漏磁数据由x、y、z共3个磁场方向的数据共同组成（图1），不同磁场方向数据包含了不同的漏磁信号特征。当存在管道腐蚀缺陷时，对应的三轴分量数据也会出现变化，因此快速定位缺陷数据是实现腐蚀缺陷量化的前提^[19]。提取检测所得漏磁图像的三轴分量，将x、y、z分量映射为红、绿、蓝三原色通道，从而将漏磁信号转换为彩色图像。以图像的像素值为基准，对三轴的分量数据进行预处理。为了确保每个点位均在[0， 255]的像素范围内，对每个点位进行映射变换：

式中：V为待检测点漏磁的磁感应强度，mT；B_max、B_min分别为漏磁的磁感应强度波峰值、波谷值，mT。

图1 不同磁场方向漏磁数据示意图Fig. 1 Schematic diagram of magnetic flux leakage data indifferent magnetic field directions

预处理图像输入目标检测模型后，首先提取图像特征信息，随后根据提取的目标特征进行融合，融合后的图像通过检测头进行后处理和识别，最终实现目标检测任务的输出。

PP-YOLOE模型的组成（图2）包括主干特征提取网络、路径聚合网络、检测头。利用主干特征提取网络分别提取输入图像不同类型的视觉信息（C3、C4、C5），送入路径聚合网络进行目标的特征聚合。路径聚合网络包括P3、P4、P5共3个层级，每个层级通过检测头进行分类和识别。当检测头获取传递的特征后，首先通过特征增强模块提升网络对目标边缘特征的感知能力，然后对图像每个维度进行整合，利用卷积处理对目标的长度、宽度及维度进行空间和通道变换，实现对目标位置、类别及置信度的准确预测。

图2 PP-YOLOE模型组成示意图Fig. 2 Schematic diagram of the composition of PP-YOLOE model

为验证模型在不同检测环境下的目标检测效果，选取3段埋地管道漏磁检测数据进行模型训练和验证。数据集包括海城线管径为457 mm、壁厚为8.0 mm的管道检测数据、北海—邕宁线管径为813 mm、壁厚为11.7 mm的管道检测数据以及马棚口—渤海线管径为711 mm、壁厚为8.8 mm的管道检测数据。这些检测数据共33 444张管道缺陷漏磁图像，其中包括26 756张训练图像（271 831个标注框）与 6 688张测试图像（68 374个标注框），覆盖了多种缺陷场景。为了在训练过程中减少预测结果与真实标签之间的差异，提高模型的准确性，采用Loss损失函数对训练效果进行评价。针对漏磁数据背景复杂、检测目标易与背景混淆的特点，选取目标检测中聚焦度更高的分类损失函数（Loss-cls）和交并损失函数（Loss-IoU）对训练指标进行评估。分类损失函数用于衡量模型预测的目标类别与真实类别之间的差异，判断检测出的目标是否为腐蚀缺陷；交并损失函数用于评估模型预测的边界框与真实边界框之间的重叠程度。将数据输入目标检测模型，进行80轮训练，每训练5轮后验证1次，并测试训练效果，分析Loss总损失值、Loss分类损失值及Loss交并损失值（图3）^[20]。

图3 管道检测数据训练后的Loss总损失值、Loss分类损失值、Loss交并损失值图Fig. 3 Comparison of total loss, classification loss, and IoU loss after training with pipeline testing data

根据图3可见，训练开始阶段损失值较大，经过训练后最终总损失值趋近于1.29。其中，分类损失达到了0.6，预测与真实值的交并损失达到0.16。经过训练后，采用该模型对测试集中的缺陷图像进行目标检测，检测结果通过能够全面反映模型检测能力的mAP（Mean Average Precision）指标进行评价。mAP 与精确率（Pre-cision）、召回率（Recall）相关。选用mAP@0.5可以减少计算量，当mAP@0.5值越接近1，表示该模型的检测效果越好。为了验证PP-YOLOE模型与其他目标检测模型的效果，选取了有较高检测速度和准确度的YOLOV3目标检测模型^[21]进行对比（图4）。可见，经15轮验证后，PP-YOLOE模型的mAP@0.5值达到0.95， YOLOV3模型为0.87，此时PP-YOLOE模型下，目标检测对应的召回率为0.87，准确率为0.94。PP-YOLOE模型针对漏磁数据检测精度更高，收敛速度更快。

图4 PP-YOLOE与YOLOV3目标检测mAP@0.5值对比图Fig. 4 Comparison of target detection between PP-YOLOE and YOLOV3 at mAP@0.5

MTL是利用机器模仿人类学习行为的一种方法，用于缺陷量化任务时能够充分利用缺陷尺寸之间的关联性，共享各个任务之间的特征，增强泛化能力。MTL模型包括输入层、任务共享层、任务特有层、输出层（图5）。在管道缺陷量化任务中，输入层是带有特征信息的RGB图像。任务共享层从漏磁缺陷数据中提取通用特征，通过共享学习，捕捉缺陷尺寸参数之间的内在关联性。任务特有层对缺陷长度、宽度、深度的学习任务细节进行分析，每个任务根据共享层提供的信息，进一步提取与该任务相关的特征。输出层生成缺陷的长度、宽度及深度预测结果。

图5 MTL模型结构图Fig. 5 Structural composition of MTL model

为确保量化模型能够适应基于PP-YOLOE模型得到的漏磁数据集，防止训练时出现过拟合、欠拟合等情况，需要对量化网络各结构的维度进行调整优化。结合检测数据特征以及传感器数量，选取可以全面覆盖腐蚀缺陷区域的数据矩阵作为样本。每个腐蚀缺陷样本包含中心处上下各20个通道，左右各50个采样点，形成维度为100×20的数据矩阵。由于漏磁数据包括x、y、z三轴分量，因此每个样本的最终数据维度为100×20×3。据此整理腐蚀缺陷样本对应的尺寸标签，生成腐蚀缺陷尺寸量化网络结构（图6）。

图6 腐蚀缺陷尺寸量化网络结构示意图Fig. 6 Schematic diagram of the network structure for size quantification of corrosion defect

该网络结构由3个卷积层、3个池化层、2个全连接层及1个输出层组成，提取后的三轴数据维度均为100×20。将三轴数据融合后组成维度为100×20×3的矩阵，送入第一层卷积层进行卷积处理，卷积核矩阵的大小为1×1。卷积后的目标维度变为50×10×64，再送入池化层进行降维处理，第二层、第三层的卷积核矩阵大小均为3×3。同样方式经过三层卷积层、三层池化层处理后，量化后的任务目标最终变为维度为1×2 816的矩阵，随后送入两个全连接层，将网络预测后的信息交给输出层。

漏磁缺陷的量化任务要考虑缺陷特征之间的关联性，重点在于如何设计权重的分配策略。同方差不确定性、动态加权平均权重更新方案，都能在训练过程中根据训练情况自动对权重进行动态更新。以1∶1权重方案作为基准的静态更新方案，与前两种方案形成对比参照。这3种方案相较于其他策略，都依赖缺陷特征的相关性信息，能够减弱噪声或基线波动带来的干扰^[22]。因此，为了验证损失函数是否适用于缺陷尺寸的量化任务，选择上述3种多任务损失函数权重更新方案进行对比，各方案网络设置训练轮次为200次，对同一段数据集进行量化分析。

比对数据集来自管径为1 016 mm的实验管段，由5根钢管构成，每根钢管长为1.5 m，壁厚分别为11.75 mm、11.75 mm、13.75 mm、17.75 mm、17.75 mm。制作152个矩形缺陷，缺陷长度为2～120 mm、宽度为2～120 mm、深度为0.93～13.70 mm，其中132个样本作为训练集、10个样本作为测试集、10个样本作为验证集（表1）。用不同损失函数对验证集进行训练，分析后发现，1∶1权重方案收敛轮数最低，通过40轮后才达到收敛；同方差不确定性方案通过65轮后达到收敛；动态加权平均方案收敛轮数最多，80轮后达到收敛。

经过 15轮验证后， PP-YOLOE目标检测模型、YOLOV3模型的mAP@0.5值分别达到0.95、0.87，此时PP-YOLOE模型下，目标检测对应的召回率为0.87、准确率为0.94。可见，PP-YOLOE模型针对漏磁数据检测精度更高、收敛速度更快。

表1 验证集缺陷数据尺寸表Table 1 Defect size data in validation set

分析上述3种方案对缺陷的预测误差（图7）可知， 3种权重方案尺寸误差均满足SY/T 6597—2018 《油气管道内检测技术规范》要求，对于宽度的预测误差相对较大。同方差不确定性相较于其他两种方案，对于缺陷长度和深度的预测更有优势。在宽度的预测中，动态加权平均方案略优于同方差不确定性，而1∶1权重最差。结合3种方案在训练收敛速度和预测精度上的表现，选取同方差不确定性作为该深度学习网络损失函数的权重更新方案。

图7 不同权重方案误差对比图Fig. 7 Error comparison among different weighting options

同方差不确定性方案作为损失函数权重更新方案的公式如下^[23]：

式中： i 为任务序号；N为任务总个数； w_i 为第i个任务损失函数的权重；L_t为不同任务对应的损失函数；L_i 为第i个任务的损失函数。

在缺陷量化的任务中，应用同方差不确定性作为基准来加权不同训练任务的损失，调整公式如下：

式中： L₁（W）、L₂（W） 分别为两个任务的损失函数， σ₁、σ₂ 分别为基于数据自适应学习损失 L₁（W） 、L₂（W） 的相对权重。

在缺陷量化的多任务学习中，激活函数负责将神经网络的线性输出转化为非线性空间，以便更好地建模和解决复杂的问题。常见的用于MTL模型的激活函数包括ReLU、Sigmoid及tanh等。为了选取最合适的激活函数，对不同激活函数下MTL模型对缺陷的量化结果进行对比分析。训练集和验证集同样来自管径为1 016 mm的实验管段，选取实验管段中120个样本作为数据集，其中100个样本作为训练集、10个样本作为测试集、10个样本作为验证集，对验证集用不同激活函数进行训练和分析（图8）。可见，在缺陷的尺寸预测方面，ReLU激活函数长度预测误差最小，更适用于 MTL模型的量化任务。

图8 不同激活函数方案预测结果对比图Fig. 8 Comparison of prediction results among different activation function options

为了验证MTL模型的有效性和合理性，采用柳园—玉门管径为1 016 mm、壁厚为14.6 mm的埋地管道漏磁检测数据进行验证。为防止网络产生过拟合，在同一数据集中，选取未经过训练的15个缺陷作为测试集（表2），用于验证整体网络对于缺陷量化任务结果的准确性。将测试集对应漏磁信号输入多任务量化网络模型进行分析，对缺陷的尺寸进行输出预测。为了使量化模型更好地完成尺寸预测任务，需要选取适合的网络优化算法。NADAM算法是一种基于ADAM （Adaptive Moment）改进的优化算法，相比传统的SGD算法，可以动态自适应调整学习率，在处理大规模数据集时表现良好，适用于具有复杂非线性关系的漏磁检测数据^[24−25]。选取NADAM算法与MTL常用的SGD算法进行对比分析，评估NADAM算法的改进效果。

表2 测试集缺陷实际尺寸表Table 2 Actual sizes of defects in test set

缺陷量化MTL模型选取ReLU函数作为激活函数，损失函数选择常用于量化任务，可有效处理数据异常的Smooth L1^[26−27]，设置训练轮数为300轮，每轮训练随机选取16个缺陷样本作为一组。对同一测试集，选取SGD和NADAM优化算法方案对测试集中缺陷尺寸进行预测，设置初始的学习率为0.01。

利用NADAM优化算法，对测试集数据进行尺寸预测，并与实际缺陷尺寸进行对比（图9）可见，在缺陷长度的预测中，测试集中腐蚀缺陷长度预测误差平均值为3.71 mm，相对误差平均值为18％，其中8号腐蚀缺陷误差最大（差值为16.92 mm），6号腐蚀缺陷误差最小（差值为0.38 mm）；在缺陷宽度的预测中，测试集中腐蚀缺陷宽度预测误差平均值为6.82 mm，相对误差平均值为31％，其中15号腐蚀缺陷误差最大（差值为 38.02 mm）， 1号腐蚀缺陷误差最小（差值为0.99 mm）；在缺陷深度的预测中，测试集中腐蚀缺陷深度预测误差平均值为2.08 mm，相对误差平均值为29％，其中7号腐蚀缺陷误差最大（差值为5.71 mm）， 8号腐蚀缺陷误差最小（差值为0.33 mm）。

同理，利用SGD优化算法，对同一测试集数据进行尺寸预测，并与实际缺陷尺寸进行对比（图 10）可见，在缺陷长度的预测中，测试集中腐蚀缺陷长度预测误差平均值为4.95 mm，相对误差平均值为27％，其中8号腐蚀缺陷误差最大（差值为28.70 mm），4号腐蚀缺陷误差最小（差值为0.52 mm）；在缺陷宽度的预测中，测试集中腐蚀缺陷宽度预测误差平均值为6.96 mm，相对误差平均值为31％，其中15号腐蚀缺陷误差最大（差值为42.93 mm），14号腐蚀缺陷误差最小（差值为0.25 mm）；在缺陷深度的预测中，测试集中腐蚀缺陷深度预测误差平均值为 2.32 mm，相对误差平均值为33％，其中7号腐蚀缺陷误差最大（差值为2.70 mm），1号腐蚀缺陷误差最小（差值为0.14 mm）。

图9 使用NADAM优化算法的缺陷预测值与缺陷实际值对比图Fig. 9 Comparison of defect prediction results using NADAM optimization algorithm and actual defect values

图 10 使用SGD优化算法的缺陷预测值与缺陷实际值对比图Fig. 10 Comparison of defect prediction results using SGD optimization algorithm and actual defect values

对比上述两种方法预测结果，在腐蚀缺陷长度、深度的预测方面，相比SGD算法，NADAM算法预测误差平均值更小，精度更高；在腐蚀缺陷宽度预测方面，两者预测误差平均值相当，原因在于缺陷宽度相比于长度、深度，与漏磁信号特征的关联性、规律性较弱。NADAM算法对具有强相关性的数据有较好的挖掘能力，因此对长度与深度预测精度的提升效果更加显著。综上，该模型使用NADAM算法对腐蚀缺陷尺寸的预测结果要优于SGD优化算法，更适用于对漏磁数据进行预测与量化^[28−30]。