圖 1 管道環焊縫DR檢測圖像示例
分享：管道環焊縫DR圖像典型缺陷的智能識別
無損檢測是評價長輸管道對接環焊縫焊接質量的重要方法[1]。其中，X射線檢測膠片成像（RT）以其檢測結果直觀、適應性好等優點成為了常用的無損檢測方式之一[2]。隨著管道建設向數字化方向發展，DR技術具有實時成像、自動化程度高、檢測結果能夠數字化保存等優點，正在逐步取代膠片成像[3-6]。DR技術的推廣應用導致大量圖譜需要人工評判，不僅工作效率低，而且評判結果易受人員主觀因素影響，難以避免缺陷的誤檢漏檢[7-9]。而人工智能（AI）技術能夠對DR圖像中的缺陷進行自動識別，從而提高評判效率，并保證評判結果的一致性[10-12]。
DR圖像缺陷的智能識別工作具有專業性強、缺陷所在區域小、缺陷特征提取困難等特點[13-15]。基于此，文章對DR圖像特點進行分析，提出了可有效提高智能識別模型對圓形缺陷和未熔合缺陷識別能力的圖像處理方法，以保障AI檢測結果的可靠性，推進DR缺陷智能評判技術在長輸管道環焊縫無損檢測領域的應用。
1. 管道環焊縫DR檢測圖像特點
管道環焊縫的DR檢測圖像示例如圖1所示。該圖像為DICONDE格式[16]，包含了大量信息，如果不采用專業的圖像處理軟件，則需解析圖像信息才能實現圖像的顯示。由圖1可知，管道環焊縫的DR檢測圖像具有長寬比大（約為37），缺陷所占面積小（缺陷面積與總面積的比值約為1×10−5），重點關注區域小（約為總面積的1/5）等不利于缺陷智能識別的特點。上述特點會使計算機在原圖長度方向上的運算權重較大，AI模型對缺陷長度方向的特征識別能力強，而對缺陷寬度方向的特征識別能力不強[17-20]。此外，射線源定位不準確或探測器像元響應不一致等因素會使部分圖像出現灰度不均勻現象，如圖2所示。由于計算機對原圖的預處理是根據灰度值進行的，因此該現象會影響圖像的預處理。
圖 2 灰度不均勻的圖像
對DR圖像中的圓形缺陷和未熔合缺陷進行放大，如圖3所示。由圖3可見，圓形缺陷相較于背景區域偏黑，顯示為類似圓形的黑點；未熔合缺陷相較于背景區域偏黑，顯示為一條連續的黑線。圓形缺陷和未熔合缺陷的灰度及形貌特征相對明顯，有利于實現計算機對缺陷的智能識別。
圖 3 未熔合缺陷和圓形缺陷在圖像上的顯示
2. 缺陷智能識別網絡搭建
卷積神經網絡在目標檢測方面具有突出優勢，能夠自動提取特征，并具有泛化能力強、精度高、實時性好等優點[21-23]。以卷積神經網絡為基礎，采用YOLO算法搭建缺陷智能識別網絡，針對管道環焊縫DR圖像中圓形和未熔合兩類缺陷的特征進行算法優化，從而實現AI模型對缺陷的精準識別。
2.1 YOLO算法
YOLO目標檢測算法的實現包括圖像輸入、尺寸重組、卷積計算、激活函數、池化、全連接等步驟，其流程如圖4所示。文章在YOLO算法上進行了優化，首先，采用遺傳算法（GA）進行數據分類，該算法能夠自動劃分訓練集、驗證集和測試集；其次，采用非極大值抑制（NMS）規則消除冗余邊界框，提高缺陷的識別準確率；然后，采用Relu激活函數提高網絡的表達能力并減少過擬合的風險；最后，采用Boundbox（邊界框）進行標記提取，將缺陷位置表達到原圖上；再利用混淆矩陣實現訓練結果的自動統計。
圖 4 YOLO目標檢測算法流程
2.2 圖像預處理
針對管道環焊縫DR檢測圖像中不利于缺陷智能識別的因素，對原圖像進行預處理，可使缺陷特征更容易被自動提取和識別。預處理過程包括圖像的橫向分割和縱向分割。
2.2.1 橫向分割
缺陷一般存在于焊縫區域和熱影響區（距焊縫邊緣約5 mm），焊縫區域的圖像特點為灰度值低。因此，對原圖進行橫向分割，提取出可能存在缺陷的區域。對于灰度均勻的DR圖像，以原圖寬度方向像素為橫坐標，原圖長度方向像素值疊加的平均值為縱坐標繪制曲線，如圖5所示（圖中橫縱軸均無量綱，下同），可知原圖在寬度方向上的灰度變化為“平-降-升-平”，其中“降-升”區域 （圖中紅色區域）為焊縫區域，截取“降-升”兩側各100 mm的區域作為熱影響區，即可提取出焊縫及熱影響區區域。
圖 5 灰度均勻DR圖像的縱向灰度分布曲線
對于灰度不均勻的DR圖像，采用上述方法無法準確提取焊縫區域及熱影響區。通過繪制“縱向像素位置-橫向像素平均灰度值”曲線（見圖6）進行分析，可知其灰度值存在“升-降-升”現象，其中“降-升”區域即為焊縫區域。
圖 6 灰度不均勻DR圖像的縱向灰度分布曲線
由圖5，6可知，在焊縫區域，灰度值變化梯度較大。因此，對圖5和圖6進行梯度折算，折算結果如圖7所示，可見兩者曲線接近，“升-降-升”區域均為焊縫區域，提取該區域即可實現焊縫區域及熱影響區的提取。
圖 7 灰度分布均勻與否的梯度折算圖
2.2.2 縱向分割
進行橫向分割后，圖像仍存在長寬比過大的問題，因此對橫向分割后的圖像進行縱向分割。為了均衡AI模型對圖像長度和寬度方向的學習權重，以當前圖像的寬度為分割距離，將圖像分割為多個正方形圖像，結果如圖8所示。
圖 8 分割后的圖像示例
3. 缺陷訓練與模型識別能力驗證
3.1 數據集準備
采用同一探測器采集的焊接工藝相同的428張管道環焊縫圖像進行訓練[24]，其中包含圓形缺陷2 016個，未熔合缺陷817個。探測器參數與數據集信息如表1所示。
Table 1. 探測器參數與數據集信息
| 名稱 | 信息 |
|---|---|
| 探測器型號 | RAPIXX 2NDT WIFI |
| 有效成像尺寸/mm | 160×130 |
| 像素尺寸/mm | 0.125 |
| 管道規格（直徑×壁厚）/mm | 1 219×18.4 |
| 坡口型式 | 雙V形，上坡口40°下坡口50° |
| 焊接方式 | 雙面埋弧焊 |
3.2 參數設置
對圖像進行預處理后，將圖像輸入到計算機中進行卷積計算。預先設置訓練參數，如輸入圖像尺寸、樣本數量（Batch size）、迭代次數（Epoch）、初始學習率、IOU閾值等，采用YOLO數據訓練算法實現AI模型對缺陷特征的學習。調節訓練參數，提高AI模型對缺陷的識別能力。當輸入圖像尺寸為1 024×1 024（無量綱）、Batch size為32、Epoch為600、初始學習率為0.001、IOU閾值為0.5時，得到圓形缺陷和未熔合缺陷的識別準確率矩陣如圖9所示，可得，圓形缺陷的識別準確率為94%，未熔合缺陷的識別準確率為92%。
圖 9 圓形和未熔合缺陷的識別準確率矩陣
采用3條由上述探測器采集的工程現場焊接的管道環焊縫的DR檢測圖像來驗證智能識別模型的識別效果，人工識別和AI識別結果對比如表2所示（表中評圖時間不包括記錄缺陷的時間）。
Table 2. 人工識別與AI識別結果對比
| 編號 | 識別方式 | 缺陷1 | 缺陷2 | 缺陷3 | 缺陷4 | 缺陷5 | 缺陷6 | 評圖時間/s |
|---|---|---|---|---|---|---|---|---|
| 焊縫1 | 人工識別 | 未檢出 | 未檢出 | 1790圓形缺陷 | 1875未熔合 | 1975未熔合 | 2340圓形缺陷 | 42 |
| AI識別 | 1130圓形缺陷 | 1600圓形缺陷 | 1790圓形缺陷 | 1875未熔合 | 1975未熔合 | 2340圓形缺陷 | 10 | |
| 焊縫2 | 人工識別 | 1260圓形缺陷 | 1320圓形缺陷 | 未檢出 | 1920未熔合 | 2260圓形缺陷 | 3120圓形缺陷 | 47 |
| AI識別 | 1260圓形缺陷 | 1320圓形缺陷 | 1480圓形缺陷 | 1920未熔合 | 2260圓形缺陷 | 3120圓形缺陷 | 9 | |
| 焊縫3 | 人工識別 | 620圓形缺陷 | 650未熔合 | 1450圓形缺陷 | 1930未熔合 | 未檢出 | 3020圓形缺陷 | 44 |
| AI識別 | 620圓形缺陷 | 650未熔合 | 1450圓形缺陷 | 1930未熔合 | 2250圓形缺陷 | 3020圓形缺陷 | 10 |
焊縫1~3中AI模型對缺陷的識別情況如圖10所示。將AI模型對焊縫的自動識別結果與人工評圖結果進行對比發現，識別準確率方面，人工和AI模型均能識別圖像中的明顯缺陷，且識別結果一致，但對于圖像中尺寸較小的圓形缺陷，人工評判時一般不對其進行標注，原因是標準要求小于0.5 mm的圓形缺陷不予標記；識別效率方面，AI模型自動識別缺陷所需時間大約為10 s，人工的缺陷識別時間大約為40 s。綜上所述，AI智能識別模型能夠有效輔助工人進行圓形缺陷和未熔合缺陷的識別工作，提高DR圖像缺陷評判的智能化水平。
圖 10 AI對焊縫1，2，3中缺陷的識別情況
4. 結論
（1）通過對管道環焊縫的DR檢測圖像進行預處理，運用YOLO算法實現了AI對圓形缺陷和未熔合缺陷的識別。
（2）AI模型對同一焊接工藝下同種探測器采集的DR圖像中圓形缺陷的識別準確率達94%，未熔合缺陷的識別準確率達92%。
（3）將人工評判結果與AI識別效果進行對比，測試了AI對缺陷識別的準確性和識別效率。結果顯示，AI模型能夠有效輔助工人進行缺陷的識別工作。
文章來源——材料與測試網
浙公網安備 33042402000106號
