基于卷積神經(jīng)網(wǎng)絡(luò)的管道缺陷量化識(shí)別方法

崔國寧，楊理踐，耿 浩，劉屹然

(1.沈陽工業(yè)大學(xué)信息科學(xué)與工程學(xué)院，遼寧沈陽 110870；2.國家管網(wǎng)集團(tuán)油氣調(diào)控中心，北京 100013)

0 引言

長輸油氣管道主要采用管道漏磁檢測技術(shù)檢測管道缺陷位置及大小。由于管線較長，檢測的數(shù)據(jù)量較大，且缺陷的識(shí)別主要采用人工判讀的方式，耗時(shí)耗力且容易造成誤檢、漏檢，因此亟需開展智能化缺陷識(shí)別方法，提高缺陷的識(shí)別效率。

針對(duì)管道缺陷的智能化識(shí)別方法，各位學(xué)者已經(jīng)開展了大量研究。姜慧明等[1]利用梯度融合方法將梯度圖融合到U-Net編碼器，增加了特征的復(fù)用性。文獻(xiàn)[2]提出了一種利用數(shù)據(jù)樣本之間的相似度獲得拉普拉斯矩陣特征信息，清洗錯(cuò)誤標(biāo)記的數(shù)據(jù)點(diǎn)的方法，獲得了更精確的結(jié)果。文獻(xiàn)[3]提出了一種基于多特征視圖的淺層卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了自動(dòng)駕駛汽車的道路區(qū)域精確分割。徐富勇等[4]、李旺枝等[5]直接將圖像輸入到CNN中，其算法能夠自動(dòng)學(xué)習(xí)圖像特征，減少人工特征提取過程。曹輝等[6]為了提高管道焊縫法蘭組件的識(shí)別精度，采用深度學(xué)習(xí)網(wǎng)絡(luò)的識(shí)別方法，對(duì)漏磁檢測的圖像進(jìn)行識(shí)別。王竹筠等[7]通過改進(jìn)SSD網(wǎng)絡(luò)模型的圖像識(shí)別算法，對(duì)管道漏磁圖像數(shù)據(jù)實(shí)現(xiàn)了自動(dòng)識(shí)別各種焊縫及缺陷定位。文獻(xiàn)[8]提出了一種基于patch-wise M-net結(jié)構(gòu)的圖像自動(dòng)分割網(wǎng)絡(luò)，實(shí)現(xiàn)了更大的細(xì)節(jié)保留。鄧志鵬等[9]、高鑫等[10]通過變形卷積網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)提取密集區(qū)域中的目標(biāo)特征，有效提高了識(shí)別精度。

本文CNN包含4個(gè)卷積層、4個(gè)池化層、3個(gè)全連接層和1個(gè)輸出層，采用Adam優(yōu)化器和MAE損失函數(shù)，線性輸出訓(xùn)練結(jié)果，可實(shí)現(xiàn)批量識(shí)別管道缺陷，輸出缺陷尺寸參數(shù)。

1 管道漏磁內(nèi)檢測原理

管道漏磁內(nèi)檢測是利用永磁鐵通過鋼刷將管道磁化，達(dá)到飽和狀態(tài)或接近飽和狀態(tài)。若管壁內(nèi)部及表面完好無損傷，則磁感線會(huì)在管壁中平行穿過，管壁表面幾乎無磁場的突變；若管壁表面或內(nèi)部有缺陷，缺陷邊界處磁導(dǎo)率發(fā)生變化，磁感線流向發(fā)生變化，部分磁感線會(huì)溢出管壁，在空氣中繞過缺陷進(jìn)入管壁，在缺陷處的管壁表面形成漏磁場。檢測原理如圖1所示。

利用磁敏傳感器獲取管壁表面漏磁場的磁通量，計(jì)算機(jī)對(duì)采集的信號(hào)分析處理，計(jì)算出缺陷的形狀與尺寸，評(píng)估缺陷的危害程度。

1.1 漏磁信號(hào)數(shù)據(jù)特點(diǎn)

目前，為了全面獲取完整的缺陷信息，主要采用三軸傳感器檢測磁場信息；缺陷處漏磁場信號(hào)包含徑向、軸向、周向3個(gè)分量，如圖2所示。

圖2 管道缺陷漏磁信號(hào)

對(duì)于相同寬度和深度的缺陷，隨著長度的增加，徑向分量的峰峰值間距增大，幅值減小，信號(hào)曲線變化趨于平穩(wěn)；軸向分量的峰谷值間距增大，幅值減小。因此可通過徑向分量峰峰值間距和軸向分量峰谷值間距及幅值計(jì)算出缺陷長度。

對(duì)于相同長度、寬度，不同深度的缺陷，隨著深度的增加，徑向分量峰峰值和軸向分量峰谷值均增加，具有較好的線性關(guān)系。缺陷漏磁場信號(hào)的三軸分量共同決定了缺陷量化結(jié)果。

1.2 漏磁信號(hào)數(shù)據(jù)集建立

為了提高缺陷的識(shí)別精度，首先建立準(zhǔn)確且適用于識(shí)別的數(shù)據(jù)集。采用管道漏磁內(nèi)檢測器采集的實(shí)際管道的缺陷處漏磁場三軸信號(hào)分量，進(jìn)行數(shù)據(jù)集的建立。

本文采用Φ1 016拖拉實(shí)驗(yàn)數(shù)據(jù)，檢測探頭環(huán)向排列，選取覆蓋缺陷檢測范圍的20個(gè)探頭的檢測數(shù)據(jù)作為數(shù)據(jù)源，每個(gè)探頭選取100個(gè)數(shù)據(jù)的檢測長度，包含3個(gè)分量的檢測數(shù)據(jù)，每個(gè)缺陷數(shù)據(jù)為60×100的二維矩陣。3個(gè)分量的檢測數(shù)據(jù)的量級(jí)差異較大，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將所有數(shù)據(jù)同比例映射到區(qū)間[-1,1]，如圖3所示。

(a)徑向

2 基于卷積神經(jīng)網(wǎng)絡(luò)缺陷識(shí)別算法

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，可根據(jù)誤差自動(dòng)優(yōu)化提取數(shù)據(jù)特征，易于實(shí)現(xiàn)對(duì)數(shù)據(jù)的智能識(shí)別。

卷積神經(jīng)網(wǎng)絡(luò)對(duì)于任意輸入的數(shù)據(jù)，經(jīng)過卷積層中的卷積核提取特征的操作，輸出多個(gè)特征圖。特征圖是由像素值構(gòu)成的二維矩陣。卷積操作后輸出的大量二維特征矩陣，引入池化層的池化操作減小產(chǎn)生的特征數(shù)據(jù)量，再通過若干全連接層計(jì)算出目標(biāo)結(jié)果。

2.2 神經(jīng)網(wǎng)絡(luò)模型建立

為了實(shí)現(xiàn)管道缺陷尺寸的識(shí)別，提出了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型，如圖4所示，其中主要包含4個(gè)卷積層、4個(gè)池化層、3個(gè)全連接層和1個(gè)輸出層。

圖4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2.1 卷積層

卷積層的作用是通過卷積操作提取輸入數(shù)據(jù)的特征，其中包含3部分：卷積、加偏置和非線性激活。卷積神經(jīng)網(wǎng)絡(luò)中第一個(gè)卷積層通常提取的特征比較明顯，后一個(gè)卷積層可進(jìn)一步提取較為復(fù)雜的特征，用于識(shí)別的數(shù)據(jù)或圖像通常較復(fù)雜，因此需要多個(gè)卷積層提取數(shù)據(jù)特征，實(shí)現(xiàn)更高精度的識(shí)別結(jié)果。

卷積操作的表達(dá)式為

(1)

式中：m與n為卷積核行列的大??；y為輸出的特征數(shù)據(jù)；wij為用于訓(xùn)練的卷積核參數(shù)；xij為卷積核參數(shù)對(duì)應(yīng)的輸入數(shù)據(jù)。

非線性激活是將卷積操作后輸出的特征數(shù)據(jù)輸入到非線性激活函數(shù)中，實(shí)現(xiàn)非線性化。文中采用ReLU激活函數(shù)，有效改善神經(jīng)網(wǎng)絡(luò)訓(xùn)練中梯度消失的問題。表達(dá)式為

f(x)=max(0,x)

(2)

2.2.2 池化層

池化層又稱為非線性降采樣層。經(jīng)過卷積層輸出的特征數(shù)據(jù)量很大，對(duì)網(wǎng)絡(luò)的訓(xùn)練效果影響較大，需要對(duì)卷積操作后的數(shù)據(jù)進(jìn)行降維處理。

通過池化后，會(huì)有少部分信息丟失，但能根據(jù)池化類型保留主要的特征數(shù)據(jù)。同時(shí)池化操作能有效提高神經(jīng)網(wǎng)絡(luò)對(duì)輸入畸變的魯棒性。

2.2.3 全連接層

輸入數(shù)據(jù)經(jīng)過多個(gè)卷積操作與池化操作后，數(shù)據(jù)量較少且均為保留的更高層次的特征數(shù)據(jù)，根據(jù)非線性回歸的原理計(jì)算得到管道缺陷尺寸。

2.2.4 輸出層

輸出層采用線性方式輸出訓(xùn)練結(jié)果，訓(xùn)練結(jié)果與樣本標(biāo)簽對(duì)比，根據(jù)誤差大小反饋結(jié)果，重新優(yōu)化模型中的權(quán)重值，使誤差達(dá)到最小。

2.3 模型訓(xùn)練方法

網(wǎng)絡(luò)模型采用全局監(jiān)督訓(xùn)練的方式進(jìn)行訓(xùn)練。優(yōu)化器采用Adam算法，即自適應(yīng)時(shí)刻估計(jì)方法，能計(jì)算每個(gè)參數(shù)的自適應(yīng)學(xué)習(xí)率。損失函數(shù)采用MAE即平均絕對(duì)誤差損失函數(shù)，表達(dá)式為

(3)

式中：MAE為模型預(yù)測值f(xi)與樣本真實(shí)值yi之間差距的平均值。

模型訓(xùn)練過程中的各參數(shù)根據(jù)梯度下降優(yōu)化算法和損失函數(shù)實(shí)現(xiàn)更新優(yōu)化。

3 實(shí)驗(yàn)與結(jié)果分析

模型訓(xùn)練的數(shù)據(jù)為管道漏磁內(nèi)檢測器若干缺陷的油氣管道的檢測數(shù)據(jù)，各類內(nèi)外傷共180個(gè)，120個(gè)缺陷數(shù)據(jù)用于模型訓(xùn)練，45個(gè)缺陷數(shù)據(jù)作為模型的驗(yàn)證集，剩余15個(gè)缺陷數(shù)據(jù)用于測試模型訓(xùn)練結(jié)果，檢驗(yàn)?zāi)Ｐ偷淖R(shí)別精度。

3.1 不同算法對(duì)比分析

模型訓(xùn)練過程中采用不同的優(yōu)化器和不同的學(xué)習(xí)率，對(duì)比模型訓(xùn)練結(jié)果，觀察模型的收斂速度以及模型能達(dá)到的最小損失值。優(yōu)化器采用常見的隨機(jī)梯度下降法SGD和自適應(yīng)梯度下降法Adam，學(xué)習(xí)率分別取0.02、0.01、0.005和0.001，訓(xùn)練損失值的收斂情況如圖5所示。

(a)SGD_0.02

從圖5可知，模型訓(xùn)練過程中根據(jù)不同的迭代函數(shù)與學(xué)習(xí)率，損失值的收斂情況不同。在相同學(xué)習(xí)率下，自適應(yīng)梯度下降算法(Adam)對(duì)模型的收斂效果明顯優(yōu)于隨機(jī)梯度下降算法(SGD)。對(duì)于相同的迭代函數(shù)，學(xué)習(xí)率的大小對(duì)模型的收斂效果影響大，圖中模型整體上處于收斂狀態(tài)，學(xué)習(xí)率較大時(shí)，模型的穩(wěn)定性較差，振蕩較明顯，導(dǎo)致模型的收斂速度較慢。隨著學(xué)習(xí)率的減小，模型收斂趨于穩(wěn)定，振蕩減弱，模型整體收斂速度加快；學(xué)習(xí)率過小時(shí)，模型的收斂更加穩(wěn)定，模型始終處于收斂狀態(tài)，無振蕩情況，但模型的收斂速度隨著學(xué)習(xí)率的減小而減慢。選取合適的學(xué)習(xí)率至關(guān)重要。對(duì)比訓(xùn)練結(jié)果，當(dāng)采用自適應(yīng)梯度下降法，學(xué)習(xí)率取0.005時(shí)，訓(xùn)練效果最佳。

3.2 實(shí)驗(yàn)誤差分析

實(shí)驗(yàn)采用15個(gè)缺陷數(shù)據(jù)測試模型訓(xùn)練結(jié)果，每個(gè)缺陷數(shù)據(jù)均包含徑向、軸向、周向3個(gè)分量，分別對(duì)長寬深進(jìn)行識(shí)別，每個(gè)缺陷的長寬深均不完全相同。表1為缺陷實(shí)際長度、模型識(shí)別長度與誤差的數(shù)據(jù)表。

表1 模型測試缺陷長度與誤差 mm

從表1可知，不同缺陷的長度相同，但缺陷的寬度與深度不同時(shí)，對(duì)缺陷長度的識(shí)別結(jié)果也不同。模型總體的識(shí)別誤差較小，誤差范圍為0～7 mm，識(shí)別精度滿足工程應(yīng)用需求。

模型對(duì)缺陷的識(shí)別中，對(duì)同一缺陷采用的訓(xùn)練數(shù)據(jù)完全相同，保證缺陷長寬高所受的影響一致，但對(duì)于網(wǎng)絡(luò)輸出的識(shí)別結(jié)果(長寬高)各不相同，因此無法通過一個(gè)模型同時(shí)實(shí)現(xiàn)對(duì)管道缺陷的長寬高的識(shí)別。采用3個(gè)結(jié)構(gòu)相同的網(wǎng)絡(luò)模型，分別對(duì)缺陷的各分量進(jìn)行識(shí)別，模型測試缺陷寬度與誤差如表2所示。

從表2可知，對(duì)于缺陷的寬度識(shí)別，相同寬度的缺陷，由于缺陷的長度與深度各不相同，對(duì)相同寬度缺陷的識(shí)別結(jié)果不同?？傮w來說，模型識(shí)別結(jié)果與缺陷真實(shí)尺寸誤差較小，誤差范圍在0～19 mm，滿足工程應(yīng)用需求。

表2 模型測試缺陷寬度與誤差 mm

對(duì)于缺陷深度的識(shí)別結(jié)果如表3所示。

表3 模型測試缺陷深度與誤差 mm

從表3可知，針對(duì)缺陷的深度，模型識(shí)別結(jié)果與真實(shí)值誤差較小，誤差主要在0～5 mm范圍。該識(shí)別精度基本滿足工程應(yīng)用需求，但由于管壁壁厚相對(duì)較小，對(duì)于提升缺陷深度的識(shí)別精度依然存在較大需求。

4 結(jié)論

建立CNN模型和管道缺陷處漏磁信號(hào)數(shù)據(jù)庫，訓(xùn)練及驗(yàn)證模型對(duì)管道缺陷尺寸的識(shí)別能力，得出結(jié)論：本文提出的CNN模型采用的Adam優(yōu)化器相比于SGD優(yōu)化器，缺陷識(shí)別誤差下降迅速，模型識(shí)別精度高，效率更高；學(xué)習(xí)率為0.005時(shí)，模型訓(xùn)練誤差更小，精度更高，收斂速度更快；CNN對(duì)漏磁信號(hào)數(shù)據(jù)的識(shí)別精度較好，對(duì)于不同缺陷的識(shí)別精度相似，滿足工程應(yīng)用需求。