基于ResNet模型的聚乙烯燃气管道接头缺陷识别算法.pdf

第 卷第 期压力容器 年 月 ：檭檭檭檭檭檭檭檭檭檭檭檭檭檭檭檭檭檭檭檭殐殐殐殐 检 验 与 维 护基于 模型的聚乙烯燃气管道接头缺陷识别算法凌晓，程凌宇，郭凯，杨凯，孙宝财（兰州理工大学 石油化工学院，兰州 ；甘肃省特种设备检验检测研究院，兰州 ）摘要：接头是聚乙烯燃气管道容易出现危害性缺陷的薄弱环节，需对此薄弱区域进行定期检测，以确保聚乙烯燃气管道的安全运行。为提高聚乙烯燃气管道接头缺陷图像识别能力，提出了一种基于 网络模型的改进型卷积神经网络识别算法。首先运用 算子、中值滤波等方式实现对 燃气管道接头缺陷图像的预处理；然后，将 层和 函数加入在 网络模型中完成图像识别模型的构建；最后，采用改进的 网络模型通过试验对包含 种热熔缺陷类型的数据集进行训练和测试。试验结果表明，改进后的 网络模型对缺陷图像的训练正确率可达到 ，且拥有比原始的 网络模型和 网络模型更高的正确率，验证了此模型对于热熔接头缺陷图像识别的有效性。关键词：聚乙烯燃气管道；缺陷检测；图像识别；卷积神经网络；模型中图分类号：；文献标志码：，（，；，）：，；，：；收稿日期：修稿日期：基金项目：国家自然科学基金项目（）；甘肃省重点研发计划项目（）；甘肃省自然科学基金项目（）；甘肃省教育厅青年博士基金项目（），引言在 世纪 年代首次将聚乙烯（，简称 ）材料应用到管道燃气输送工程后，因其耐腐蚀性强、柔韧性好和使用寿命长等优点 ，迅速在燃气领域得到推广，燃气管道也由最初的钢管逐步被 管道所取代。随工业水平的不断提升，对 管道焊接接头的质量要求也随之提高。目前，常用的 管道连接方式为电熔连接和热熔连接，其中，热熔连接因其低成本和易操作而被广泛应用 ，但因受到生产环境和生产过程的限制，导致 管道接头在热熔焊接过程中产生如冷焊、过焊和孔洞等缺陷，进而影响焊接质量，成为燃气输送的一大安全隐患，所以寻求一种自动检测与识别 管道热熔焊接接头缺陷的方法，建立高效稳定的 管道焊接接头质量检测系统成为当前的研究热点 。目前，现有的 燃气管道热熔焊接接头缺陷检测方法主要有超声检测技术、微波检测技术和热红外成像技术等。等 利用超声波衍射时差（）技术来提高超声波检测灵敏度，确保了 管道焊接接头质量。等 提出了一种基于热红外成像技术的聚乙烯管道无损检测方法，可自动检测聚乙烯管道焊接缺陷。等 通过相控阵超声检测技术实现了对 管道接头熔融面夹杂和气孔等缺陷的有效检测。等 利用优化后的支持向量机分类器对裂纹和变形缺陷的识别率可达 。随着计算机视觉和模式识别等技术的日趋成熟，出现了一种新型的神经网络 卷积神经网络（）。可以自行学习训练样本中的特征，等 通过确定卷积神经网络模板和层数来构建模拟视觉感知原理的深度学习网络结构，进而提 高 了 焊 接 图 像 缺 陷 识 别 效 率。等 通过对 改进来进行管道接头缺陷的识别，比传统的神经网络方法有更高的准确率。近年来，随网络模型层数的不断增加，出现了多种卷积神经网络模型，如 模型、模型、模型等，尤其是 网络模型因其较高的识别精度，在图像识别、目标检测等领域的应用十分普遍。针对目前基于卷积神经网络的 燃气管道接头缺陷识别方法存在的缺陷类别识别不完全、正确率有待提高这两个问题，本文在深度学习中的卷积神经网络基础上，提出一种基于 网络模型的 燃气管道接头缺陷识别算法。利用 算子实现图像增强后，再通过中值滤波以提高图像信噪比，最后将改进的 网络模型对热熔接头缺陷图像进行识别，并通过试验验证此模型对于 燃气管道热熔接头缺陷图像识别的有效性。接头缺陷图像预处理对于不同黑度的 射线胶片，达到适宜亮度所需的光源强度不同，在图像采集过程中，不同的光源强度可能使获得的图像形成各种噪声，进而影响对目标对象的检测。为避免或减少此问题的出现，需对图像进行预处理，以便从背景图像中成功检测到缺陷，提高对缺陷的识别能力。具体的图像预处理流程如图 所示。图 图像预处理流程 具体可描述为：首先，通过拉普拉斯（）算法对图像进行增强，以便突出图像中目标对象的重要特征；然后，运用中值滤波算法实现滤波和去噪以改善图像质量；之后，通过自适应阈值分割法和 算子对图像进行分割和边缘检测，便于对缺陷特性的精准识别；最后，经闭运算的处理保留图像基本形状特征，实现对图像的预处理。卷积神经网络模型深度卷积神经网络模型由于网络深度的加深，结构愈加复杂、提取的特征也愈加丰富，但同凌晓，等：基于 模型的聚乙烯燃气管道接头缺陷识别算法时使梯度消失问题愈加严重。为有效解决该问题，等 提出了 网络模型，此模型与传统的卷积神经网络（见图 ）相比，其不同之处是在传统网络的基础上添加了一个残差单元，构成了一个残差模块（见图 ），其原理为假设卷积神经网络在某层的输入为 ，经过模型的输出处理，期望输出为 （），则学习目标如下式所示：（）（）（）网络模型利用残差结构，运用恒等映射原理，通过特征捷径连接，将上一层的输出作为下一层的输入，解决了因网络层数较多而出现的退化问题，避免了特征提取过程中信息的丢失。图 卷积神经网络图像 图 残差模块结构 基于改进的 卷积神经网络的缺陷识别算法设计由于 卷积神经网络具有更深的模型结构，使得计算时间和训练数据量大大增加。此外，当训练样本较少时还会出现过拟合现象。因此，针对深度学习模型训练时所遇到的问题提出了几种优化策略，如优化器的选择、激活函数的变化以及损失函数等的应用。激活函数卷积运算只具备线性映射能力，因此无法达到特征提取的要求。随着激活函数的出现，使这一问题得到有效解决。其原理为在卷积运算后再进行非线性函数运算 。激活函数中采用频率较高的有 函数 和 函数 ，两者的函数图像如图 所示，函数和 函数的公式如下：（）（，）（）（）（）（）图 函数和 函数图像 由图 （）可以看出，在 时输出为 ，使网络稀疏性有所增加，并且提高了泛化能力，但当梯度为时，会将负值归零，从而使反向传播性能受到影响；由图 （）可以看出，在 时，中负值的出现使得激活的平均值趋近于 ，由于梯度在均值激活的作用下更近似于自然梯度，所以均值更趋近于 ，使得学习更 ，快。因此，的出现使 中存在的问题得以解决。损失函数的选择在基于 激活函数的神经网络中使用了许多损失函数，例如均方误差（，）损失函数 、交叉熵（，）损失函数 等。然而，当 用作神经网络的输出层时，的梯度趋于消失。此外，由于在每次迭代中 的反向传播误差小于 的反向传播误差，在这些情况下具有更快的收敛速度 。因此，在接头缺陷分类的多分类任务训练中选择的损失函数为 。交叉熵实质上是一种对数似然函数，预测输入样本属于某一类的概率，由两个概率分布之间的距离来确定。与其他损失函数相比，更适合应用于识别分类问题中。交叉熵损失函数的标准形式为：（）（）（）式中，为样本；为真实标签；为预测的输出；为样本总数量。在多分类问题中，将 作为损失函数的输入数据时，上式变为：（）为将模型中的所有参数进行更新，需将损失值进行反向传播。其目的是使生成的预测值更趋近于真实值，进而实现学习的目标。优化算法的选择为解决随机梯度算法出现的陷入局部最优值问题，选 用 了 自 适 应 矩 估 计（）。与传统的随机梯度下降（）算法相比，算法不仅涵盖适应性梯度算法（）的优点，而且也具备均方根传播（）算法的优点。算法在拥有基于 算法的一阶矩均值计算适应性参数学习率的同时；还运用了梯度的二阶矩均值。此算法通过对一阶、二阶矩估计的运用实现对梯度的计算，其目的是设计出可适用于所有模型参数的学习率。具体运算过程如下。（）计算动量平均和速度平均。（）（）（）（）（）修正过程。（）（）（）（）（）更新参数。（槡 ）（）通过上述计算过程获得 的最优值。其中，和 分别为梯度 的一阶矩和二阶矩，即为梯度 的期望和梯度 的期望；，分别为一阶矩估计指数衰减率和二阶矩估计指数衰减率；，分别表示 和 的 次方；为 的偏置矫正，考虑到 在零初始值情况下向 偏置；为 的偏置矫正，考虑到 在零初始值情况下向 偏置；为学习率。算法经反向传播，通过自适应地调整模型 的 每 个 参 数 的 权 重 学 习 率，达 到 提 高 网络模型正确率的目的。本算法设置学习率 ，。从图 可以看出，与 算法相比，在 算法的作用下，网络 模 型 的 训 练 有 着 更 高 的 正确率。图 算法和 算法的正确率对比图像 层在机器学习的模型中，当模型参数过多、训练样本匮乏时，所取得的训练模型容易出现过拟合现象。本文在 网络模型的全连接层前引入 层，可以解决训练中的过拟合问题。叫做随机失活，工作原理如图 所示。此过程具体可描述为：在训练时的前向凌晓，等：基于 模型的聚乙烯燃气管道接头缺陷识别算法传播过程中，让某些神经元的激活值归零，使其进行优化迭代的神经元减少，进而增强模型的泛化性。（）原始的神经网络（）采用 后的网络图 工作原理图 反向传播算法反向传播算法 （，）是运用反馈连接将输出结点传递至输入层，通过计算网络误差梯度实现加权系数的更新，直至达到最优，使其误差最小化。更新过程公式表示为：（）（）（）（）（）式中，为训练样本个数；为稀疏数据的类别个数；（）为第 个样本数据属于第 类标签类；为实际输出值；为网络模型参数；为网络模型中的权重衰减项；表示网络模型中的权重参数。本文通过反向传播算法实现对图像数据的调整和收敛工作。基于选用的优化方法而构建的 网络模型结构配置简图如图 所示。图 网络模型结构配置简图 网络包含 个卷积层或块，分别由 ，表示。在网络最前端存在 个 的卷积层、个最大池化层（），末端设置 个全局平均池化层（，）之外，还存在 个 基础块，每个 中依次含有 ，个小残差块（）。此外，为实现图像数据的归一化，现将在卷积层之后引入批标准化（，）。其目的是减少训练时梯度爆炸或消失现象的发生。函数的使用解决了梯度消失的问题。另外，此网络中的大部分的全连接层（，）被 所取代。此过程的目的是通过将输入的特征图降维，从而削减网络参数的数量，进而经一层 就可实现特征空间过渡为分类空间的效果。在网络的 前加入 层，使得过拟合问题得到有效解决。经过以上过程之后，最后将 函数应用于分类任务中实现对缺陷的最终分类。根据所构建的 网络模型，对 燃气管道接头缺陷图像检测进行了训练及测试设计，具体流程如图 所示。，图 模型训练流程 试验结果及分析 试验条件试验利用 编程语言，基于 框架平台，运用改进的 网络模型对 燃气管道热熔接头缺陷数据集进行测试。表 最佳训练参数 名称最佳参数迭代次数 学习率 损失函数交叉熵 数据集包含了孔洞、冷焊、厚度差异、过焊、氧化皮未去和熔融面夹杂等 类缺陷图像，共计 张。最佳训练参数如表 所示。从接头缺陷图像数据集中随机选取这些缺陷的部分数据如图 所示。图 接头缺陷图像部分数据 训练网络及测试结果在训练时，将 燃气管道热熔接头缺陷图像数据集中的 张图像按照 的比例划分为训练集和测试集。将每次迭代所用的图片数量（）设置为 ，训练迭代次数（）设置为 。选用改进后的 网络模型作为深度卷积神经网络模型进行训练，训练损失量（）值及测试损失量（）值随训练迭代次数变化的图像如图 （）所示，其中，每次迭代的 值表示单个测试或训练过程中每张图片的 值累加。由图可知，随训练迭代次数的增加，训练损失量值及测试损失量值呈下降趋势。模型训练在迭代 次左右后，两者的损失量值逐渐趋于平缓，最终训练损失量值近似趋于 ，表明与此同时的网络已近似收敛。训练正确率（）及测试正确率（）变化曲线如图 （）所示。可以看出，随着训练迭代次数的增加，训练正确率以及测试正确率大致呈现上升趋势，最终训练正确率稳定在 。网络层数越多，提取的特征越多。因此，在相同条件下，将改进的 网络模型、原始的 网络模型和 网络模型进行对比试 验，其 中，网 络 模 型 是 拥 有 比 网络模型更深层次的网络模型，试验结果如图 所示。可以看出，与原始的 网络模型相比，改进的 网络模型和凌晓，等：基于 模型的聚乙烯燃气管道接头缺陷识别算法 网络模型有着更高的正确率，并且改进的 网络模型在识别正确率上的优势极大。结果表明，改进的 网络模型对于 燃气管道热熔接头缺陷识别要优于其他方法，改进的 网络模型适用于 燃气管道热熔接头缺陷检测。（）迭代损失（）迭代正确率图 改进后的 模型训练、测试正确率及损失量变化曲线 ，图 改进的 、原始的 和 网络模型训练结果 ，结语为提高 燃气管道接头缺陷识别质量，文中提出了一种基于图像处理的深度学习识别算法，引入了 网络模型。通过加入 层和 结构对 网络模型进行改进，不仅解决了原始网络模型训练时易出现的过拟合问题，还解决了梯度消失的问题。试验结果表明，此模型在训练时的正确率可达 ，且通过与原始的 网络模型和 网络模型对比，突出了改进的 网络模型的优势，表明其具有较好的识别效果。参考文献：方海清，施建峰，郑津洋 考虑声衰减和声频散的聚乙烯超声相控阵缺陷检测仿真模型 压力容器，（）：，（）：李兆璞，武立文，乔亮，等 聚乙烯管道热熔焊接技术研 究 进 展 中 国 塑 料，（）：，（）：杨中雨，李鹏 一种基于卷积神经网络的管道焊缝图像识别算法 激光杂志，（）：，（）：，（）：，（）：，（），：，：，：，（）：，：，：，：，（），：周飞燕，金林鹏，董军 卷积神经网络研究综述 计算机学报，（）：，（）：，（）：，（），：，（）：，：，（）：，：王海舰，周力，臧春华，等 基于点云数据重构的扩径管道直径、圆度检测系统 机电工程，（）：，（）：，：，：，秦利娟，冯乃勤 基于深度学习反向传播的稀疏数据特征 提 取 计 算 机 仿 真，（）：，（）：作者简介：凌晓（），男，副教授，硕导，主要从事油气储运设施安全保障技术工作，通信地址：甘肃省兰州 市 七 里 河 区 彭 家 坪 路 号 兰 州 理 工 大 学，：。本文引用格式：凌晓，程凌宇，郭凯，等 基于 模型的聚乙烯燃气管道接头缺陷识别算法 压力容器，（）：，（）：