一种快速的漏磁小缺陷检测方法

1.本发明涉及管道漏磁检测技术领域，尤其涉及一种快速的漏磁小缺陷检测方法。


背景技术：

2.管道因其运量大，成本低等优点一直作为石油、天然气等能源的主要载体，但长时间的运行很容易因腐蚀、人为破坏等原因对管道造成损坏，一旦管道发生泄漏就会对经济、环境、人民的生命财产安全造成危害，因此定期对管道检测是十分重要的。而漏磁检测因其不受环境和媒介影响等优点，是现在最常用的管道检测手段。
3.漏磁检测早已被许多学者应用在管道缺陷检测中，为防止管道泄漏起了重要作用，长距离油气管道会得到大量的漏磁图像，这对于人工判别无异于是一种巨大的挑战，因此急需一种快速且高效的识别方法。而深度学习算法刚好满足这一需求，因此大量的深度学习算法被应用在漏磁检测领域，使缺陷检测的成本大大降低。在目前的深度学习算法中，h.dong et al将上下文注意力网络应用在特征金字塔加强后的特征中，使有效信息传播到最终的融合特征图，最后增加一个边界细化块细化缺陷的边界，提高了检测效率。l.yang et al在ssd中引入空洞卷积和残差注意力网络，提高模型的感受野，同时使模型更加关注目标，最后将高语义性特征与高分辨率特征相融合提高小目标的细节特征。b.su et al在网络中引入互补注意力网络，将通道特征与空间特征巧妙的融合在一起，能自适应的抑制噪声，突出缺陷的特征。上述这些方法在缺陷检测中都取得了不错的效果，但在小目标上提升的效果却并不明显，同时在模型中引入了过多的参数，使得计算量大大提升，进而影响了检测速度。


技术实现要素：

4.鉴于现有技术的上述缺点、不足，本发明提供一种快速的漏磁小缺陷检测方法，用于解决管道漏磁小缺陷难检测，检测速度慢的问题。
5.为了达到上述目的，本发明采用的主要技术方案包括：
6.本发明实施例提供一种快速的漏磁小缺陷检测方法，所述方法包括以下步骤：
7.s1、采集实际的管道漏磁缺陷图像，使用comsol数据增强方法得到高分辨率的管道漏磁缺陷图像，并获取尺寸为640
×
640
×
3的第一特征图；
8.s2、采用spd-conv方法对s1中获取的尺寸为640
×
640
×
3的第一特征图进行下采样，得到不同尺寸的多个特征图；下采样的同时采用g-ghostnet轻量级网络提升检测速度；
9.s3、将s2中经过下采样得到的不同尺寸的多个特征图与上采样中尺寸相同的特征图相结合，得到不同的检测头送入检测头网络中进行检测；
10.s4、将s3中检测后得到的缺陷图像进行标注。
11.进一步地，所述步骤s1具体包括：使用comsol仿真软件仿真出高分辨率的漏磁缺陷图像，并与实际采集到的管道漏磁图像混合在一起，之后通过数据增强方法得到数据集，并将所述数据集中的图像尺寸设置为640
×
640
×
3。
12.进一步地，所述步骤s2具体包括：将所述尺寸为640
×
640
×
3的第一特征图送入spd-conv模型中进行下采样，每次卷积之后均在对应尺寸的特征图中以2
×
2的像素为单位进行划分，并提取每一块划分好的像素中相同位置的像素构成四个新的特征图，并将四个新的特征图融合在一起。
13.进一步地，所述spd-conv模型包括space-to-depth层与non-strided convolution层；所述space-to-depth层用于对所述第一特征图进行下采样，所述non-strided convolution层用于改变所述第一特征图的通道数，使输出通道数与输入spd-conv前的通道数一致。
14.进一步地，所述步骤s2中的所述g-ghostnet轻量级网络包括complicated分支和ghost分支，所述complicated分支通过堆叠残差模块对输入特征图进行特征提取，所述ghost分支通过对输入特征图进行cheap操作并融合mix信息，最后融合所述complicated分支和所述ghost分支的信息构成所述g-ghostnet网络。
15.进一步地，所述步骤s3中，在所述检测头网络中增加一个特征图尺寸为160
×
160
×
128的小目标检测头，以提升管道漏磁小缺陷检测的精确率。
16.进一步地，所述步骤s3具体包括：所述检测头网络中有三个检测头，大目标的特征图尺寸为20
×
20
×
1024，中目标特征图的尺寸为40
×
40
×
512和小目标特征图的尺寸为80
×
80
×
256，将所述三个检测头的特征图和特征图尺寸为160
×
160
×
128的所述小目标检测头输入检测头网络中，使用回归预测分别对先验框进行中心点预测以及宽高预测，最后将预测结果标注在特征图上。
17.本发明的有益效果是：本发明提供一种快速的漏磁小缺陷检测方法，采用comsol数据增强方法，使网络得到更多的细粒度信息，解决了漏磁缺陷数据不足的问题，有利于提高模型的鲁棒性。采用spd-conv方法，对于小目标而言不会丢失大量的细粒度信息，有利于小目标的识别与定位。采用g-ghostnet轻量级网络，提升了模型特征提取的能力，同时也因为计算量的减少而增加了检测速度。经过以上的改进，该方法在漏磁小缺陷的检测上能同时实现高精度与高的检测速度，满足了实际的检测需求。
附图说明
18.图1为本发明的一种快速的漏磁小缺陷检测方法的流程图；
19.图2为本发明中comsol数据增强方法的流程图；
20.图3为本发明中spd-conv的结构图；
21.图4为本发明中fsddnet的流程图；
22.图5为本发明的检测结构图。
具体实施方式
23.为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
24.实施例1：
25.如图1所示，本发明提供一种快速的漏磁小缺陷检测方法。该方法包括以下步骤：
26.101、采集实际的管道漏磁缺陷图像，使用comsol数据增强方法得到高分辨率的管
道漏磁缺陷图像，并获取尺寸为640
×
640
×
3的第一特征图。
27.本实施例中，将某石油公司实际采集的管道漏磁缺陷图像使用comsol仿真软件模拟出高分辨率的管道漏磁缺陷图像，应用的原理为有限元法，根据麦克斯韦方程组：
[0028][0029]
其中，为拉普拉斯算子，h为磁场强度，b为磁感应强度，j为电流密度，μ为磁导率。
[0030]
引入磁矢位使得磁感应强度为：
[0031][0032]
根据(1)可得控制方程为：
[0033][0034]
因为所研究管道呈几何对称，因此磁场也呈几何对称，磁失位只有一个分量，库伦规范自动满足。
[0035]
利用矢量恒等式控制方程(3)可写为：
[0036][0037]
使用圆柱坐标系(r，θ，z)，可将(4)写为：
[0038][0039]
式中，磁矢位和激励电流密度只有周向(θ)分量，因此可以看作为标量。
[0040]
由(2)可得磁感应强度为：
[0041][0042]
其中，为的径向分量，为的轴向分量。
[0043]
其中的comsol数据增强方法流程如图2所示，首先管道漏磁缺陷图像由两部分组成，一部分为实际检测的图像，另一部分为仿真图像，经过第一次数据增强将实际的管道漏磁缺陷图像粘贴到仿真图像中得到第三部分图像，最后为了提升模型的鲁棒性进行第二次数据增强，将第三部分图像经过提升亮度，随机旋转以及提升对比度得到最终的高分辨率的管道漏磁图像，并将其设置为尺寸为640
×
640
×
3的第一特征图作为主干网络的输入。
[0044]
102、采用spd-conv方法对获取的尺寸为640
×
640
×
3的第一特征图进行下采样，同时采用g-ghostnet轻量级网络来提升检测速度。
[0045]
本实施例中，将101中得到的尺寸为640
×
640
×
3的第一特征图输入到fsddnet(快速的漏磁小缺陷检测网络)中，fsddnet是在yolov5(一种单阶段目标检测算法)的基础上进行修改的，在yolov5的主干网络中增加了spd-conv模块，尺寸为640
×
640
×
3的第一特征图经过第一层spd-conv与padding＝1的3
×
3卷积后输出尺寸为320
×
320
×
64的特征图，再经过相同的组合后输出尺寸为160
×
160
×
128的特征图，经过四次g-ghostnet特征提取后，输出尺寸为20
×
20
×
1024的特征图，最后经过sppf结构，sppf结构通过串行多个尺寸为5
×
5的maxpool层，然后做进一步的融合。
[0046]
具体地，spd-conv模块主要由space-to-depth(spd)层与non-strided convolution层组成，spd层对所有特征图进行下采样，其主要流程如图3所示。当中间特征图x的尺寸为s
×s×
c1，切出一系列子特征图：
[0047][0048]
每个子图按比例因子对特征图进行下采样，图3展示的是当scale＝2时得到的四个子图f
0，0
，f
1，0
，f
0，1
，f
1，1
，每个子图的尺寸为(s/2，s/2，c1)。之后对这四个子特征进行拼接得到一个新的特征x
′
，其尺寸为(s/2，s/2，scale2c1)。
[0049]
在spd层之后，引入一个stride＝1的滤波器，本发明实施例选用的是1
×
1卷积，改变x
′
的通道数为c2。
[0050]
具体地，g-ghostnet分为“complicated”与“ghost”两部分，前者需要大量的block操作得到，表示为后者仅需简单的线性操作得到，表示为分别通过如下方式生成：
[0051][0052][0053]
其中l
′2，l
′3…
l
′n表示n层卷积层，c表示cheap操作，它可以是1
×
1或3
×
3卷积，最后将两部分的特征进行concat操作输出特征为：
[0054][0055]
上述方式可以大大减少模型的计算复杂度，但缺乏深层次信息，因此在所g-ghostnet中引入mix操作，补偿的信息缺失。从图4可知，从complicated分支收集到的特征为这些特征补偿了的信息缺失。
[0056]
从图4可知，先对融合的特征z变换到同域，然后再进行特征融合，表达式为：
[0057][0058]
其中，τ表示变换函数，为了减少计算量，这里采用先对z进行全局平均池化以得到聚合特征，然后采用全连接层将其变换到同域。
[0059]
τ(z)＝wpooling(z)+b
[0060]
其中，pooling表示全局平均池化，w、b分别表示权重和偏置。
[0061]
g-ghostnet的block模块采用的是普通的残差模块，从图4可知，残差模块的主干部分由三层卷积层构成，卷积核分别为1
×
1，3
×
3以及1
×
1，通过堆叠残差模块进行特征提取构成complicated分支，再通过cheap操作并融合mix信息构成ghost分支，最后融合两个分支的信息构成所g-ghostnet轻量级网络。
[0062]
103、将上述经过特征提取的特征图送入检测头网络中进行检测，并在检测头网络中增加了一个小目标检测头，从而提升管道漏磁小缺陷检测的精确率。
[0063]
本实施例中，如图4所示，在fsddnet中选择尺寸为80
×
80
×
256，40
×
40
×
512以及20
×
20
×
1024的三个特征图，使用fpn结构(特征图金字塔网络)对三个特征图进行融合，使得fsddnet拥有不同尺度的信息。为了提高小目标检测的效果，增加了一个小目标检测头，将尺寸为80
×
80
×
256，40
×
40
×
512以及20
×
20
×
1024的三个特征图经过g-ghost特征提取，再经过1
×
1卷积改变通道数以及上采样后与fsddnet中尺寸为160
×
160
×
128的特征图进行特征融合，得到第四个检测头。
[0064]
具体地，工业生产环境是电脑cpu为i5-12500h，gpu为rtx3060，内存为6g，使用的语言为python3.7，深度学习的框架为pytorch1.8，将尺寸为640
×
640
×
3的特征图输入到fsddnet中进行下采样，共使用24633张图像，其中22170张图像作为训练集，2463张图像作为验证集。fsddnet的参数设置如下：优化器选择的是随机梯度下降法(sgd)，冲量为0.9，初始学习率为1e-2，权值衰减设置为5e-4，学习率下降方式选择cos。fsddnet的具体参数如表一。
[0065]
表一
[0066][0067]
其中，表一中的block表示传统的残差网络，input表示输入图像的尺寸，output表示输出图像的尺寸。在fsddnet特征提取并经过fpn加强特征提取后，经过检测头就可以将检测的结果标注在图像上，如图5所示，管道的小目标缺陷都能被精准的标注在图像上，表示该目标是缺陷的概率，精准度达到百分八十以上。
[0068]
在本发明提供的一种快速的漏磁小缺陷检测方法，采用comsol数据增强方法，使网络得到更多的细粒度信息，解决了漏磁缺陷数据不足的问题，有利于提高模型的鲁棒性。采用spd-conv方法，对于小目标而言不会丢失大量的细粒度信息，有利于小目标的识别与定位。采用g-ghostnet轻量级网络，提升了模型特征提取的能力，同时也因为计算量的减少而增加了检测速度。经过以上的改进，该方法在漏磁小缺陷的检测上能同时实现高精度与高的检测速度，满足了实际的检测需求。
[0069]
显然，上述所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。