【《基于卷积神经网络的管道缺陷检测技术研究国内外文献综述》4500字】

基于卷积神经网络的管道缺陷检测技术研究国内外文献综述目录TOC\o"1-3"\h\u32238基于卷积神经网络的管道缺陷检测技术研究国内外文献综述 1260271.1研究背景 1314451.2管道缺陷检测现状 2214141.3小样本目标检测现状 3184231.4卷积神经网络现状 4224371.4.1卷积层 5266051.4.2激励层 6106391.4.3池化层 6153341.4.4全连接层 713085参考文献 7研究背景随着经济全球化快速发展，中国对能源需求持续增长，成为世界上能源生产和能源消费大国。石油、天然气作为当代主要能源，是工业生产过程中主要能源，是现代工业社会最重要的原料。管道运输具有运输量大、迅速、经济效益高、安全性好、可靠性高等优点，成为石油、天然气运输首选方案REF_Ref30140\r\h[1]。“十二五”期间，我国油气管道实现规模化生产，总里程比“十一五”同期增长91.08%，年均复合增长13.97%。截至2019年底，中国天然气长输管道总里程已达16.9万公里REF_Ref30675\r\h[2]。根据规划，到2025年，国内天然气管网将增至24万公里。这些管道中的天然气、原油和成品油管道的距离将分别达到16.3万公里、3.7万公里和3.7万公里，将实现全国各省区油气干线的综合连接。随着管道铺设越来越密集，人们在享受石油、天然气高速传效带来便捷的同时，必须考虑早期铺设管道长时间使用带来的风险。由于长期工作在黑暗、潮湿、高压的环境中，不断处于固、液气体的物理碰撞下，油气管道在长期使用中，容易出现疲劳裂纹和腐蚀裂纹，严重威胁国家财产安全和人民生命财产安全。因此，为了保证管道的正常运行，防止事故发生，对现有管道进行定期的内部检查和维护是非常重要的。管道内检测不仅可以延长管道的使用寿命，还可以降低管道安全事故的风险。通过管道清管、变形检测、漏磁检测等内部检测活动REF_Ref32024\r\h[3]，可以有效清除管道中的杂质，定位管道位置、弯头、绝缘接头等管道特性信息，了解管道缺陷分布情况，准确掌握管体，减少事故发生。开展裂缝检测对于管道的安全、经济、高效具有重要意义。2009年12月30日陕西省华县中石油管道发生泄漏；2012年5月25日山东中石化输油管道发生泄漏；2016年7月26日西气东输管道发生泄漏2021年6月28日天津燃气管道发生泄漏。这些事故不断警醒人们，预防管道泄漏、管道安全检测至关重要。目前，漏磁内检技术是应用最广泛，发展最成熟的管道内检技术。漏磁数据的后续数据分析主要分为以下步骤：数据的预处理、缺陷的识别、缺陷的反演以及缺陷的安全评估REF_Ref32080\r\h[4]。由于所采集数据中缺陷种类、数量有限，小样本缺陷检测扮演的角色十分重要，对管道安全性能的评估具有极为重要意义。综上所述，本文的研究意义包括如下几个方面：提高管道运输的可靠性定期进行管道内检，将采集到的数据通过缺陷识别算法检测管道的安全性能，对检测结果进行相应处理，延长了管道的使用寿命，降低管道更换频率，节约成本，提高管道运输的可靠性。避免发生重大事故威胁人民生命财产安全管道在长时间的使用过程中容易出现老化、磨损等情况，通过对缺陷识别检测技术对管道进行及时的维修，避免管道泄漏造成环境污染、资源浪费，极大保障了人民生命财产安全。采用深度学习方法，提高效率人工检测管道缺陷存在主观性、易疲劳等缺点。采用深度学习缺陷检测方法实现了数据的易获取性以及检测智能高效化，提高了缺陷检测效率和检测精度，整体提高了缺陷检测水平。管道缺陷检测现状管道是油气输送的关键设施。然而，缺陷的存在可能导致管道损坏和泄漏，甚至造成环境污染和严重的安全问题，因此定期进行缺陷检查是保证油气管道安全运输的必要条件。根据我国法律规定，油气主干管道需要每3-5年进行一次检查，以评估和维护管道的运行安全。目前，管道漏油评估普遍采用人工方法。人工检查员沿着管道走动，通过肉眼检查它们并记录，例如腐蚀、断裂和泄漏，传统的故障诊断方法在很大程度上依赖于工人的诊断经验REF_Ref1682\r\h[5]。实现油气管道泄漏的自动检测，当前已经取得了一些技术进步。随着机器学习技术发展迅速，管道检测的重点逐渐从信号处理转向各种机器学习技术。Zhang等人REF_Ref17310\r\h[6]提出了一种基于改进的FasterR-CNN网络的缺陷检测方法，他们还使用K-means算法进一步提高了管道检测方法的准确性。Ouadah等人REF_Ref17395\r\h[7]应用机器学习和多标准决策方法对管道进行缺陷风险排序。MohamedREF_Ref17829\r\h[8]等人使用了MLF数据，提出了一种基于决策树的输油管道缺陷检测和分类方法。目前大多数原油管道缺陷检测方法的一个主要缺点是难以获取和处理原始信息，并且使用传感器等方法仍然需要从原始数据中提取丰富的特征REF_Ref1813\r\h[9]。在大多数机器学习方法中，CNN作为深度学习的重要方法，已广泛应用于各个领域。它在图像分类中表现出色，尤其是因为它能够自动提取特征REF_Ref17947\r\h[10]。有研究表明，图像融合可以提供更详细的信息，从而提高CNNREF_Ref17989\r\h[10]。因此，卷积神经网络在管道缺陷检测应用前景广阔REF_Ref1901\r\h[11]。小样本目标检测现状人类面对复杂的环境天生具有快速、准确的分辨能力。one-shotlearning概念是以模仿人类学习能力为出发点首次被提出。他们假设在分类任务中，一个新类别只有几个甚至一个样本时，已经完成训练可以进行分类任务的模型可以更好的预测样本的类别。早期对于少样本学习的研究倾向于建立具有复杂的迭代推理策略的数学模型。这种复杂的数学模型在few-shot分类任务中取得了很高的准确性，其中具有代表性的是分层贝叶斯模型，在手写字母识别任务中达到了人类水平的准确性。随着深度学习的进步和推广，图像处理领域也得到了蓬勃发展，越来越多的少样本学习模型引入了深度学习技术。当前小样本检测模型大多基于典型的深度学习目标检测模型，如YOLO、FastR-CNN等算法，并结合小样本学习思想建立的。凭借深度学习模型的优势，这些模型方法在few-shot分类任务上取得了比复杂数学模型更佳的效果。LvREF_Ref18564\r\h[12]等人在研究棒材表面缺陷检测问题时，引入了Squeeze-and-ExcitationNetworks(SENet)作为注意力模块，构建提取图像特征的卷积神经网络(CNN)和计算图像之间的相似度得分的关系网络(RN)，使用L1Loss和BCELoss来代替均方误差损失函数，使缺陷检测性能得到提升。最近，已经提出了一些新的方法来研究少样本学习。一种方法是基于生成对抗网络，从而在增加样本数量。胡安林REF_Ref18571\r\h[13]并引入了参数优化和条件特征改进的SAGAN方法，针对小样本船舰检测过程中出现的过拟合和参数调整困难问题，利用迁移学习将改进的VGG-16和GoogLeNet网络模型迁移到FasterR-CNN和YOLO网络网络模型进行船舰检测，实现船舰准确检测。另一种方法是基于域适应，旨在减少源域和目标域之间的域偏移。Chen等人REF_Ref18577\r\h[14]提出了一种新的方法，从不同的域中对训练类和测试类进行采样，以研究域差异对小样本学习方法的影响。近年来，得益于神经网络的快速发展，越来越多的研究人员致力于解决这一具有挑战性的问题。从一开始依赖多种推理策略的复杂数学模型，到引入神经网络技术的模型，小样本学习的模型越来越简洁高效REF_Ref3021\r\h[15]。这些引入神经网络技术的模型不仅更容易理解，而且在准确性上也有进一步的提升。卷积神经网络现状卷积神经网络自提出以来得到了迅速发展。哺乳动物视觉系统的架构是卷积神经网络的灵感源泉，为其发展奠定坚实的基础。感受野的概念最早是在1962年提出的，Hubel和Wiese建立了基于猫视觉皮层的视觉结构模型。Neocognition是Fukushima在1980年提出了第一个层次结构，用于图像域的处理。Neocognition主要采用了神经元之间的局部连接，使网络结构具有平移不变的特性。之后出现了LeNet-5多层人工神经网络，其具有多个层，可以使用多层反向传播算法实现手写数字的分类，并在随后的深入研究中得到改进。但是，LeNet-5在大规模图像和视频分类等复杂问题上表现不佳，这是因为当时缺乏大量的训练数据和计算能力强大的硬件设备造成的。自2006年以来，相继提出了许多方法来解决在训练深度神经网络中出现的难题。Krizhevsky提出了经典的CNN架构AlexnetREF_Ref18398\r\h[16]，相比之前的算法在图像分类任务上有了更大的提升。随着众多科研工作者对Alexnet网络改进完善，相继出现了ZFNetREF_Ref18420\r\h[17]、VGGNetREF_Ref18430\r\h[18]和GoogleNetREF_Ref18548\r\h[19]等众多性能优良的网络结构。卷积神经网络是在各领域广泛使用的深度学习模型，通过对输入数据训练实现对输入的学习特征提取。相比于传统的神经网络，卷积神经网络利用了卷积算法的特点，通过部分连接、局部感受野、共享权重和池化等方式，对网络结构的复杂度实现了极大程度的下降。当前，卷积神经网络在气象预测、自然语言处理、工业自动化等领域应用广泛REF_Ref4419\r\h[20]。卷积神经网络模型主要由五部分构成：输入层、卷积层、激励层、池化层和全连接层。卷积层卷积层是构成卷积神经网络最重要的组成部分。当特征图像传入卷积层后会与卷积核进行卷积计算。在进行卷积计算时，卷积核按照网络设定的步长在输入的整个特征图像上滑动，并将局部感受野对应的部分与卷积核相乘并相加进行卷积运算，直到卷积核滑出输入特征，如图1.1所示。卷积处理有三个重要参数，分别是padding（填充），stride（步长）和channel（通道数）。图1.1卷积计算（1）Padding在进行卷积处理时卷积核在特征图像上滑动，输入图片边缘像素只被卷积处理过一次，而中间像素被卷积处理过多次，这样会造成角落信息丢失。同时。多次卷积处理后输出图片越来越小，会出现输出特征过少。因此，需要对输入图像进行Padding,完成边缘像素填充，解决输出特征越来越少的问题，更充分的提取边缘信息，如图1.2所示。图1.2padding操作（2）StrideStride的值表示特征图像经过卷积操作后缩小的倍数，若Stride为2，表示每次卷积操作相隔两个像素点，实现对输入的特征图片做2倍下采样。因此，设置Stride的作用是减少参数的输入数量，使计算量减小。（3）Channel起始输入特征图片的Channel，取决于输入图像的类型，若输入RGB类型,则Channel的值为3。而卷积操作后输出的Channel的值取决于卷积处理中卷积核的数量，此时的输出的Channel也会作为下一次卷积时的卷积核的Channel。Featuremap是输入特征图片每个通道求卷积和所得。激励层激励层用来对卷积层输出结果做非线性映射，因为卷积层的运算是一种线性运算，对非线性情况无法很好拟合。有时也会把卷积层和激励层合并在一起称为卷积层。池化层池化层的作用是对特征进行降维，过滤掉冗余特征，从而减少计算量，提高网络的泛化能力。根据采样方法的不同，池化层可分为最大池化和均值池化，如图1.4所示。图1.3池化操作全连接层一般情况下，卷积神经网络的分类器由一层或多层全连接层构成。全连接层得到前一层的所有神经元并将它们连接到当前层的每一个神经元，最后一个全连接层之后是输出层，如图1.4所示。图1.4全连接层参考文献刘鹏.增产增效背景下提高石油管道运输安全管理的措施[J].中国石油和化工标准与质量,2021,41(12):65-66.马国.油气管道内检测技术现状及发展趋势[J].石油化工安全环保技术,2021,37(3):26-29.刘传庆.内检测技术在城市燃气管道的应用[J].煤气与热力,2021,41(1):32-35.神祥凯.基于FasterR-CNN管道漏磁信号目标识别方法[D].2020.星志涛,郭文鑫.油气管道内检测技术探讨[J].化工管理,2021(36):76-77.Z.-j.ZHANG,B.-a.LI,X.-q.LV,andK.-h.LIU,“Researchonpipelinedefectdetectionbasedonoptimizedfasterr-cnnalgorithm,”DEStechTransactionsonComputerScienceandEngineering,no.ammms,2018.A.Ouadah,“Pipelinedefectsriskassessmentusingmachinelearningandanalyticalhierarchyprocess,”in2018InternationalConferenceonAppliedSmartSystems(ICASS).IEEE,2018,pp.1–6.A.Mohamed,M.S.Hamdi,andS.Tahar,“Decisiontree-basedapproachfordefectdetectionandclassifificationinoilandgaspipelines,”inProceedingsoftheFutureTechnologiesConference.Springer,2018,pp.490–504.周倩倩,司徒祖祥,腾帅,等.基于卷积神经网络的排水管道缺陷智能检测与分类[J].中国给水排水,2021,37(21):114-118.Y.LeCun,K.Kavukcuoglu,andC.Farabet,“Convolutionalnetworksandapplicationsinvision,”inProceedingsof2010IEEEInternationalSymposiumonCircuitsandSystems.IEEE,2010,pp.253–256.杨理践,耿浩,高松巍.长输油气管道漏磁内检测技术[J].仪器仪表学报,2016,37(08):1736-1746.LV,QIANWEN,SONG,YONGHONG.Few-shotLearningCombineAttentionMechanism-BasedDefectDetectioninBarSurface[J].ISIJInternational,2019(6).DOI:10.2355/isijinternational.ISIJINT-2018-722.胡安林.基于生成对抗网络与迁移学习的小样本舰船目标检测[D].重庆大学,2020.W.Y.Chen,Y.C.Liu,Z.Kira,Y.C.F.Wang,andJ.B.Huang,‘‘Acloserlookatfew-shotclassifification,’’inProc.ICLR,May2019,pp.1–5.李少波,杨静,王铮,朱书德,杨观赐.缺陷检测技术的发展与应用研究综述[J].自动化学报,2020,46(11):2319-2336.KrizhevskyA,SutskeverI,HintonGE.ImageNetClassificationwithDeepConvolutionalNeuralNetworks[J].AdvancesinNeuralInformationProcessingSystems,2012,25(2):2012.M.D.ZeilerandR.Fergus,“Visualizingandunderstandingconvolutionaln