一种基于弱监督学习的管道漏磁内检测缺陷识别方法

本发明属于弱监督学习、管道漏磁检测、缺陷识别和语义分割领域，特别是一种基于弱监督学习的管道漏磁内检测缺陷识别方法。

背景技术：

1、管道传输是油气传输的主要方式，其安全问题一直备受关注。管道上存在的大小缺陷都可能导致油气泄漏，因此需要对管道缺陷进行定期检测。漏磁检测器是当前应用最为广泛的管道缺陷检测工具之一，检测器采集的漏磁数据可以反映管道的受损情况。

2、基于漏磁检测器采集的管道漏磁数据，大量的缺陷分割算法被提出。现有的算法大多使用全监督的语义分割来完成缺陷识别任务，其识别的准确性严重依赖于大量精确标注的数据。然而，由于油气管道网络规模庞大，漏磁检测器所采集的管道数据量也十分庞大，对这些漏磁数据进行像素级人工标注需要耗费大量的人力、物力和时间成本。

技术实现思路

1、本发明的目的在于针对现有方法的不足，提出一种基于弱监督学习的管道漏磁内检测缺陷识别方法，仅需使用边界框级别的弱标签，结合漏磁数据在异常处会出现波峰波谷的先验知识，在训练过程中使用填充率指导损失指导模型对弱标签进行迭代优化，每轮训练完成后网络会生成新的标签用于下一轮训练，新标签中尽可能地忽略了被错误标记为缺陷的背景像素，这样可以使网络能更好地学习到真正缺陷的特征。

2、本发明解决其技术问题所采用的技术方案如下：

3、一种基于弱监督学习的管道漏磁内检测缺陷识别方法，包括如下步骤：

4、(1)对获取到的管道漏磁数据进行预处理；

5、(2)融合漏磁数据多分量的信息构建漏磁图像数据集；

6、(3)根据漏磁数据的特点构建出缺陷语义分割网络mflsegnet，并使用边界框标签进行填充获得的弱标签训练mflsegnet；

7、(4)结合漏磁数据在异常处会出现波峰波谷的先验知识，在训练过程中使用填充率指导损失指导模型对弱标签进行迭代优化；

8、(5)采用条件随机场和形态学膨胀操作对模型分割的结果进行后处理，处理后得到最终的缺陷识别结果。

9、上述技术方案中，进一步地，所述步骤(1)中，管道漏磁数据是由漏磁检测器在管道里面运行并采集到的管壁漏磁信号；漏磁检测器通过管道中油气等介质的流动作为动力在管内移动，并通过永磁体将铁磁性的管道磁化至饱和磁通密度；在管道正常区域，外加磁场的磁感线被束缚在了管壁的内部，几乎没有磁感线从管壁表面穿出；在管道缺陷处，磁导率比正常区域的磁导率要小，磁阻比正常区域的大，这会导致磁感线从缺陷处“泄漏”出来，泄漏的磁通量可以通过漏磁检测器上的传感器检测到；漏磁检测器采集的漏磁信号在管道正常区域几乎不变，而在缺陷区域和组件区域会出现剧烈的波动，这些波动与周围的正常信号形成较大的差异，根据这个特点可以识别出管道上的缺陷。

10、进一步地，所述步骤(1)中，数据预处理是指对漏磁数据进行滑窗滤波、阈值截断和归一化；滑窗滤波是将原始漏磁数据上的每个点都减去邻域一定范围内所有点的中值，这样可以使正常的背景区域更加均匀平滑；阈值截断是将漏磁信号值大于阈值的点视为异常并赋值为该阈值；归一化是根据漏磁数据的最大值和最小值，将所有数据值映射到[0,255]范围内。

11、进一步地，所述步骤(2)中，漏磁检测器可以测量三维磁场矢量，磁场矢量经过矢量分解后可分为沿着管道管径方向的磁场径向分量、沿着检测器运行方向的磁场轴向分量、沿着管道圆周方向的磁场周向分量，三个分量中都包含了管道的部分信息；在人工进行缺陷判别时，通常根据径向分量的曲线图像来判断管道上是否存在缺陷，根据轴向分量的数据来测量缺陷的深度，周向的数据因其特征不够显著而较少被使用；因此，在构建数据集时，采用原始的径向分量数据、原始的轴向分量数据和经过滑窗滤波后的径向分量数据，在经过阈值截断和归一化后，作为rgb彩色图像的三个通道，构建出漏磁图像数据集；数据集中，原始的径向分量数据提供了微小缺陷和凸起缺陷的信息，原始的轴向分量数据提供了缺陷的深度信息，经过滑窗滤波后的径向分量数据则提供了均匀背景区域的信息；融合多分量构建数据集的方法能够充分利用各个有用分量的信息，提高缺陷识别的准确性。

12、进一步地，所述步骤(3)中，根据漏磁数据特点设计的缺陷语义分割网络mflsegnet(magnetic flux leakage image segmentation network)采用以下方式进行构建：

13、(3.1)mflsegnet的总体结构可分为编码器和解码器两部分；编码器采用vggnet的前4个block，其中包含了10个3*3的卷积层和4个最大池化层，解码器中包含5个3*3的卷积层、5个批归一化层、5个随机失活层和4个上采样层。

14、(3.1)mflsegnet针对漏磁数据的特点对编码器中的池化层进行了一定的改进；具体的，漏磁检测器在轴向采样的间距为2mm，在周向采样的间距通常在8mm～17mm范围内，检测器在轴向采样间距小，采样点密集，在周向采样间距大，采样点较为稀疏；根据该特点，本发明减小了网络在周向池化窗口的大小和池化的步长来保留更多周向方向上的信息，提升网络对微小缺陷的识别能力。

15、(3.2)本发明在mflsegnet的卷积层中使用环形填充和对称填充来推断图像边界上缺失的上下文信息，以更好地预测边界上的像素点；具体的，由于管道为环形管道，在构建漏磁数据集时将漏磁数据沿着管道轴向进行展开，得到矩形的漏磁图像，图像的上边界和下边界在环形管道上是相连的。在卷积神经网络中，通常会在卷积时使用零填充在边界上补零，使得卷积后的特征图与原图大小一致，然而直接在边界上使用补零不利于识别边界上出现的缺陷；因此，本发明根据环形管道漏磁数据的特点，在卷积层前使用环形填充对上下边界进行补全，使用对称填充对左右边界进行补全，这样更加自然地补全环形管道漏磁图像边界处缺失的信息，使网络更好地识别可能出现在边界上的管道缺陷。

16、(3.3)本发明针对管道上不同缺陷尺度差别大的问题，在mflsegnet中使用空洞金字塔池化(atrous spatial pyramid pooling,aspp)来融合漏磁图像的多尺度信息，使得低分辨率、高语义信息和高分辨率、低语义信息进行互补。空洞金字塔池化在给定的特征图上以不同采样率的空洞卷积并行采样，等同于以多个比例来捕捉特征图的上下文信息。具体的，本发明所采用空间金字塔池化结构由一个1×1的卷积、三个采样率分别为6、12和18的空洞卷积层金字塔和一个池化结构组成。

17、进一步地，所述步骤(3)中，边界框级别的弱标签是使用目标检测中常用的边界框标注进行填充得来的，具体填充方法为：将边界框标注中每个框内的像素全部填充为该框所属的类别，得到不精确的逐像素弱标签，这样的弱标签内包含了一些不属于目标的背景区域。

18、进一步地，所述步骤(4)中，波峰波谷的先验知识是指漏磁信号径向分量在异常处会出现一个波峰和波谷；具体的，在缺陷处，漏磁信号径向分量会先大于零，再反向小于零，呈现出一个波峰和一个波谷的特征。将漏磁信号转化为漏磁图像后，正常区域处的像素值十分平缓几乎没有波动，而缺陷区域处的像素值往往是其所在局部区域的极大值或极小值，与正常背景区域相差很大，这些极大值和极小值在曲线图像上呈现出一个波峰和一个波谷的特征。根据这些先验知识，计算出漏磁数据径向分量每个点处的像素值距离背景的差值，得到波峰波谷先验知识差值图，在先验知识图中，差值越大代表是缺陷的概率越大。

19、进一步地，所述步骤(4)中，填充率是根据漏磁图像全局统计信息得到的；具体的，训练网络时所使用的边界框弱标签是通过填充的方式得到的不精确标签，框内只有部分为真正的目标，其余的都是背景区域；使用条件随机场对填充框标签进行精细化，条件随机场是一种概率图模型，它可以对填充框标签上颜色相似、距离相近但赋予不同标签的像素点进行一定的惩罚，使得填充框内的背景区域被尽可能地去除，真正的目标所在区域被保留；条件随机场处理后可以生成比填充框标签更精确的伪标签；随后，计算出所有样本各个类别精细伪标签和填充框标签之间的比例，将该比例称为填充率，填充率指示了每个类别填充框内大致有多少比例的区域是真正的目标区域。具体的，对于一个给定的类别c，将该类别的第i个填充框标签记为pfillbox(i)，将条件随机场细化填充框得到的伪标签记为pcrfproposal(i)，则类别c的填充率定义如下：

20、

21、式(1)中，nc为所有图片中类别c标注框的数量；根据各个类别的填充率，可以在训练时忽略掉那些标签中置信度较低的像素点。

22、图像的置信度由网络预测输出的类别概率图和波峰波谷先验知识差值图共同决定；网络的输出的类别概率图反映了图像中每个像素点属于缺陷类别的概率，波峰波谷先验图则反映了像素点与背景的相异程度，将类别概率图与先验图相结合可以加强网络对背景和目标的区分能力。置信度图f的计算方式如下：

23、fαfpriormap+(1α)fnetmap(2)

24、式(2)中，fpriormap为波峰波谷先验图；fnetmap为网络预测输出的类别概率图；α为调节系数，其取值范围为[0,1]，当α取值为0时表示置信度图只由网络输出的类别概率决定，α取值为1时表示置信度图只由波峰波谷先验图决定。

25、根据各个类别的填充率和置信度图，在网络每一轮训练后，使用填充率指导损失指导模型对弱标签进行迭代优化；首先对图像的置信度图进行排序，然后以填充率frc为参考，保留各类别置信度在前frc的像素来生成更加准确的新标签送入网络中进行下一轮训练，帮助网络在弱监督的条件下尽可能地忽略被错误标记为缺陷的背景像素；训练的损失根据填充率进行调整，一个样本的填充率损失lfr计算如下：

26、

27、式(3)中，lc(i)为类别c中第i个像素点的损失，top(frc)是由类别c填充率确定的超参数，n为类别数；网络在计算损失时，只计算那些置信度在前frc区域的像素点，而忽略置信度较低的区域，这样可以降低填充框标签内很可能是背景像素区域的不利影响，让网络学习到真正缺陷的特征。

28、进一步地，所述步骤(5)中，采用条件随机场对分割的结果进行后处理，使分割结果更加精细；在条件随机场处理后，会出现一些距离相近但是不连通的孤立区域；为了减少这些孤立区域的影响，采用形态学膨胀的方法将分割结果的边界向外部进行一定的扩张，使相近的物体连通在一起。

29、本发明的有益效果：

30、1)针对管道漏磁数据的特点设计了带有改进最大池化层、填充层和空洞金字塔池化模块的缺陷分割网络mflsegnet，mflsegnet能够较好地识别出管道漏磁图像边界上的缺陷和尺度差别较大的缺陷。

31、2)使用边界框级别的弱标签对语义分割模型进行训练，结合波峰波谷先验知识和填充率全局统计信息降低了模型对精确标注的依赖，实现了对管道缺陷的高效准确分割，能够有效地节省人工标注的成本。

32、3)经过在真实油气管道漏磁数据上的测试，获得了比主流语义分割模型更好的缺陷识别结果。