張玉彬，劉鵬謙，陳麗娜，韓雅鴿，劉 蕊，謝 靜，徐長航

基于YOLO v5的帶涂層鋼結構亞表面缺陷脈沖渦流熱成像智能檢測

張玉彬，劉鵬謙，陳麗娜，韓雅鴿，劉 蕊，謝 靜，徐長航

（中國石油大學（華東） 機電工程學院，山東 青島 266580）

帶涂層鋼結構亞表面缺陷的存在例如腐蝕、鋼基體裂紋及涂層脫粘等，會對整體結構的性能產生影響，并加速涂層系統(tǒng)退化過程。因此，提出一種基于YOLO v5的帶涂層鋼結構亞表面缺陷脈沖渦流熱成像智能檢測方法。這一方法可以在不移除涂層的情況下自動檢測帶涂層鋼結構亞表面缺陷，具有重要的工程應用價值。通過所提方法，在保留涂層的情況下，對帶涂層鋼結構中的腐蝕、裂紋、脫粘等亞表面缺陷進行智能檢測。檢測結果表明，本文所提方法能夠精確地識別和分類帶涂層鋼結構的4種亞表面缺陷類型：鋼基體裂紋、脫粘、嚴重質量損失（如腐蝕凹坑、腐蝕磨損）以及輕微質量損失（如腐蝕薄層）。4種缺陷類型的檢測精度分別高達96%、97%、95%和93%，同時滿足實時性檢測需求。

帶涂層鋼結構；缺陷智能檢測；脈沖渦流熱成像；YOLO v5

0 引言

帶涂層鋼結構因具備防腐、延壽、維護簡便和施工簡單等優(yōu)勢，被廣泛應用于土木建筑、海洋工程、航天工程等重要基礎設施中[1-2]。然而，帶涂層鋼結構在施工、服役的過程中可能會產生各種類型的缺陷，如腐蝕、鋼基體裂紋及涂層脫粘等。缺陷的存在會對整體結構的性能產生影響，并加速涂層系統(tǒng)退化，威脅結構安全[3-4]。因此，應用無損檢測技術在不移除涂層的情況下檢測帶涂層鋼結構亞表面缺陷具有重要的工程應用價值。

近年來，幾種無損檢測技術（non-destructive testing，NDT）已被用于涂層亞表面和涂層相關缺陷的檢測。交流阻抗譜技術（electrochemical impedance spectroscopy，EIS）是較為常見的有機涂層探傷技術，是利用小振幅正弦波電位當作擾動信號的頻率域電化學方法[5-6]，具備對涂層結構干擾小，測試可用頻率范圍廣，多角度給出涂層界面服役狀態(tài)及涂層失效特征等優(yōu)勢。這種方法同時也具有一定的局限性，包括不適合現(xiàn)場檢測，測試結果依賴于等效電路，阻抗譜體系判辨困難等。X射線可以穿透有機涂層而保持較少衰減，然而X射線檢測所需時間長，現(xiàn)場輻射劑量大，對操作者具有身體傷害[7]。超聲波檢測技術利用超聲波探頭對有機涂層涂覆的金屬表面發(fā)射脈沖，脈沖在均質材料內部以恒定速率傳播，脈沖到達材料界面反射回探頭，通過測量脈沖傳播時間計算被檢測材料厚度，判斷出有機涂層涂覆鋼混合結構中可能會出現(xiàn)的脫粘、鼓泡和腐蝕缺陷[8-9]。然而，超聲波檢測技術需要被測試件表面光滑，無法做到直觀反映缺陷特征，需要依靠檢測人員的經(jīng)驗[10]。

脈沖渦流熱成像檢測技術（eddy current pulsed thermography，ECPT）是一種新興的紅外熱成像技術，它結合了渦流加熱、熱傳導和紅外熱成像等多種物理過程對缺陷和材料進行表征，具有快速、大面積、高分辨率、高靈敏度和檢測結果直觀等優(yōu)點[11]。與光激勵熱成像技術相比，ECPT還有另一個優(yōu)點，即熱量直接在材料表面以下的內部薄層中產生，因此，吸收系數(shù)等表面性質對產生的熱量無影響，能夠消除了涂層反射和光照不均對實驗的干擾。已有研究表明脈沖渦流熱成像檢測技術能夠檢測鋼結構腐蝕層下的裂紋或檢測油漆涂層下的腐蝕[12-13]。然而使用脈沖渦流熱成像技術檢測帶涂層鋼結構中涂層下腐蝕、鋼基體裂紋、涂層脫粘等亞表面缺陷的研究仍然存在空白，因此，本文使用脈沖渦流熱成像檢測技術對帶涂層鋼結構進行亞表面缺陷的檢測，為此類結構的缺陷檢測提供技術支持。

然而，脈沖渦流熱成像檢測結果以紅外圖像的形式呈現(xiàn)，一次檢測會產生大量紅外圖像。單憑人眼進行缺陷識別效率較低，尤其是對于質量較差的圖像，人眼難以做出準確判斷，存在可靠性低和效率低的問題。因此，將目標檢測技術應用于紅外熱成像檢測變得至關重要，這將顯著提高檢測效率，實現(xiàn)對缺陷的智能化檢測。目前在紅外熱成像領域應用較多的目標檢測主要局限于一些傳統(tǒng)算法，例如基于經(jīng)驗模態(tài)分解[14]的目標檢測算法，雖然實現(xiàn)簡單且計算速度快，但其缺點在于難以解決工程復雜背景的問題；基于低秩稀疏恢復[15]的目標檢測算法可以用于檢測信噪比不高的紅外圖像，可靠性高，但是存在檢測速度慢、過程復雜的缺點。近年來，隨著人工智能領域的高速發(fā)展，基于深度學習的目標檢測算法逐漸引起了人們的關注。這些算法具備極大的潛力和優(yōu)勢，成為目標檢測領域的熱點之一?；谏疃葘W習的目標檢測算法是利用大量的數(shù)據(jù)和多層的神經(jīng)網(wǎng)絡來進行訓練，獨立提取出圖像特征，主要是通過卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）來實現(xiàn)[16-17]。其中基于回歸的YOLO（you only look once）算法具有深層卷積結構，可一次性對多個邊框位置和類別進行識別。該算法自2016年[18]被提出后，經(jīng)過不斷優(yōu)化與改進，其精確度和實時性得到了顯著提高。YOLO v5以能夠實現(xiàn)高速和高效的檢測而著稱，它的速度和精度平衡使其適用于許多實際應用，如無人機視覺、工業(yè)檢測等[19-20]。本研究將基于YOLO v5建立針對帶涂層鋼結構亞表面缺陷的智能ECPT檢測方法，對結構中不同類型的缺陷進行智能識別與分類。

1 ECPT檢測原理

ECPT是一種結合了渦流檢測技術和紅外熱成像技術的無損檢測方法，涵蓋了電磁感應、熱量傳導和熱輻射等多種物理過程。圖1詳細描述了ECPT檢測帶涂層鋼結構亞表面缺陷的檢測原理。如圖1所示，勵磁線圈內的高頻交變電流在鋼結構和涂層材料中產生渦流，而涂層材料由于其電磁屬性較差，涂層材料內部的渦流非常微弱，可以忽略不計。因此涂層結構中產生的焦耳熱很少。與此同時，鋼結構內部渦流產生的焦耳熱引起鋼結構溫度大幅度升高，鋼結構與涂層結構之間的溫度梯度導致了帶涂層鋼結構內部的熱傳導和附加溫升，熱傳導持續(xù)至整個帶涂層鋼結構最終達到熱平衡。在缺陷檢測中，帶涂層鋼結構中存在的缺陷，如腐蝕凹坑、腐蝕磨損、腐蝕薄層、鋼基體裂紋、涂層脫粘等，將以不同的方式對結構的產熱和傳熱過程產生影響，這些影響將導致涂層表面溫度分布異常，這種溫度分布的異?？梢杂眉t外熱像儀捕捉并記錄下來，在獲取的紅外熱像圖中能夠觀察到缺陷的存在及特征。

2 YOLO v5模型

YOLO v5是一種基于YOLO架構的目標檢測模型，包括YOLO v5s，YOLO v5m，YOLO v5l，YOLO v5x四個版本，圖2展示了YOLO v5四種網(wǎng)絡結構基于COCO數(shù)據(jù)集的算法性能測試圖，其中YOLO v5s整體網(wǎng)絡最小，訓練速度最快，平均精度（average precision，AP）也最低，適用于檢測較大目標，追求速度的應用場景；另外3種網(wǎng)絡在此基礎上不斷加寬加深，平均精度不斷提升的同時，耗時也在加長。

圖1 帶涂層鋼結構缺陷ECPT檢測原理

圖2 YOLO v5算法性能測試

圖3展示了YOLO v5的網(wǎng)絡結構圖，其延續(xù)了one-stage結構的組成，包含輸入端、骨干部分Backbone、頸部Neck、預測Prediction四個步驟，接下來進行詳細介紹。

圖3 YOLO v5網(wǎng)絡結構

2.1 輸入端

YOLO v5在輸入端部分采用Mosaic數(shù)據(jù)增強，使得模型訓練在單個GPU上也能取得理想的效果，Mosaic數(shù)據(jù)增強對4張圖片采用隨機縮放、隨機裁剪、隨機排布的方式進行拼接，如圖4所示。該處理方式極大地充盈了訓練數(shù)據(jù)集，且隨機縮放使得小目標占比增大，提高了網(wǎng)絡模型的魯棒性。

(a) 示例1(a) Example 1(b) 示例2(b) Example 2

2.2 Backbone

Focus結構首次在YOLO系列網(wǎng)絡中使用，其重點在于切片操作，增加特征圖維度。CSPDarknet53是在Darknet53的基礎上借鑒CSPNet產生的骨干結構，CSP結構（如圖5所示）的應用有效解決了計算瓶頸，減少了內存需要，提高了CNN學習特征的能力，使得模型輕量化與準確率并存。

圖5 CSP結構

2.3 Neck

YOLO v5在結構頸部使用特征金字塔網(wǎng)絡（feature pyramid network，F(xiàn)PN）與路徑聚合網(wǎng)絡（path aggregation network，PAN）相結合的結構（如圖6所示），其中PAN借鑒了圖像分割領域PANet的設計思路。FPN自上向下傳達強語義特征，特征金字塔自下朝上傳達強定位特征，提高了網(wǎng)絡特征融合的能力。

圖6 FPN＋PAN結構

2.4 Prediction

YOLO v5目標檢測的損失函數(shù)由分類損失函數(shù)（classification loss）和回歸損失函數(shù)（bounding box regression loss）構成。YOLO v5采用CIoU（complete intersection over union）作回歸損失函數(shù)，提高了邊界框回歸的速度和精度。在目標檢測的后續(xù)處理過程中，YOLO v5采用加權非極大值抑制（non-maximum suppression，NMS）的方法改進了遮擋重疊目標的檢測效果。

3 YOLO v5缺陷智能化識別模型訓練

3.1 帶涂層鋼結構亞表面缺陷紅外圖像數(shù)據(jù)集

模型訓練所需數(shù)據(jù)集來自帶涂層鋼結構亞表面缺陷ECPT檢測實驗。訓練所用數(shù)據(jù)集包含1009張紅外圖像，涵蓋4種類型的缺陷特征，分別是帶涂層鋼結構嚴重質量損失（腐蝕磨損、腐蝕凹坑），輕微質量損失（腐蝕薄層），鋼基體裂紋，涂層脫粘。其中909張圖像作為訓練數(shù)據(jù)集，10張圖像作為訓練驗證數(shù)據(jù)集，90張圖像作為測試數(shù)據(jù)集，如表1所示。

3.2 缺陷智能化識別模型評估指標

為了對訓練結果進行評估，選用模型權重、訓練時長、召回率、準確率以及均值平均精度（mean average precision, mAP）等不同參數(shù)進行多方面評估。其中，準確率Precision是一個二分類統(tǒng)計指標，指的是在判斷為真的樣本中真樣本的占比，召回率Recall指的是在真樣本中被判斷為真的樣本占比，相關計算公式為：

公式(1)與(2)中：TP表示正樣本被正確識別的數(shù)量；FP表示負樣本被錯誤地識別成了正樣本的數(shù)量；FN表示正樣本被錯誤地識別成負樣本的數(shù)量。以準確率作為縱坐標，召回率作為橫坐標組合構成-關系曲線，-曲線下圍成的面積用平均精度AP表示，所有類別AP平均值即均值平均精度mAP，其值越大代表模型對此類別目標的檢測準確度越高。

表1 帶涂層鋼結構缺陷數(shù)據(jù)集信息

3.3 模型訓練環(huán)境與參數(shù)

由于本研究收集的紅外數(shù)據(jù)集的體量相對較小。因此，從零開始訓練一個具有出色的目標識別和定位能力的YOLO v5模型是一項非常困難的任務。因此本研究采用遷移學習的方法，使用在COCO數(shù)據(jù)集預訓練的YOLO v5模型作為初始模型，然后在收集到的紅外數(shù)據(jù)集上進行微調。這樣可以將來自大規(guī)模數(shù)據(jù)集的知識遷移到紅外數(shù)據(jù)集上，提高模型的性能。本研究所使用的模型訓練環(huán)境在Windows 10操作系統(tǒng)下運行。其中，所采用的CPU為Intel(R) Core(TM) i5-8300H，主頻為2.30GHz；GPU部分則選用了GeForce RTX 2080Ti。模型的訓練與構建過程基于PyTorch動態(tài)開發(fā)框架，編程語言選擇了Python 3.8版本。訓練參數(shù)被設定為：圖像尺寸為640×640，訓練輪次總數(shù)為60，每輪批量大小為1，優(yōu)化器選定為Adam。

3.4 模型訓練結果

以網(wǎng)絡寬度最大，深度最深的YOLO v5x網(wǎng)絡為例，圖7展示了缺陷智能化識別模型的訓練結果。圖7給出了YOLO v5模型的訓練結果，隨著訓練輪次的不斷增加，模型的各個評估參數(shù)也在不斷變化。YOLO v5使用GIoU Loss作為預測框的損失函數(shù)，第一行第一張圖即為GIoU損失函數(shù)均值，隨著訓練輪次的增加損失函數(shù)均值不斷減小，表明預測框越來越精準。第一行第二張圖中的Objectness為目標檢測損失函數(shù)均值，隨著訓練輪次的增加不斷減小，表明缺陷檢測準確率不斷升高。第一行第3張圖中的Classification為目標分類損失函數(shù)均值，隨著訓練輪次增加不斷減小，表明缺陷分類正確率不斷提高。第一行第4張圖和第5張圖中的Precision和Recall為目標檢測的精度和召回率，隨著訓練輪次增加不斷提高，表明缺陷檢測中識別為缺陷的樣本即召回率不斷增加，且其中真實缺陷樣本的比重即精度不斷增大，訓練結束時召回率可達100%，精度在70%以上，且訓練過程中召回率和精度的波動較小，訓練結果較好。第二行前三張圖分別為驗證集的GIoU損失函數(shù)均值，目標檢測損失函數(shù)均值和目標分類損失函數(shù)均值，說明隨著訓練輪次的增加，目標檢測準確率和分類正確率不斷提高。第二行第四張圖中的mAP@0.5表示IoU閾值大于0.5的均值平均精度，隨訓練輪次的不斷增加，在第20個輪次之后，模型的mAP@0.5已達到100%，表明模型的訓練效果較好。第二行第5張圖中的mAP@0.5:0.95表示在不同IoU閾值（從0.5到0.95，步長0.05）上的均值平均精度，隨訓練輪次的不斷增加，在第30個輪次之后，模型的mAP@0.5:0.95已達到80%，訓練結果較為理想。

圖7 YOLO v5模型訓練結果

圖8～圖11分別展示了YOLO v5x檢測器對鋼基體裂紋缺陷、涂層脫粘缺陷、嚴重質量損失缺陷、輕微質量損失缺陷的識別及分類效果。

圖8展示了模型對鋼基體裂紋的識別效果，對于不同寬度和深度的裂紋缺陷，該模型都可以實現(xiàn)有效識別和分類，置信范圍為0.94～0.96，精確識別裂紋中心的低溫特征并正確分類。圖9展示了模型對涂層脫粘的識別效果，對于不同面積的脫粘缺陷，置信度高達0.97，精確識別脫粘缺陷的低溫區(qū)域并正確分類。圖10展示了模型對嚴重質量損失（腐蝕凹坑、腐蝕磨損）的識別效果，對于不同面積和深度的嚴重質量損失缺陷，置信度達到了0.95，能夠精確識別嚴重質量損失的強低溫特征并正確分類。圖11展示了模型對輕微質量損失（腐蝕薄層）的識別效果，對于不同面積和厚度的缺陷，置信范圍為0.89～0.93，能夠精確識別輕微質量損失的弱低溫特征并正確分類，且由于該缺陷低溫特征較弱，模型識別效果稍遜于其他類型缺陷。高置信度的檢測結果表明，該模型具有較好的魯棒性和相對可靠的性能，能夠實現(xiàn)帶涂層鋼結構亞表面缺陷的準確檢測。

(a)(b)

(a)(b)

(a)(b)

(a)(b)

4 YOLO v5四種網(wǎng)絡結構的檢測性能對比

本章從網(wǎng)絡深度、模型權重、模型參數(shù)、錨框生成數(shù)量、訓練時長、單幀推理速度、不同閾值下均值平均精度等方面對YOLO v5四種網(wǎng)絡結構YOLO v5s，YOLO v5m，YOLO v5l，YOLO v5x的訓練檢測性能對比分析，如表2所示。同時，圖12展示4種網(wǎng)絡模型訓練過程中的GIoU損失函數(shù)，目標檢測損失函數(shù)，目標分類損失函數(shù)的變化趨勢；圖13給出了4種網(wǎng)絡模型的均值平均精度變化曲線，精確率曲線和召回率曲線。

由表2可以看出，從YOLO v5s到YOLO v5x，網(wǎng)絡層數(shù)逐漸增加，網(wǎng)絡深度不斷加深，隨著網(wǎng)絡模型逐漸復雜，模型權重也從14.1MB逐漸增大到177.5MB。4種網(wǎng)絡模型在訓練過程中平均每個目標生成的自適應錨框數(shù)量都在5.5左右，而訓練過程中使用的模型參數(shù)以數(shù)量級的形式增長，使得從YOLO v5s到YOLO v5x的網(wǎng)絡訓練時長由0.913h增加到1.783h，模型的速度消耗逐漸增大，耗時加長。模型訓練完成使用驗證集進行檢測驗證時，隨著網(wǎng)絡的不斷加深，模型單幀推理速度從YOLO v5s的0.009s稍稍加長到YOLO v5x的0.017s，仍保持了較快的推理速度。同時，4種網(wǎng)絡模型的驗證集檢測中IoU閾值大于0.5的均值平均精度都達到了99.5%，在不同閾值上的均值平均精度分別達到了88.2%，92.9%，87.0%，89.4%，可以看出，不同閾值上的mAP與網(wǎng)絡深度并不完全遵循正相關的規(guī)律，YOLO v5m的mAP值更高一些，證明對于帶涂層鋼結構亞表面缺陷紅外圖像數(shù)據(jù)集，YOLO v5m網(wǎng)絡的訓練效果更好，該模型的網(wǎng)絡深度更適合此類型數(shù)據(jù)集的特征提取和融合。

圖12展示了不同模型的訓練過程，通過GIoU損失函數(shù)（邊界框損失函數(shù)），目標檢測損失函數(shù)，目標分類損失函數(shù)進行對比，損耗值表示預測值和真實值之間的差值。GIoU損失函數(shù)與預測框的識別效果成反比；目標檢測損失函數(shù)為目標檢測置信度的損耗均值，該值與目標置信度成反比；目標分類損失函數(shù)為分類的平均損耗，該值與分類效果成反比。如圖12所示，YOLO v5m和YOLO v5x模型在訓練過程中的收斂損失要略優(yōu)于YOLO v5s和YOLO v5l模型，YOLO v5m在保證模型輕量化的同時仍能夠更好地定位缺陷位置。在訓練初期，前10個輪次的損失函數(shù)均值迅速下降，當訓練輪次達到40時，損耗值基本趨于穩(wěn)定，各損失函數(shù)的收斂位置均少于0.01，模型具有較強的魯棒性，從而能夠實現(xiàn)有效預測。

如圖13(a)(b)及表2所示，4種網(wǎng)絡模型均具有非常高的mAP值，mAP值越高，說明訓練后的模型性能越好，4種網(wǎng)絡模型的mAP@0.5值均為99.5%，而YOLO v5m的mAP@0.5:0.95值達到92.9%，略高于其他3種網(wǎng)絡，可以得出，基于帶涂層鋼結構亞表面缺陷紅外圖像數(shù)據(jù)集的模型訓練中YOLO v5m的訓練效果較好，沒有出現(xiàn)過擬合現(xiàn)象。圖13(c)(d)展示了4種網(wǎng)絡模型的精確率曲線和召回率曲線，從對比曲線可以看出，4種網(wǎng)絡模型的曲線均上升平緩，無明顯振蕩，YOLO v5m模型表現(xiàn)最好，曲線波動最小，訓練效果最為理想，YOLO v5x模型訓練過程中有明顯波動。

表2 四種網(wǎng)絡結構訓練檢測性能對比

圖12 不同模型的損失函數(shù)比較 (a) GIoU損失函數(shù)曲線；(b) 目標檢測損失函數(shù)曲線；(c) 目標分類損失函數(shù)曲線

(a)(b) (c)(d)

為深入探究4種網(wǎng)絡的目標檢測能力，使用訓練完成的4種網(wǎng)絡模型分別對含90張紅外圖像的測試集進行缺陷檢測，檢測結果通過多個性能指標展示，如表3所示。對于包含待檢測RGB圖像90張，缺陷目標90個的測試數(shù)據(jù)集，4種網(wǎng)絡模型分別以16張的批量大小對其進行了缺陷檢測試驗，從精確率、召回率、均值平均精度、模型推理速度等方面對網(wǎng)絡模型的檢測能力進行衡量。4種網(wǎng)絡模型對測試集中正樣本的召回率均為1，而缺陷識別精確率卻遵循YOLO v5m＞YOLO v5l＞YOLO v5x＞YOLO v5s 的規(guī)律，YOLO v5m對該測試集缺陷檢測的精確率最高，可達85.1%。這表明對于帶涂層鋼結構亞表面缺陷紅外圖像數(shù)據(jù)集，盡管相較于YOLO v5x的網(wǎng)絡深度和寬度仍有一定差距，在當前訓練數(shù)據(jù)量和訓練輪次等條件限制的情況下，YOLO v5m仍為缺陷識別效果最理想，最為合適的目標檢測網(wǎng)絡。隨著網(wǎng)絡深度和寬度的不斷增加，模型的單幀推理耗時及非極大值抑制篩選耗時也在相應延長，從而導致模型的單幀缺陷檢測總耗時也在相應加長，約為9.9ms，仍保持了較快的推理速度，滿足嵌入化模型快速實時檢測的需要。

表3 基于測試集的網(wǎng)絡性能比較

5 結論

本研究基于YOLO v5建立了針對帶涂層鋼結構亞表面缺陷的智能ECPT檢測方法，得到以下結論：

1）該方法能夠準確識別和分類鋼基體裂紋缺陷、涂層脫粘缺陷、嚴重質量損失（腐蝕凹坑、腐蝕磨損）、輕微質量損失（腐蝕薄層）4種類型的缺陷，缺陷置信度分別可以達到0.96、0.97、0.95、0.93，其中由于輕微質量損失缺陷的低溫特征較弱，模型檢測精度略低于其他缺陷。

2）為探究YOLO v5四種網(wǎng)絡結構對帶涂層鋼結構亞表面缺陷的檢測能力，本研究從網(wǎng)絡深度，模型權重，模型參數(shù)，錨框生成數(shù)量，訓練時長，GIoU損失函數(shù)，目標檢測損失函數(shù)，目標分類損失函數(shù)，單幀推理速度，均值平均精度（mAP），精確率，召回率等方面對YOLO v5四種網(wǎng)絡結構的訓練檢測性能實行對比分析，得出對于帶涂層鋼結構亞表面缺陷紅外圖像數(shù)據(jù)集，在當前訓練數(shù)據(jù)量和訓練輪次的條件下，網(wǎng)絡層數(shù)263層，模型權重43.4MB，模型參數(shù)2.14979×107，訓練時長1.096h，損失函數(shù)收斂值低于0.01的YOLO v5m模型以0.004s的單幀推理速度，99.5%的mAP@0.5值，92.9%的mAP@0.5: 0.95值，85.1%的精確率，100%的召回率，展現(xiàn)了較快的檢測速度、較高的檢測精度及較為理想的檢測效果。

綜上所述，本文提出的基于YOLO v5建立了針對帶涂層鋼結構亞表面缺陷的智能ECPT檢測方法能夠實現(xiàn)對帶涂層鋼結構亞表面缺陷的智能化檢測，并滿足輕量化嵌入模型的需要。

[1] 葛玉龍, 王寧, 潘巖, 等. 環(huán)氧低表面帶銹底漆在沿海煉化裝置涂層修復中的應用[J]. 腐蝕科學與防護技術, 2016, 28(6): 558-602.

GE Y, WANG N, PAN Y, et al. Application of epoxy low surface rust primer in coating repair of coastal refining equipment[J]., 2016, 28(6): 558-602.

[2] 高燕, 任思明, 劉成寶, 等. 涂層/鋼結構腐蝕與耐久性評價中的微區(qū)電化學實驗研究[J]. 寧波工程學院學報, 2021, 33(1): 14-20.

GAO Y, REN S, LIU C, et al. Experimental study of microzone electrochemistry in corrosion and durability evaluation of coatings/steel structures[J]., 2021, 33(1): 14-20.

[3] JIANG X, XU Y, HU H, et al. Nondestructive testing of corrosion thickness in coated steel structures with THz-TDS[J]., 2023, 217:113088.

[4] Permeh S, Lau K, Echeverria Boan M, et al. Electrochemical charac-teristics of antifouling coated steel structure submerged in Florida natural waters to mitigate micro- and macrofouling[J]., 2021, 274: 122087.

[5] LIU S, GU Y, WANG S, et al. Degradation of organic pollutants by a Co3O4-graphite composite electrode in an electro-Fenton-like system[J]., 2013, 58(19): 2340-2346.

[6] LIU S, ZHAO X R, SUN H Y, et al. The degradation of tetracycline in a photo-electro-Fenton system[J]., 2013, 231: 441-448.

[7] Hinder S J, Lowe C, Maxted J T, et al. Intercoat adhesion failure in a multilayer organic coating system: an X-ray photoelectron spectroscopy study[J]., 2005, 54(1): 20-27.

[8] Nishida Y, Takahashi H, Iso M, et al. Surface modification of silica particles with polyimide by ultrasonic wave irradiation[J]., 2005, 16(6): 639-648.

[9] WANG H, QIAN M, LIU W. Laser ultrasonic characterization of adhesive bonds between epoxy coating and aluminum substrate[J]., 2006, 44: e1349-e1353.

[10] 劉栓, 趙海超, 顧林, 等. 有機涂層/金屬腐蝕無損檢測技術研究進展[J]. 電鍍與涂飾, 2014, 33(22): 993-997.

LIU S, ZHAO H, GU L, et al. Research advances of nondestructive measurement technology for organic coating/metal corrosion system [J]., 2014, 33(22): 993-997.

[11] HE Y, TIAN G Y, PAN M, et al. An investigation into eddy current pulsed thermography for detection of corrosion blister[J]., 2014, 78: 1-6.

[12] Hernandez J, Fouliard Q, Vo K, et al. Detection of corrosion under insulation on aerospace structures via pulsed eddy current thermography[J]., 2022, 121: 107317.

[13] SHI Z, XU X, MA J, et al. Quantitative detection of cracks in steel using eddy current pulsed thermography[J]., 2018, 18(4): 1070.

[14] 牟蕾. 基于多維EMD的紅外弱小目標檢測方法研究[D]. 西安: 西安電子科技大學, 2019.

MU L. Research on Infrared Dim Small Target Detection Method Based on Multidimensional EMD[D]. Xi'an: Xidian University, 2019.

[15] 竇田玫. 基于低秩稀疏恢復理論的紅外小目標檢測算法研究[D]. 西安: 陜西師范大學, 2020.

DOU T. Research on Infrared Small Target Detection Algorithm Based on Low Rank Sparse Recovery Theory[D]. Xi'an: Shaanxi Normal University, 2020.

[16] 李向榮, 孫立輝. 融合注意力機制的多尺度紅外目標檢測[J]. 紅外技術, 2023, 45(7): 746-754.

LI X, SUN L. Multiscale infrared target detection based on attention mechanism[J]., 2023, 45(7): 746-754.

[17] 何赟澤, 李響, 王洪金, 等. 基于可見光和熱成像的風機葉片全周期無損檢測綜述[J]. 機械工程學報, 2023, 59(6): 32-45.

HE Y, LI X, WANG H, et al. A review: full-cycle nondestructive testing based on visible light and thermography of wind turbine blade[J]., 2023, 59(6): 32-45.

[18] Redmon J, Divvala S, Girshick R, et al. You only look once: unified, real-time object detection[C]//, 2016: 779-788.

[19] 代牮, 趙旭, 李連鵬, 等. 基于改進YOLO v5的復雜背景紅外弱小目標檢測算法[J]. 紅外技術, 2022, 44(5): 504-512.

DAI J, ZHAO X, LI L, et al. Improved YOLO v5-based infrared dim-small target detection under complex background[J]., 2022, 44(5): 504-512.

[20] 王洪金, 杜旭, 趙麗劼, 等. 人在回路的風機葉片紅外缺陷檢測與測量[J/OL][2023-02-08]. 中國測試, https://kns.cnki.net/kcms/ detail//51.1714.TB.20230207.1448.012.html.

WANG H, DU X, ZHAO L, et al. Human-in-the-loop infrared defect detection and measurement of wind turbine blades[J/OL] [2023-02-08]., https://kns.cnki.net/kcms/ detail// 51.1714.TB. 20230207.1448.012.html.

YOLO v5-based Intelligent Detection for Eddy Current Pulse Thermography of Subsurface Defects in Coated Steel Structures

ZHANG Yubin，LIU Pengqian，CHEN Lina，HAN Yage，LIU Rui，XIE Jing，XU Changhang

(,,266580,)

Subsurface defects in coated steel structures, such as corrosion, steel matrix cracks, and coating debonding, affect the overall structural performance and accelerate the degradation of coating systems. Therefore, this study proposes a YOLO v5-based intelligent detection method for pulsed eddy current thermography of subsurface defects in coated steel structures. This method can automatically detect subsurface defects in coated steel structures without removing the coating, which is of significant importance for engineering applications. The proposed method intelligently detects subsurface defects such as corrosion, cracks, and debonding in coated steel structures without removing the coating. The detection results show that the proposed method can accurately identify and classify four types of subsurface defects in coated steel structures: cracks in the steel matrix, debonding, severe quality loss (corrosion pits and corrosion abrasion), and slight quality loss (thin corrosion layers); the four defect types can be detected with accuracies of 96%, 97%, 95%, and 93%, respectively, while meeting real-time inspection requirements.

coated steel structures, intelligent defect detection, eddy current pulse thermography, YOLO v5

TP391

A

1001-8891(2023)10-1029-09

2023-08-11；

2023-09-24.

張玉彬（1998-），男，河南商丘人，博士研究生，主要從事紅外熱成像無損檢測技術研究。E-mail:zzhyubin@163.com。

徐長航（1976-），男，山東巨野人，博士，教授，主要從事安全工程信息化與智能安全工程方面的研究。E-mail: chxu@upc.edu.cn。