《Applied Sciences》：Pipeline Defect Inspection Using Microwave Non-Destructive Testing and Convolutional Neural Networks
编辑推荐：
本研究考察Ka波段（Ka-band，35 GHz）微波无损检测（non-destructive testing, NDT）在金属管道表面开口缺陷检测与分类，以及非金属管道内部和外部缺陷检测与分类中的应用。研究人员采用基于开放式矩形波导（open-ended r
本研究考察Ka波段（Ka-band，35 GHz）微波无损检测（non-destructive testing, NDT）在金属管道表面开口缺陷检测与分类，以及非金属管道内部和外部缺陷检测与分类中的应用。研究人员采用基于开放式矩形波导（open-ended rectangular waveguide, OERW）传感器的微波扫描系统，在聚氯乙烯（polyvinyl chloride, PVC）、高密度聚乙烯（high-density polyethylene, HDPE）和金属管道试样中，对六类缺陷（孔洞、切口、腐蚀、内部磨损、外部磨损和夹杂）在三种提离距离（standoff distance）（1 mm、2 mm和3 mm）下采集420条一维电压线扫描测量。研究人员采用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）重采样和4×数据增强训练一维卷积神经网络（one-dimensional convolutional neural network, 1D CNN），并在分组协议下评估，其中任一物理缺陷试样的全部六条扫描均限定于单一划分。该网络通过卷积分支接收扫描信号，并将提离距离和材料编码作为独立辅助输入。分组五折交叉验证在独立划分上重复五次，得到平均准确率82.19 ± 5.93%，宏平均F1分数（macro-averaged F1-score）为0.85。错误集中在孔洞、切口和外部磨损，而腐蚀、夹杂和内部磨损的召回率恢复至0.90或以上。验证使用受控采集条件下实验室试样中人工引入的孤立缺陷。这些结果确立了Ka波段微波NDT结合1D CNN作为管道缺陷自动化分类的非侵入性途径的实验室可行性，并表明学习型分类器可解决仅幅度微波传感器输出人工解释困难的信号模糊性。
**研究背景与问题**
管道是水、油、化学品和气体输送的关键基础设施，维护不足可导致严重失效、环境污染、经济损失和安全危害。检查机器人受管径变化、弯头、分支和部署回收限制，海底与埋地线路尤为受限。无损检测（non-destructive testing, NDT）中，超声测试需表面接触耦合，射线测试有辐射危害和禁区，传统方法还受穿透深度、材料兼容性和耗时限制。微波NDT可对介电材料更深穿透、更快、更灵敏且非接触。Amineh将微波技术分为直接微波成像、合成孔径重建和近场全息成像；直接微波成像用单换能器和二极管检测器，低成本但正交特征投影为单标量，信号模糊，人工解释仅幅度输出困难。Yee等和Moomen等表明机器学习可与微波NDT结合，但多集中于单类或二元检测，微波传感器输出用于多类管道缺陷表征较少。因此，研究人员在直接微波成像低端采用单频、仅幅度标量驻波测量，经开放式矩形波导（open-ended rectangular waveguide, OERW）结合一维卷积神经网络（one-dimensional convolutional neural network, 1D CNN）分类六类缺陷，跨聚氯乙烯（polyvinyl chloride, PVC）、高密度聚乙烯（high-density polyethylene, HDPE）和金属试样。
**研究开展与总体结论意义**
研究人员在Ka波段（Ka-band）35 GHz建立微波NDT与1D CNN系统，取得82.19±5.93%平均准确率和宏平均F1分数0.85；错误集中于孔、切、外磨损，腐蚀、夹杂、内磨损召回率≥0.90；七条未参与样本中六条正确。意义是确立实验室可行性，学习分类器可解决仅幅度微波人工解释困难，且模型紧凑，可嵌入便携或实时检测。
**关键技术与方法概述**
研究人员采用Ka波段35 GHz近场微波扫描系统，基于OERW、Gunn二极管源和二极管检测器采集驻波幅度；管道固定，传感器沿轴向6 cm线扫，提离距离为1、2、3 mm。实验室样本包括PVC、HDPE、铝和钢管道试样，人工引入六类缺陷，每种五尺寸；内磨损和夹杂仅在非金属，腐蚀仅在钢。每个物理缺陷六条扫描（两位置×三提离距离），共420条。预处理为丢弃前9个加速样本、平均双检测通道、立方卷积重采样至128点、零相位滤波、仅训练集归一化。双输入1D CNN中卷积分支处理128点信号，提离距离和材料one-hot编码辅助输入；合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和4×增强仅训练，按物理样本分组五折重复五次。
**研究结果**
**数据准备**：420条线扫预处理为固定128点电压，拼接为420×128；归一化常数仅训练分区拟合，材料和缺陷one-hot编码；卷积输入和辅助输入分离，标签为420×6，避免泄漏。
**神经网络性能与验证**：按物理样本分组，70个样本分训练/验证/测试，任一试样六条扫描同侧。代表折1584增强训练样本来自49个样本，验证7个样本42条测量；早停于88 epoch并恢复28 epoch。总体准确率82.19%，宏平均精确率、召回率和F1均0.85；腐蚀、夹杂、内磨损召回率≥0.90，孔0.82、切0.81、外磨损0.63，三类占294/374次误分类即79%且互相混淆；2100条留出预测中1726条正确。七条新样本六条正确，五个独立模型均同六同一失败；失败者为铝外磨损，其信号标准差0.035 V低于全部420条扫描，四模型归腐蚀、一模型归切；腐蚀训练扫描最弱（标准差0.128 V，其他金属0.259 V），因Teflon层抑制孔径反射。七条样本不足以支持泛化声明。
**交叉验证**：分组五折每折留出14/70样本84条测量，SMOTE、增强和归一化仅训练；单次交叉验证不稳定，重复均值79.05%–84.76%，范围5.7点；五重复25折平均准确率82.19%，重复均值间标准差2.29%。
**输入消融**：信号单独支持70.86%准确率；材料码值11.57点，提离距离单独4.95点，叠加材料后变化在折叠波动内。多数判别信息在信号本身；材料码因约束标签空间最有价值；提离距离调制幅度和相位但不判别类型。信号单独仍优于所有经典分类器。
**与经典分类器的比较**：相同分组协议、仅训练归一化和信号受限重采样下，支持向量机（support vector machine, SVM）、随机森林（random forest）、k近邻（k-nearest neighbors, k-NN）和多层感知机（multilayer perceptron, MLP）均大幅低于1D CNN的25折结果，说明卷积结构合理。
**讨论与结论**
讨论：1D CNN缓解相同缺陷信号不同、不同缺陷信号相近的模糊，材料与提离距离作为独立辅助输入而非卷积。腐蚀召回率需限定，腐蚀类唯一在孔径加Teflon（polytetrafluoroethylene, PTFE）层测量，层与标签重合；检查显示反射均值或剖面对比区分腐蚀与裸孔径金属不超过AUC（area under the curve）0.74，但未建立相反结论。失败弱外磨损归腐蚀表明分类器似乎将弱对比与腐蚀关联。孔、切、外磨损混淆因单线扫积分横向尺寸，是采集几何限制。该研究扩展先前多为二元或单缺陷工作，用单35 GHz线扫完成三材料六类分类；清洁金属表面缺陷肉眼可见，价值在自动非接触分类，且无需光学访问，对油漆、污垢或保温层遮挡表面有潜在兴趣但未考察；计算成本不构成障碍。结论翻译：本文提出Ka波段微波NDT系统，工作在35 GHz，用于金属和非金属管道缺陷检测与自动分类。OERW传感器与3D机械扫描器集成，采集420条一维电压线扫描，覆盖六类缺陷和三提离距离。预处理包括截断采集瞬态、平均两个检测通道、立方卷积重采样至固定128点、零相位噪声抑制、仅训练数据拟合min–max归一化和材料类型one-hot编码。双输入1D CNN中，卷积分支仅看电压扫描，提离距离和材料码加入池化嵌入；用SMOTE重采样和4×数据增强训练，在分组五折交叉验证重复五个独立划分下达到82.19%准确率，宏平均精确率、召回率和F1分数均为0.85。模型正确分类七条独立采集未见样本中的六条，这些来自数据集中未出现的新物理缺陷试样，尽管样本太小不能单独承载泛化声明。上述结果确立Ka波段微波NDT结合1D CNN用于自动化、非侵入管道缺陷分类的实验室可行性，并表明训练分类器可解决仅幅度微波传感器输出直接人工解释所限的信号模糊。
