中低温压力管道保温层下腐蚀区域分割算法

Segmentation algorithm for corrosion under insulation in medium and low-temperature pressure pipelines

摘要

由于中低温压力管道保温层与外层金属保护层的多层密闭包覆结构，腐蚀区域处于完全视觉遮蔽状态，同时穿透性检测信号在多层异质介质中传输时出现信号衰减，使得获取的腐蚀图像存在对比度低、边缘梯度弱化等问题，导致局部点蚀核心与环向腐蚀边界的分割精度较低。为此，本文提出了一种中低温压力管道保温层下腐蚀区域分割算法。利用脉冲涡流技术穿透保温层采集电磁响应信号，通过感应电压的空间积分与伪彩色映射，实现了保温层下腐蚀的可视化成像，并解决了视觉遮蔽问题；采用改进多尺度Retinex算法通过对数域解耦与多尺度高斯加权估计，分离可视化图像中的低频背景与高频细节，并引入自适应线性拉伸拓展灰度动态范围，增强因信号衰减而弱化的腐蚀特征；基于增强后的腐蚀特征，构建像素灰度与邻域平均灰度的二维直方图，以最大化类间离散度为准则求解最优分割阈值，精准划分局部点蚀与环向腐蚀边界。实验结果显示：在-10 ℃低温、信噪比19 dB工况下，该算法对保温层下腐蚀图像分割的像素精度为0.957、均值交并比为0.956，能够清晰勾勒点蚀核心与环向腐蚀边界，有效解决了视觉遮蔽与信号衰减双重约束下的腐蚀区域精准提取问题，为在役压力管道隐蔽腐蚀检测提供了高鲁棒性的技术方案。

Abstract

Due to the multi-layer sealed encapsulation structure of the insulation layer and outer metal protective layer in medium- and low-temperature pressure pipelines， the corrosion area is completely visually obscured. Simultaneously， signal attenuation occurs during the transmission of penetrant testing signals through multiple layers of heterogeneous media. This results in acquired corrosion images exhibiting low contrast and weakened edge gradients， leading to low segmentation accuracy for local pitting corrosion cores and circumferential corrosion boundaries. To address this， a segmentation algorithm for corrosion areas beneath the insulation layer of medium- and low-temperature pressure pipelines is proposed. Pulse eddy current technology penetrates the insulation layer to collect electromagnetic response signals. Spatial integration of induced voltages combined with pseudo-color mapping enables visualization of corrosion beneath the insulation， resolving the visual obstruction issue. An improved multi-scale Retinex algorithm employs logarithmic domain decoupling and multi-scale Gaussian weighting estimation to separate low-frequency background from high-frequency details in the visualized image. Adaptive linear stretching is introduced to expand the grayscale dynamic range， enhancing corrosion features weakened by signal attenuation. Based on enhanced corrosion features， construct a two-dimensional histogram correlating pixel grayscale with neighborhood average grayscale. Determine the optimal segmentation threshold by maximizing inter-class dispersion to precisely delineate boundaries between localized pitting corrosion and circumferential corrosion. Experimental results demonstrate： Under low-temperature conditions of -10 °C and a signal-to-noise ratio of 19 dB， the algorithm achieves a pixel accuracy of 0.957 and a mean intersection-over-union ratio of 0.956 for corrosion image segmentation beneath insulation layers. It clearly delineates the core of pitting corrosion and the boundaries of circumferential corrosion， effectively resolving the challenge of precise corrosion region extraction under dual constraints of visual occlusion and signal attenuation. This provides a highly robust technical solution for detecting concealed corrosion in in-service pressure pipelines.

Graphical abstract

关键词

中低温压力管道 / 保温层 / 腐蚀区域分割 / 脉冲涡流技术 / 多尺度Retinex算法

Key words

medium and low-temperature pressure pipelines / insulation layer / corrosion zone segmentation / pulse eddy current technology / multiscale retinex algorithm

0 引 言

中低温压力管道是石油化工、城市供热、能源输送等工业领域与民生工程中常用管道之一，此类管道投入使用时包裹保温层，其运行安全性直接影响工业生产状态^［1］。在保温层包覆特性、介质腐蚀以及环境温湿度变化的多重因素影响下，压力管道保温层下极易出现腐蚀问题，腐蚀严重时甚至会导致管道泄漏等重大安全事故^［2］。然而，由于保温层与外层金属保护层的多层密闭包覆结构，腐蚀区域处于完全视觉遮蔽状态，同时穿透性检测信号在多层异质介质中传输时发生反射、折射与能量衰减，导致获取的腐蚀图像存在对比度低、边缘梯度弱化等问题，使得局部点蚀核心与环向腐蚀边界难以精准分割。因此，研究中低温压力管道保温层下腐蚀区域分割算法具有重要的工程应用价值。

针对管道缺陷图像分割问题，学者们开展了大量研究工作并取得系列成果。田淙文等^［3］使用深度学习语义分割模型，通过编码器提取管道缺陷图像的多尺度深层特征，由解码器逐步上采样恢复空间分辨率，实现管道缺陷图像端到端的像素级分类。然而，该方法在特征融合阶段仅对深层语义特征和浅层细节特征进行简单拼接，未考虑保温层下腐蚀图像因信号衰减导致的边缘梯度弱化问题，难以在对比度较低的条件下准确捕获腐蚀边界。毛鑫玥等^［4］改进了U-Net3+的端到端语义分割框架，通过图像特征增强与注意力引导实现缺陷图像分割检测。但该方法未对不同层级的特征进行差异化处理，深层语义特征与浅层噪声特征在融合时权重分配不合理，当处理因视觉遮蔽导致的低对比度腐蚀图像时，易出现浅层噪声被注意力机制放大的现象。张驰等^［5］通过特征聚类构建管道缺陷检测图像的弱监督语义分割模型，实现缺陷区域的快速粗定位，并将粗分割结果编码为视觉提示引导视觉大模型完成精细化分割。然而，基于特征聚类的弱监督方法依赖于缺陷特征在特征空间中的天然聚类特性，当腐蚀图像因信号衰减导致缺陷与背景特征相似度升高时，聚类边界易出现模糊，进而使粗定位掩码产生边缘偏移。张平等^［6］以MobileNetv3为骨干网络提取管道图像特征，结合轻量级空洞空间金字塔池化模块处理多尺度信息，同时引入挤压激励注意力与自校正卷积模块强化有效特征。但该方法仅从通道和空间维度进行简单优化，对相似背景噪声的区分度有限，在保温层下腐蚀图像对比度不足的情况下，容易产生误分割。

综上所述，现有研究存在以下共性不足：依赖可见光图像或超声成像，难以穿透保温层实现视觉遮蔽下的腐蚀区域直接成像，无法同时精准提取局部点蚀核心与环向腐蚀边界。

在管道无损检测领域，脉冲涡流技术因其穿透能力强、无需耦合剂、对近表面缺陷敏感等优势，被广泛应用于带包覆层管道的腐蚀检测。相较于漏磁检测（MFL），脉冲涡流技术不受管道磁饱和状态影响，且能检测非铁磁性材料；相较于超声检测（UT），脉冲涡流无需声耦合剂，可穿透空气间隙与保温层；相较于弱磁检测，脉冲涡流具有更高的信噪比和深度分辨率。

因此，针对上述问题，本文提出了一套适配脉冲涡流腐蚀图像的保温层下腐蚀区域分割算法。主要创新与贡献如下：

（1）将脉冲涡流成像与改进多尺度Retinex增强、二维Otsu分割相结合，形成“穿透成像+特征增强+边界分割”的完整技术链条，解决了保温层下腐蚀区域视觉遮蔽与信号衰减双重约束下的精准提取难题。

（2）提出了一种改进多尺度Retinex算法，创新性地引入自适应尺度因子，并在灰度恢复阶段增加线性拉伸模块与自适应对比度增强模块，显著提升了腐蚀区域与背景的灰度差异和边缘清晰度，增强结果更适于后续分割任务。

（3）在增强图像基础上，本文采用二维Otsu算法构建像素灰度与邻域平均灰度的二维直方图，以最大化类间离散度为准则求取最优分割阈值，能够有效区分局部点蚀核心与环向腐蚀边界，克服了单一阈值方法在噪声干扰下的误分割问题，适用于多种腐蚀形态。

1 保温层下中低温压力管道腐蚀区域分割方法设计

1.1　保温层下管道腐蚀区域脉冲涡流可视化成像

本文采用脉冲涡流技术，采集并生成中低温压力管道保温层下的腐蚀图像。脉冲涡流技术在采集中低温压力管道保温层下图像时的技术架构如图1所示。

如图1所示，该技术运行过程包含发射信号、电磁信号感应与接收三个环节。中低温压力管道使用时会包裹保温层，对其发射线圈通入阶跃式电流，发射线圈内的突变电流会在管道内激发一次磁场，该磁场传播至管道介质中，诱导出随时间变化的二次电流，进而在其周围产生二次磁场。接收线圈接收到二次磁场信息后，通过解析其感应电磁场的电压数据，可分析待检管道的相关物理参数^［7］。若压力管道在中低温环境中发生腐蚀，包裹保温层的管道内涡流会随之变化，感应电磁场也会因此改变，进而生成用于腐蚀分析的图像数据。

中低温压力管道保温层下的脉冲涡流成像，采用特定占空比的方波作为激励信号，该信号施加于检测探头后，会在待检测管道内感应出脉冲涡流并传播^［8］，此时接收线圈获取的感应电压为v_g：

v_g=\frac{\iint v_q\left(s,l,t\right)\mathrm{d}s\mathrm{d}l}{\iint \mathrm{d}s\mathrm{d}l}（1）

式中：v_g是对整个线圈区域内“点”感应电压v_q的空间积分平均值，表示线圈输出的宏观感应电压信号；v_q\left(s,l,t\right)表示“点”检测线圈的感应电压，是空间位置\left(s,l\right)和时间t的函数，描述检测线圈上某一微小区域的感应电压；s、l分别表示径向坐标、轴向坐标；\iint \mathrm{d}s\mathrm{d}l表示积分区域的面积，即检测线圈的有效面积。

在中低温压力管道保温层下的脉冲涡流成像过程中，利用感应电压数据，将不同电压数据以矩阵形式呈现，并制定可视化矩阵图表，将不同颜色图形与反映腐蚀信息的电压数据一一对应。经软件处理后，以可视化方式实现扫描成像，构建数据库进行拟合校对，从相应图形的不同颜色中读取腐蚀信息。可设定蓝色为基准色对应完好区域，将腐蚀缺陷处标定为更深颜色，从而实现对中低温压力管道保温层下腐蚀状况的可视化表征。

1.2　面向信号衰减的的腐蚀特征增强

当脉冲涡流信号穿透保温层、保护层及管道金属时，容易出现折射、反射和能量衰减问题，导致管道腐蚀区域的电磁响应信号衰减，进而影响所采集的可视化图像的画质，出现对比度低等问题^［9-11］。传统多尺度Retinex仅采用高斯滤波分离光照分量与反射分量，在低信噪比脉冲涡流图像中易产生光晕效应且噪声放大明显。为此，本文方法对多尺度Retinex算法进行改进，在对数域解耦后，引入多尺度高斯加权估计时，采用自适应尺度因子（小尺度保留边缘、中尺度抑制噪声、大尺度估计背景），避免单一尺度的信息丢失；在灰度恢复阶段，增加线性拉伸模块，将对数域压缩的灰度动态范围重新扩展至［0，255］，解决了传统Retinex输出图像偏暗的问题；创新性地加入自适应线性对比度增强，通过阈值自适应选取与对比度因子调整，进一步拉大腐蚀区域与正常区域的灰度差异，显著提升了边缘清晰度，实现腐蚀特征的突出与背景噪声的抑制，具体计算步骤及参数定义如下。

（1）脉冲涡流腐蚀图像数据类型转换

将输入的脉冲涡流腐蚀图像F\left(x,y\right)进行双边对数运算，依据Retinex理论将图像的低频背景分量W与高频细节分量G的乘积关系，转化为对数域的求和关系，实现两类分量的初步解耦，获取原始脉冲涡流腐蚀图像的对数域灰度值：

P\left(x,y\right)=\mathrm{l}\mathrm{o}\mathrm{g}\left(W\cdot G\right)（2）

（2）多尺度高斯加权估计对数域低频背景分量

采用不同尺寸的高斯模板对脉冲涡流腐蚀图像进行卷积运算^［12］，通过加权处理实现多尺度下低频背景分量的精准估计，随后对估计结果进行对数运算，得到各尺度下对数域的估计低频背景分量：

W_j\left(x,y\right)=\mathrm{l}\mathrm{o}\mathrm{g}\left(P\left(x,y\right)\mathrm{*}{G}_j\left(x,y\right)\right)（3）

式中：W_j\left(x,y\right)表示第j个尺度下，对数域的脉冲涡流腐蚀图像估计低频背景分量；G_j\left(x,y\right)表示第j个尺度的高斯函数模板，不同尺度对应不同的高斯核大小，用于捕捉脉冲涡流腐蚀图像中不同范围特征。

（3）对数域多尺度加权计算增强中间图像

在对数域内，将原始脉冲涡流腐蚀图像的对数域灰度值P^{\text{'}}\left(x,y\right)减去各尺度下的估计低频背景分量W_j\left(x,y\right)，再通过多尺度权重加权求和，得到对数域的增强中间图像C\left(x,y\right)，实现高频细节分量的多尺度融合^［13］。表达式为：

C\left(x,y\right)={\displaystyle \sum _{j=\mathrm{1}}^{\mathrm{\Theta }}}{\varpi }_j\left[P\left(x,y\right)-W_j\left(x,y\right)\right]（4）

式中：\mathrm{\Theta }表示高斯模板的尺度数量；{\varpi }_j表示加权系数；\left(x,y\right)表示脉冲涡流腐蚀图像的像素空间坐标。

（4）线性拉伸拓展灰度动态范围

将对数域增强中间图像C\left(x,y\right)进行线性拉伸处理，将其灰度值映射至［0，255］的标准灰度范围，消除对数运算带来的灰度值压缩问题，恢复脉冲涡流腐蚀图像的视觉辨识度，表达式为：

P^{\text{'}}\left(x,y\right)=\frac{\mathrm{255}}{P_{C\mathrm{m}\mathrm{a}\mathrm{x}}^{\text{'}}-P_{C\mathrm{m}\mathrm{i}\mathrm{n}}^{\text{'}}}\left(C\left(x,y\right)-P_{C\mathrm{m}\mathrm{i}\mathrm{n}}^{\text{'}}\right)（5）

式中：P^{\text{'}}\left(x,y\right)表示线性拉伸后的脉冲涡流腐蚀图像灰度值；P_{C\mathrm{m}\mathrm{a}\mathrm{x}}^{\text{'}}、P_{C\mathrm{m}\mathrm{i}\mathrm{n}}^{\text{'}}表示C\left(x,y\right)的最大灰度值、最小灰度值。

（5）自适应线性对比度增强得到最终图像

对线性拉伸后的图像P^{\text{'}}\left(x,y\right)执行自适应线性对比度增强，通过阈值自适应选取与对比度因子调整，进一步拉大脉冲涡流腐蚀图像中腐蚀区域与正常区域的灰度差异，得到最终的腐蚀特征增强图像：

\beta \left(x,y\right)={\left(\frac{\mathrm{1}}{\mathrm{1}+\left(\epsilon /P^{\text{'}}\left(x,y\right)\right)}\right)}^{\sout{\lambda }}（6）

式中：\beta \left(x,y\right)表示最终增强后的脉冲涡流腐蚀图像，其腐蚀区域边缘、灰度梯度特征得到显著强化；\epsilon、\sout{\sout{\lambda }}分别表示过渡阈值、对比度调整因子。

脉冲涡流腐蚀特征增强后的图像如图2所示。

图2中，增强后的图像相较于原始图像，腐蚀区域与背景之间的灰度梯度明显增大，边缘轮廓更加清晰，验证了多尺度高斯加权估计在捕捉不同范围特征方面的有效性，以及自适应线性对比度增强在拉大腐蚀区域与正常区域灰度差异方面的作用。

1.3　基于二维直方图阈值优化的腐蚀边界精准分割

经过改进多尺度Retinex算法增强后，腐蚀图像的对比度与边缘清晰度得到显著提升，但受限于脉冲涡流信号穿透多层介质时的残余噪声以及腐蚀区域灰度分布的非均匀性，增强图像中仍存在部分背景噪声与腐蚀区域灰度重叠的现象，直接采用一维阈值分割难以实现腐蚀边界的精准划分。为此，本文引入二维Otsu算法，通过构建像素灰度与邻域平均灰度的二维直方图，充分利用像素空间邻域信息，以最大化类间离散度为准则求解最优分割阈值，从而在噪声干扰下实现局部点蚀核心与环向腐蚀边界的精准分割。

设中低温压力管道保温层下脉冲涡流腐蚀图像的灰度级、像素邻域灰度均值均为\gamma级，将像素点自身灰度值与其邻域像素灰度均值构成二元组\left(\varphi ,\phi \right)，{\mathrm{\hslash }}_{\varphi ,\phi }、{\rho }_{\varphi ,\phi }表示\left(\varphi ,\phi \right)出现的次数与概率，即{\rho }_{\varphi ,\phi }=\frac{{\mathrm{\hslash }}_{\varphi ,\phi }}{M}，M为图像总像素数。将增强后中低温压力管道保温层下脉冲涡流腐蚀图像划分为腐蚀区域与背景区域，分别用{\beta }_{\mathrm{0}}、{\beta }_{\mathrm{1}}表示；二维直方图中对角线未覆盖的区域即为图像边缘区域^{［14，15］}。

设图像分割阈值为\left(\eta ,\delta \right)，背景区域{\beta }_{\mathrm{0}}和腐蚀区域{\beta }_{\mathrm{1}}的概率分别是：

{\rho }_{\mathrm{0}}\left(\eta ,\delta \right)=\sum _{\left(\varphi ,\phi \right)\in {\beta }_{\mathrm{0}}\left(\eta ,\delta \right)}{\rho }_{\varphi ,\phi }（7）

{\rho }_{\mathrm{1}}\left(\eta ,\delta \right)=\sum _{\left(\varphi ,\phi \right)\in {\beta }_{\mathrm{1}}\left(\eta ,\delta \right)}{\rho }_{\varphi ,\phi }（8）

背景对应的均值向量定义为{\mathit{\lambda }}_{\mathrm{0}}，腐蚀区域对应的均值向量是{\mathit{\lambda }}_{\mathrm{1}}，二维直方图总均值向量定义为：

{\mathit{\lambda }}_T={\left({\mathit{\lambda }}_{T\varphi },{\mathit{\lambda }}_{T\phi }\right)}^{\mathrm{T}}={\left({\displaystyle \sum _{\varphi =\mathrm{0}}^M}{\displaystyle \sum _{\phi =\mathrm{0}}^M}\varphi {\rho }_{\varphi ,\phi }{\displaystyle \sum _{\varphi =\mathrm{0}}^M}{\displaystyle \sum _{\phi =\mathrm{0}}^M}\phi {\rho }_{\varphi ,\phi }\right)}^{\mathrm{T}}（9）

式中：{\lambda }_{T\varphi }、{\lambda }_{T\phi }分别表示总均值向量的第一个分量、第二个分量。

类间离散度矩阵定义为：

{\mathit{K}}_B={\displaystyle \sum _{z=\mathrm{0}}^{\mathrm{1}}}{\rho }_z\left[\left({\mathit{\lambda }}_z-{\mathit{\lambda }}_T\right){\left({\mathit{\lambda }}_z-{\mathit{\lambda }}_T\right)}^{\mathrm{T}}\right]（10）

式中：{\rho }_z表示第z个二维直方图二元组\left(\varphi ,\phi \right)的出现概率；{\mathit{\lambda }}_T表示二维直方图总均值向量，代表整个二维直方图的加权平均位置；{\mathit{\lambda }}_z表示第z个二维直方图的均值向量。

最佳分割阈值\left({\eta }_{\mathrm{0}},{\delta }_{\mathrm{0}}\right)由最大化类间离散度测度{\Gamma }_r确定：

\left({\eta }_{\mathrm{0}},{\delta }_{\mathrm{0}}\right)=\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{a}\mathrm{x}\left\{{\Gamma }_r,{\mathit{K}}_B\left(\eta ,\delta \right)\right\}（11）

根据最佳分割阈值，对增强后中低温压力管道保温层下脉冲涡流腐蚀图像进行分割处理：

（12）

式中：\widehat{P}\left(x,y\right)表示邻域平均灰度值。

基于二维Otsu算法分割后的管道保温层腐蚀图像如图3所示。

图3中，局部点蚀的中心腐蚀核心与外围腐蚀环边界清晰完整，环向腐蚀的内外区域亦被准确区分，验证了二维直方图在提升腐蚀区域与背景区分度方面的优越性，以及阈值优化算法在应对不同腐蚀类型时的鲁棒性。

2 实 验

为验证本文算法在中低温压力管道保温层下腐蚀区域分割的有效性与鲁棒性，搭建的实验平台如图4所示。

实验对象为一段包裹保温层的20#优质碳素结构钢管道，其几何参数与材料属性如表1所示。

保温层采用硬质聚氨酯泡沫，厚度50 mm，外层包裹铝箔布与镀锌铁皮复合保护层，模拟工业现场典型包覆结构。脉冲涡流检测系统由信号发生器、功率放大器、探头、数据采集卡及上位机组成。探头采用差分式矩形线圈，中心频率可调，激励信号为占空比50%的方波，频率范围10~100 Hz，峰值电压±12 V。数据采集卡采样率1 MS/s，分辨率16 bit。检测时探头沿管道轴向步进扫描，步进间距2 mm，扫描速度50 mm/s。采集的感应电压信号经放大、滤波后，通过自主开发的成像软件进行空间积分与伪彩色映射，生成分辨率为1 024×768像素的保温层下腐蚀可视化图像。

实验运用高低温环境试验箱，对包裹保温层的压力管道整体实施控温操作，同时开启箱内均温风扇，以确保实验温度的均匀性。高低温环境模拟采用ESPEC ETH-408可程式恒温恒湿试验箱，温度控制范围-40~150 ℃，精度±0.5 ℃，均匀度±2 ℃。实验时将包裹保温层的管道整体置于箱内，通过箱内强制对流风扇保证温度均匀性。设置四个典型工况点：低温工况-10℃、0℃，中温工况60℃、70℃，每个工况稳定时间不少于2 h，确保管道内外温度一致。各工况下图像信噪比通过重复采集无腐蚀区域信号计算得到，分别为19、22、28、25 dB。

在0℃低温时，使用脉冲涡流系统扫描采集压力管道保温层下腐蚀图像。使用中低温压力管道保温层下脉冲涡流腐蚀成像方法，所生成的低温压力管道保温层下脉冲涡流腐蚀图像中，颜色越偏向黄色/红色（数值越低），表示管道腐蚀越严重或信号衰减越明显；颜色越偏向蓝色（数值越高），表示管道状态越完好。结果如图5所示。

由图5可知，在0 ℃低温工况下，压力管道保温层下管道腐蚀成像对比度不足，局部点蚀、环向腐蚀的内腐蚀区域与背景的信号强度梯度较缓，边界模糊，增加腐蚀区域分割难度。

为此，使用本文算法对图5进行增强，增强效果如图6所示。

由图6可知，本文算法增强后，图像质量明显提升，腐蚀区域与背景区域之间信号强度梯度更加分明，颜色过渡明显，可解决原始图像中边界模糊问题，低温压力管道保温层下腐蚀区域的轮廓更加清晰。

采用信息熵（Entropy）、平均梯度（Average Gradient）和对比度改善因子（CIF）三个指标，对增强前后的脉冲涡流腐蚀图像进行定量评价。信息熵反映图像信息丰富程度，平均梯度表征边缘清晰度，对比度改善因子衡量整体对比度提升程度。选取低温1（0℃）、低温2（-10℃）两组典型工况下的图像，计算增强前后的指标均值，结果如表2所示。

本文算法使用基于二维Otsu算法的腐蚀区域分割方法，对图6两种增强后腐蚀图像进行分割后，获取的腐蚀区域分割效果图，如图7所示。

由图7可知，针对局部点蚀式腐蚀区域，本文算法可以清晰分割出中心腐蚀核心与外围腐蚀环的边界，分割轮廓完整；对于环向腐蚀，本文算法仍可准确识别出大面积腐蚀区域的内外边界，有效区分不同程度的腐蚀区域，适配压力管道保温层下不同类型腐蚀的检测需求。

中低温压力管道保温层下脉冲涡流腐蚀图像分割效果分析中，常用的分割性能评价指标有像素分割精度{\vartheta }_{\mathrm{1}}、均值交并比{\vartheta }_{\mathrm{2}}。

{\vartheta }_{\mathrm{1}}=\sum _y{m}_{yy}/\sum _y{m}_y（13）

{\vartheta }_{\mathrm{2}}=\frac{\left(\mathrm{1}/M\right)\sum _y{m}_{yy}}{\left(\mathrm{1}/M\right)\sum _y{m}_{yy}/n_y+\sum _y{m}_{yx}-m_{yy}}（14）

式中：m_{yx}为压力管道保温层下脉冲涡流腐蚀图像的目标区域像素，被分割成背景像素的像素数量；n_y为中低温压力管道保温层下脉冲涡流腐蚀图像的像素点y的总数量；m_{yy}为图像腐蚀区域像素，被分割认定为目标像素的像素数量；M为分割图像的全部像素。{\vartheta }_{\mathrm{1}}、{\vartheta }_{\mathrm{2}}数值越接近1，表示本文算法所分割的腐蚀区域越精准。

考虑到实际工程中，管道保温层下通常同时存在局部点蚀与环向腐蚀，形成耦合腐蚀区域。为此，本文在同一管道段上人工预制了同时包含点蚀核心与环向腐蚀带的耦合缺陷，其中点蚀位于环向腐蚀边界内侧，使用相同参数采集脉冲涡流图像并应用本文算法进行分割。分割结果如图8所示。

由图8可知，本文算法能够同时识别出中心点蚀核心与外围环向腐蚀带，二者边界互不干扰，未出现粘连或误分割，表明本文算法具备处理局部点蚀与环向腐蚀耦合分割的能力。

为验证本文算法在中低温压力管道保温层下对单一腐蚀和耦合腐蚀图像分割的鲁棒性与有效性，分别在2种中温条件（60℃、70℃）、2种低温条件（0℃、-10℃）以及常温耦合腐蚀场景（20℃，局部点蚀与环向腐蚀共存）下采集管道保温层下腐蚀图像，对其进行增强处理后进行分割，分割后的{\vartheta }_{\mathrm{1}}、{\vartheta }_{\mathrm{2}}数据见表3。

由表3可知，本文算法在所有测试场景下，对压力管道保温层下脉冲涡流腐蚀图像分割后，腐蚀区域分割性能均表现优异。单一腐蚀场景下{\vartheta }_{\mathrm{1}}与{\vartheta }_{\mathrm{2}}数值均大于0.95，耦合场景下点蚀核心与环向腐蚀带的{\vartheta }_{\mathrm{1}}分别达到0.953和0.951，{\vartheta }_{\mathrm{2}}分别达到0.950和0.948，均保持在0.95左右。结果表明，本文算法对单一腐蚀区域及局部点蚀与环向腐蚀共存的复杂情况均具有较高的分割精度，分割结果与人工标注的真实腐蚀区域高度吻合，能够有效满足工业场景下多种腐蚀形态的检测需求。

3 结 论

（1）利用脉冲涡流技术穿透保温层采集电磁响应信号，通过感应电压的空间积分与伪彩色映射，实现了保温层下腐蚀的可视化成像，有效解决了多层密闭包覆结构造成的视觉遮蔽问题，为腐蚀区域分割提供了可靠的图像数据基础。

（2）采用改进多尺度Retinex算法对可视化图像进行增强处理，通过对数域解耦分离低频背景与高频细节，多尺度高斯加权估计精准提取腐蚀特征，结合自适应线性拉伸拓展灰度动态范围，显著提升了因信号衰减而弱化的图像对比度与边缘清晰度。

（3）引入二维Otsu算法构建像素灰度与邻域平均灰度的二维直方图，以最大化类间离散度为准则求解最优分割阈值，充分利用像素空间邻域信息抑制残余噪声干扰，实现了局部点蚀核心与环向腐蚀边界的精准分割，有效适配不同类型腐蚀的检测需求。

（4）实验结果表明，在-10 ℃低温、信噪比19 dB的恶劣工况下，该算法对保温层下腐蚀图像分割的像素精度达0.957、均值交并比达0.956，分割结果与人工标注的真实腐蚀区域高度吻合，验证了算法在复杂工况下的鲁棒性与有效性。

参考文献

[1] D'Aguiar S C M, Motta R D S, Afonso S M B.An investigation on the collapse response of subsea pipelines with interacting corrosion defects[J].Engineering Structures, 2024, 321: 1.1-1.14.

[2] 谢若涵, 范峥, 李珍, 等. 耦合人工智能的管道腐蚀预测研究[J]. 应用化工, 2025, 54(11): 2894-2898.

[3] Xie Ruo-han, Fan Zheng, Li Zhen, et al. Research on pipeline corrosion prediction coupled with artificial intelligence[J]. Applied Chemical Industry, 2025, 54(11): 2894-2898.

[4] 田淙文, 李波, 蓝雯飞, 等. 基于FCC-Deeplabv3+的城市地下管道缺陷语义分割方法[J]. 中南民族大学学报: 自然科学版, 2025, 44(1): 107-117.

[5] Tian Cong-wen, Li Bo, Lan Wen-fei, et al. Semantic segmentation method for urban underground pipeline defects based on FCC-Deeplabv3+[J]. Journal of South-central Minzu University (Natural Science Edition), 2025, 44(1): 107-117.

[6] 毛鑫玥, 王慧锋, 周家乐, 等. 基于改进U-Net3+的相控阵超声图像语义分割[J]. 华东理工大学学报:自然科学版, 2025, 51(2): 242-249.

[7] Mao Xin-yue, Wang Hui-feng, Zhou Jia-le, et al. Semantic segmentation of phased array ultrasound images based on improved U-Net3+[J]. Journal of East China University (Science and Technology), 2025, 51(2): 242-249.

[8] 张驰, 赵强, 张大臻, 等. 排水管道缺陷检测图像大小模型协同分割方法研究[J]. 环境科学学报, 2025,45(11): 28-35.

[9] Zhang Chi, Zhao Qiang, Zhang Da-zhen, et al. Research on collaborative segmentation method of large and small models for drainage pipe defect detection images[J]. Acta Scientiae Circumstantiae, 2025, 45(11): 28-35.

[10] 张平, 佟昆宏, 王学珍. 基于改进U-net网络的液压管路分割方法[J]. 电子测量与仪器学报, 2023, 37(1): 123-129.

[11] Zhang Ping, Tong Kun-hong, Wang Xue-zhen. Hydraulic pipeline segmentation method based on improved U-net network[J]. Journal of Electronic Measurement and Instrumentation, 2023, 37(1): 123-129.

[12] 蔡勤, 李继承, 戚政武, 等. 基于脉冲涡流(瞬变电磁)技术的带包覆层压力管道壁厚检测研究[J]. 热加工工艺, 2023, 52(2): 21-26.

[13] Cai Qin, Li Ji-cheng, Qi Zheng-wu, et al. Study on wall thickness measurement of pressure pipe with coated layer based on pulse eddy current (transient electromagnetic method) technology[J]. Hot Working Technology, 2023, 52(2): 21-26.

[14] 陈涛, 何倩, 吕程, 等. 压力管道缺陷电磁超声/脉冲涡流复合检测方法研究[J]. 传感技术学报, 2023, 36(6): 860-867.

[15] Chen Tao, He Qian, Cheng Lyu, et al. Study on the hybrid detection method of pressure pipeline defects with EMAT/PECT[J]. Chinese Journal of Sensors and Actuators, 2023, 36(6): 860-867.

[16] 李雪娇, 宋建萍, 郑晓东. 基于小波的弱光照图像增强算法仿真[J]. 计算机仿真, 2023, 40(3): 210-213, 223.

[17] Li Xue-jiao, Song Jian-ping, Zheng Xiao-dong. Simulation of weak illumination image enhancement algorithm based on wavelet[J]. Computer Simulation,2023, 40(3): 210-213, 223.

[18] 刘卫华, 薛岩松, 益琛, 等. 结合多尺度深度学习网络和Retinex理论的低光照图像增强算法[J]. 信号处理, 2023, 39(1): 105-115.

[19] Liu Wei-hua, Xue Yan-song, Yi Chen, et al. Low-light image enhancement algorithm combining multi-scale deep learning networks and retinex theory[J]. Journal of Signal Processing, 2023, 39(1): 105-115.

[20] 郑涤尘, 何继开, 刘艺, 等. 基于Retinex理论的低照度图像自适应增强算法[J]. 计算机科学, 2025, 52(10): 168-175.

[21] Zheng Di-chen, He Ji-kai, Liu Yi, et al. Low light image adaptive enhancement algorithm based on Retinex theory[J]. Computer Science, 2025, 52(10):168-175.

[22] 游达章, 陶加涛, 张业鹏, 等. 基于灰度变换及改进Retinex的低照度图像增强[J]. 红外技术, 2023, 45(2): 161-170.

[23] You Da-zhang, Tao Jia-tao, Zhang Ye-peng, et al. Low-light image enhancement based on gray scale transformation and improved Retinex[J]. Infrared Technology, 2023, 45(2): 161-170.

[24] 邹伊雯, 卢笑, 汪鲁才, 等. 结合Retinex与扩散模型的低照度图像增强方法[J]. 电子测量与仪器学报, 2025, 39(9): 182-191.

[25] Zou Yi-wen, Lu Xiao, Wang Lu-cai, et al. Low-light image enhancement based on Retinex theory and diffusion model[J]. Journal of Electronic Measurement and Instrumentation, 2025, 39(9): 182-191.

[26] 吴佳芸, 武灵芝, 胡晓飞. 基于通用学习均衡优化器的多阈值图像分割[J]. 传感技术学报, 2024, 37(3): 463-468.

[27] Wu Jia-yun, Wu Ling-zhi, Hu Xiao-fei. Multi threshold image segmentation based on general learning equalization optimizer[J]. Chinese Journal of Sensors and Actuators, 2024, 37(3): 463-468.

[28] 李盼池, 张亚奇. 基于大津阈值的量子图像分割方法[J]. 计算机工程与设计, 2024, 45(8): 2442-2453.

[29] Li Pan-chi, Zhang Ya-qi. Quantum image segmentation method based on otsu threshold[J]. Computer Engineering and Design, 2024, 45(8): 2442-2453.

基金资助

国家自然科学基金面上项目(52275168)