【海洋工程管道专题】| 基于小样本和RVFL增强的海洋管道损伤检测方法研究

论文导读与观点概要

一、研究目的

海洋油气管道是海上油气生产与运输的关键基础设施，其结构完整性直接关系到海洋平台的安全运营和海洋生态环境的保护。然而，海洋环境复杂恶劣，管道在长期服役过程中易受海水腐蚀、交变载荷疲劳、外部冲击等因素影响，逐渐产生裂纹等结构性缺陷。据统计，全球每1000 km海底管道每年约泄漏2次，其中约35%的失效由腐蚀引起。以中国南海涠洲12-1至11-4原油管道为例，2007年因腐蚀泄漏导致油田停产近200天，造成巨大的经济损失与严重的海洋生态破坏。因此，开发高精度的裂纹检测技术对保障海洋平台安全运营具有重要的工程意义和现实价值。

目前，管道的宏观裂纹监测主要依赖传统漏磁检测方法，该方法依赖进口设备且单次检测成本高达6万元/km，需停输作业，严重影响油气正常供应。近年来，基于深度学习的智能检测技术因其高精度和自动化优势受到广泛关注，但海洋管道裂纹样本获取困难、数据稀缺，导致传统深度学习模型在小样本条件下识别精度较低，难以满足实际工程需求。针对上述挑战，本文旨在提出一种适用于小样本条件的海洋管道裂纹智能检测方法，通过融合随机向量功能链接网络（RVFL）与Faster R-CNN目标检测框架，提升模型在有限样本下的裂纹识别精度与泛化能力，为海洋管道安全检测提供新的技术路径。

二、研究方法

本文提出一种基于RVFL-FR-CNN的海洋管道裂纹智能检测模型，核心思路是将RVFL网络引入Faster R-CNN的目标检测框架中，替代传统的全连接分类层，以增强模型在小样本条件下的非线性特征表达能力和泛化性能。模型整体架构由卷积主干网络、区域建议网络（RPN）、区域池化网络（ROI pooling）、边界回归网络和RVFL分类网络五部分构成。

在特征提取阶段，模型采用ResNet50残差网络作为卷积主干，利用其多层残差模块逐层提取从边缘纹理（浅层）到复杂形态（深层）的多层次裂纹特征，输出多个不同尺度和语义层次的特征图。在候选区域生成阶段，RPN网络在特征图上采用滑动窗口方法，结合3种不同尺度和3种不同纵横比的锚框，自动生成适应裂纹多种形态（纵向裂纹、环向裂纹、网状裂纹等）的候选区域建议，并通过分类分支和回归分支对锚框进行筛选优化。在区域池化阶段，ROI池化层将不同大小的候选区域统一缩放为固定尺寸，通过最大池化操作保留最显著特征，确保后续网络接收固定维度的输入。

本文的核心创新在于RVFL分类网络的设计。RVFL网络是一种前馈神经网络，其隐藏层权重通过高斯随机概率初始化，输入特征通过跳跃连接直接与隐藏层输出结合，形成扩展特征向量输入输出层。该设计具有以下优势：（1）随机权重初始化有效缓解模型陷入局部极小值的问题，具备隐式正则化效果，防止过拟合；（2）ReLU非线性激活函数增强了对高维特征的拟合能力，通过稀疏激活提取关键信息并抑制噪声干扰；（3）伪逆学习方法直接求解权重矩阵的闭式解，避免了传统反向传播迭代优化的计算开销，在小样本场景下能够快速获得稳定且泛化能力强的权重矩阵。

此外，为验证模型性能，本文设计并构建了海洋管道裂纹缩比试验数据集。采用金属3D打印技术制作直径30 mm的管道缩比模型，添加典型裂纹形貌（最大裂纹宽度1 mm），在1.5 m深的透明水箱中控制水体浑浊度（10~30 NTU）和光照度（100~300 lx）模拟实际水下环境，通过双轴数控平移台精确控制相机运动轨迹模拟ROV巡检作业，共获得80组有效图像样本。数据集按训练集:验证集:测试集=3:1:1的比例随机划分，分别包含50张、10张和18张图像。

三、研究结果

在自建缩比试验数据集上进行了系统实验，采用平均精度均值（mAP）、召回率、精确度和F1分数等多项指标综合评估模型性能。实验结果表明，RVFL-FR-CNN模型在测试集上取得了优异的检测性能：mAP达到99.09%，召回率为96.00%，精确度为88.89%，F1分数为0.956，对绝大部分裂纹的识别精度在98%以上。

为验证RVFL网络的有效性，研究开展了消融实验，在保持其他网络结构完全一致的条件下，对比Faster R-CNN基准模型与RVFL-FR-CNN模型的性能差异。结果表明，引入RVFL网络后，mAP从94.37%提升至99.09%，综合提升约5个百分点；召回率从94.18%提升至96.00%；F1分数从0.88提升至0.92。这一结果充分验证了RVFL通过随机特征映射增强非线性表达能力的理论优势，以及伪逆求解策略避免梯度弥散、随机权重初始化抑制过拟合的内在机理。

与主流深度学习检测模型的对比实验进一步证实了本文方法的优越性。在相同实验条件下，CSPDarknet53模型的mAP仅为68.35%，F1分数为0.732，其主要原因在于预训练权重在水下裂纹场景下泛化性不足；RetinaNet模型的mAP为78.64%，F1分数为0.818，由于训练集较小出现了过拟合现象。相比之下，RVFL-FR-CNN模型在小样本条件下显著优于对比模型，展现出更强的裂纹识别能力和环境适应性。

此外，隐藏层节点数的敏感性分析表明，当节点数设置为1024时模型性能最优（mAP 99.41%），在512~2048节点范围内各项指标表现相近，节点数继续增加则因模型复杂度升高导致性能下降，为实际应用中的模型配置提供了参考依据。

四、研究结论

本文提出了一种基于RVFL-FR-CNN的海洋管道裂纹检测方法，旨在解决小样本条件下裂纹识别精度不足的问题，主要结论如下：

1）实验室数据集制作：通过降低实验室缩比模型中的光照强度，并调整水体颜色和浑浊度，尽可能模拟海洋管道环境，在上述环境中验证模型精度，使该裂纹识别模型具备较好的工程应用意义。 

2）模型优化效果显著：RVFL-FR-CNN模型在多个评价指标上表现出较高的精度水平，并与其他模型对比有显著的模型精度提升，为水下小样本裂纹识别任务提供了新的解决方案。 

3）RVFL-FR-CNN模型机制：RVFL网络通过随机隐藏层权重与非线性映射方法进行特征扩展，增强了模型在小样本图像处理中的高维特征提取能力。通过伪逆学习，RVFL网络能够在小样本数据中更容易地找到全局最优权重，从而更好地区分裂纹与正常管道的特征，减少误识别的概率。

RVFL网络凭借其快速的训练和强大的泛化能力，能够有效提升海洋管道裂纹检测的精度，帮助更精确地监控海洋管道的健康状态，及时发现潜在的裂纹问题，进而预防灾难性损害。此外，RVFL网络的快速推理能力使其非常适合用于实时图像处理，可助力实时监测系统的发展，尤其是在管道出现突发状况时，如裂纹快速扩展或外部损害，能够快速响应，为决策提供数据支持。试验结果表明，该模型在模拟海洋环境下取得了99.09%的mAP，展现出良好的工程应用前景。 

未来工作将进一步优化模型结构，引入数据增强与无监督学习方法，以提升模型的泛化能力，并在实际海洋环境中进行测试，以验证其工程适用性。 

相关图表

本文引用格式：武文华, 魏立成, 孙贺. 基于小样本和RVFL增强的海洋管道损伤检测方法研究[J]. 海洋工程, 2026, 44(5): 28-37.  (WU Wenhua, WEI Licheng, SUN He. RVFL-enhanced few-shot deep learning model for marine pipeline crack detection and experimental validation[J]. The Ocean Engineering, 2026, 44(5): 28-37.  (in Chinese)）

作者简介：   

武文华，男，博士，大连理工大学教授，博士生导师，中国振动工程学会模态分委会委员，中国力学学会会员，辽宁省力学学会理事，广东省先进能源与技术广东省实验室汕尾分中心委员，海洋工程学会理事。获教育部自然科学二等奖，辽宁省科技进步奖二等奖，石油化工和自动化协会科技进步奖一等奖。入选大连市高层次人才（高端人才）。面向装备数字化智能化需求，主要从事航天和海洋装备结构智能监测和数字孪生研究， 从事基于大数据的装备故障诊断和状态评估技术，深度学习和AI结合的工程力学软件系统开发等研究，共发表期刊论文100余篇，专利30余件，软著20件。担任Ocean Engineering, Applied Ocean Research, Marine Structures 等多个重要国际期刊审稿人，担任《China Ocean Engineering》等多个期刊编委。

参考文献

1

LU H， ISELEY T， BEHBAHANI S， et al. Leakage detection techniques for oil and gas pipelines： state-of-the-art［J］. Tunnelling and Underground Space Technology， 2020， 98： 103249. 

2

方娜， 陈国明， 朱红卫， 等. 海底管道泄漏事故统计分析［J］. 油气储运， 2014， 33（1）： 99-103.

FANG N， CHEN G M， ZHU H W， et al. Statistical analysis of leakage accidents for subsea pipelines［J］. Oil & Gas Storage and Transportation， 2014， 33（1）： 99-103. （in Chinese）

3

魏强， 宋鹏飞， 刘国恒， 等. 海洋平台油气管道疲劳裂纹识别方法［J］. 哈尔滨工程大学学报， 2022， 43（4）： 481-487. 

WEI Q， SONG P F， LIU G H， et al. Fatigue crack identification method for oil and gas pipelines on offshore platforms［J］. Journal of Harbin Engineering University， 2022， 43（4）： 481-487. （in Chinese）

4

唐若笠， 张尚煜， 伍文君. 基于一维卷积神经网络的超声导波管道裂纹识别方法［J］. 振动与冲击， 2023， 42（5）： 183-189. 

TANG R L， ZHANG S Y， WU W J. Crack identification method of ultrasonic guided wave pipeline based on MS-1D CNN［J］. Journal of Vibration and Shock， 2023， 42（5）： 183-189. （in Chinese）

5

KOROL K， HUBERT Y， FREDINE G， et al. A study of crack detection ultrasonic attributes to manage leak threats associated with short crack-like flaws in erw pipelines［C］//Proceedings of the International Pipeline Conference. Calgary， Canada： American Society of Mechanical Engineers， 2016： V001T03A073. 

6

TANG R L， ZHANG S Y， WU W J， et al. Explainable deep learning based ultrasonic guided wave pipe crack identification method［J］. Measurement， 2023， 206： 112277. 

7

姚守峰， 陈修贤， 郝前勇， 等. 基于OpenCV的管道巡检水下机器人的设计与实现［J］. 计算技术与自动化， 2023， 42（1）： 58-61. 

YAO S F， CHEN X X， HAO Q Y， et al. Design and implementation of pipeline inspection underwater robot based on OpenCV［J］. Computing Technology and Automation， 2023， 42（1）： 58-61. （in Chinese） 

8

陈龙， 张建林， 彭昊， 等. 多尺度注意力与领域自适应的小样本图像识别［J］. 光电工程， 2023， 50（4）： 220232.

CHEN L， ZHANG J L， PENG H， et al. Few-shot image classification via multi-scale attention and domain adaptation［J］. Opto-Electronic Engineering， 2023， 50（4）： 220232. （in Chinese）

9

张莉， 杨明辉， 孙嘉成. 基于注意力机制和迁移学习的小样本茶叶病害识别［J］. 中国农机化学报， 2024， 45（10）： 262-268. 

ZHANG L， YANG M H， SUN J C. Identification method of small sample tea leaf diseases based on attention mechanism and transfer learning［J］. Journal of Chinese Agricultural Mechanization， 2024， 45（10）： 262-268. （in Chinese）

10

邓朋飞， 官铮， 王宇阳， 等. 基于迁移学习和模型压缩的玉米病害识别方法［J］. 计算机科学， 2022， 49（增刊2）： 432-437. 

DENG P F， GUAN Z， WANG Y Y， et al. Identification method of maize disease based on transfer learning and model compression［J］. Computer Science， 2022， 49（Suppl2）： 432-437. （in Chinese）

11

ALSHAZLY H， LINSE C， BARTH E， et al. Ensembles of deep learning models and transfer learning for ear recognition［J］. Sensors， 2019， 19（19）： 4139.

12

JIN X S， DU X， SUN H Y. VGG-S： Improved small sample image recognition model based on VGG16［C］// Proceedings of the 3rd International Conference on Artificial Intelligence and Advanced Manufacture. Manchester， UK： AIAM， 2021： 229-232. 

13

黄灿. 基于模型微调的空中无人机小样本目标识别方法［J］. 计算机测量与控制， 2024， 32（1）： 268-274.

HUANG C. Few-shot object recognition method for aerial drones based on model fine-tuning［J］. Computer Measurement & Control， 2024， 32（1）： 268-274. （in Chinese）

14

SUN H， YUE A M， WU W H， et al. Enhanced marine fish small sample image recognition with RVFL in Faster R-CNN model［J］. Aquaculture， 2025， 595： 741516. 

15

HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas， USA： IEEE， 2016： 770-778. 

16

REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149. 

17

ZHANG Y S， WU J， CAI Z H， et al. An unsupervised parameter learning model for RVFL neural network［J］. Neural Networks， 2019， 112： 85-97. 

18

MANDAL V， MUSSAH A R， ADU-GYAMFI Y. Deep learning frameworks for pavement distress classification： a comparative analysis［C］//Proceedings of the 2020 IEEE International Conference on Big Data （Big Data）. Atlanta， USA： IEEE， 2020： 5577-5583.