近日，开云电竞投注（华东）智能传感与无损检测团队在水下结构缺陷电磁可视化检测与量化研究中取得重要突破。团队提出了一种“基于嵌入物理信息的YOLO神经网络”，结合自主研发的高分辨率交流电磁场检测探头与系统，实现了对裂纹、腐蚀等多种缺陷的实时成像、识别与精准量化，为海洋平台、海底管道等关键水下结构的安全评估提供了新一代智能化解决方案。
该研究成果以《Physics-informed Neural Network for Real-time Imaging and Evaluation of Defect Based on High-definition ACFM Probe》为题，发表于仪器科学与技术领域权威期刊《IEEE Transactions on Instrumentation and Measurement》（中科院大类2区）。
论文第一作者为袁新安教授，通讯作者为李伟教授，开云电竞投注（华东）为第一署名单位和通讯单位。研究获国家自然科学基金、中央高校基本科研业务费等多个项目支持。
图1 论文首页
水下结构在复杂海洋环境中易产生裂纹与腐蚀，严重影响其承载能力与服役安全。传统的ACFM技术虽具备非接触、可量化等优势，但在缺陷真实形态反演、小样本学习和实时成像方面仍存在瓶颈。现有方法依赖大量样本或强假设条件，难以在实际工程中广泛应用。本论文提出三大核心创新：
1.高分辨率ACFM探头与系统
研发了包含64个隧道磁阻传感器的阵列探头，传感器间距优化至1毫米，显著提升磁场图像分辨率。构建了集探头、仪器与成像软件于一体的实时检测系统，支持高频、高精度数据采集。
图2 高分辨率磁传感器阵列
2.通用物理反演机制
提出了基于电流扰动理论的缺陷形态反演机制，通过Tikhonov正则化算法，仅凭Bz磁场图像即可还原缺陷真实轮廓。该机制不依赖缺陷类型，适用于裂纹、腐蚀等多种缺陷，突破了传统方法对校准样本和假设条件的依赖。
（a）裂纹 |
（b）磁场信号 |
（c）电流扰动 |
（d）裂纹成像 |
图3 基于电流扰动理论的缺陷形态反演流程
3.基于嵌入物理信息YOLO网络
创新地将物理反演机制嵌入YOLO目标检测网络，作为物理层融入前向传播过程。构建了物理信息损失函数，在网络训练中同步优化正则化参数，显著提升小样本下的识别与量化精度。
图4 嵌入物理信息神经网络
实验结果中检测准确率（mAP@0.5）达99.6%，优于未引入物理信息的YOLO网络（87.3%）和仅引入损失函数的物理引导网络（94.3%）。缺陷尺寸平均量化误差为1.32 mm，裂纹与腐蚀的平均误差分别为0.89 mm与0.84 mm。单张图像处理时间仅6毫秒，满足工程现场实时检测需求。在训练样本减少情况下，该网络仍保持较高精度，展现出强泛化能力。
图5 实时成像与评估结果
该技术为覆层结构、附着物干扰、复杂几何缺陷等实际工程场景下的缺陷检测提供了高可靠性解决方案，尤其适用于水下结构在线检/监测与在役评估。团队下一步将拓展真实工况下的数据集，并进一步优化探头提离效应的影响，推动该技术在海洋工程、油气管道等领域的落地应用。
论文链接：https://ieeexplore.ieee.org/document/11245551
