仪器仪表学报

作者：李春晖，吕 岩，孟祥来，李玲慧，蒲晓晨

单位：李春晖,1.中油管道检测技术有限责任公司,,吕 岩,1.中油管道检测技术有限责任公司,,孟祥来,1.中油管道检测技术有限责任公司,,李玲慧,1.中油管道检测技术有限责任公司,,蒲晓晨,1.中油管道检测技术有限责任公司,

关键词：油气管道;漏磁检测;深度学习;YOLOv8;目标检测;数据集

基金：中国石油管道局工程有限公司科技开发课题(2023-13)项目资助

油气管道漏磁检测是评估管道完整性的重要手段,但传统人工分析方法存在效率低、误判率高等问题,故提出了一种基于YOLOv8深度学习算法的油气管道漏磁检测智能识别方法,实现管道缺陷的自动化检测。研究创新性地构建了一套基于人工标注经验的自动化训练数据集生成方法,有效继承了专家领域知识,显著提升了数据集构建效率。通过对漏磁信号进行预处理和图像增强,将原始数据转换为标准化灰度图像,并采用自适应图像增强策略,有效提升了图像质量和目标特征的可区分性。从实际工程项目中采集并生成36098张高质量漏磁图像,其中3403张含缺陷图像用作训练集。缺陷在管道轴向-周向平面上呈现相对均匀分布,在焊缝位置存在局部高密度区域,尺寸主要集中在较小范围内并呈现长尾分布特征,为模型训练提供了扎实的数据基础。训练过程中,模型的精确率P和召回率R指标分别稳定在0.66和0.60,mAP@0.5指标稳定于0.57,而mAP@[0.5∶0.95]达到0.27。在实际工程数据测试中,模型的精确率、召回率和F1分数分别达到63.17%、65.24%和64.19%,验证了YOLOv8模型在管道检测任务中的可行性和优异的检测性能。该方法不仅显著提高了检测效率,降低了人工成本,而且有效避免了人为因素导致的判断偏差。研究结果表明,基于深度学习的智能识别方法在油气管道漏磁检测领域具有广阔的应用前景。

来源：2025年第2期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第2期