基于樹莓派和深度學習的PCCP管道斷絲檢測系統

摘 要：PCCP（Prestressed Concrete Cylinder Pipe）斷絲電磁檢測技術是維護PCCP管線工程安全的一種重要的技術手段，電磁檢測技術雖然檢測準確率較高、應用較廣，但仍存在數據處理煩雜、人工耗時高的問題，難以在實際工程中大規模應用。為了解決傳統PCCP管道斷絲檢測設備存在識別效率低和人工成本高的問題，提出一種基于樹莓派和深度學習的斷絲檢測系統。以樹莓派作為主控系統的核心，進行數據采集，再調用提前在PC平臺上訓練出的LSTM（Long Short-term Memory）網絡模型，利用LSTM模型強大的特征提取能力對采集數據進行處理，實時給出斷絲檢測結果，成功克服了傳統方法的局限性，實現了對斷絲問題的高效準確識別。試驗結果表明，該檢測系統對測試集數據檢測準確率達到80%，為PCCP管道斷絲檢測工程化應用提供可用性的解決方案。

關鍵詞：預應力鋼筒混凝土管；斷絲檢測；深度學習；樹莓派

中圖分類號：TV1 文獻標識碼：A 文章編號：1001-9235（2025）02-0067-08

Broken Wire Detection System for PCCPs Based on Raspberry Pi and Deep LearningSUN Xuechao， ZHANG Youyuan， ZHU Jinxiang， WANG Ping， YIN Da

（The 22nd Research Institute of China Electronics Technology Group Corporation， Qingdao 266000， China）

Abstract： Broken wire electromagnetic detection technology for prestressed concrete cylinder pipes （PCCPs） is an important technicalmeans to maintain the safety of PCCP engineering. Although electromagnetic detection technology has a high detection accuracy rateand wide application， it still faces the problems of complicated data processing and high labor time， which limits its large-scaleapplication in actual engineering. In order to solve the problems of low identification efficiency and high labor cost of traditionalbroken wire detection equipment for PCCPs， a broken wire detection system based on raspberry pi and deep learning was proposed.The raspberry pi was used as the core of the main control system to collect data， and then the long short-term memory （LSTM） networkmodel trained in advance on the PC platform was imported. The powerful feature extraction capability of the LSTM model was used toprocess the collected data， and the broken wire detection results were given in real time， successfully overcoming the limitations oftraditional methods and realizing efficient and accurate identification of broken wires. The test results show that the detection accuracyof the system on the test set data reaches 80%， which provides a feasible solution for the engineering application of broken wiredetection for PCCPs.

Keywords： PCCP; broken wire detection; deep learning; raspberry pi

預應力鋼筒混凝土管（Prestressed Concrete Cylinder Pipe，PCCP）作為一種復合型管材，具有承壓能力高、施工安裝方便、造價低、壽命長等諸多優點，在跨流域調水工程和城市地下管網建設領域具有廣泛應用［1］ 。然而，在長期服役的過程中，PCCP管線因受到外部荷載、土壤中離子侵蝕、地基不均勻沉降等多方面的聯合作用而可能發生不同程度的破壞［2-3］ 。預應力鋼絲作為管體的核心結構，在運行過程中發生斷裂是導致管體破壞失效的重要因素，被稱為PCCP管體的“生命線”［4］ 。因此，采用高效的手段進行斷絲定期檢測是維護工程安全平穩運行的重要手段。

當前應用于PCCP斷絲檢測的主要方法及特點如下。①聲波監測法［5］ ，主要包括聲發射監測法和超聲波監測法。盡管聲波監測技術能夠監測到斷絲事件的發生和管線內壁的破損情況，但其在PCCP管線監測方面仍具有一定的局限性：監測消耗的時間長，精度受探頭數量影響較大，監測精度不穩定；監測時須將管中水排空；難以應用于長距離大口徑的管線監測［6］ 。②光纖監測法 ［7-8］ ，該方法需要對管道全線布置上光纖傳感器，其局限性在大量的光纖傳感器需要施工及維護，同時也提高了工程的成本支出。③電磁檢測法［9-10］ ，是當今較為流行的一種管道檢測技術，其檢測精度高且受干擾因素較少［11］ ，國內外已有在實際管線工程上的應用案例和較為成熟的產品［12］ 。

中國電波傳播研究所研制的PCCP斷絲檢測主機［13］ ，已經獲得發明專利授權，并在部分南水北調工程段中進行了試驗應用（圖1）。先由工程人員使用采集設備沿著管線進行數據采集，而后由專業人員對數據進行判讀處理［14］ ，識別其中的斷絲問題（圖2），耗時費力且依賴人工的經驗。為了提高該檢測系統的工程應用能力，在考慮智能化硬件成本和體積等因素前提下，本文結合樹莓派和深度學習設計一個智能化的PCCP斷絲檢測系統，為PCCP斷絲檢測工程應用提供一種新的解決方案。

1 系統設計

基于樹莓派和深度學習的PCCP斷絲檢測系統中，硬件平臺主要包括斷絲采集主機、樹莓派CM4核心板，整個系統的工作流程見圖3。首先在PC訓練機平臺上對 PCCP 檢測數據圖片進行處理和標注，利用Pytorch框架訓練一個高效的LSTM斷絲檢測模型；其次將訓練好的模型轉換為適合樹莓派平臺的格式，并安裝在樹莓派平臺系統上；然后樹莓派平臺控制斷絲采集主機實時采集數據，并將這些數據預處理后轉換為數據集，利用部署在樹莓派上的模型來識別數據集中的斷絲病害，并把分類的識別結果存儲到樹莓派系統上，也可通過網絡遠程傳輸給用戶。這一智能化系統的實現，為PCCP斷絲監測的工程化應用提供了可靠的解決方案。

2 硬件平臺介紹

2. 1 樹莓派

樹莓派CM4是一款功能強大的單板計算機，采用ARM Cortex-A72 架構，擁有4 核處理器，主頻高達1. 5 GHz，較樹莓派3B+的1. 4 GHz處理器運行速度更快［15］ 。它運行在Raspbian操作系統下，可通過Pcie轉接板掛著1 TB固態硬盤，并支持大量的軟件庫和開發工具，利用Python語言調用斷絲檢測模型進行斷絲監測十分便捷。樹莓派系統的操作可以通過VNC遠程登錄，進入可視化界面操作，這種可視化的操作在樹莓派上開發和測試變得非常便捷，從而提高開發效率。與樹莓派4B相比，樹莓派CM4擁有強大的性能和豐富的擴展接口，更高的工作溫度范圍及電壓輸入范圍，更適宜脫離實驗室環境用于實際工程檢測領域。由于樹莓派CM4簡單性、易用性、經濟性以及強大的性能已經廣泛地應用在物聯網和嵌入式系統中。

2. 2 PCCP斷絲檢測系統

PCCP 斷絲檢測主機在原有的單通道 PCCP 斷絲檢測儀的基礎上改造而成，由信號源、低頻功率放大器、低噪聲放大器、鎖相放大模塊（2個）、交換機及電源模塊組成。為了減少成本降低功耗，去掉了工控主機和單片機控制板，相應控制功能由樹莓派CM4實現，見圖4。

PCCP 斷絲檢測系統的主控模塊是樹莓派CM4，樹莓派CM4通過交換機與2臺鎖相放大模塊、數據管理平臺計算機等組成局域網，通過網絡接口控制鎖相放大模塊工作，根據測距輪傳來的觸發采集信號采集4路接收探頭信號，保存檢測數據。信號源在樹莓派CM4的控制下產生激勵信號和參考信號，激勵信號經功率放大器放大后送往激勵探頭；4路接收探頭信號分成2組，每組各有一路接收信號經低噪聲放大后輸入到鎖相放大模塊。電源模塊為所有其他模塊提供需要的工作電源。

3 基于深度學習的 PCCP 斷絲檢測模型構建

隨著技術的發展，當前深度學習中的網絡類型有很多，如深度神經網絡（Deep Neural Network，DNN）［16］ 、卷 積 神 經 網 絡（Convolutional NeuralNetworks，CNN）［17］ 、殘 差 網 絡（Residual Network，ResNet）［18］ 、長 短 時 記 憶 網 絡（Long Short-TermMemory，LSTM）［19］ 等。在處理序列數據時，傳統的循環神經網絡面臨著梯度消失和模型退化等問題，這限制了網絡的深度和性能，LSTM網絡則解決了這些問題，由圖2可以看出，PCCP斷絲檢測系統采集到的數據是序列數據，因此本文采用了LSTM網絡進行訓練［20］ 。

LSTM 是循環神經網絡架構的變體，能夠保存信息防止較早期的信號在處理過程中逐漸消失，若將神經元傳播過程比作一條傳送帶，其運行方向平行于待處理的序列，其中的信息可以在任意位置跳上傳送帶， 然后被傳送到更晚的時間步， 并在需要時原封不動地回歸，其網絡結構見圖 5，公式見式（1）—（6）：

式中：σ為sigmoid激活函數；W f 、W i 、W o 、W a 為權重矩陣；b f 、b i 、b o 、b a 為偏置向量；h t-1 為上一刻的隱藏狀態；x t 為當前時刻的輸入；g f 為遺忘門的輸出；c t-1 為上一刻的記憶單元；f t 、i t 、o t 分別為遺忘門、輸入門和輸出門；h t 為隱藏狀態；a t 為候選單元；c t 為記憶單元，使得LSTM單元有保存、讀取、重置和更新長距離歷史信息的能力。

遠場渦流電磁檢測法是指激勵線圈和接收線圈軸向垂直布置，其中激勵線圈軸線垂直于管道，檢測線圈軸線平行于管道。從 PCCP 的結構特點看，環向預應力鋼絲可看作一個大口徑螺線管，與檢測儀的激勵和接收線圈構成了一個多級電磁耦合系統，預應力鋼絲既是激勵線圈的次級線圈，又是接收線圈的初級線圈。激勵線圈產生交變激勵磁場穿透PCCP鋼筒作用于預應力鋼絲產生互感交變電壓/電流形成二次場，二次場又耦合至接收線圈，見圖6。當預應力鋼絲斷裂或嚴重銹蝕時，二次場的強度和相位均會發生畸變，畸變信號耦合到接收線圈，從而實現斷絲檢測，不同的斷絲數量造成的畸變強度也不一樣，見圖2。

首先需要收集大量的斷絲數據樣本，而后樣本數據進行預處理（與定標數據做差值計算），然后在PC訓練機上通過斷絲訓練數據集訓練模型；最后將訓練好的模型部署在樹莓派CM4上，開發軟件加載模型來識別斷絲數據。模型構建的流程見圖7。

3. 1 數據采集

由于對PCCP斷絲檢測的研究目前仍處于探索階段，尚沒有大型公開的數據集可以使用，也沒有途徑從具體工程中采集需要的斷絲數據，為了應對這一挑戰，本文以一節口徑為1 600 mm、長度為6 m的PCCP管道為數據采集對象構建了數據采集試驗場，在管外壁距離插口端1. 5、3. 0、4. 5 m處分別剝離砂漿保護層，然后分別剪斷40根預應力鋼絲，使用鱷魚夾連線將切斷的預應力鋼絲連接起來，模擬預應力鋼絲的通斷，見圖8。試驗管道設置完成后，將探頭支架和運載小車搭好試驗工裝，使用PCCP斷絲數據采集軟件采集大量的數據樣本。為了便于統計處理，本文劃分了5個斷絲數量區間進行處理，0～5、6～10、11～15、16～20、20及以上。當斷絲數量為0時，采集到的數據為定標數據。

3. 2 樣本提取

PCCP 斷絲數據采集軟件采集到大量數據后，還需要對數據轉建立文本庫，使用PCCP斷絲檢測后處理軟件打開采集到的樣本數據，由于試驗管道只有一節，可以省略分段截取的操作，直接進行插值預處理，然后與定標數據做差，得到差值，一道測線采集的數據可以分成8個數據（4個通道，每個通道分為X、Y兩個分量），相當于8個特征，并保存為csv文件（圖9）。

3. 3 訓練模型

模型訓練將在PC實驗平臺上進行，操作系統為Windows10，硬件規格為搭載16 GB物理內存的Intel（R）Core（TM）i9-9900K CPU@3. 6GHz 處理器以及搭 配 11 GB 顯 存 容 量 的 NVIDIA GeForce RTX2080Ti圖形處理器。在軟件驅動方面，在2080Ti圖形處理器搭載 470. 103. 01 驅動與 CUDA11. 4 加速平臺，使用Python3. 7與Pytorch1. 9. 1作為深度學習運算軟件與框架 。利用PyTorch創建LSTM模型，模型參數如下：input_size是指輸入變量的特征數量，本文中填入 8；hidden_size 是指隱含層的特征數量（即層中隱含單元的個數），本文選擇64；其余參數num_layers、bias等參數均采用默認值，完成訓練，生成LSTM模型。

3. 4 模型部署

為了在樹莓派平臺上實現深度學習計算，首先在樹莓派平臺上安裝PyTorch深度學習框架和其他必要的軟件庫，為后續計算做好準備；接著在PC訓練機上進行訓練，將訓練好的模型參數保存為PyTorch格式的. pth文件；為了模型能夠高效地在樹莓派上執行，需要把訓練好的模型轉為Torch Script格式，這樣的格式轉換能夠確保模型在有限的資源環境下運行得更加快速。把轉換好的 Torch Script格式的模型文件上傳到樹莓派上；最后在樹莓派上編寫Python代碼，調用模型文件。

4 試驗結果

4. 1 測試集驗證

在試驗管道采集的數據集共有 600 個，其中70%的數據劃分為訓練集用于訓練模型，30%的數據作為測試集用于評估模型性能，經過多次試驗和交叉驗證，得到了比較好的結果，迭代次數超過50次后，測試集檢測結果的準確率達到了 80%，見圖10。

4. 2 實際工程驗證

僅在實驗室環境下用測試集進行驗證，是難以滿足工程化要求的，為此，本文設計開發了一套可用于實際工程設備的檢測軟件。軟件主要分為數據采集和斷絲檢測2個部分。數據采集部分參考了中國電波傳播研究所研制的PCCP斷絲檢測系統中的數據采集單元，將其由 MFC 平臺遷移至 Python（pyqt）平臺，運行環境由 Windows 系統轉為 Debian系統，見圖11。

設計的PCCP斷絲檢測流程見圖12，設備通電后，軟件先進行初始化，而后工程檢測人員通過遠程VNC輸入工程資料、設置采集參數、工作方式等內容，而后開始采集數據，采集到的數據實時保存在含有特定文件頭的二進制文件中，可在采集結束后用PCCP斷絲數據后處理軟件做詳細分析處理。

每采集完一節管道后，將數據曲線自動保存為一個8維數組，傳入處理線程，處理線程調用模型進行斷絲檢測，可以快速給出檢測結果，本文課題組在北京某南水北調線路進行工程檢測時，對本文設計的系統進行了初步試驗，檢測開始前已經排空了積水。試驗結果見圖13，從圖中可以看出，在第4、124節管道成功檢測出斷絲數量為 5 根，在第 13、16、117、143節管道雖然檢測出斷絲，但是預測斷絲數量與實際斷絲數量并不符合，在第 32、103、106、115、132、138、146節管道，虛報斷絲結果。

5 結論與展望

針對當前PCCP管道斷絲檢測效率低和設備、人工成本高等問題，在原有PCCP斷絲檢測主機的基礎上，提出了一種基于樹莓派和 LSTM 模型的PCCP斷絲快速檢測系統。該系統降低了硬件設備的成本，并可在工程檢測現場快速給出斷絲初步檢測結果。試驗證明，利用 LSTM 模型對測試集中PCCP斷絲檢測的準確率達到了80%以上，在實際檢測工程中也可以快速實時地給出檢測結果，縮短檢測耗時，降低檢測成本，提高檢測效率，即使檢測結果中存在一定的虛警，也可通過對檢測結果進行定點復檢來排除。

目前PCCP工程檢測均需要先提前停止運行，排空積水，由人工推動檢測設備進行檢測，但實際中有很多重要的管線，很難停止運行，在后續的研究過程中，可將該系統與水下機器人做合并研究，進一步集成化和小型化，實現在運轉中的PCCP管線工程中做斷絲檢測。另外，本文中只用到了LSTM一種模型，后期可將多種深度學習模型及算法應用于 PCCP 斷絲識別，調節參數，進一步提高識別準確率。

參考文獻：

［1］ 熊歡. 南水北調超大口徑PCCP預應力分析模型與試驗研究［D］. 北京：清華大學，2010.

［2］ 王建慧，黃悅，張海鵬，等. 基于數據驅動的PCCP管道斷絲狀態評估與預測方法研究［J］. 北京水務，2023（S2）：92-96.

［3］ 楊科軍. 大口徑PCCP管道損壞成因分析［J］. 中國水能及電氣化，2024（5）：58-63.

［4］ 竇鐵生，董曉農，牛文龍，等. PCCP斷絲破壞規律Ⅱ：數值模擬研究［J］. 水利學報，2024，55（1）：48-59，70.

［5］ 張曉勇，王成剛，邵青，等. PCCP管道斷絲聲波特征研究［J］.北京水務，2024（2）：29-35.

［6］ LIU X D， FENG X. A near-wall acoustic wave-basedlocalization method for broken wires in a large diameter PCCPusing an FBG sensor array［J］. Measurement，2022，205. DOI：10. 1016/j. measurement. 2022. 112154.

［7］ ZHANG Y， MA M H， LI Y L， et al. Attention-ResNet-AR-LSTM： An intelligent method for PCCP deformation prediction viastructure monitoring based on distributed fiber optics ［J］.Engineering Failure Analysis， 2024， 160. DOI：10. 1016/j.engfailanal. 2024. 108157.

［8］ 張旭蘋，周廣南，王浩然，等. 基于分布式光纖聲場傳感的預應力鋼筒混凝土管斷絲監測研究進展［J］. 光學學報，2024，44（1）：149-160.

［9］ 孫凱宇. 預應力鋼筒混凝土管斷絲監測及信號識別研究［D］.西安：西安理工大學，2023.

［10］王建慧，吳海濤，張海鵬，等. 一種PCCP斷絲多通道電磁檢測設備［P］. 北京市：CN202310547022. 9，2024-04-26.

［11］胡少偉，胡鑫，陸俊. 基于渦流原理PCCP斷絲的無損檢測方法研究［J］. 水利水電技術，2016，47（2）：101-103，114.

［12］齊海銘，宋建華，韓繼明，等. PCCP斷絲電磁檢測有限元仿真研究［J］. 混凝土與水泥制品，2018（4）：43-46.

［13］田華，彭正輝，徐進，等. PCCP斷絲的電磁法檢測技術研究及其應用［J］. 混凝土與水泥制品，2017（1）：35-38.

［14］王曉慧，張海鵬，馬昊天，等. PCCP斷絲電磁檢測設備比對試驗研究［J］. 北京水務，2020（5）：59-62.

［15］吳鵬，劉金蘭. 基于樹莓派和深度學習的茶葉病蟲害識別系統［J］. 現代信息科技，2024，8（7）：55-58.

［16］MEWADA H， PIRES I M. Electrocardiogram signal classification using lightweight DNN for mobile devices［J］.Procedia Computer Science， 2023， 224： 558-564.

［17］GALLEGO G J， RINCON J M D， GONZALEZ T J D， et al. On-tree fruit image segmentation comparing Mask R-CNN and VisionTransformer models. Application in a novel algorithm for pixel-based fruit size estimation［J］. Computers and Electronics inAgriculture， 2024， 222. DOI：10. 1016/j. compag. 2024. 109077.

［18］PANDIYARAJU V， GANAPATHY S， KUMAR A M S， et al. Anew clinical diagnosis system for detecting brain tumor usingintegrated ResNet_Stacking with XGBoost［J］. Biomedical SignalProcessing and Control， 2024， 96. DOI：10. 1016/j. bspc. 2024.106436.

［19］LI W Z ，LIU C S，HU C H ， et al. Application of a hybridalgorithm of LSTM and Transformer based on random searchoptimization for improving rainfall-runoff simulation［J］. ScientificReports，2024，14（1）. DOI：10. 1038/s41598-024-62127-7.

［20］ZHANG Y ，YUAN S ，LI Y ， et al. Intelligent circumferentialdeformation prediction of structures in PCCP-E with a largediameter under internal water overpressure based on prototypeexperiments and Inception-ResNet-LSTM ［J］. EngineeringStructures，2024，312. DOI：10. 1016/j. engstruct. 2024. 118183.

（責任編輯：向 飛）