一种用于管道微弱缺陷检测的层次化、知识嵌入式细粒度网络

智能管道系统缺陷检测中，弱缺陷识别面临特征细微且背景干扰大等问题。本文提出HKFNet框架，通过动态特征优化模块提升缺陷细粒度特征，结合知识引导的物理先验特征学习模块抑制背景干扰，并创新性地构建层次知识嵌入模块实现先验知识与深度特征的协同优化。实验表明，该模型在磁漏磁信号处理中AP值提升5.4%，有效解决长周期复杂环境下的弱缺陷检测难题。

　　

Jinhai Liu|Qiannan Wang|He Zhao|Zhitao Wen|Xiangkai Shen

东北大学信息科学与工程学院，沈阳，110819，中国

摘要

智能缺陷检测在工业管道系统中发挥着至关重要的作用。深度学习方法已被广泛应用于管道缺陷识别任务。尽管取得了显著进展，但由于特征表示的微妙性和类别内的较大差异，大多数现有方法在检测微弱缺陷时性能不佳。为了解决上述问题，本文提出了一种新的微弱缺陷检测框架，称为分层知识嵌入细粒度网络（HKFNet）。HKFNet将基于物理的先验知识与细粒度的语义感知深度特征相结合，以增强微弱缺陷的表示能力。首先，提出了一种动态特征细化模块，用于精细的深度特征学习，通过整合类别语义和局部细节信息来适应性增强微弱缺陷的表示。其次，知识引导的先验特征学习结合了领域专家知识和结构信息，引导网络关注前景区域并抑制背景干扰，进一步改善了微弱特征的表示。最后，提出了分层知识嵌入模块，将先验知识的互补表示与深度特征相结合，以提高微弱缺陷的检测性能。在磁通量泄漏信号下的实验结果表明，所提出的方法实现了5.4%的平均精度（AP）提升，凸显了其在确保管道安全方面的高实用价值。

引言

管道运输是现代能源运输中输送关键能源资源（包括石油和天然气）的基本方式。确保管道安全对于稳定的能源供应和工业生产至关重要（Lee, Rajkumar, Lo, Wan, & Isa (2013); Liu et al. (2025b); Wang, Sun, Zhang, & Ma (2022)）。由于腐蚀和应力等因素，这些缺陷会显著降低管道的使用寿命和安全性，并可能导致管道泄漏事故（Xu et al. (2024); Zhang et al. (2023)），从而对经济和社会稳定构成重大风险。管道缺陷检测对于确保管道安全至关重要。磁通量泄漏（MFL）是一种高效可靠的无损检测（NDT）技术，广泛应用于长距离管道，通过分析传感器信号可以实现缺陷的识别和定位。然而，在复杂环境中长期运行的管道可能会引入干扰，使得准确检测管道缺陷变得具有挑战性。因此，开发精确的缺陷检测技术对于维护管道安全至关重要。

近年来，由于深度学习在特征提取方面的强大能力（Ren, He, Girshick, & Sun (2017); Wang, Bochkovskiy, & Liao (2023a)）以及先进的网络架构（Chen et al. (2025); Shen et al. (2025)），深度学习在各个领域取得了显著成功。受这些进展的启发，近年来深度学习也被用于管道缺陷检测（Liu et al. (2025a); Shen, Liu, Jiang, Liu, & Zhang (2024); Zhao et al. (2023)）。在Zhao et al. (2023)中，提出了一种基于MFL机制的自监督方法，利用数据的统计特性来强化缺陷特征表示并构建高效的检测模型。在Liu et al. (2025a)中，提出了一种轻量级的旋转网络，用于挖掘和分离焊缝与缺陷之间的特征。在Shen et al. (2024)中，设计了上下文关系网络，用于挖掘和聚合高质量的特征和上下文信息以进行焊缝缺陷检测。尽管取得了进展，这些方法仍然难以识别早期或微弱的缺陷，并将它们与背景区分开来，因为缺陷的特征表示质量低且不准确，表现出微妙或模糊的结构特征。

研究人员开发了多种方法来应对微弱缺陷检测的挑战，这些方法主要可以分为多尺度特征学习方法、基于注意力的方法和其他变体。多尺度特征学习方法利用多层特征和多个感受野来保留对象的几何信息（Gao et al. (2021)）。在Du, Hu, Zhao, Jin, & Ma (2025)中，引入了跨层特征金字塔变换器，通过跨层交互和全局上下文感知来整合多尺度特征。在Liang, Sun, Zhang, Bai, & Yang (2025)中，设计了上下文加权聚合模块，用于融合多尺度特征并挖掘对象上下文以检测微弱缺陷。基于注意力的方法采用空间或通道级别的机制来突出最相关的信息，同时抑制不相关信息（Wang & Wei (2025); Woo, Park, Lee, & Kweon (2018)）。在Cui et al. (2024)中，引入了任务特定的注意力机制，以学习微弱缺陷的结构信息和语义上下文，用于回归和分类。在Liu et al. (2024)中，提出了一种基于动态权重的小波注意力网络，以增强缺陷特征表示并过滤背景噪声。在Han, Zhang, Li, & Du (2025)中，设计了前景捕获特征金字塔网络，以捕获通道和空间前景特征，同时抑制干扰信息。研究人员还探索了将更丰富的辅助语义信息与视觉特征相结合，以增强目标定位和区分能力。在Wang et al. (2025a)中，设计了一种新的实例级可控融合模块，通过多模态流形先验和互补的文本-图像信息来适应性增强实例级表示。在Wang et al. (2025b)中，提出了一种多模态图像融合方法，利用文本指导来实现互补的视觉-文本特征的有效提取。尽管这些方法取得了一定的进展，但在MFL微弱缺陷检测任务中仍存在一些局限性。首先，现有方法仍然难以捕获足够的细粒度特征，这对于准确的MFL微弱缺陷检测至关重要，最终限制了它们的检测性能。其次，作为纯数据驱动的模型，它们缺乏对缺陷模式的关键先验信息或专家知识的有效整合，这可能导致它们忽略特定于领域的缺陷信息，从而对类似于背景的微弱缺陷做出不可靠的预测。

为了解决上述问题，本文提出了一种新的分层知识嵌入细粒度网络（HKFNet），用于微弱缺陷检测。HKFNet通过双视图特征提取和关联过程，将基于物理的先验知识与细粒度的语义感知深度特征相结合，从而增强微弱缺陷的特征表示。双视图特征提取过程包括一个精细的深度特征学习网络和一个知识引导的先验特征学习网络。首先，提出了一个精细的深度特征学习网络，该网络结合了实例感知特征细化模块和类别引导的注意力模块，以挖掘微弱缺陷的细粒度特征，从而适应性增强缺陷的局部细节，同时抑制不相关信息。然后，受到基于物理的网络（Fan et al. (2025); Gao, Wang, Guo, Wang, & Yi (2024); Sun et al. (2022)）成功的启发，这些网络表明领域知识可以提供基于物理的指导并帮助提高检测精度，因此提出了一个知识引导的先验特征学习子网络。该网络利用特定于领域的知识和基于MFL机制的先验知识从MFL信号中提取先验特征，捕捉内在的缺陷特征，如结构和纹理。最后，提出了一个分层知识嵌入模块，将稳定基于物理的先验知识和有价值的深度特征的互补表示相结合，从而学习更具有区分性的微弱缺陷特征，并在复杂的MFL信号下有效提高缺陷检测性能。

基于上述分析，本文提出了一种专门为管道微弱缺陷检测设计的新分层知识嵌入细粒度网络。本文的主要贡献如下。

1.

提出了一种新的微弱缺陷检测框架，称为分层知识嵌入细粒度网络（HKFNet），用于MFL微弱缺陷检测。HKFNet将基于物理的先验知识与细粒度、语义感知的深度特征相结合，以提高微弱缺陷检测的性能。

2.

提出了一种双视图特征提取结构，以更好地挖掘和表示微弱缺陷特征。具体来说，设计了一个精细的深度特征学习网络，用于适应性整合类别语义和局部细节信息；同时，设计了一个知识引导的先验特征学习网络，用于结合基于物理的领域专家知识。

3.

提出了一种分层知识嵌入模块，将先验知识的互补表示与深度学习特征相结合，从而改善微弱缺陷的特征表示并提高整体检测性能。

本文的其余部分组织如下。第2节描述了MFL数据采集和问题描述。第3节解释了所提出的方法。第4节提供了实验结果和相应的分析。第5节总结了本文。

部分摘录

MFL数据采集

MFL检测系统的数据采集过程如图1所示。MFL检测是一种常见且高效的技术，广泛用于评估管道的完整性。管道检测机器人由四个功能模块组成，包括电池部分、磁化和检测部分、数据记录部分以及导航部分。机器人通过发射器插入管道，穿过管道以获取MFL信号，然后

HKFNet的整体框架

本文提出了一种用于在MFL信号下检测微弱缺陷的新框架。HKFNet的核心创新在于它将基于物理的先验知识与细粒度的语义感知深度特征相结合，共同增强了微弱缺陷的特征表示。HKFNet的框架如图3所示，包括一个双视图特征提取结构，其中包括精细的深度特征学习分支和一个知识引导的先验特征学习分支

实验结果与分析

在本节中，我们展示了评估所提出的HKFNet有效性的实验，具体安排如下。第4.1节描述了实验设置。第4.2节进行了与最先进检测器的比较实验。第4.3节介绍了消融实验，以评估每个组件的贡献。

结论

本文提出了一种新的分层知识嵌入细粒度网络，用于管道微弱缺陷检测，该网络将领域知识整合到数据驱动的深度模型中。该网络通过双视图特征提取和关联过程，将基于物理的先验知识与语义感知的深度特征相结合，从而增强微弱缺陷的特征表示。具体来说，提出了一个精细的深度特征学习子网络，用于挖掘细粒度特征

未引用的图表

图5.

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文报告的工作。