王金博

（安徽省特種設(shè)備檢測院，安徽 合肥 230051）

1 概述

隨著特種設(shè)備使用的增長，對其關(guān)注程度提高。另一方面人工成本上升，檢測人員培養(yǎng)速度慢，有經(jīng)驗的人員占比逐年降低。

設(shè)備檢測領(lǐng)域引入了智能分析等手段，以提升檢驗效率、檢測水平，滿足社會需求。

人工智能是檢驗的助力器。人工智能在上世紀(jì)80年代就已經(jīng)提出，設(shè)備是三維的圖像，檢驗檢測的根本就是肉眼直接或借助工具下的圖像檢驗。圖像是檢驗的存檔和見證，是記錄設(shè)備狀況的視覺數(shù)據(jù)，具有天然的可追溯性和可分析性。而檢驗記錄僅是一種描述設(shè)備狀況的抽象映射，結(jié)論是檢測結(jié)果的集合，報告是記錄的集合。設(shè)備圖像化、數(shù)據(jù)化是現(xiàn)階段人工智能參與檢驗的前提。

2 優(yōu)勢及路徑

現(xiàn)場檢驗中，設(shè)備的隱患需要檢驗人員查找，通過規(guī)范或經(jīng)驗分析判斷。圖像分析技術(shù)可使人員避開或減少惡劣環(huán)境影響，可重復(fù)性高。人工智能的圖像分析首先通過機(jī)器視覺攝入圖像圖形，這種測量技術(shù)以非接觸的方式完成對被測物體的圖像化記錄，可以減少或消除人員在有毒有害、易燃易爆、粉塵輻射等特種設(shè)備常見環(huán)境下的暴露時間。以機(jī)器的視覺自動的獲取并記錄信息，原來需要檢驗檢測人員肉眼觀察的數(shù)據(jù)（需要直接度量的數(shù)據(jù)，如間距、角度、頻率），需要比較的數(shù)據(jù)含形狀公差（平面度、圓度、直線度）、定向公差（平行度、垂直度、傾斜度）跳動公差等。由于是設(shè)備取代人工觀測，所以有重復(fù)度高、證據(jù)保留方便、空間要求低等特點。機(jī)器視覺系統(tǒng)硬件一般以CCD/CMOS攝像頭及計算機(jī)組成。作為攝取信息的主要媒介，CCD/CMOS僅是常見的一種傳感元件，也可以被其他傳感器替代。以基于視覺放大、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等技術(shù)作為后處理的軟件技術(shù)，是圖像分析得以實現(xiàn)重要一環(huán)。各類傳感器所得到的圖表，經(jīng)過軟件處理后獲得需要的測量值。測量值精度由傳感器參數(shù)確定，其中CCD所得的圖像，分析精度可以達(dá)到像素級別。

3 現(xiàn)狀

現(xiàn)階段已有部分新設(shè)備直接或間接的借助于圖像技術(shù)，如表面光潔的鋼絲繩監(jiān)測。利用4～6個120度魚眼攝像頭增加系統(tǒng)冗余度，在線監(jiān)測鋼絲繩斷絲、斷股及磨損等狀態(tài)，使用視覺放大技術(shù)觀測由于鋼絲繩受損導(dǎo)致受力改變的延展的微小變形，來在線監(jiān)控?zé)o人值守的鋼絲繩健康情況。這種技術(shù)可以作為鋼絲繩磁感應(yīng)裝置的補(bǔ)充，在纜索等游樂設(shè)施及電梯等應(yīng)用環(huán)境下有良好的安全效益。合肥市第一人民集團(tuán)引進(jìn)科大訊飛人工智能醫(yī)學(xué)影像輔助診斷系統(tǒng)，用于肺結(jié)節(jié)的輔助診斷，從CT掃描影像中檢測出病灶，并對病灶位置、大小、屬性等進(jìn)行分析判斷，從而為醫(yī)生提供輔助診斷建議，診斷準(zhǔn)確率達(dá)94%。同樣，此類技術(shù)也可應(yīng)用到如探傷自動檢測，B超（UT）篩查，高精密零部件篩查、電路板錫焊檢查。此類圖像分析技術(shù)較為常見，使用傳統(tǒng)圖像處理手段，包括圖像變換、圖像濾波、邊緣提取、特征提取等，通過合理配置算法流程和參數(shù)，完成圖像處理。但傳統(tǒng)圖像分析技術(shù)所形成的系統(tǒng)只能根據(jù)程序編寫時給定的方式、參數(shù)進(jìn)行判斷，抗干擾性能差，超出感知的重要微弱變化也可能會被忽略。

目前，深度學(xué)習(xí)（Deep learning）是目前人工智能的前沿，其有較強(qiáng)的學(xué)習(xí)能力。應(yīng)用深度學(xué)習(xí)的智能圖像處理技術(shù)，可以在大量訓(xùn)練數(shù)據(jù)中自己找到一定的規(guī)律，軟件上就是自己調(diào)節(jié)自己的程序參數(shù)，即根據(jù)評價程序?qū)ο鄬﹄x散的隨機(jī)的參數(shù)進(jìn)行權(quán)值修改。在不斷地學(xué)習(xí)、訓(xùn)練（修參）中，使得程序中的算法更趨近于事物本身的規(guī)律。這種學(xué)習(xí)的過程與檢驗人員學(xué)習(xí)積累的過程類似。通過構(gòu)建類人腦的分析學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，模仿人類的思維方式，解讀數(shù)字圖像、文本等。由于其能夠深層次多參數(shù)的自覺提取特征參數(shù)，所以以深度學(xué)習(xí)為基礎(chǔ)的圖像處理能夠分析圖形聲音頻譜等特征不明顯的數(shù)據(jù)，且處理數(shù)據(jù)吞吐量大、速度精度高。這種運作機(jī)理及特征，使此項技術(shù)應(yīng)用在視覺方面的檢索和識別有很大優(yōu)勢，如臨床預(yù)測、語音識別、無人駕駛等。對于設(shè)備檢測，缺陷的識別正是此類技術(shù)的主要應(yīng)用方向。當(dāng)檢測數(shù)據(jù)積累到一定階段，圖像分析技術(shù)可以根據(jù)自身模型直接給出檢測結(jié)論，這種可輔助檢驗人員的類專家系統(tǒng)是現(xiàn)在圖像分析應(yīng)用的發(fā)展方向。

4 發(fā)展展望及問題

（1）數(shù)據(jù)圖像化仍存疑問。采用相控陣技術(shù)的焊縫設(shè)備及其他先進(jìn)傳感器在檢驗中實現(xiàn)了代替檢驗員肉眼的視覺功能，但其系統(tǒng)指出的缺陷位置并非檢驗人員直接判讀結(jié)果，而是其自帶的后處理軟件輸出的結(jié)果，其可溯源性及可校準(zhǔn)性需要進(jìn)一步明確。

（2）圖像數(shù)據(jù)化是目前較為容易接受的方式。直接以機(jī)器視覺為輸入端，建立在深度學(xué)習(xí)上的智能圖像分析技術(shù)，在檢測應(yīng)用中具有重要的位置，其可溯源性強(qiáng)，效果直觀，認(rèn)可度高。

（3）通用人工智能模型應(yīng)用于圖像識別中效率不高，基于圖像的專有智能檢測分析模型不是通用智能的簡單場景應(yīng)用。以大數(shù)據(jù)、云計算為手段，為模型構(gòu)建海量訓(xùn)練數(shù)據(jù)，是掌握行業(yè)話語權(quán)重要基礎(chǔ)。也是檢測行業(yè)打通信息孤島，實現(xiàn)“共享”沉睡資源的重要步驟。