0.   引言

带涂层钢结构因具备防腐、延寿、维护简便和施工简单等优势，被广泛应用于土木建筑、海洋工程、航天工程等重要基础设施中^[1-2]。然而，带涂层钢结构在施工、服役的过程中可能会产生各种类型的缺陷，如腐蚀、钢基体裂纹及涂层脱粘等。缺陷的存在会对整体结构的性能产生影响，并加速涂层系统退化，威胁结构安全^[3-4]。因此，应用无损检测技术在不移除涂层的情况下检测带涂层钢结构亚表面缺陷具有重要的工程应用价值。

近年来，几种无损检测技术（non-destructive testing，NDT）已被用于涂层亚表面和涂层相关缺陷的检测。交流阻抗谱技术（electrochemical impedance spectroscopy，EIS）是较为常见的有机涂层探伤技术，是利用小振幅正弦波电位当作扰动信号的频率域电化学方法^[5-6]，具备对涂层结构干扰小，测试可用频率范围广，多角度给出涂层界面服役状态及涂层失效特征等优势。这种方法同时也具有一定的局限性，包括不适合现场检测，测试结果依赖于等效电路，阻抗谱体系判辨困难等。X射线可以穿透有机涂层而保持较少衰减，然而X射线检测所需时间长，现场辐射剂量大，对操作者具有身体伤害^[7]。超声波检测技术利用超声波探头对有机涂层涂覆的金属表面发射脉冲，脉冲在均质材料内部以恒定速率传播，脉冲到达材料界面反射回探头，通过测量脉冲传播时间计算被检测材料厚度，判断出有机涂层涂覆钢混合结构中可能会出现的脱粘、鼓泡和腐蚀缺陷^[8-9]。然而，超声波检测技术需要被测试件表面光滑，无法做到直观反映缺陷特征，需要依靠检测人员的经验^[10]。

脉冲涡流热成像检测技术（eddy current pulsed thermography，ECPT）是一种新兴的红外热成像技术，它结合了涡流加热、热传导和红外热成像等多种物理过程对缺陷和材料进行表征，具有快速、大面积、高分辨率、高灵敏度和检测结果直观等优点^[11]。与光激励热成像技术相比，ECPT还有另一个优点，即热量直接在材料表面以下的内部薄层中产生，因此，吸收系数等表面性质对产生的热量无影响，能够消除了涂层反射和光照不均对实验的干扰。已有研究表明脉冲涡流热成像检测技术能够检测钢结构腐蚀层下的裂纹或检测油漆涂层下的腐蚀^[12-13]。然而使用脉冲涡流热成像技术检测带涂层钢结构中涂层下腐蚀、钢基体裂纹、涂层脱粘等亚表面缺陷的研究仍然存在空白，因此，本文使用脉冲涡流热成像检测技术对带涂层钢结构进行亚表面缺陷的检测，为此类结构的缺陷检测提供技术支持。

然而，脉冲涡流热成像检测结果以红外图像的形式呈现，一次检测会产生大量红外图像。单凭人眼进行缺陷识别效率较低，尤其是对于质量较差的图像，人眼难以做出准确判断，存在可靠性低和效率低的问题。因此，将目标检测技术应用于红外热成像检测变得至关重要，这将显著提高检测效率，实现对缺陷的智能化检测。目前在红外热成像领域应用较多的目标检测主要局限于一些传统算法，例如基于经验模态分解^[14]的目标检测算法，虽然实现简单且计算速度快，但其缺点在于难以解决工程复杂背景的问题；基于低秩稀疏恢复^[15]的目标检测算法可以用于检测信噪比不高的红外图像，可靠性高，但是存在检测速度慢、过程复杂的缺点。近年来，随着人工智能领域的高速发展，基于深度学习的目标检测算法逐渐引起了人们的关注。这些算法具备极大的潜力和优势，成为目标检测领域的热点之一。基于深度学习的目标检测算法是利用大量的数据和多层的神经网络来进行训练，独立提取出图像特征，主要是通过卷积神经网络（convolutional neural network，CNN）来实现^[16-17]。其中基于回归的YOLO（you only look once）算法具有深层卷积结构，可一次性对多个边框位置和类别进行识别。该算法自2016年^[18]被提出后，经过不断优化与改进，其精确度和实时性得到了显著提高。YOLO v5以能够实现高速和高效的检测而著称，它的速度和精度平衡使其适用于许多实际应用，如无人机视觉、工业检测等^[19-20]。本研究将基于YOLO v5建立针对带涂层钢结构亚表面缺陷的智能ECPT检测方法，对结构中不同类型的缺陷进行智能识别与分类。

1.   ECPT检测原理

ECPT是一种结合了涡流检测技术和红外热成像技术的无损检测方法，涵盖了电磁感应、热量传导和热辐射等多种物理过程。图 1详细描述了ECPT检测带涂层钢结构亚表面缺陷的检测原理。如图 1所示，励磁线圈内的高频交变电流在钢结构和涂层材料中产生涡流，而涂层材料由于其电磁属性较差，涂层材料内部的涡流非常微弱，可以忽略不计。因此涂层结构中产生的焦耳热很少。与此同时，钢结构内部涡流产生的焦耳热引起钢结构温度大幅度升高，钢结构与涂层结构之间的温度梯度导致了带涂层钢结构内部的热传导和附加温升，热传导持续至整个带涂层钢结构最终达到热平衡。在缺陷检测中，带涂层钢结构中存在的缺陷，如腐蚀凹坑、腐蚀磨损、腐蚀薄层、钢基体裂纹、涂层脱粘等，将以不同的方式对结构的产热和传热过程产生影响，这些影响将导致涂层表面温度分布异常，这种温度分布的异常可以用红外热像仪捕捉并记录下来，在获取的红外热像图中能够观察到缺陷的存在及特征。

图  1  带涂层钢结构缺陷ECPT检测原理

Figure  1.  Schematic of ECPT detection for defects in coated steel structure

下载: 全尺寸图片 幻灯片

2.   YOLO v5模型

YOLO v5是一种基于YOLO架构的目标检测模型，包括YOLO v5s，YOLO v5m，YOLO v5l，YOLO v5x四个版本，图 2展示了YOLO v5四种网络结构基于COCO数据集的算法性能测试图，其中YOLO v5s整体网络最小，训练速度最快，平均精度（average precision，AP）也最低，适用于检测较大目标，追求速度的应用场景；另外3种网络在此基础上不断加宽加深，平均精度不断提升的同时，耗时也在加长。

图  2  YOLO v5算法性能测试

Figure  2.  The performance test diagram of YOLO v5 algorithm

下载: 全尺寸图片 幻灯片

图 3展示了YOLO v5的网络结构图，其延续了one-stage结构的组成，包含输入端、骨干部分Backbone、颈部Neck、预测Prediction四个步骤，接下来进行详细介绍。

图  3  YOLO v5网络结构

Figure  3.  The network structure diagram of YOLO v5

下载: 全尺寸图片 幻灯片

2.1   输入端

YOLO v5在输入端部分采用Mosaic数据增强，使得模型训练在单个GPU上也能取得理想的效果，Mosaic数据增强对4张图片采用随机缩放、随机裁剪、随机排布的方式进行拼接，如图 4所示。该处理方式极大地充盈了训练数据集，且随机缩放使得小目标占比增大，提高了网络模型的鲁棒性。

图  4  Mosaic数据增强

Figure  4.  Mosaic data enhancement

下载: 全尺寸图片 幻灯片

2.2   Backbone

Focus结构首次在YOLO系列网络中使用，其重点在于切片操作，增加特征图维度。CSPDarknet53是在Darknet53的基础上借鉴CSPNet产生的骨干结构，CSP结构（如图 5所示）的应用有效解决了计算瓶颈，减少了内存需要，提高了CNN学习特征的能力，使得模型轻量化与准确率并存。

图  5  CSP结构

Figure  5.  CSP structure

下载: 全尺寸图片 幻灯片

2.3   Neck

YOLO v5在结构颈部使用特征金字塔网络（feature pyramid network，FPN）与路径聚合网络（path aggregation network，PAN）相结合的结构（如图 6所示），其中PAN借鉴了图像分割领域PANet的设计思路。FPN自上向下传达强语义特征，特征金字塔自下朝上传达强定位特征，提高了网络特征融合的能力。

图  6  FPN+PAN结构

Figure  6.  FPN+PAN structure

下载: 全尺寸图片 幻灯片

2.4   Prediction

YOLO v5目标检测的损失函数由分类损失函数（classification loss）和回归损失函数（bounding box regression loss）构成。YOLO v5采用CIoU（complete intersection over union）作回归损失函数，提高了边界框回归的速度和精度。在目标检测的后续处理过程中，YOLO v5采用加权非极大值抑制（non-maximum suppression，NMS）的方法改进了遮挡重叠目标的检测效果。

3.   YOLO v5缺陷智能化识别模型训练

3.1   带涂层钢结构亚表面缺陷红外图像数据集

模型训练所需数据集来自带涂层钢结构亚表面缺陷ECPT检测实验。训练所用数据集包含1009张红外图像，涵盖4种类型的缺陷特征，分别是带涂层钢结构严重质量损失（腐蚀磨损、腐蚀凹坑），轻微质量损失（腐蚀薄层），钢基体裂纹，涂层脱粘。其中909张图像作为训练数据集，10张图像作为训练验证数据集，90张图像作为测试数据集，如表 1所示。

表  1  带涂层钢结构缺陷数据集信息

Table  1.  Information on defect data sets for coated steel structure

Training classification	Defect type	Number of images
Training set 909 images	Crack in steel substrate	221
	Coating debonding	70
	Serious quality losses	595
	Minor quality losses	23
Validation set 10 images	Crack in steel substrate	2
	Coating debonding	2
	Serious quality losses	5
	Minor quality losses	1
Test set 90 images	Crack in steel substrate	23
	Coating debonding	15
	Serious quality losses	42
	Minor quality losses	10

下载: 导出CSV 

| 显示表格

3.2   缺陷智能化识别模型评估指标

为了对训练结果进行评估，选用模型权重、训练时长、召回率、准确率以及均值平均精度（mean average precision, mAP）等不同参数进行多方面评估。其中，准确率Precision是一个二分类统计指标，指的是在判断为真的样本中真样本的占比，召回率Recall指的是在真样本中被判断为真的样本占比，相关计算公式为：

公式(1)与(2)中：TP表示正样本被正确识别的数量；FP表示负样本被错误地识别成了正样本的数量；FN表示正样本被错误地识别成负样本的数量。以准确率P作为纵坐标，召回率R作为横坐标组合构成P-R关系曲线，P-R曲线下围成的面积用平均精度AP表示，所有类别AP平均值即均值平均精度mAP，其值越大代表模型对此类别目标的检测准确度越高。

3.3   模型训练环境与参数

由于本研究收集的红外数据集的体量相对较小。因此，从零开始训练一个具有出色的目标识别和定位能力的YOLO v5模型是一项非常困难的任务。因此本研究采用迁移学习的方法，使用在COCO数据集预训练的YOLO v5模型作为初始模型，然后在收集到的红外数据集上进行微调。这样可以将来自大规模数据集的知识迁移到红外数据集上，提高模型的性能。本研究所使用的模型训练环境在Windows 10操作系统下运行。其中，所采用的CPU为Intel(R) Core(TM) i5-8300H，主频为2.30 GHz；GPU部分则选用了GeForce RTX 2080Ti。模型的训练与构建过程基于PyTorch动态开发框架，编程语言选择了Python 3.8版本。训练参数被设定为：图像尺寸为640×640，训练轮次总数为60，每轮批量大小为1，优化器选定为Adam。

3.4   模型训练结果

以网络宽度最大，深度最深的YOLO v5x网络为例，图 7展示了缺陷智能化识别模型的训练结果。图 7给出了YOLO v5模型的训练结果，随着训练轮次的不断增加，模型的各个评估参数也在不断变化。YOLO v5使用GIoU Loss作为预测框的损失函数，第一行第一张图即为GIoU损失函数均值，随着训练轮次的增加损失函数均值不断减小，表明预测框越来越精准。第一行第二张图中的Objectness为目标检测损失函数均值，随着训练轮次的增加不断减小，表明缺陷检测准确率不断升高。第一行第3张图中的Classification为目标分类损失函数均值，随着训练轮次增加不断减小，表明缺陷分类正确率不断提高。第一行第4张图和第5张图中的Precision和Recall为目标检测的精度和召回率，随着训练轮次增加不断提高，表明缺陷检测中识别为缺陷的样本即召回率不断增加，且其中真实缺陷样本的比重即精度不断增大，训练结束时召回率可达100%，精度在70%以上，且训练过程中召回率和精度的波动较小，训练结果较好。第二行前三张图分别为验证集的GIoU损失函数均值，目标检测损失函数均值和目标分类损失函数均值，说明随着训练轮次的增加，目标检测准确率和分类正确率不断提高。第二行第四张图中的mAP@0.5表示IoU阈值大于0.5的均值平均精度，随训练轮次的不断增加，在第20个轮次之后，模型的mAP@0.5已达到100%，表明模型的训练效果较好。第二行第5张图中的mAP@0.5:0.95表示在不同IoU阈值（从0.5到0.95，步长0.05）上的均值平均精度，随训练轮次的不断增加，在第30个轮次之后，模型的mAP@0.5:0.95已达到80%，训练结果较为理想。

图  7  YOLO v5模型训练结果

Figure  7.  The training results of YOLO v5 model

下载: 全尺寸图片 幻灯片

图 8~图 11分别展示了YOLO v5x检测器对钢基体裂纹缺陷、涂层脱粘缺陷、严重质量损失缺陷、轻微质量损失缺陷的识别及分类效果。

图  8  钢基体裂纹缺陷识别分类效果

Figure  8.  Identification and classification effect of steel matrix crack defects

下载: 全尺寸图片 幻灯片

图  9  涂层脱粘缺陷识别分类效果

Figure  9.  Identification and classification effect of coating debonding defects

下载: 全尺寸图片 幻灯片

图  10  严重质量损失缺陷识别分类效果

Figure  10.  Identification and classification effect of large material loss defects

下载: 全尺寸图片 幻灯片

图  11  轻微质量损失缺陷识别分类效果

Figure  11.  Identification and classification effect of minor material loss defects

下载: 全尺寸图片 幻灯片

图 8展示了模型对钢基体裂纹的识别效果，对于不同宽度和深度的裂纹缺陷，该模型都可以实现有效识别和分类，置信范围为0.94~0.96，精确识别裂纹中心的低温特征并正确分类。图 9展示了模型对涂层脱粘的识别效果，对于不同面积的脱粘缺陷，置信度高达0.97，精确识别脱粘缺陷的低温区域并正确分类。图 10展示了模型对严重质量损失（腐蚀凹坑、腐蚀磨损）的识别效果，对于不同面积和深度的严重质量损失缺陷，置信度达到了0.95，能够精确识别严重质量损失的强低温特征并正确分类。图 11展示了模型对轻微质量损失（腐蚀薄层）的识别效果，对于不同面积和厚度的缺陷，置信范围为0.89~0.93，能够精确识别轻微质量损失的弱低温特征并正确分类，且由于该缺陷低温特征较弱，模型识别效果稍逊于其他类型缺陷。高置信度的检测结果表明，该模型具有较好的鲁棒性和相对可靠的性能，能够实现带涂层钢结构亚表面缺陷的准确检测。

4.   YOLO v5四种网络结构的检测性能对比

本章从网络深度、模型权重、模型参数、锚框生成数量、训练时长、单帧推理速度、不同阈值下均值平均精度等方面对YOLO v5四种网络结构YOLO v5s，YOLO v5m，YOLO v5l，YOLO v5x的训练检测性能对比分析，如表 2所示。同时，图 12展示4种网络模型训练过程中的GIoU损失函数，目标检测损失函数，目标分类损失函数的变化趋势；图 13给出了4种网络模型的均值平均精度变化曲线，精确率曲线和召回率曲线。

表  2  四种网络结构训练检测性能对比

Table  2.  Comparison of training and detect performance of four network architectures

Evaluation indicators	YOLO v5s	YOLO v5m	YOLO v5l	YOLO v5x
Number of network layers/layers	191	263	335	407
Model weights/MB	14.1	43.4	95.3	177.5
Model parameters	7.26318e+06	2.14979e+07	4.74095e+07	8.84538e+07
Anchor box/target	5.56	5.53	5.54	5.54
Training hours/h	0.913	1.096	1.313	1.783
Single-frame inference speed/s	0.009	0.010	0.012	0.017
mAP@0.5	99.5%	99.5%	99.5%	99.5%
mAP@0.5:0.95	88.2%	92.9%	87.0%	89.4%

下载: 导出CSV 

| 显示表格

图  12  不同模型的损失函数比较(a) GIoU损失函数曲线；(b) 目标检测损失函数曲线；(c) 目标分类损失函数曲线

Figure  12.  Comparison of loss functions between different models: (a) GIoU loss function curves; (b) Target detection loss function curves; (c) Target classification loss function curves

下载: 全尺寸图片 幻灯片

图  13  不同模型的评价指标比较：(a) mAP@0.5曲线；(b) mAP@0.5:0.95曲线；(c) 精确率曲线；(d) 召回率曲线

Figure  13.  Comparison of evaluation indexes of different models: (a) mAP@0.5 curves; (b) mAP@0.5:0.95 curves; (c) Accuracy curves; (d) Recall rate curves

下载: 全尺寸图片 幻灯片

由表 2可以看出，从YOLO v5s到YOLO v5x，网络层数逐渐增加，网络深度不断加深，随着网络模型逐渐复杂，模型权重也从14.1 MB逐渐增大到177.5 MB。4种网络模型在训练过程中平均每个目标生成的自适应锚框数量都在5.5左右，而训练过程中使用的模型参数以数量级的形式增长，使得从YOLO v5s到YOLO v5x的网络训练时长由0.913 h增加到1.783 h，模型的速度消耗逐渐增大，耗时加长。模型训练完成使用验证集进行检测验证时，随着网络的不断加深，模型单帧推理速度从YOLO v5s的0.009 s稍稍加长到YOLO v5x的0.017 s，仍保持了较快的推理速度。同时，4种网络模型的验证集检测中IoU阈值大于0.5的均值平均精度都达到了99.5%，在不同阈值上的均值平均精度分别达到了88.2%，92.9%，87.0%，89.4%，可以看出，不同阈值上的mAP与网络深度并不完全遵循正相关的规律，YOLO v5m的mAP值更高一些，证明对于带涂层钢结构亚表面缺陷红外图像数据集，YOLO v5m网络的训练效果更好，该模型的网络深度更适合此类型数据集的特征提取和融合。

图 12展示了不同模型的训练过程，通过GIoU损失函数（边界框损失函数），目标检测损失函数，目标分类损失函数进行对比，损耗值表示预测值和真实值之间的差值。GIoU损失函数与预测框的识别效果成反比；目标检测损失函数为目标检测置信度的损耗均值，该值与目标置信度成反比；目标分类损失函数为分类的平均损耗，该值与分类效果成反比。如图 12所示，YOLO v5m和YOLO v5x模型在训练过程中的收敛损失要略优于YOLO v5s和YOLO v5l模型，YOLO v5m在保证模型轻量化的同时仍能够更好地定位缺陷位置。在训练初期，前10个轮次的损失函数均值迅速下降，当训练轮次达到40时，损耗值基本趋于稳定，各损失函数的收敛位置均少于0.01，模型具有较强的鲁棒性，从而能够实现有效预测。

如图 13(a)(b)及表 2所示，4种网络模型均具有非常高的mAP值，mAP值越高，说明训练后的模型性能越好，4种网络模型的mAP@0.5值均为99.5%，而YOLO v5m的mAP@0.5:0.95值达到92.9%，略高于其他3种网络，可以得出，基于带涂层钢结构亚表面缺陷红外图像数据集的模型训练中YOLO v5m的训练效果较好，没有出现过拟合现象。图 13(c)(d)展示了4种网络模型的精确率曲线和召回率曲线，从对比曲线可以看出，4种网络模型的曲线均上升平缓，无明显振荡，YOLO v5m模型表现最好，曲线波动最小，训练效果最为理想，YOLO v5x模型训练过程中有明显波动。

为深入探究4种网络的目标检测能力，使用训练完成的4种网络模型分别对含90张红外图像的测试集进行缺陷检测，检测结果通过多个性能指标展示，如表 3所示。对于包含待检测RGB图像90张，缺陷目标90个的测试数据集，4种网络模型分别以16张的批量大小对其进行了缺陷检测试验，从精确率、召回率、均值平均精度、模型推理速度等方面对网络模型的检测能力进行衡量。4种网络模型对测试集中正样本的召回率均为1，而缺陷识别精确率却遵循YOLO v5m＞YOLO v5l＞YOLO v5x＞YOLO v5s的规律，YOLO v5m对该测试集缺陷检测的精确率最高，可达85.1%。这表明对于带涂层钢结构亚表面缺陷红外图像数据集，尽管相较于YOLO v5x的网络深度和宽度仍有一定差距，在当前训练数据量和训练轮次等条件限制的情况下，YOLO v5m仍为缺陷识别效果最理想，最为合适的目标检测网络。随着网络深度和宽度的不断增加，模型的单帧推理耗时及非极大值抑制筛选耗时也在相应延长，从而导致模型的单帧缺陷检测总耗时也在相应加长，约为9.9 ms，仍保持了较快的推理速度，满足嵌入化模型快速实时检测的需要。

表  3  基于测试集的网络性能比较

Table  3.  Network performance comparison based on test set

Network models	YOLO v5s	YOLO v5m	YOLO v5l	YOLO v5x
Image/frame	90	90	90	90
Target/piece	90	90	90	90
Batch size	16	16	16	16
AP	0.786	0.851	0.835	0.792
Recall	1	1	1	1
mAP@0.5	0.995	0.995	0.995	0.995
mAP@0.5:0.95	0.812	0.764	0.787	0.762
Single-frame inference time consumption/ms	1.6	3.3	5.0	9.0
Single-frame NMS consumption time/ms	1.0	1.0	0.9	1.0
Total single-frame detection time/ms	2.6	4.3	5.9	9.9

下载: 导出CSV 

| 显示表格

5.   结论

本研究基于YOLO v5建立了针对带涂层钢结构亚表面缺陷的智能ECPT检测方法，得到以下结论：

1）该方法能够准确识别和分类钢基体裂纹缺陷、涂层脱粘缺陷、严重质量损失（腐蚀凹坑、腐蚀磨损）、轻微质量损失（腐蚀薄层）4种类型的缺陷，缺陷置信度分别可以达到0.96、0.97、0.95、0.93，其中由于轻微质量损失缺陷的低温特征较弱，模型检测精度略低于其他缺陷。

2）为探究YOLO v5四种网络结构对带涂层钢结构亚表面缺陷的检测能力，本研究从网络深度，模型权重，模型参数，锚框生成数量，训练时长，GIoU损失函数，目标检测损失函数，目标分类损失函数，单帧推理速度，均值平均精度（mAP），精确率，召回率等方面对YOLO v5四种网络结构的训练检测性能实行对比分析，得出对于带涂层钢结构亚表面缺陷红外图像数据集，在当前训练数据量和训练轮次的条件下，网络层数263层，模型权重43.4 MB，模型参数2.14979×10⁷，训练时长1.096 h，损失函数收敛值低于0.01的YOLO v5m模型以0.004 s的单帧推理速度，99.5%的mAP@0.5值，92.9%的mAP@0.5: 0.95值，85.1%的精确率，100%的召回率，展现了较快的检测速度、较高的检测精度及较为理想的检测效果。

综上所述，本文提出的基于YOLO v5建立了针对带涂层钢结构亚表面缺陷的智能ECPT检测方法能够实现对带涂层钢结构亚表面缺陷的智能化检测，并满足轻量化嵌入模型的需要。