专业人士在进行油气处理设备的结构缺陷或损坏状态评估时，目视是首选的无损检测（NDE）方法，但缺点是缺乏目标量化和缺陷数字描述。利用机器学习（Machine Learning，ML）、图像识别和目标检测技术的最新进展，Ole-Erich Haas和Per Sandved Hustad探讨了用ML算法进行目标识 别和状态描述的可行性。
作者使用TensorFlow【一种开源代码的机器学习平台（见www.tensorflow.org）】框架作为卷积神经网络(Convolutional Neural Networks，CNN)的ML工具，通过提出一种带有图像识别的算法，从而指导其通过ML进行目标检测。TensorFlow通过所有数据管理和编程步骤帮助用户在ML过程中执行算法优化，虽然有多种算法都可以达到这个目的，但CNN算法被证明非常有效。作者拓展了CNN算法，开发了被称为带有Inception ResNet v2的Faster R-CNN算法，用于目标的检测和分类，以便在提高检测速度的同时保持较高的准确性。采用总损失函数和平均精度（AP）两个参数来评估CNN算法的性能，如果CNN算法的性能极佳，总损失值应收敛到零。CNN算法的训练与总损失函数相关，应调整权重以使总损失值最小化。AP表示一个类的所有预测精度与成功预测的数量之比，较高的AP值表示CNN算法在预测所提供训练数据集的目标方面表现良好。
根据问题目标描述的数据集，将90％的数据用于训练CNN算法、10％的数据用于验证，主要目的是验证CNN算法能够根据相关类别定义对油气处理设备进行目标检测，主要结果是CNN算法根据定义的缺陷类别在相关缺陷位置周围标注上白色边界框。此外还测试研究了数据集大小的影响，减少数据集至50％进行训练，直到总损失收敛到稳定值为止。对于AP值而言，通常认为使用较大的数据集训练CNN算法可以提高预期性能，但在这项研究中的情况并非如此。
结合油气处理管线的表面状态检测而言，第1个图表明，虽然CNN算法显示出多类缺陷检测，但未能检测出所有类别的缺陷；第2个图中CNN算法展示了在良好视觉条件下的焊缝检测结果，虽然无法对所有焊缝进行100%的检测，但为所选区域提供了正确定义。
如果油气处理设备行业希望将来引入机器人技术进行完整性检测或维护，有必要首先使机器人了解周围环境。基于评估的图像和AP值中显示的结果，来训练CNN算法和ML框架，可以识别与油气处理设备缺陷检测相关的目标类型。但AP值和总损耗值表明，应该增加数据集的数量以提高性能。如果一个自动化系统仅能识别十分之一的缺陷显然难以达标，因此必须进一步提升精度。
阅读原文：https://www.onepetro.org/conference-paper/SPE-190895-MS
