Page 93 - 《应用声学》2025年第1期

第 44 卷 第 1 期 肖权旌等： 改进 YOLOv5 的高密度聚乙烯管热熔接头 3D 全聚焦成像缺陷识别分析 89

edge feature extraction of non-obvious defects. In the prediction network, the loss function of the original
YOLOv5 was changed to SIoU loss function to improve the regression efficiency and convergence rate of the
model, which is more conducive to the optimization of the model. Secondly, 3D-TFM imaging detection
experiments were conducted on the defects of HDPE test blocks (ϕ1 mm, ϕ2 mm, ϕ3 mm), the original 3D-
TFM defect map was collected, image augmentation was completed, and the data set was established. Finally,
transfer learning strategy is used to train the improved model, and the optimal model was obtained and
evaluated. The results show that compared with traditional YOLOv5, the precision of this method is improved
by 2.4%, recall rate by 3.1%. It is better to solve the wrong detection and missed detection of inspectors, and
improve the detection efficiency.
Keywords: Total focus method; 3D imaging; High density polyethylene pipe; Defects identification; Deep
learning
测准确率达到 97.4%。徐继升等 [19] 提出基于小波
0 引言
散射网络的聚乙烯管道热熔接头缺陷太赫兹识别，
结果表明对未熔合、焊接缺陷以及夹杂类缺陷识别
高 密 度 聚 乙 烯 (High density polyethylene,
率均可达到 98% 以上。Medak 等 [20] 提出了一种基
HDPE) 管道由于其优异的耐腐蚀性、结构特性
于深度学习架构的 EfficientDet-D0 模型，用于含各
和经济实用性等特点，正逐渐替代钢管成为燃气输
类缺陷不锈钢试样的相控阵图谱进行自动化检测。
送的首选材料 [1] 。热熔对接是 HDPE 管道主要连
Gantala 等 [21] 将 YOLOv4 模型用于碳钢焊接缺陷
接方式之一，但在对接过程中，人为因素、环境因素
TFM检测图像的自动化识别，得到了较高的识别和
等均会导致管道接头出现缺陷，影响管道安全使用，
分类精度。
因此管道接头质量检测尤为重要 [2] 。
目前，TFM成像检测技术已逐渐应用于现场埋
全聚焦 (Total focusing method, TFM)超声成
地燃气 HDPE 管道热熔接头缺陷的检测，现场环境
像算法采用超声相控阵换能器上的所有阵元对待
的复杂性，导致检测时干扰缺陷成像因素较多，并且
检测区域内的每一个拟定焦点进行聚焦。相比超
随着检测图谱数量的增加，检测人员会出现错检、漏
声相控阵方法，TFM 能够大大提高成像时的信噪
检以及检测效率低等情况。本文在3D-TFM成像检
比 [3] ，目前已有不少学者将其应用在 HDPE 管道
测技术基础上提出一种基于深度学习的 HDPE 管
接头质量检测上 [4−6] 。相比于 2D-TFM 成像技术，
热熔接头缺陷识别方法，基于改进YOLOv5 目标检
3D-TFM 成像效果更立体，并且能够同时判读待检
测网络，对3D-TFM成像得到的HDPE 缺陷进行定
测工件中所有缺陷 [7−8] ，Mckee 等 [9] 对双曲面轮廓
位与识别，并进行实验验证。
的铝材质工件进行 3D-TFM 成像检测，结果表明：
3D-TFM 成像检测对于复杂工件内部缺陷检测效 1 YOLOv5算法改进
果更好。肖权旌等 [10] 对HDPE 管道人工孔缺陷进
行3D-TFM 成像实验分析，实验结果表明3D-TFM 1.1 YOLOv5算法
在检测HDPE管道缺陷时更有优势。目前在HDPE YOLOv5 目标检测网络根据宽度和深度的不
管道热熔接头典型缺陷成像中，热熔接头内缺陷种 同可分为 5 个版本，分别为 YOLOv5x、YOLOv5l、
类多样性和多变性导致缺陷特征在图像中难以区 YOLOv5m、YOLOv5s 和 YOLOv5n。实验中，由于
分、判别效率低下，为此需进一步提出精准识别以 HDPE 管接头 3D-TFM 成像数据集较少，为确保检
及分类方法，提高识别效率 [11] 。 测精度、提升检测速度，本文选用了宽度和深度较
近年来，深度学习图像识别技术快速发展，已逐 小、精确度适中的 YOLOv5s 网络，该网络主要由特
渐应用于无损检测领域 [12−16] 。目前，大多数学者 征提取网络(Backbone)、特征融合网络 (Neck)和预
都是基于传统机器学习进行缺陷分类和智能识别 测网络 (Prediction) 三部分组成。图 1 为 YOLOv5s
研究 [17] 。桑宏强等 [18] 提出一种改进的卷积神经网 网络架构图。当特征图进入输入端，YOLOv5 先将
络(Convolutional neural network, CNN) 模型对工 其设定为固定像素大小，采用Mosaic 对图像数据进
件表面缺陷进行检测识别，研究结果表明模型的检 行增强，通过 Focus 结构变换后输入网络。在特征