基于计算机视觉的油气管道失效识别技术

周权 宫彦双 吴超 安超 刘杰

目前，传统的油气管道失效识别技术依然采用人工检测分析的方法为主，耗时较长且智能化程度低。提出了一种基于残差网络与迁移学习的管道失效图像识别算法，通过深度卷积网络建立了管道失效识别模型，然后利用大型ImageNet 数据集中训练好的Resnet152模型参数，在包含1万余张的管道失效图像数据集上进行微调与模型优化，最终实现对细菌腐蚀、土壤腐蚀、环境敏感开裂等15种失效类型的准确识别。实验结果表明，算法的准确率达到95%以上，并具有较强的泛化能力，能够实现对油气管道失效类型的快速准确识别。所提算法可以为油气管道失效的统计与分析提供简单快捷的方法，提高信息化管理水平。

油气管道失效； 图像识别； 残差网络； 迁移学习

TP391.413 A

［定稿日期］2021-12-27

［基金项目］四川省科技计划项目（项目编号：2020YFG0303、2020YFH0111）；成都市科技项目（项目编号：2019-YF05-02657-SN）

［作者简介］周权（1999—），男，在读硕士，研究方向为机器学习、计算机视觉。

1 油氣管道失效识别

随着天然气及石油工业快速发展，我国的油气管道运输建设已相对完整，在2020年期间，新建成油气管道里程高达5 081 km，管道总里程累计达到14.4万km［1］。相比于油气管道的飞速建设，管道的日常维护却相对薄弱，相关部门对其投入的人力物力不足。管道的管理和检测体系不完善，给管道的安全运行造成一定的威胁。

目前，我国每年新增被石油污染的土壤约为10万t，部分重油田污染区的土壤原油含量远远超过国家标准临界值。另外，水资源石油污染现状也不容乐观，如2006年发生的长达一个多月的渤海石油污染事件和2009年陕西发生的地下输油管道泄漏事件等，给我国海洋环境和地下水资源造成了严重污染［2］。

开展油气管道失效的识别与统计，可以明确不同类型风险权重，对提高风险概率计算精度和提高风险评价工作科学性具有重要作用，有助于采取有针对性的维修维护方法，进而提升管理对象本质安全，防范失效泄漏的发生。由于油气田管线的失效问题涉及材料本身、服役环境、工艺流程等多个方面，给失效识别工作带来较大的困难。目前，管道一线巡检人员在缺乏专业知识的情况下，难以在现场对失效类型进行准确判断，失效类型往往不能被有效识别。专业实验室识别在时间和费用上较高，不适用于油气田管道失效多发的现状。因此急需建立一种能够为现场工作人员所掌握的，较为便捷的失效类型识别方法，低成本快速有效识别一些失效类型。

随着人工智能的快速发展，计算机视觉技术已经广泛应用于日常生活的各个领域，出现了一系列高效准确的图像识别算法，如基于卷积神经网络的水稻病害图像识别、垃圾图像分类、手写数字识别等［3-4］。因此，本文提出了一种基于深度学习的油气管道失效类型识别算法，使用残差结构搭建了图像分类神经网络，并采用迁移学习的方法，对油气管道图像数据集进行识别和分类。最终的模型能够实现对油气管道典型失效类型的快速准确识别，有助于完善油气管道腐蚀管理检测系统，提高信息化管理水平，为油气管道工程管理提供简单快捷的方法和科学的指导意见。

2 生成数据集

根据所采集到的数据，制作了相应的腐蚀分类图表，一共分了15个类型，如表1所示。

由于原始采集到的数据集较小，约为1 000张图片，远远不够实验要求，所以先对数据集进行增强处理以得到更多的数据，处理方法有放大缩小、旋转、改变明亮度、平移、添加噪声等。部分图片处理后的效果如图1所示，各类型的原始数据量与增强后的数据量如表2所示。

增强后一共得到了约10 000张图片，共15个类型，每个类型约700张，最后按照7∶2∶1的比例划分训练集、验证集和测试集，训练集数量约为7 000张，验证集约为2 000张，测试集约为1 000张，满足后续模型训练要求。

3 算法设计

3.1 迁移学习

对比传统机器学习，迁移学习在微调之前，模型的初始性能更高；在训练过程中，模型提升的速率更快；在训练结束后，得到的模型收敛效果更好，解决了小数据样本在训练时容易出现的过拟合问题，提高了小数据样本分类问题的准确性和效率性。

本实验将先冻结前面卷积层参数，只训练最后新建立的全连接层，保存下该次训练的最优模型；然后在前面保存的最优模型基础上，解冻前面的所有的卷积层，进行第二次全局训练。

3.2 Resnet152

传统的卷积神经网络当堆叠到一定网络深度时，会出现梯度爆炸和退化问题。2015年提出的Resnet网络解决了以上问题，它提出残差结构，建立了输入与输出之间的有效连接，使神经网络在深度拓宽的同时还能保持其特征表达的能力，成功解决了退化问题，可以搭建超深的网络结构，超过了1 000层［5］。残差块的基本结构如图2所示。

Resnet中提出了2种映射：

（1）恒等映射（Identity Mapping），指的是图2中数字2所标示的部分。

（2）残差映射（Residual Mapping），指的是图2中减去恒等映射剩下的部分。

残差块的最后的输出如式（1）所示。

y=F（x）+x（1）

其中残差指的就是F（x）部分。

在图2的残差块中有2层结构，第一层结构的表达式如式（2）所示。

F=W2σ（W1x）（2）

其中σ代表非线性激活函数ReLU函数。

然后通过一个恒等映射和第二个ReLU函数，得到输出y ，第二层表达式如式（3）所示。

y=F（x，{Wi}）+x（3）

Resnet152的网络结构多达152层，可以更加充分提取提取图像特征，其网络结构如图3所示。从第 1 组卷积块起到第 5 组均为残差模块，将大小为 224×224 的图像数据输送后，经残差网络提取特征进行学习训练。经过训练后，将图像输入平均池化层取平均，最终由全连接层的 LogSoftmax 函数进行图像类别的划分。

4 实验流程

运行环境为Windows10 64bit系统，CPU为AMD Ryzen 9 5900HX，GPU为NVIDIA Geforce RTX 3070。实验基于Facebook开源的Pytorch框架运行，采用Python3语言编写。

具体流程：

（1）数据预处理：加载训练集和验证集，通过torch中的transforms函数，对每个epoch数据图像进行处理。

（2）模型初始化：加载在ImageNet上预训练的Resnet152模型参数，冻住前面所有的卷積层参数。

（3）修改全连接层：重新定义最后的全连接层参数，将其改为15分类问题，采用LogSoftmax。

（4）设置优化器和损失函数：采用NLLLoss损失函数和Adam优化器，学习率为 0.000 1。

（5）全连接层训练：总共训练25个epoch，画出模型的性能曲线，保存验证集准确率最高的模型。

（6）全局训练：先加载（5）中保存的模型，解冻前面的卷积层，使所有参数可以参与训练，学习率为0.000 1，训练30个epoch，最后保存验证集准确率最高的那次模型作为最优实验模型。

（7）模型测试：加载测试集数据与最优模型，对测试集进行验证。

5 实验结果与分析

对2次训练和一次测试过程进行性能分析，以迭代过程中损失函数值和预测精度为性能评估标准，分析模型的收敛性能及预测准确率。

5.1 全连接层训练

图4为模型准确率曲线，图5为模型的损失函数曲线。从图4可以看出，随着迭代次数的增加，准确率一直处于上升状态。当迭代次数到达第20次时，验证集准确率超过95%，训练集准确率接近90%，曲线趋于稳定，基本达到收敛状态。

从图5可以看出，训练过程中，训练集和验证集的损失函数值一直呈平稳下降趋势，并没有出现过拟合情况。

实验结果可知，全连接层训练的验证集最高准确率出现在第23个epoch时，其数值为0.964 3，保存下该次训练的模型。

5.2 全局训练

加载全连接层训练保存的模型，解冻前面的卷积层，训练所有网络参数，图6、图7分别为训练过程中模型准确率曲线与损失函数值曲线。

从图6可知，模型的准确率在小范围内发生波动，总体呈上升趋势，epoch为29时，准确率达到98%。从图7可知，训练集和验证集的损失函数值整体处于下降状态，并未出现过拟合现象。

全局训练的验证集最高准确率出现在第29个epoch时，其数值为0.980 3，保存下该模型，作为训练的最优模型。

5.3 模型测试

测试集数量为1 000张左右，加载前面训练保存的最优模型，在测试集上进行实验。图8是部分图片预测结果，图9是所有图片预测结果的混淆矩阵。

从图8的预测结果和图9的混淆矩阵可以看出，模型识别的准确率较高。从混淆矩阵可以看到，1 000余张测试图片，仅有35张图片预测错误，预测准确率达到了95%以上。

6 结论

本文将深度学习应用于油气管道失效类型的识别中，建立了一种基于迁移学习和残差网络的管道失效分类模型。实验结果表明，Resnet152模型能够做到在较少的Epoch次数中获得高准确度。实验过程包括两次训练，在第一次全连接层训练中，仅经过20次Epoch，其识别准确率能达到95%；在第二次全局训练中，经过30次Epoch，模型达到98%的准确率，并且最后的测试集准确率达到了95%以上。因此，该模型具有泛化能力较强、准确率较高、鲁棒性较好等特点，可以为油气管道失效类型的识别提供科学参考意见，提高信息化管理水平，有利于减少因管道失效泄露导致的环境污染。

参考文献

［1］ 关鹏.论我国石油管道建设的特点和发展趋势［J］.中国石油和化工标准与质量，2019，39（18）：103-104.

［2］ 郭峰.石油污染治理技术综述［J］.化工管理，2021（19）：51-53.

［3］ 邱靖，刘继荣，曹志勇，等.基于卷积神经网络的水稻病害图像识别研究［J］.云南农业大学学报（自然科学），2019，34（5）：884-888.

［4］ 李优，穆林平.基于迁移学习的垃圾图像分类模型研究［J］.电脑与信息技术，2021，29（4）：17-21.

［5］ 郭玥秀，杨伟，刘琦，等.残差网络研究综述［J］.计算机应用研究，2020，37（5）：1292-1297.