宋哲旭 徐志毅 曾 晉 李學成 陳開潤 李小斌

（1．中海石油（中國）有限公司深圳分公司，廣東 深圳 518000；2．中海輝固地學服務（深圳）有限公司，廣東 深圳 518000；3．重慶米弘科技有限公司，重慶 400000）

0 引言

由于沖刷腐蝕、拖網(wǎng)錨害等原因，海底管道頻繁發(fā)生事故，因此準確掌握海底管道狀態(tài)可以及時預防和排除安全隱患。隨著海底管道鋪設距離和運行時間的延長，海底管線巡檢技術亟需迭代升級。

邢海燕等人提出了一種IPSO-GRU神經(jīng)網(wǎng)絡對海底管道缺陷進行定量識別，獲得96%的識別精度[1]。羅東浩基于深度學習方法檢測管道的泄漏點，達到了較好的實時性和準確性[2]。馬建民等人設計了一種基于光視覺技術的自主巡檢系統(tǒng)，識別準確率達96%，但該系統(tǒng)仍缺乏深海試驗[3]。東京大學研制了一款名為Twin-Burger2的水下機器人，對水下管道進行跟蹤，但在海底環(huán)境無法進行實時性應用[4]。KHAN A等人提出了一種圖像恢復和增強算法，能夠處理水域較渾濁的情況[5]。SCH?YEN等人提出了一種基于多波束回聲測深儀數(shù)據(jù)的自動化管道探測方法，為海底管道智能巡檢提供了新思路[6]。

該文基于ROV采集的海底管道圖像提出了一種深度學習檢測技術，建立了一套巡檢系統(tǒng)輔助識別海管事件，以解決人工巡檢存在的漏檢、誤檢等問題，提高巡檢作業(yè)效率。

1 深度學習檢測技術

深度學習檢測技術避免了傳統(tǒng)機器學習的大量手工設計特征工作，并且能取得更優(yōu)的檢測結果。海底管道巡檢需要識別的事件包括海管節(jié)點（fieldjoint）、陽極（anode）、雜物（debris：金屬、塑料、木材和漁網(wǎng)等）、支撐（sleeper）、懸空（freespan）、拋石（gravel）以及沙包（sandbag）。

1.1 數(shù)據(jù)集預處理

該文數(shù)據(jù)來源于ROV巡檢某海管采集的左、中、右3路視頻。中路圖像存在對比度低以及細節(jié)模糊等問題，采用多操作聯(lián)合增強技術可獲得穩(wěn)定的清晰圖像。該文方案采用優(yōu)化對比度增強[7]、限制對比度自適應直方圖均衡化（CLAHE）[8]以及色階調整等操作實現(xiàn)圖像增強。圖像增強效果如圖1所示。

圖1 圖像增強

1.2 基于YOLOv5的事件檢測模型設計

由于事件的多樣性和海底圖像質量低下等問題，該文平衡檢測速度與檢測效果，選取了Anchor based中的一階段法YOLOv5（you only look once）端到端的訓練目標檢測模型，以識別事件的具體類別和位置。

1.2.1 數(shù)據(jù)集構建

該文選取8 936張分辨率為720×576的圖像進行檢測模型的訓練，其中訓練集和驗證集的比例為17∶3，測試集來源于ROV巡檢的實時圖像。試驗的每個評估指標通過5折交叉驗證并最終取平均結果。所有試驗均在Amax NVIDIA Titan V一張12G GPU的服務器上進行。

1.2.2 YOLOv5網(wǎng)絡搭建

該文基于YOLOv5搭建了深度學習檢測模型，模型結構如圖2所示。

圖2 YOLOv5模型結構

骨干網(wǎng)絡用于海管圖像的特征提取，其中聚焦是指進行下采樣操作，以減少計算量；殘差單元用于學習更豐富的特征；金字塔池化可實現(xiàn)局部特征和全局特征的特征圖級別的融合。YOLOv5先將輸入圖片縮放到統(tǒng)一尺寸，然后送入骨干網(wǎng)絡，最后處理網(wǎng)絡預測結果，得到檢測的目標。其中，YOLOv5采用了馬賽克（Mosaic）數(shù)據(jù)增強，在一定程度上解決了數(shù)據(jù)量缺乏的問題，還采用非極大值抑制算法解決了一個目標被多次檢測的問題，能在檢測的同時實現(xiàn)分類。訓練YOLOv5檢測模型的損失函數(shù)由3個部分組成：置信度損失Lobj、類損失Lclass和位置損失Lbox。

Lobj和Lclass考慮了正、負樣本不均衡的影響，如公式（1）所示。在Lobj中，y′i為預測輸出的置信度，yi為真實概率0或1。在Lclass中，y′i為模型的預測輸出類別，yi為樣本的真實類別。

其中σ（y′i）=1/（1+exp（-y′i））。

Lbox采用了GIoU Loss，如公式（2）所示。其中GIoU表示對2個任意框A、B，找到一個最小的封閉形狀C，讓C把A、B包括在內，計算C中沒有覆蓋A和B的面積占C總面積的比值，然后用A與B的交并比（IoU）減去這個比值。最后用1減去GIoU，轉化為最小值的優(yōu)化問題。

1.2.3 對比方法

本節(jié)選擇了SSD[9]、EfficientDet與該文方法做對比。SSD使用anchor機制，易于訓練和集成。EfficientDet提出了目標檢測網(wǎng)絡聯(lián)合調整復雜度的策略，在COCO數(shù)據(jù)集上取得了較好的效果。該文通過這2種方法進一步驗證該文方法的有效性。

1.2.4 評價指標

海管事件檢測以幀率FPS、均值平均精度mAP作為評價指標。FPS用來評估目標檢測的速度，即每秒內可以處理的圖像數(shù)量。對類別為C的事件，在一張圖像上的精度PC如公式（3）所示，TP為正確檢測的事件數(shù)量，F(xiàn)P為未正確檢測的事件數(shù)量（錯檢、漏檢）。

類別為C的事件在所有圖像上的精度如公式（4）所示，其中N為圖像總量。

所有類別的事件在所有圖像上的精度如公式（5）所示，Nc為類別數(shù)量。

mAP在固定的數(shù)據(jù)集上計算，在分析模型結果的同時查看各類的平均精度，避免了對某些易檢測類別的偏好，適用于比較不同目標的檢測方法。

1.2.5 試驗結果及分析

海底管道事件檢測結果見表1。EfficientDet通過設計的BiFPN結構取得了88%的mAP，SSD使用的Anchor機制不利于小目標的檢測。SSD與EfficientDet由于參數(shù)量和網(wǎng)絡結構龐大，因此檢測效率不高。YOLOv5通過回歸實現(xiàn)了端到端的目標檢測，取得了最高的mAP和FPS。每類事件的具體檢測結果見表2。

表1 事件檢測結果

表2 每類事件檢測結果

由表2可知，對海管節(jié)點、陽極、雜物、支撐等特征比較明顯的事件，YOLOv5取得了高于95%的精度，可有效用于海管巡檢系統(tǒng)。直觀的檢測結果如圖3所示。SSD與EfficientDet仍存在較多的錯檢和漏檢情況，而YOLOv5適合各類事件的檢測，且能克服水圖像偏色、模糊以及較暗等問題，證明了該文選取的YOLOv5檢測方法在精度和速度方面能基本滿足海管巡檢系統(tǒng)的要求。

圖3 事件檢測結果

2 海底管道巡檢系統(tǒng)設計

海底管道巡檢軟件系統(tǒng)是結合深度學習算法訓練的檢測模型與巡檢作業(yè)業(yè)務流程開發(fā)的應用軟件。巡檢軟件系統(tǒng)功能包括海管管理、用戶管理、事件類型、事件管理、參數(shù)設置、巡檢任務、設備管理、離線視頻、巡檢操作以及事件記錄等模塊。功能結構如圖4所示。

圖4 海底管道巡檢軟件功能結構

海底管道巡檢軟件客戶端為巡檢作業(yè)用戶日常工作操作的主入口，用戶登錄進入系統(tǒng)后，可進行參數(shù)設置、創(chuàng)建巡檢任務、執(zhí)行巡檢任務、進行設備連接、播放ROV視頻、開啟事件檢測、記錄異常事件和導出巡檢報告等業(yè)務操作。海底管道巡檢軟件主操作界面包括巡檢操作區(qū)、視頻顯示區(qū)、事件列表區(qū)、定位數(shù)據(jù)區(qū)以及上次巡檢事件區(qū)等區(qū)域。巡檢操作區(qū)域包括連接/斷開ROV、開始巡檢、暫停巡檢、視頻選擇和圖像增強等操作入口。視頻顯示區(qū)域用于顯示三路視頻實時的檢測效果。事件列表顯示巡檢過程中檢測到的事件，包括事件代碼、事件級別、事件發(fā)生位置以及是否是異常事件等信息。定位數(shù)據(jù)區(qū)域顯示當前海管巡檢到的具體位置，包括經(jīng)緯度、到達的海管長度等。上次巡檢事件區(qū)域顯示之前對同一根海管巡檢所檢測出的事件記錄，用于與本次巡檢結果進行比較，進而檢查之前發(fā)生的異常事件是否已修復。

3 結論

海底環(huán)境復雜多變，海底管道會不可避免地遭受自然侵蝕和磨損，而人工巡檢效率低下，誤檢率與漏檢率居高不下，因此該文提出了一種基于深度學習技術的海底管道輔助巡檢方法，可自動識別各類事件并進行記錄。系統(tǒng)主要通過目標檢測方法確定事件的具體位置和類別，并通過巡檢系統(tǒng)記錄識別的事件，供后續(xù)分析查詢。海底試驗表明，和人工巡檢相比，該方法大大提升了海管巡檢的效率和準確率。未來將進一步完善海底管道巡檢系統(tǒng)識別事件的種類，并對懸空、拋石及破損等事件進行定量分析。