雷錚強(qiáng)，顏 元

(1. 國家管網(wǎng)集團(tuán)科學(xué)技術(shù)研究總院分公司 河北 廊坊 065000;2.中國石油國際勘探開發(fā)有限公司 北京 100034)

0 引 言

為應(yīng)對國內(nèi)天然氣管道環(huán)焊縫失效事故頻發(fā)問題，國內(nèi)管道企業(yè)組織開展了管道漏磁內(nèi)檢測信號(hào)復(fù)核工作，目的是排查管道環(huán)焊縫缺陷[1-3]。目前，依靠人工識(shí)別并記錄環(huán)焊縫缺陷的異常信號(hào)，存在重復(fù)勞動(dòng)且效率低下等突出問題，急需開發(fā)應(yīng)用環(huán)焊縫缺陷的智能識(shí)別技術(shù)[4-7]。

基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型和方法，是漏磁內(nèi)檢測信號(hào)智能識(shí)別分析技術(shù)領(lǐng)域的研究熱點(diǎn)[5-6,8-10]。目前，該技術(shù)由國內(nèi)外內(nèi)檢測技術(shù)服務(wù)提供商主導(dǎo)，可批量處理原始漏磁內(nèi)檢測信號(hào)、自動(dòng)識(shí)別和量化管道缺陷，是內(nèi)檢測技術(shù)服務(wù)提供商的核心優(yōu)勢技術(shù)。通過提供給管道企業(yè)的客戶端數(shù)據(jù)，可進(jìn)行環(huán)焊縫漏磁內(nèi)檢測信號(hào)的可視化圖像閱覽，但無法獲取其原始漏磁信號(hào)數(shù)據(jù)并進(jìn)行缺陷信號(hào)的自動(dòng)識(shí)別分析。

因此，基于上述漏磁內(nèi)檢測信號(hào)的智能識(shí)別分析技術(shù)現(xiàn)狀，本文采用圖像識(shí)別技術(shù)克服無法獲取原始漏磁內(nèi)檢測信號(hào)數(shù)據(jù)的條件限制，基于客戶端漏磁內(nèi)檢測圖像和環(huán)焊縫缺陷分類的經(jīng)驗(yàn)?zāi)Ｐ?，研究開展環(huán)焊縫缺陷圖像的識(shí)別分類算法軟件，滿足環(huán)焊縫缺陷信號(hào)圖像的智能識(shí)別技術(shù)需求。

1 環(huán)焊縫缺陷的漏磁內(nèi)檢測信號(hào)圖像特征

1.1 環(huán)焊縫缺陷分類

在管道漏磁內(nèi)檢測信號(hào)復(fù)核過程中，應(yīng)用了環(huán)焊縫缺陷漏磁內(nèi)檢測信號(hào)的識(shí)別分類經(jīng)驗(yàn)?zāi)Ｐ蚚11]。如圖1所示，該經(jīng)驗(yàn)?zāi)Ｐ蛯h(huán)焊縫缺陷信號(hào)分為4種類型： 1類信號(hào)，通常由未焊滿、未熔合及打磨、未焊透等缺陷產(chǎn)生； 2類信號(hào)，通常由未熔合、未焊透等缺陷產(chǎn)生； 3類信號(hào)，通常由內(nèi)凹、蓋帽金屬損失缺陷產(chǎn)生； 4類信號(hào)，通常由錯(cuò)邊、咬邊及側(cè)壁打磨等缺陷產(chǎn)生。圖1中的0類信號(hào)，代表無異常信號(hào)的正常環(huán)焊縫。其中，圖1(a)是由文獻(xiàn)[11]提出的環(huán)焊縫缺陷信號(hào)識(shí)別分類模型，該模型已持續(xù)應(yīng)用于數(shù)千公里管道的漏磁內(nèi)檢測信號(hào)復(fù)核工作中；圖1(b)是某原油管道的漏磁內(nèi)檢測真實(shí)信號(hào)截圖。

圖1 漏磁內(nèi)檢測信號(hào)分類示例

對環(huán)焊縫缺陷漏磁內(nèi)檢測信號(hào)進(jìn)行識(shí)別和分類，有助于管道企業(yè)及時(shí)發(fā)現(xiàn)環(huán)焊縫的超標(biāo)缺陷，并開展開挖修復(fù)工作，排除安全隱患。通過環(huán)焊縫內(nèi)檢測信號(hào)復(fù)核和開挖驗(yàn)證，發(fā)現(xiàn)的典型環(huán)焊縫缺陷形貌如圖2所示，包括未焊滿、未熔合、內(nèi)凹及側(cè)壁過度打磨等。

圖2 未焊滿、未熔合、內(nèi)凹及過度打磨等缺陷示例

1.2 環(huán)焊縫缺陷的漏磁內(nèi)檢測圖像特征

在Rainbow模式下，漏磁內(nèi)檢測信號(hào)客戶端軟件采用偽彩色圖像的方式顯示漏磁信號(hào)的強(qiáng)度和極性，其信號(hào)特征與缺陷的位置、金屬損失程度和缺陷類型等直接關(guān)聯(lián)。圖1的環(huán)焊縫缺陷真實(shí)信號(hào)圖中，存在藍(lán)青紅黃綠五種像素，其中綠色為底色。不同類型環(huán)焊縫缺陷的顏色特征總結(jié)見表1。

表1 環(huán)焊縫漏磁內(nèi)檢測圖像的不同類別和特征

2 環(huán)焊縫缺陷圖像識(shí)別模型及算法實(shí)現(xiàn)

2.1 環(huán)焊縫缺陷圖像特征的提取

開發(fā)自動(dòng)截圖工具對全部環(huán)焊縫截圖并以環(huán)焊縫編號(hào)命名保存后，采用基于混合高斯模型的聚類分析方法[12-14]，在圖像中進(jìn)行逐像素掃描，判斷當(dāng)前的環(huán)焊縫圖像中每一個(gè)像素的類別歸屬。由于漏磁內(nèi)檢測圖像中各像素的顏色值是根據(jù)漏磁信號(hào)強(qiáng)度而實(shí)現(xiàn)的映射，因此每一類像素點(diǎn)，在顏色值上都存在一定的變動(dòng)范圍。高斯混合模型聚類分析方法適合描述每一類像素的顏色分布。式(1)是單高斯模型的數(shù)學(xué)描述，x表示當(dāng)前像素的特征值，也就是RGB色彩值。式(2)是混合高斯模型聚類分析下的當(dāng)前像素屬于某一子類概率的計(jì)算過程。式(1)和式(2)中，μ是數(shù)據(jù)均值，∑是協(xié)方差，D是數(shù)據(jù)維度。

(1)

(2)

某一個(gè)像素，歸屬于缺陷像素還是正常像素的詳細(xì)的判斷過程為(以缺陷像素為例)：如果缺陷像素總共包含K類，也就是K個(gè)高斯子類，則同時(shí)分析該像素顏色值歸屬于每一個(gè)子類的概率，然后，將這K個(gè)概率計(jì)算總和。采用相同的方法計(jì)算該像素歸屬于正常像素子類的概率總和。當(dāng)該像素歸屬于缺陷像素的總概率大于歸屬于正常像素的總概率時(shí)，則判斷為缺陷像素。

當(dāng)存在環(huán)焊縫缺陷時(shí)，缺陷位置會(huì)出現(xiàn)明顯的顏色變化。通過對RGB 3個(gè)通道同時(shí)設(shè)定顏色閾值，實(shí)現(xiàn)圖像中紅色像素以及藍(lán)色像素的提取。提取結(jié)果見表2?？梢姡毕菸恢脤?yīng)的紅色、藍(lán)青色連通域被成功提取和分割，為后續(xù)的環(huán)焊縫缺陷圖像識(shí)別和分類奠定基礎(chǔ)。

表2 環(huán)焊縫缺陷圖像的紅色和藍(lán)青色連通域圖像特征

2.2 紅色和藍(lán)青色連通域遍歷及缺陷識(shí)別

在環(huán)焊縫信號(hào)圖像的所有連通域進(jìn)行逐一分析，排除無紅色連通域的正常環(huán)焊縫后，對紅色和藍(lán)青色連通域進(jìn)行特征提取。包括如下幾個(gè)連通域的特征：外接矩形尺寸、重心位置、傾斜角及長寬比等。如圖3所示，通過對不同連通域顏色、形狀、位置等特征信息，利用模糊決策樹以及卷積神經(jīng)網(wǎng)絡(luò)分析方法，實(shí)現(xiàn)該區(qū)域內(nèi)的缺陷定位和特征提取。在此基礎(chǔ)上，根據(jù)紅色連通域的重心坐標(biāo)與當(dāng)前環(huán)焊縫像素的左右邊界，判斷紅色連通域是否在當(dāng)前環(huán)焊縫上。

圖3 環(huán)焊縫缺陷的識(shí)別分類流程

1)紅色連通域不在環(huán)焊縫上情形。周邊區(qū)域內(nèi)僅存在該紅色連通域，并且另一側(cè)是藍(lán)青色連通域，則識(shí)別為4類環(huán)焊縫缺陷。

2)紅色連通域在環(huán)焊縫上，且周邊區(qū)域內(nèi)僅存在該紅色連通域情形。如果兩側(cè)無藍(lán)青色連通域，識(shí)別為3類環(huán)焊縫缺陷；如果左右兩側(cè)都有獨(dú)立藍(lán)青色連通域，識(shí)別為1類環(huán)焊縫缺陷。如果左右兩側(cè)的藍(lán)青色連通域與環(huán)焊縫是粘連的，則識(shí)別為2類環(huán)焊縫缺陷。

2.3 環(huán)焊縫缺陷嚴(yán)重程度分級(jí)

完成上述環(huán)焊縫缺陷識(shí)別分類后，還需進(jìn)一步識(shí)別缺陷的嚴(yán)重程度。缺陷嚴(yán)重程度分級(jí)所用圖像特征包括：紅色和藍(lán)色連通域的像素?cái)?shù)目及顏色平均值、高寬尺寸等參數(shù)。根據(jù)上述6個(gè)特征參數(shù)的加權(quán)平均值，計(jì)算環(huán)焊縫缺陷嚴(yán)重程度的綜合評分結(jié)果，加權(quán)系數(shù)也可結(jié)合缺陷識(shí)別和嚴(yán)重程度分級(jí)實(shí)踐經(jīng)驗(yàn)進(jìn)行調(diào)優(yōu)。對于1至4類環(huán)焊縫缺陷，根據(jù)其缺陷性質(zhì)和危害程度，分別設(shè)定4類缺陷的較嚴(yán)重等級(jí)的比例，在綜合評分排序結(jié)果基礎(chǔ)上，實(shí)現(xiàn)環(huán)焊縫缺陷的嚴(yán)重程度分級(jí)。

經(jīng)過大量圖片觀測驗(yàn)證并調(diào)整優(yōu)化最終綜合評分結(jié)果后，將最高綜合評分歸一化到1，最低綜合評分歸一化到0，線性調(diào)整其余綜合評分。綜合評分高于0.8為較嚴(yán)重缺陷，綜合評分小于0.1為正常，其它為輕微缺陷，并進(jìn)一步根據(jù)缺陷識(shí)別分類結(jié)果進(jìn)行4種類缺陷的嚴(yán)重程度分級(jí)。

依托某原油管道的超高清漏磁內(nèi)檢測信號(hào)圖像，對環(huán)焊縫缺陷進(jìn)行了識(shí)別分析測試，結(jié)果見表3。結(jié)果顯示，該方法可實(shí)現(xiàn)環(huán)焊縫缺陷信號(hào)的識(shí)別分類和嚴(yán)重程度分級(jí)排序。以信號(hào)圖像的人工復(fù)核結(jié)果為基準(zhǔn)，缺陷的識(shí)別分類及分級(jí)結(jié)果準(zhǔn)確率達(dá)到90%以上。識(shí)別出的4種類型較嚴(yán)重和輕微環(huán)焊縫缺陷示例，如圖4所示。

表3 某管段環(huán)焊縫缺陷圖像智能識(shí)別效果驗(yàn)證

圖4 識(shí)別出的較嚴(yán)重和輕微環(huán)焊縫缺陷示例

3 異常信號(hào)圖像問題的解決與軟件開發(fā)

3.1 環(huán)焊縫異常信號(hào)圖像的處理

在漏磁內(nèi)檢測器的檢測運(yùn)行過程中，由于機(jī)械振動(dòng)或探頭損壞導(dǎo)致某通道檢測信號(hào)數(shù)據(jù)丟失、異常等，形成了環(huán)焊縫內(nèi)檢測信號(hào)的斷點(diǎn)、空缺等常見異常信號(hào)特征，但此類信號(hào)不屬于缺陷信號(hào)，在環(huán)焊縫缺陷的識(shí)別中應(yīng)予以排除。

斷點(diǎn)識(shí)別的過程如圖5所示：

圖5 斷點(diǎn)信號(hào)的識(shí)別檢測

1)藍(lán)色連通域前景圖像水平投影；

2)根據(jù)經(jīng)驗(yàn)值設(shè)定水平投影閾值；

3)對水平投影曲線逐行判斷，如果該行像素投影值低于閾值，則判斷為斷點(diǎn)。若某個(gè)位置的連續(xù)斷點(diǎn)的數(shù)目超過經(jīng)驗(yàn)值，則認(rèn)為該位置是環(huán)焊縫信號(hào)空缺。

變壁厚是常見的管道環(huán)焊縫類型之一，且容易發(fā)生焊接缺陷和應(yīng)力集中位置，是環(huán)焊縫缺陷排查的重點(diǎn)對象。如圖6所示，由于上下游管道的壁厚差，造成環(huán)焊縫漏磁內(nèi)檢測圖像呈現(xiàn)全圓周的紅色和藍(lán)青色極性信號(hào)，通過藍(lán)青色連通域的提取，設(shè)定等壁厚正常環(huán)焊縫的白色區(qū)域尺寸閾值，將變壁厚環(huán)焊縫識(shí)別出。在變壁厚識(shí)別結(jié)果基礎(chǔ)上，人工進(jìn)行線信號(hào)圖的復(fù)核，排查變壁厚環(huán)焊縫處被掩蓋的缺陷信號(hào)。

圖6 變壁厚環(huán)焊縫識(shí)別檢測

3.2 應(yīng)用軟件開發(fā)與應(yīng)用展望

國內(nèi)近期發(fā)生的數(shù)次管道環(huán)焊縫斷裂失效事故表明，環(huán)焊縫是高鋼級(jí)輸氣管道安全運(yùn)行的薄弱環(huán)節(jié)。建立全壽命周期的環(huán)焊縫檢測數(shù)據(jù)管理分析系統(tǒng)，實(shí)現(xiàn)環(huán)焊縫檢測大數(shù)據(jù)挖掘利用，及時(shí)發(fā)現(xiàn)并預(yù)警環(huán)焊縫缺陷，是降低環(huán)焊縫失效風(fēng)險(xiǎn)的有力手段。但是，單個(gè)檢測段的管道漏磁內(nèi)檢測數(shù)據(jù)體積過大，且不同內(nèi)檢測服務(wù)提供商都需要專有軟件進(jìn)行原始信號(hào)數(shù)據(jù)的解讀和分析。在此情況下，通過環(huán)焊縫漏磁內(nèi)檢測圖像的自動(dòng)采集和識(shí)別分析，不僅實(shí)現(xiàn)了環(huán)焊縫缺陷的排查，同時(shí)也大大縮小內(nèi)檢測數(shù)據(jù)的存儲(chǔ)空間。

上述某原油管道的環(huán)焊縫漏磁內(nèi)檢測信號(hào)截圖及智能分析軟件界面如圖7所示。在環(huán)焊縫漏磁內(nèi)檢測信號(hào)圖像識(shí)別算法基礎(chǔ)上，集成了信號(hào)圖像的自動(dòng)采集、命名和保存、缺陷特征分析等功能，實(shí)現(xiàn)了環(huán)焊縫漏磁內(nèi)檢測信號(hào)的全自動(dòng)識(shí)別分析。該原油管道里程為230 km，全線共2萬道環(huán)焊縫，高清漏磁內(nèi)檢測數(shù)據(jù)大小為100 GB。滿足環(huán)焊縫缺陷圖像識(shí)別需求的信號(hào)截圖大小為每環(huán)焊縫400 KB，全線環(huán)焊縫信號(hào)截圖約8 GB，節(jié)約了92%的環(huán)焊縫信號(hào)圖像線上存儲(chǔ)空間。使用該軟件，單張環(huán)焊縫圖像采集和缺陷識(shí)別分析的平均耗時(shí)可控制在1 s以內(nèi)，同時(shí)具備缺陷圖像和識(shí)別結(jié)果列表數(shù)據(jù)的格式化保存功能，方便環(huán)焊縫排查的缺陷列表和缺陷圖像等結(jié)果數(shù)據(jù)的上傳和在線查閱，滿足了環(huán)焊縫缺陷高效排查、現(xiàn)場移動(dòng)端數(shù)據(jù)查閱等多業(yè)務(wù)場景的應(yīng)用需求。

圖7 管道環(huán)焊縫缺陷漏磁內(nèi)檢測圖像智能分析軟件主界面及圖像格式化存儲(chǔ)

4 結(jié) 論

1)采用高斯混合模型聚類分析方法，實(shí)現(xiàn)了漏磁檢測圖像的顏色特征提取和缺陷識(shí)別分類算法?？紤]了信號(hào)斷點(diǎn)、變壁厚等常見異常信號(hào)的影響，研制出環(huán)焊縫缺陷漏磁內(nèi)檢測圖像智能分析軟件，實(shí)現(xiàn)了環(huán)焊縫漏磁內(nèi)檢測信號(hào)圖像的自動(dòng)采集和缺陷智能識(shí)別分析。

2)以人工復(fù)核結(jié)果為基準(zhǔn)，環(huán)焊縫缺陷圖像的智能識(shí)別分類準(zhǔn)確率達(dá)到90%以上，可節(jié)約92%的信號(hào)圖像存儲(chǔ)空間，且單張環(huán)焊縫圖像的采集和分析的平均耗時(shí)可控制在1 s以內(nèi)，為管道漏磁內(nèi)檢測大數(shù)據(jù)的在線存儲(chǔ)、瀏覽和挖掘分析利用提供了一種可行的技術(shù)路線。