董紹華 孫 玄 謝書懿 王明鋒

1. 中國(guó)石油大學(xué)（北京）機(jī)械與儲(chǔ)運(yùn)工程學(xué)院 2. 中國(guó)石油大學(xué)（北京）克拉瑪依校區(qū)3. 中國(guó)石油新疆油田公司呼圖壁儲(chǔ)氣庫(kù)作業(yè)區(qū)

0 引言

目前，射線成像技術(shù)已成為管道焊接檢測(cè)普遍使用的技術(shù)[1]。隨著計(jì)算機(jī)智能輔助評(píng)片的迅速發(fā)展，底片分析處理系統(tǒng)也開始投入使用[2-5]。但這些系統(tǒng)在應(yīng)用時(shí)往往需要人機(jī)交互進(jìn)行，因此其智能化水平還需進(jìn)一步提高。而射線數(shù)字圖像缺陷識(shí)別技術(shù)借助計(jì)算機(jī)的高速處理能力，通過(guò)對(duì)底片的數(shù)字化處理，將人工評(píng)片的過(guò)程轉(zhuǎn)化為圖像智能處理，實(shí)現(xiàn)了對(duì)焊縫數(shù)字圖像缺陷的智能識(shí)別[6-8]，其具體步驟包括圖像預(yù)處理、圖像焊縫區(qū)域分割、缺陷特征提取和缺陷分類識(shí)別等。筆者采用多項(xiàng)邊緣檢測(cè)、檢測(cè)通道與閾值分割等方法，對(duì)管道焊縫圖像中存在的缺陷進(jìn)行了圖像處理，構(gòu)造了焊縫數(shù)字圖像缺陷特征庫(kù)，包含灰度差、等效面積、圓形度、熵、相關(guān)度等參數(shù)，建立了多分類器構(gòu)造（SVM）模型，實(shí)現(xiàn)了對(duì)管道焊縫數(shù)字圖像缺陷的分類評(píng)價(jià)，最終開發(fā)出管道焊縫數(shù)字圖像缺陷自動(dòng)識(shí)別軟件，并進(jìn)行了現(xiàn)場(chǎng)驗(yàn)證分析。

1 焊縫圖像識(shí)別技術(shù)

1.1 圖像預(yù)處理

圖像預(yù)處理主要包括圖像增強(qiáng)和圖像去噪[9-10]。圖像增強(qiáng)通過(guò)使用空間域法處理圖像的灰度系數(shù)并修正圖像的變換系數(shù)，最后進(jìn)行逆變換，從而更好地將圖像中的缺陷部分區(qū)分開來(lái)。圖像去噪可以抑制脈沖干擾及椒鹽噪聲，同時(shí)能夠減少圖像模糊，保留圖像中重要的結(jié)構(gòu)特征。

1.2 邊緣檢測(cè)

邊緣即圖像中灰度發(fā)生急劇變化的區(qū)域。邊緣檢測(cè)即提取焊縫的邊界區(qū)域，從而便于統(tǒng)計(jì)焊縫邊緣的幾何特征[11-13]。常用的邊緣檢測(cè)算法有Robert算法、Sobel算法、Prewitt算法、Laplacian—Gauss算法、Canny算法和Krisch算法等。但在利用這些算法進(jìn)行檢測(cè)時(shí)，圖像往往呈區(qū)域的黑度分布，從而出現(xiàn)邊界不清晰的情況。因此，通過(guò)對(duì)不同邊緣檢測(cè)算法進(jìn)行對(duì)比分析，考慮結(jié)構(gòu)元素的大小和方向?qū)π螒B(tài)學(xué)邊緣檢測(cè)計(jì)算結(jié)果的影響，提出了一種多算法融合處理技術(shù)，將Sobel算法、Prewitt算法和Robert算法融合處理，檢測(cè)出管道焊縫缺陷的邊緣，并最大限度地優(yōu)化邊緣噪聲影響，為圖像邊緣檢測(cè)分析提供了一種行之有效的方法。

1.3 CLTP紋理特征識(shí)別

焊縫紋理特征提取涉及邊界清晰度和局部信息細(xì)化程度，傳統(tǒng)方法是使用局部二值模式的紋理特征描述方法，但紋理描述的精度易受到影響[14-15]。因此，需要不斷改進(jìn)算法，提出了完全局部三值CLTP（Completed Local Ternary Patterns，CLTP）模式，包含3種核心算法——中心描述子、符號(hào)描述子和大小描述子，分別用CLTP_C，CLTP_S和CLTP_M表示，將算法轉(zhuǎn)化后，最終得到修正的CLTP_C*、CLTP_S*、CLTP_M*表示，它們的計(jì)算過(guò)程如下：

式中p表示像素的個(gè)數(shù)，個(gè)；gp表示鄰域像素灰度值；gc表示中心像素點(diǎn)的灰度值；TH表示閾值；a、b分別表示自定義常量，可取a= 0.3，b= 0.7；TH1表示圖像像素均值。

圖1 CLTP計(jì)算法圖

在圖1-a中，表示的是中心像素為38 的3×3樣本塊，鄰域的8個(gè)像素為[27,72,69,32,25,43,26,88]；在圖1-b中 ⊙表示中心像素點(diǎn)的灰度值，TH= 24 為求得的閾值，計(jì)算局部差值，得到的算法結(jié)果為[－11,34,31,－6,－13,5,－12,50]；圖 1-c中，CLTP_S*局部差值符號(hào)的三值編碼向量為[0,2,2,0,0,1,0,2]；圖1-d中，CLTP_M*算法值為[1,2,2,0,1,0,1,2]；圖1-e中TH1=47.75，由[27,72,69,32,25,43,26,88]計(jì)的平均值，表示CLTP的CLTP_C*值為[0,0,0,0,0,0,0,1]。

2 多類支持向量機(jī)SVM模型

使用直接全局優(yōu)化方法M -SVM，構(gòu)造多批分類器，一次性完成對(duì)M個(gè)分類器的求解。設(shè)：為樣本訓(xùn)練集，l表示樣本個(gè)數(shù)，N表示樣本維數(shù)，M表示樣本的類別，引入非負(fù)松弛變量ξi，則該方法的優(yōu)化問題為[16-17]：

式中w=ωTω，ω表示最優(yōu)分類超平面法線。

判別函數(shù)為：

式中ξi≥0，i=1,2,…,l，φ(xi)表示輸入空間到高維特征空間的非線性映射函數(shù)。

通過(guò)求解最優(yōu)化問題，可得到相應(yīng)的最優(yōu)決策函數(shù)f(x)，即

SVM多分類器構(gòu)造優(yōu)先采用類別差異性排除法，即在整體結(jié)構(gòu)中，先將相似量作為一類，然后根據(jù)相似量之間的細(xì)微變化，再通過(guò)模型算法進(jìn)行區(qū)分。這種分類在分類準(zhǔn)確率和平衡準(zhǔn)確率上都有極高的效率。筆者構(gòu)造了缺陷、裂紋、圓形夾渣、條形夾渣、氣孔、未焊透和未熔合6種典型缺陷SVM多類分類器（圖2）。

3 軟件模塊開發(fā)

3.1 焊縫圖像處理與變換識(shí)別功能

該軟件包含如下功能：輸入焊縫圖像信息；焊縫底片數(shù)據(jù)庫(kù)建設(shè)；圖像亮度對(duì)比處理；圖像的保存；識(shí)別圖像像素尺寸；邊緣檢測(cè)；閾值分析；色階處理；圖像執(zhí)行變換；統(tǒng)計(jì)黑白像素；反相處理；焊縫底片圖像處理。

3.2 數(shù)據(jù)分析系統(tǒng)

管道焊縫數(shù)字圖像識(shí)別系統(tǒng)針對(duì)圖像處理的底片進(jìn)行焊縫缺陷數(shù)據(jù)分析，對(duì)圖像執(zhí)行邊界角系數(shù)和邊界區(qū)域的選擇，針對(duì)已經(jīng)處理的圖像進(jìn)行焊縫缺陷的統(tǒng)計(jì)分析，采用SVM模擬算法，經(jīng)有效的數(shù)據(jù)計(jì)算出焊縫的缺陷類型和類別，如圖3所示。

4 案例分析

采用上述模型開發(fā)的軟件系統(tǒng)，可實(shí)現(xiàn)對(duì)焊縫底片進(jìn)行完全局部三值模式CLTP紋理識(shí)別，采用缺陷邊緣檢測(cè)和跟蹤處理技術(shù)計(jì)算各參數(shù)，上述紋理識(shí)別和特征識(shí)別計(jì)算參數(shù)包括：圖像長(zhǎng)度像素、圖像寬度像素、缺陷與背景的灰度差（Δh）、缺陷的相對(duì)位置（d）、缺陷自身灰度偏差（δ）、缺陷長(zhǎng)寬比、等效面積（S/C）、圓形度（e）、熵（ENT）、相關(guān)度（COR）、慣性矩（CON）和能量參數(shù)等，所有特征參數(shù)輸入到SVM模型，進(jìn)行SVM 焊接底片的缺陷識(shí)別，最終得到缺陷的類別，如圖4所示。

圖2 焊縫缺陷SVM分類識(shí)別圖

圖3 焊縫缺陷分析系統(tǒng)圖

圖 4 焊縫數(shù)字圖像缺陷CTLP識(shí)別和SVM缺陷判斷圖

焊接底片經(jīng)過(guò)完全局部三值模式CLTP紋理識(shí)別后，應(yīng)用基于缺陷數(shù)據(jù)庫(kù)的SVM數(shù)據(jù)分類技術(shù)，CTLP模式使焊接底片圖像邊緣檢測(cè)和缺陷跟蹤識(shí)別精度大大提高，SVM缺陷分類模型使圖像缺陷的自動(dòng)識(shí)別判斷上準(zhǔn)確度大大提高，基本達(dá)到了工業(yè)應(yīng)用級(jí)的水平。其中圖4-e是中國(guó)石油西氣東輸管道“7·28”事故管段焊口X 射線底片，在位置點(diǎn)38位置左下方體現(xiàn)未熔合特征，其計(jì)算機(jī)系統(tǒng)判別與人工評(píng)片結(jié)果完全一致。實(shí)驗(yàn)結(jié)果表明：該方法具有較好的精度。

5 結(jié)論

1）圖像處理后沒有噪聲的情況下，Canny算法、Log算法、Robert算法、Sobel算法和Prewitt算法可以得到很好的邊緣檢測(cè)結(jié)果。當(dāng)圖像處理后仍然存在噪聲時(shí)，檢測(cè)結(jié)果出現(xiàn)了較多的偽邊緣，選用自動(dòng)選取閾值方法進(jìn)行圖像邊緣檢測(cè)，能夠取得比較合理的閾值。

2）建立的焊縫數(shù)字圖像缺陷特征數(shù)據(jù)庫(kù)，包含形狀特征和紋理特征、圖像長(zhǎng)度像素、圖像寬度像素、缺陷與背景的灰度差（Δh）、缺陷的相對(duì)位置（d）、缺陷自身灰度偏差（δ）、缺陷長(zhǎng)寬比、等效面積（S/C）、圓形度（e）、熵（ENT）、相關(guān)度（COR）、慣性矩（CON）和能量等參數(shù)。

3）建立了SVM分類模型，基于缺陷特征數(shù)據(jù)庫(kù)，分類獲取了缺陷形狀特征，找出了裂紋、夾渣、氣孔、未焊透、未熔合和條形等缺陷特征，通過(guò)試驗(yàn)表明，識(shí)別準(zhǔn)確率和精度均處于較高水平。

4）管道焊縫缺陷識(shí)別評(píng)價(jià)軟件實(shí)現(xiàn)了對(duì)管道焊縫數(shù)字圖像缺陷的自動(dòng)識(shí)別和自動(dòng)化評(píng)價(jià)，對(duì)于管道安全運(yùn)行具有重要意義。