù)進行校準。經過近年來的不斷發(fā)展,CNN的一些算法已經成功應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]。

圖 1CNN模型的典型架構

2. 深度學習在油氣管道漏磁檢測領域的應用

深度學習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習在油氣管道漏磁檢測領域的應用。準確的目標檢測可以定位異常位置,便于有效指導后續(xù)管道的開挖和修復工作。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,將深度學習與目標檢測結合,為解決上述難題提供了可行的方案,已有許多學者將基于深度學習的目標檢測算法應用到管道漏磁檢測中。

YANG等[20]提出一種基于多尺度SSD網絡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習的管道環(huán)焊縫目標檢測方法,該方法包含了特征提取模塊和預測模塊,特征提取模塊利用卷積神經網絡自動提取特征,預測模塊使用全連接網絡和卷積網絡預測目標的類別,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練,并生成預訓練模型,并將預訓練后的模型替換到Faster R-CNN的特征提取網絡中,然后使用該網絡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 (特征金字塔網絡)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算法的基礎上,通過引入損失函數(shù)Distance-IoU對檢測算法YOLOv5進行改進,YOLOv5網絡模型結構如圖2所示,模型結構包括輸入端、Backbone、Neck和Prediction四部分,輸入端可以將圖像進行預處理,Backbone為基準網絡,該模塊的功能是提取圖像的一些通用特征,Neck網絡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)進行訓練,使之具有對漏磁缺陷信號自動識別的能力,結果表明,相同訓練條件下,改進算法的準確率明顯提升,可在短時間內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)督卷積神經網絡（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 的構建包括多個具有相同結構的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]。深度學習的引入為異常分類提供了新的高效解決方案?；诰矸e神經網絡的算法大大提高了分類的精度,一些應用案例表明,這種方法的分類能力已經遠超過傳統(tǒng)方法的。

楊理踐等[27]提出一種改進的卷積神經網絡來識別油管道焊縫法蘭組件,該方法直接應用漏磁圖像替代傳統(tǒng)的特征提取。改進的結構包括了2個卷積層、1個局部響應歸一化層、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]還使用經過預訓練后和篩選后的卷積核構建卷積神經網絡。該網絡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網絡的管道漏磁圖像識別算法,在SSD模型中加入多孔卷積,結合膨脹卷積來擴展網絡的感知場,提取低分辨率高語義信息特征,從而提高對小目標細節(jié)特征的學習能力。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種機器學習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網絡,用于對管道缺陷進行分類,包括焊縫和腐蝕。該深度殘差網絡以 VGG16卷積神經網絡為基礎,VGG16網絡模型如圖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合特征的影響。耿麗媛等[32]提出了一種基于深度卷積神經網絡的管道漏磁內檢測環(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絡（DCGAN）擴展和增強數(shù)據(jù)集,并用于改進和訓練殘差網絡；再使用經過訓練的網絡對環(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]提出了一種結合YOLOv5 和 ViT 模型的級聯(lián)深度學習方法,用于準確檢測和分類管道缺陷。該方法使用拉通測試（PTT）生成的內部實驗室數(shù)據(jù)集進行模型訓練和驗證,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網絡模型結構示意

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,特別依賴經驗數(shù)據(jù)。間接法是將前向模型和閉環(huán)迭代結構相結合,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)學者研究了基于深度學習的管道缺陷量化方法,但都取得了較好的定量結果。

LU等[35]提出了一種新的視覺變換神經網絡來估計缺陷的大小。通過引入視覺變換層,該網絡能夠更準確地區(qū)分不同尺寸的缺陷特征,在實際應用中,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,模型結構如圖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習（RL）的算法來估計缺陷的深度,將經典的基于迭代的方法嵌入到所提出的基于強化學習的算法學習過程中,并從迭代過程產生的數(shù)據(jù)中學習策略。試驗結果表明,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網絡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)線性輸出訓練結果,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移學習神經網絡（VDTL）來預測缺陷尺寸。VDTL網絡由可視化數(shù)據(jù)轉換層、遷移學習卷積神經網絡（CNN）層和全連接層組成,該網絡可以預測缺陷大小,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）遷移學習算法,以提高準確性。結果表明,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網絡（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,通過特殊訓練機制進行大量測試,增強訓練數(shù)據(jù)的數(shù)量和種類。根據(jù)測試結果,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構示意

3. 存在的問題

基于深度學習的管道漏磁檢測模擬人類思維的學習和推理過程,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,基于深度學習的油氣管道漏磁檢測技術還面臨以下的問題。

（1）復雜環(huán)境下的適應性有待提高。深度學習模型獲取不同環(huán)境下的缺陷樣本存在困難,從而導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,減小樣本訓練量和模型層數(shù),縮短模型訓練耗時,進行高效有序、精確的小樣本模型訓練是一個極具挑戰(zhàn)的課題。

（3）深度學習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),對復雜工況下的檢測工作而言是非常關鍵的。

4. 結論與展望

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,介紹了深度學習在油氣管道漏磁檢測領域的應用,總結了近年來國內外的研究內容與取得的顯著成果。但關于深度學習在管道漏磁檢測領域的應用研究并不廣泛,為了更好地將深度學習應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） 提高信號采集質量。由于管道內壁漏磁信號采集環(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)進行清洗和預處理,提高深度學習模型的性能和泛化能力,另外,在模型訓練過程中采用一些技術和方法,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） 簡化深度學習模型。深度學習模型的訓練和推理通常需要大量的計算資源,比如ZHANG等[39]提出的VDTL深度學習模型需要28 h的時間來進行訓練,這在一些實際應用中可能面臨限制。后續(xù)的研究可以探索更簡約和高效的深度學習模型結構,以減少計算成本,并結合硬件加速技術來提高性能。

（3） 擴充模型訓練數(shù)據(jù)。深度學習模型需要大量標注好的數(shù)據(jù)進行訓練,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)督學習等方法來擴充數(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