用于长距离油气管道缺陷检测的DLCS-YOLO模型

《Sensors》：DLCS-YOLO Model for Detecting Defects in Long-Distance Oil and Gas Pipelines

　　

本研究开发了可变形大核上下文融合空间(Deformable Large-kernel Context-fused Spatial, DLCS)-YOLO模型，以解决基于永久磁场扰动(Permanent Magnetic Field Perturbation, PMFP)的长距离油气管道缺陷检测中涉及的诸多挑战，包括高假阳性率、易受背景噪声干扰、小尺度缺陷识别困难、特征表示与缺陷类型区分精度低以及多尺度缺陷适应性差等问题。所提模型是You Only Look Once (YOLO) v11n的改进版本。所提模型的骨干网络包含C3k2-可变形注意力(C3k2-Deformable Attention, C3k2-DAttention)模块和空间金字塔池化快速大可分离核注意力(Spatial Pyramid Pooling-Fast-Large Separable Kernel Attention, SPPF-LSKA)模块，后者用于替代SPPF模块以增强对噪声的鲁棒性及小尺度缺陷的细粒度特征提取。在特征融合层，采用上下文引导特征金字塔网络(Context-Guided Feature Pyramid Network, Context-Guided FPN)模块替代传统的拼接(Concatenation)操作，从而改善特征表示与缺陷分类精度。此外，在空间增强注意力模块(Spatially Enhanced Attention Module, SEAM)被纳入检测头，以增强在复杂场景（包括涉及背景干扰和多尺度缺陷的场景）中的适应性。实验结果表明，所提模型在自建数据集上取得的mAP@50和mAP@50:95值分别为94.5%和64.7%，计算成本仅为6.2 GFLOPs。与基线YOLOv11n模型相比，所提模型的精度(Precision)提高了3.1%，mAP@50值提高了3.8%，mAP@50:95值提高了3.0%，且所需的GFLOPs减少了0.1。所提算法有效提升了管道缺陷检测的准确率与效率，在油气管道缺陷检测中展现出可观的实用价值和广阔的应用前景。

论文发表在《Sensors》。研究背景方面，油气管道作为国家能源输送系统的核心组件，其运行可靠性直接影响国家能源供应稳定性，并与生态环境保护及公共安全密切相关。随着长距离油气管道老化、沿线地质环境复杂演变及输送介质腐蚀加剧，微裂纹和金属损失等隐蔽缺陷隐患日益凸显，重大安全事故风险增加。目前永久磁场扰动(PMFP)信号主要依赖人工分析解读，易受主观因素影响，导致缺陷误检和漏检问题严重。因此，开发基于深度学习的目标检测算法以实现管道缺陷高精度识别至关重要。现有研究虽通过特征融合、注意力机制嵌入及混合架构设计抑制了无关特征与噪声，但管道缺陷多尺度特性明显且小尺度特征表示弱，小缺陷易漏检从而限制检测精度。YOLOv11作为高性能目标检测算法，具备强骨干特征提取、高效多尺度融合及鲁棒小目标检测性能，其轻量化架构使之成为PMFP缺陷检测的理想基线。研究人员以YOLOv11n为基线，通过优化骨干特征提取、增强多尺度融合架构及强化检测头性能，开发DLCS-YOLO模型，以应对高假阳性、强背景干扰、小缺陷难识别、特征表示与判别精度低及多尺度适应性差等挑战。

关键技术方法方面，研究人员采用源自实际在役长距离油气管道PMFP检测项目的自建数据集，含7类缺陷共348幅原始图像，按7:2:1划分为训练、验证与测试集，经AutoAugment策略离线增广。以YOLOv11n为基线，在骨干引入C3k2-DAttention模块、以SPPF-LSKA替换原SPPF，在颈部以Context-Guided FPN替换传统拼接操作，在检测头嵌入SEAM。实验环境为Intel Core Ultra 7 255HX CPU、NVIDIA GeForce RTX 5060 GPU，Python 3.11.14、PyTorch 2.7.0及CUDA 12.8，以Precision、Recall、F1-score、AP、mAP@50、mAP@50:95、Params及FLOPs为评价指标，开展消融与对比实验，并在NEU-DET数据集验证泛化性，辅以检测结果与热图可视化分析。

3. Results

3.1. Experimental Environment and Parameters

研究人员在指定硬件与软件环境下配置实验，所有对比模型采用相同数据集划分、输入尺寸、评价指标与硬件环境，各模型依架构采用适宜训练参数并确保稳定收敛，以随机种子0、42、65独立训练三次取均值±标准差，后处理置信度阈值0.001、NMS IoU阈值0.7。

3.2. Dataset

数据集源于实际PMFP检测项目，经数据采集、格式转换、里程校正、异常滤波、图像生成及专业标注流程构建，制定基于信号形态等的标注准则并由资深工程师复核。原始348幅图像含金属损失、压痕、补丁、排气阀、阻塞三通、阀门、三通七类，划分后增广得训练集753、验证集197、测试集102幅，采用Albumentations库AutoAugment策略（仿射变换与颜色扰动）并同步更新标注，增广样本经人工校验确保有效。

3.3. Evaluation Metrics

研究人员选取Precision、Recall、F1-score、平均精度(Average Precision, AP)、均值平均精度(mean Average Precision, mAP)、参数量(Params)及浮点运算数(FLOPs)为评价指标，明确各指标计算公式与mAP@50、mAP@50:95定义，以客观评估模型性能。

3.4. Ablation Experiment

通过消融实验验证各改进模块有效性。基线YOLOv11n引入C3k2-DAttention使mAP@50升至93.9%、mAP@50:95升至63.2%，参量微增而计算成本几乎不变；单独引入SPPF-LSKA使mAP@50:95升至62.2%；单独引入Context-Guided FPN使mAP@50:95升至62.5%；单独引入SEAM Head使参量降至2.491百万、FLOPs降至5.8，mAP@50:95升至62.2%而mAP@50微降0.4%。组合实验中四模块协同最优，最终mAP@50达94.5%（+3.8%）、mAP@50:95达64.7%（+3.0%）、Precision达93.0%（+3.1%），FLOPs降至6.2，参量2.955百万，形成从特征提取到检测头优化的完整链并具正协同效应。

3.5. Performance Comparison Experiments

3.5.1. Comparison Between the Proposed Model and General-Purpose YOLO Models

与YOLOv5n、YOLOv8n、YOLOv10n、YOLOv11n、YOLOv12n、YOLOv13n对比，DLCS-YOLO的mAP@50为94.5%，分别高出3.3%、4.1%、5.9%、3.8%、8.0%、6.8%；mAP@50:95为64.7%，分别高出4.3%、3.0%、4.1%、6.4%、2.5%；Precision、Recall、F1达93.0%、90.1%、91.5%，FLOPs为6.2，在精度与效率间取得最佳平衡。

3.5.2. Comparison of the Proposed Model with Representative Detection Models

与FT-YOLOv11、AHE-YOLO、WTAD-YOLO、YOLO11-FGA、D-FINE-N、RT-DETR-L对比，DLCS-YOLO的mAP@50:95（64.7%）分别高出10.6%、4.6%、1.8%、2.9%、1.0%、0.8%，各项指标均最优且参量与计算成本合理，平衡高精度与资源效率。

各类别分析中，压痕、排气阀、补丁类别提升明显（如压痕R、AP@50、AP@50:95分别+7.8%、+9.7%、+10.5%），金属损失定位精度改善，阀门因基线已高微幅波动，阻塞三通与三通部分指标未同步提升，表明仍有优化空间。

3.6. Visualization of Detection Results

与YOLOv11n对比，DLCS-YOLO缺陷识别准确率更高、边界框定位更精确、置信度更高。失败案例显示小尺度金属损失仍可能漏检，单一局部突起易误检为压痕，阀门区域易重复检测与定位偏移，表明在弱响应小缺陷、相似局部形态及宽边界目标上仍有优化余地。

3.7. Heatmap Visualization Analysis

热图显示DLCS-YOLO更准确聚焦于管道缺陷区，缺陷区特征响应更清晰，背景抑制与特征融合更佳。SPPF-LSKA模块增强对小尺度金属损失与压痕的高响应，对三通目标扩大有效感受野并覆盖相关响应区，与消融结果一致。

3.8. Generalization Analysis

在NEU-DET数据集上，DLCS-YOLO的Precision、mAP@50、mAP@50:95较基线分别高5%、0.7%、1.9%，mAP@50:95最高，严苛IoU阈值下定位精度更优，表明结构改进具跨数据集泛化能力。

讨论与结论翻译部分：为应对基于永久磁场扰动(PMFP)的长距离油气管道缺陷检测中的核心挑战（包括高假阳性率、严重背景噪声干扰、小尺度缺陷识别困难及多尺度缺陷适应性差），本研究以YOLOv11n为基线模型，提出了一种具备多维结构改进的DLCS-YOLO模型。该模型中，骨干网络引入C3k2-DAttention模块，并以SPPF-LSKA模块替换原SPPF模块，从而增强模型对复杂背景噪声的鲁棒性及捕捉小尺度缺陷细粒度特征的能力。同时，采用上下文引导特征金字塔网络(Context-Guided FPN)替代传统拼接(Concat)特征融合操作，有效改善多尺度特征的语义一致性与融合效率。此外，将空间增强注意力模块(SEAM)嵌入检测头，进一步优化模型处理背景干扰与多尺度缺陷的能力。实验结果表明，DLCS-YOLO在自建数据集上取得的mAP@50与mAP@50:95值分别为94.5%与64.7%，较基线模型分别提高3.8%与3.0%；同时模型计算成本与参数量维持在6.2 GFLOPs与2.955百万，在检测精度与计算效率间取得良好平衡。与YOLOv5n至YOLOv13n的通用模型及若干代表性检测模型相比，DLCS-YOLO在主检测指标上具一定优势，进一步验证了多模块协同改进策略的有效性。本研究为基于PMFP数据的管道缺陷检测提供了高精度实用方案，针对性结构改进策略亦为涉及小目标与复杂工业场景的目标检测任务提供有益参考，对推动油气管道智能完整性管理具重要工程应用价值。未来将进一步扩展复杂场景与小尺度缺陷数据集规模，在边缘计算工业检测硬件上开展部署验证，在此基础上进一步优化模型架构以降低计算冗余，系统评估模型在实时在线检测中的推理延迟、运行时资源消耗及部署适应性，提升其在实际管道检测设备中的工程适用性。

需要我帮你把这篇论文解读按“背景—方法—结果—结论”的结构拆分成更适合汇报的要点大纲吗？