鄧 聰，羅偉堅，李緒豐

(1.廣東省特種設(shè)備檢測研究院，佛山 528251；2.華南理工大學(xué) 機械與汽車工程學(xué)院，廣州 510640)

為保障承壓設(shè)備的運行安全，無損檢測與評價技術(shù)得到了長足的發(fā)展，新技術(shù)層出不窮并不斷完善，所能適用的范圍隨著承壓設(shè)備中新型材料的應(yīng)用、失效機理的探明不斷擴大[1-2]。目前，隨著檢測標(biāo)準(zhǔn)和人員資質(zhì)要求的完善，射線數(shù)字成像檢測技術(shù)已在特種設(shè)備行業(yè)得到廣泛應(yīng)用，在提高檢測效率的同時，提升了操作自動化程度。

自2006年起，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的進步與深度學(xué)習(xí)概念的提出，掀起了一輪人工智能熱潮。目前，以深度學(xué)習(xí)為代表的人工智能技術(shù)被廣泛應(yīng)用在自然語言處理、圖像識別、語音識別、無人駕駛、智能制造等各個領(lǐng)域中，推動與促進各個行業(yè)向智能化方向迅速發(fā)展[3]。

在此背景下，深度學(xué)習(xí)作為一種基于神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)工具，運用于射線檢測底片評片系統(tǒng)開發(fā)時，具有強大的模型表達能力和自動提取特征等優(yōu)勢，不僅能有效改善傳統(tǒng)檢測方法的不足，提高評片專家的工作效率，還能切實提升無損檢測項目質(zhì)量和現(xiàn)場管理水平，提高檢測的安全性和可靠性。因此，大量學(xué)者和工程技術(shù)人員開展了相關(guān)研究。

1 國內(nèi)外研究現(xiàn)狀

陳本智等[4]提出了一種針對X射線圖像的氣孔檢測算法，主要利用差分圖像使得氣孔缺陷表現(xiàn)為一個顯著性區(qū)域，并最終利用閾值將其分割出來。試驗結(jié)果表明，該方法具有較高的準(zhǔn)確性和穩(wěn)定性，但其沒有對焊縫中其他缺陷的X射線圖像進行研究，檢測對象比較單一。王欣等[5]通過將主成分分析法引入到模糊C均值聚類算法中，對圓形缺陷和線形缺陷進行了識別，有效降低了特征數(shù)據(jù)的冗余描述，但檢測對象范圍仍然較窄，且識別準(zhǔn)確率無法完全滿足實際需求。

李超等[6]主要針對薄壁金屬罐焊縫的缺陷類型，提出了一種改進的背景差分法來提取缺陷區(qū)域，并最終對缺陷類型進行了分類，試驗結(jié)果表明該方法可以對多種缺陷進行檢測并具有較高的準(zhǔn)確率，但該方法的閾值設(shè)置需要人為調(diào)整，無法自適應(yīng)不同的環(huán)境情況。

黃曄等[7]利用BP神經(jīng)網(wǎng)絡(luò)對焊縫缺陷的X射線圖像識別進行了研究，神經(jīng)網(wǎng)絡(luò)的使用使得系統(tǒng)能夠自己找到最適宜的參數(shù)，但BP神經(jīng)網(wǎng)絡(luò)有大量的參數(shù)需要學(xué)習(xí)，計算量較大。

劉夢溪等[8]將深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)引入到焊縫缺陷檢測任務(wù)中，并與傳統(tǒng)的支持向量機(SVM)方法進行對比，結(jié)果表明深度CNN對試驗中的5種缺陷類型有著更高的識別率，但其未對網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化問題作進一步探索。

SUN等[9]提出了一種基于機器學(xué)習(xí)的焊縫缺陷檢測和分類的方法，利用基于高斯混合模型的改進背景差分法，設(shè)計并構(gòu)建了相應(yīng)的生產(chǎn)線焊縫缺陷實時檢測系統(tǒng)，試驗結(jié)果表明該系統(tǒng)能對多種缺陷進行較高準(zhǔn)確率的檢測，但該方法對于環(huán)境不變性要求較高。

LIU等[10]提出了一種基于VGG16的全卷積結(jié)構(gòu)，以此來對焊縫缺陷的X射線圖像進行分類，該方法解決了不同尺寸圖像輸入時的準(zhǔn)確分類問題，但還不能很好地對相似缺陷進行精確分類。

YANG等[11]通過測試不同結(jié)構(gòu)的CNN，找到了一種基于LeNet-5的改進網(wǎng)絡(luò)，主要用于X射線焊縫圖像的缺陷檢測與分類，并取得了非常高的準(zhǔn)確率，但在前期訓(xùn)練時為了加快訓(xùn)練速度，網(wǎng)絡(luò)的輸入為針對焊縫區(qū)域的切割圖像，這使得其無法直接投入實際應(yīng)用。

迄今為準(zhǔn)，關(guān)于射線檢測底片智能評片系統(tǒng)實現(xiàn)大規(guī)模商業(yè)應(yīng)用向報道還極少見。大部分射線檢測底片智能評片系統(tǒng)普遍缺乏檢驗檢測的實踐經(jīng)驗，對一些實際問題經(jīng)驗不足，導(dǎo)致應(yīng)用過程中會出現(xiàn)各種問題，難以在實際工作中發(fā)揮作用。

筆者通過利用深度學(xué)習(xí)方法來實現(xiàn)缺陷圖像關(guān)鍵特征的提取，開發(fā)了一套射線檢測底片智能識別系統(tǒng)，實現(xiàn)底片篩選(無效底片、造假底片、重復(fù)底片)、焊縫缺陷定位和識別、底片報告自動生成及保管等功能。

2 研究方法

2.1 系統(tǒng)結(jié)構(gòu)

人工智能評片系統(tǒng)框架如圖1所示，可見，通過掃描儀獲得待處理的原始底片后，需要經(jīng)過相似度判別其是否為有效底片，同時對底片中的缺陷信息進行提取。在此基礎(chǔ)上，筆者研究和開發(fā)了AI智能輔助評片和AI智能自動評片兩個功能模塊。

圖1 人工智能評片系統(tǒng)框架

2.1.1 AI智能輔助評片

在我國的傳統(tǒng)教學(xué)中，通常采用的方式是教師講、學(xué)生聽、做作業(yè)輔助學(xué)習(xí)為主的課上課后相互支撐的教學(xué)模式，學(xué)生獲取知識的學(xué)習(xí)方式比較固化，缺少信息搜索、網(wǎng)絡(luò)學(xué)習(xí)等方式，導(dǎo)致主動學(xué)習(xí)的積極性較低。此外，學(xué)生在學(xué)習(xí)過程中為了應(yīng)對考試，大多會比較被動地死記硬背課程的知識點與考點，對知識點的理解缺乏質(zhì)疑的眼光，并不會具體去分析討論問題所在，也不會對課程內(nèi)容進行綜合概括，導(dǎo)致整個學(xué)習(xí)過程比較缺乏主動的學(xué)習(xí)思維。

該模塊首先基于機器視覺與圖像處理算法，從底片中提取焊縫邊界信息，并對像質(zhì)計進行檢測，實現(xiàn)對像質(zhì)計型號和靈敏度智能識別和判定；然后自動抓取焊縫區(qū)域內(nèi)灰度值的極值點位置，并將信息入庫保存；最后基于定位到的焊縫區(qū)域，自動抓取焊縫及周圍母材的噪點坐標(biāo)信息，并自動生成底片信息質(zhì)量報告。

2.1.2 AI智能自動評片

該模塊基于深度學(xué)習(xí)技術(shù)，通過卷積神經(jīng)網(wǎng)絡(luò)方法，實現(xiàn)對焊縫圖像的預(yù)處理、缺陷特征值的自動提取以及對缺陷的定性分析和定量計算。

2.2 主要研究內(nèi)容

2.2.1 底片焊縫區(qū)域分割提取技術(shù)

由于底片內(nèi)容較多，背景復(fù)雜，不適合直接作為數(shù)據(jù)集進行網(wǎng)絡(luò)訓(xùn)練。圖像語義分割作為一種典型的計算機視覺處理技術(shù)，可以對圖像中的每個像素，根據(jù)其所屬的感興趣對象分配類別標(biāo)簽[12]。筆者對圖像進行了逐像素標(biāo)記，通過訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)對圖像的文字區(qū)域、焊縫區(qū)域和背景區(qū)域分別進行自動提取，便于后續(xù)智能檢測功能的實現(xiàn)。

2.2.2 焊縫缺陷類型分類識別技術(shù)

2.2.3 底片焊縫綜合信息提取技術(shù)

底片的原始圖像具有灰度區(qū)間較窄、缺陷邊緣模糊、圖像噪聲多、亮度低等特點。筆者采用基于多尺度的灰度曲線最小二乘直線擬合方法對焊縫邊界進行提取，使用圖像處理技術(shù)對母材噪點坐標(biāo)信息、焊縫位置信息、焊縫灰度值信息、底片質(zhì)量信息等進行檢測，通過數(shù)據(jù)庫對上述信息進行存儲，并實現(xiàn)了底片質(zhì)量信息報告的自動生成。

2.3 算法架構(gòu)設(shè)計

焊縫缺陷識別算法框架如圖2所示，其主要包括兩大部分：①焊縫圖像的預(yù)處理；②缺陷的分類及定位計算。圖像預(yù)處理算法主要用于對原始圖像進行清洗與增強，成像模糊、存在噪點的圖像經(jīng)過去噪、濾波等操作，缺陷特征更加明顯。缺陷的分類及定位計算則是基于深度學(xué)習(xí)技術(shù)提取缺陷特征后做進一步量化計算。

圖2 焊縫缺陷識別算法框架

2.3.1 圖像預(yù)處理

圖像預(yù)處理采用雙邊濾波算法，該算法能夠更好地保留圖像的邊緣信息[13]。其原理為一個與空間距離相關(guān)的高斯核函數(shù)與一個灰度距離相關(guān)的高斯函數(shù)相乘，并加入對灰度信息的權(quán)重(在領(lǐng)域內(nèi)，越接近中心點，灰度值的點的權(quán)值更大，灰度值相差大的點權(quán)重越小)。其權(quán)重大小，則由高斯核函數(shù)的值確定，再通過兩者權(quán)重系數(shù)相乘，得到最終的卷積模板。

2.3.2 缺陷檢測及定位

為解決缺陷特征提取信息的融合，采用PANet方式進行處理[14]。該方法不僅能有效解決底片焊縫圖像中部分缺陷不夠明晰、缺陷和背景融合度較高等問題，還能加強信息傳播，具有準(zhǔn)確保留空間信息的能力，有助于對缺陷進行定位和識別，PANet網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示(圖中P3～P7為特征采樣層)。

圖3 PANet網(wǎng)絡(luò)結(jié)構(gòu)示意

3 人工智能評片系統(tǒng)的應(yīng)用

缺陷評定及復(fù)審模塊如圖4所示。該人工智能評片系統(tǒng)能夠?qū)?shù)字化底片噪點坐標(biāo)信息、焊縫位置信息、焊縫灰度最值信息、底片質(zhì)量信息進行智能化采集，實現(xiàn)對底片中無效底片與重復(fù)底片的智能篩選，并對底片中的焊縫缺陷進行智能識別和評定。

圖4 缺陷評定及復(fù)審模塊

使用深度學(xué)習(xí)算法對該系統(tǒng)進行有效訓(xùn)練后(評定超過3 000張底片)，在實際工程項目中進行測試，評定系統(tǒng)的缺陷識別準(zhǔn)確率達到95%以上。遠程評片模塊應(yīng)用實例如圖5所示。

圖5 遠程評片模塊應(yīng)用實例

通過遠程評片模塊，可實現(xiàn)有關(guān)專家遠程評片，極大提升了專家工作效率，實現(xiàn)有限專家資源的共享。另外，該系統(tǒng)還內(nèi)置有網(wǎng)絡(luò)數(shù)據(jù)庫，支持多用戶訪問，實現(xiàn)了從膠片掃描到評定報告生成全過程自動化、智能化。

4 結(jié)語

(1) 開發(fā)的基于人工智能射線底片評片系統(tǒng)，實現(xiàn)了無效底片與重復(fù)底片的智能篩選，可對底片中焊縫缺陷進行智能評定，提高了檢測的安全性和可靠性。

(2) 開發(fā)的人工智能射線底片評片系統(tǒng)，實現(xiàn)了底片報告自動生成和存儲功能，切實提升了無損檢測項目質(zhì)量和現(xiàn)場管理水平。

(3) 通過實際工程項目對人工智能評片系統(tǒng)的可行性和穩(wěn)定性進行了驗證，為該系統(tǒng)后續(xù)大規(guī)模應(yīng)用奠定了基礎(chǔ)。