周飛達(dá),李晉惠,梁明華

(1.西安工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院 陜西 西安 710021;2.中國(guó)石油集團(tuán)石油管工程技術(shù)研究院 陜西 西安 710077)

0 引 言

近年來(lái)，隨著我國(guó)經(jīng)濟(jì)的發(fā)展和環(huán)境保護(hù)要求的提高，天然氣的需求量和輸送量逐年增長(zhǎng)，天然氣管道的安全運(yùn)行對(duì)于保障國(guó)家能源供應(yīng)至關(guān)重要。對(duì)于長(zhǎng)輸管道特別是天然氣管道來(lái)說(shuō)，管材的韌性是管材性能中一個(gè)關(guān)鍵的指標(biāo)。在管線鋼的性能評(píng)價(jià)中，通常采用落錘撕裂試驗(yàn)(Drop Weight Tear Test)，通過(guò)評(píng)價(jià)試樣斷口的剪切面積比例或沖擊吸收能量來(lái)檢測(cè)和評(píng)價(jià)管材的韌性[1]。

DWTT得到的斷口形貌各不相同，其中斷口面包括脆性斷裂區(qū)、韌性斷裂區(qū)和具有分層結(jié)構(gòu)混合脆性韌性裂紋區(qū)。韌性斷口通常是暗灰色或纖維狀，斷面與應(yīng)力方向或板材表面有45°左右的傾斜角度[2]。脆性斷口呈現(xiàn)光澤和結(jié)晶狀，斷面通常與應(yīng)力方向或板材表面垂直。斷口分布特征為顆粒感或者說(shuō)是光潔結(jié)晶亮面，各個(gè)方向大體是均勻分布的。脆性面顆粒度由晶粒大小決定[3]。韌性面顆粒度,主要由韌窩大小決定，韌性越好韌窩越大。典型試樣斷口形貌如圖1所示。目前在評(píng)定DWTT斷口時(shí)還主要是通過(guò)試驗(yàn)人員經(jīng)驗(yàn)判斷，或者通過(guò)游標(biāo)卡尺等測(cè)量工具進(jìn)行測(cè)量和計(jì)算[4]。結(jié)果的準(zhǔn)確性受檢測(cè)人員主觀因素影響較大、計(jì)算效率低和計(jì)算誤差大,甚至由于檢測(cè)人員能力和水平的差異，在脆韌性識(shí)別、異常斷口處理等方面等方面還會(huì)出現(xiàn)錯(cuò)誤。

圖1 管材試樣斷口

為了解決上述問(wèn)題，本文在通過(guò)研究傳統(tǒng)DWTT斷口的測(cè)評(píng)方法，結(jié)合人工智能和圖像處理技術(shù)，建立了基于圖像處理和自動(dòng)識(shí)別的DWTT斷口測(cè)評(píng)方法[5]。利用計(jì)算機(jī)圖像分析方法和管線鋼DWTT在試驗(yàn)中呈現(xiàn)的斷口屬性特征，對(duì)DWTT斷口圖像進(jìn)行研究，識(shí)別結(jié)果準(zhǔn)確率如果能夠滿足工程需要，對(duì)于提高檢驗(yàn)檢測(cè)準(zhǔn)確性和工作效率等方面具有重要的工程應(yīng)用價(jià)值和示范推廣效應(yīng)[6]。

1 基于語(yǔ)義分割的斷口評(píng)定方法

1.1 DWTT斷口評(píng)定方法的建立

在建立模型時(shí)，首先選取大量樣品，進(jìn)行試樣斷口的數(shù)據(jù)采集。通過(guò)對(duì)采集好的斷口數(shù)據(jù)進(jìn)行韌脆區(qū)域的分析，然后對(duì)斷口圖像進(jìn)行脆性區(qū)域的標(biāo)記，完成數(shù)據(jù)集的制作工作。接著利用制作好的管材斷口圖像數(shù)據(jù)集進(jìn)行分類模型的訓(xùn)練。最后采用訓(xùn)練好的管材斷口分類模型對(duì)圖像的脆性區(qū)域進(jìn)行識(shí)別，把斷口區(qū)域中的脆性斷裂區(qū)和韌性斷裂區(qū)分割開來(lái)。對(duì)模型識(shí)別后的管材斷口圖像進(jìn)行分析，通過(guò)對(duì)識(shí)別圖像韌性區(qū)域的剪切面積百分比與人工測(cè)量結(jié)果相對(duì)比，來(lái)評(píng)估分類模型的有效性和準(zhǔn)確率?；谡Z(yǔ)義分割的管材DWTT斷口評(píng)定流程如圖2所示。

圖2 管材斷口評(píng)定流程

1.2 DeepLab v3+網(wǎng)絡(luò)進(jìn)行圖像的語(yǔ)義分割

2在模型訓(xùn)練方面采用的是一種基于圖像語(yǔ)義分割的DeepLabV3+網(wǎng)絡(luò)，DeepLab V3+網(wǎng)絡(luò)通過(guò)圖像層次的特征來(lái)增強(qiáng)ASPP模塊，從而可以在更大范圍上捕捉斷口圖像特征信息。DeepLabV3+網(wǎng)絡(luò)中包含了batch normalization參數(shù)(目的是對(duì)單次批處理的參數(shù)進(jìn)行歸一化)用于訓(xùn)練。特別在訓(xùn)練和提升時(shí)，在不同步長(zhǎng)(stride)上應(yīng)用空洞卷積提取輸出的特征，可以高效地在步長(zhǎng)為8時(shí)得到一個(gè)較高的性能，步長(zhǎng)為16時(shí)進(jìn)行訓(xùn)練[7]。此方法的難點(diǎn)是需要對(duì)采集好的數(shù)據(jù)集進(jìn)行脆性區(qū)域的標(biāo)記，對(duì)標(biāo)記人員經(jīng)驗(yàn)要求高。

DeepLabV3+網(wǎng)絡(luò)把DeepLabV3網(wǎng)絡(luò)作為編碼器，利用atrous convolution生成任意維度的特征，并采用ASPP策略，對(duì)帶孔卷積模塊進(jìn)行并行方式的設(shè)計(jì)，采用不同的atrous rates對(duì)不同尺度的卷積特征進(jìn)行提取，通過(guò)編碼全局內(nèi)容信息的圖像層特征，提升圖像的語(yǔ)義分割效果。在其后面級(jí)聯(lián)解碼器,將低層級(jí)的特征經(jīng)過(guò)卷積、上采樣等操作，得到圖像像素級(jí)別的預(yù)測(cè)。網(wǎng)絡(luò)整體結(jié)構(gòu)如圖3所示。

圖3 DeepLabV3+網(wǎng)絡(luò)結(jié)構(gòu)圖

在解碼模塊中，首先采用1×1的卷積核對(duì)低層次特征通道進(jìn)行壓縮，目的是使后面的斷口圖像特征對(duì)于編碼器得到的特征有一個(gè)偏重，從而更好的保證了高層次的語(yǔ)義信息。解碼模塊的另外一條路線是對(duì)于編碼模塊經(jīng)過(guò)ASPP提取出的特征進(jìn)行4倍的上采樣，得到與之相對(duì)應(yīng)的特征圖，接下來(lái)要做的是把得到的兩種特征圖進(jìn)行串聯(lián)，并對(duì)串聯(lián)后的特征圖進(jìn)行3×3的卷積操作，對(duì)特征進(jìn)行細(xì)微調(diào)整[8]。最后對(duì)調(diào)整好的結(jié)果進(jìn)行4倍的上采樣，得到管材試樣斷口的語(yǔ)義分割效果。加入解碼器可以恢復(fù)到原始試樣斷口分辨率的分割結(jié)果，使得邊緣細(xì)節(jié)信息有更加完整的保留[9]。

1.3 管材斷口評(píng)定計(jì)算方法

在對(duì)管材斷口進(jìn)行評(píng)定時(shí)，計(jì)算的是凈截面上的的剪切面積百分?jǐn)?shù)，采用的計(jì)算方法如公式(1)所示。SA代表剪切面積百分?jǐn)?shù)，NA代表凈截面積，BA代表凈截面積中脆性區(qū)域的面積[10]。

(1)

利用基于圖像的方法對(duì)斷口進(jìn)行評(píng)定計(jì)算時(shí)，是以灰度級(jí)為判定準(zhǔn)則，以像素為單位進(jìn)行統(tǒng)計(jì)的，所以需要對(duì)原始的計(jì)算公式進(jìn)行轉(zhuǎn)換。具體對(duì)脆性斷面率計(jì)算公式的轉(zhuǎn)換見公式(2)～公式(6)。

(2)

公式(2)中TS表示管材斷口圖像凈截面積的總像素值(包含背景)，F(xiàn)S表示管材斷口圖像凈截面中圖像區(qū)域的像素值(不含背景)，F(xiàn)R表示FS和TS兩者之間的比率。

(3)

公式(3)中PTS表示管材斷口識(shí)別圖像凈截面積的總像素值(包含背景)，PFS表示管材斷口識(shí)別圖像脆性區(qū)域的像素值，PFR表示PFS和PTS兩者之間的比率。

(4)

公式(4)中GTTS表示管材斷口標(biāo)記圖像凈截面積的總像素值(包含背景),GTFS表示管材斷口標(biāo)記圖像脆性區(qū)域的像素值,GTFR表示GTFS和GTTS兩者之間的比率。

(5)

公式(5)中APFR表示管材斷口識(shí)別圖像脆性區(qū)域所占凈截面(不含背景)的比率。

(6)

公式(6)中AGFR表示管材斷口標(biāo)記圖像脆性區(qū)域所占凈截面(不含背景)的比率。

通過(guò)使用轉(zhuǎn)換后的計(jì)算公式，它以像素值為統(tǒng)計(jì)單位，以灰度級(jí)為參考，所以計(jì)算出來(lái)的結(jié)果更加準(zhǔn)確與科學(xué)。

2 實(shí)驗(yàn)驗(yàn)證與分析

2.1 模型預(yù)測(cè)與結(jié)果分析

通過(guò)DeepLabV3+網(wǎng)絡(luò)訓(xùn)練的模型對(duì)試樣斷口圖像進(jìn)行預(yù)測(cè),分割后所得到的6組圖像如圖4所示。

圖4 6組管材斷口圖像對(duì)應(yīng)的人工標(biāo)記和計(jì)算機(jī)識(shí)別結(jié)果圖像

使用斷口評(píng)定計(jì)算公式，分別對(duì)6組管材斷口圖像進(jìn)行計(jì)算，計(jì)算機(jī)以及人工測(cè)量結(jié)果見表1。

表1 計(jì)算機(jī)處理與人工測(cè)量結(jié)果對(duì)比 %

采用6組斷口形貌相對(duì)規(guī)則的管材試樣斷口圖像進(jìn)行模型評(píng)價(jià)，并把計(jì)算機(jī)的識(shí)別圖像和利用計(jì)算機(jī)標(biāo)記工具標(biāo)記的結(jié)果圖像做計(jì)算,通過(guò)與人工測(cè)量結(jié)果進(jìn)行對(duì)比和分析，其中誤差1表示計(jì)算機(jī)標(biāo)記圖像的剪切面積百分比計(jì)算結(jié)果與計(jì)算機(jī)識(shí)別圖像之間的差值，最大的檢測(cè)誤差為1.3%，最小的檢測(cè)誤差為0.2%，實(shí)驗(yàn)數(shù)據(jù)表明計(jì)算機(jī)的識(shí)別精度較高。誤差2表示計(jì)算機(jī)標(biāo)記圖像的剪切面積百分比計(jì)算結(jié)果與人工測(cè)量結(jié)果之間的差值，最大的檢測(cè)誤差為6.9%，最小的檢測(cè)誤差為1.4%，實(shí)驗(yàn)數(shù)據(jù)表明使用計(jì)算機(jī)標(biāo)記工具標(biāo)記的管材斷口是有效和科學(xué)的。誤差3表示計(jì)算機(jī)識(shí)別圖像的剪切面積百分比計(jì)算結(jié)果與人工測(cè)量結(jié)果之間的差值，最大的檢測(cè)誤差為5.6%，最小的檢測(cè)誤差為0.6%，通過(guò)與現(xiàn)有處理結(jié)果的最大絕對(duì)誤差10%相比較，說(shuō)明計(jì)算機(jī)識(shí)別的結(jié)果是有效的。

2.2 目前存在的問(wèn)題和預(yù)期改進(jìn)方法

通過(guò)對(duì)比實(shí)驗(yàn)中對(duì)脆性區(qū)域的標(biāo)記圖像和計(jì)算機(jī)識(shí)別圖像發(fā)現(xiàn)，在利用訓(xùn)練好的模型分割脆性區(qū)域的邊界時(shí)，存在誤分割、多分割和少分割的現(xiàn)象，這種問(wèn)題主要是由兩個(gè)原因造成的，第一是模型參數(shù)設(shè)置沒有到達(dá)最優(yōu)。第二是在標(biāo)記圖像過(guò)程中，為了提高模型的學(xué)習(xí)效率，對(duì)于不好確定的脆性邊界區(qū)域，沒有對(duì)其進(jìn)行標(biāo)記，而模型在識(shí)別圖像邊界時(shí)，把不好確定的邊界區(qū)域也確定為脆性區(qū)域，與真實(shí)標(biāo)記圖像產(chǎn)生一定的誤差。計(jì)劃在后期的改進(jìn)主要包括兩個(gè)方面，一方面是對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，擴(kuò)存數(shù)據(jù)量來(lái)對(duì)網(wǎng)絡(luò)模型繼續(xù)訓(xùn)練，對(duì)于數(shù)據(jù)集中標(biāo)記不準(zhǔn)確的情況，進(jìn)行數(shù)據(jù)集的更正修復(fù)。另一方面是對(duì)網(wǎng)絡(luò)模型超參數(shù)進(jìn)行調(diào)整，以期達(dá)到最優(yōu)效果。

3 結(jié)束語(yǔ)

在管材落錘撕裂斷口評(píng)定方法的研究過(guò)程中，提出了一種基于管材斷口圖像語(yǔ)義分割的DeepLabV3+編解碼器模型，該模型以像素為基本單位進(jìn)行分類，在提取斷口脆性區(qū)域的同時(shí)，能夠有效地提取圖像的邊緣細(xì)節(jié)信息。與已有的網(wǎng)絡(luò)模型相比，該方法具有更高的分割準(zhǔn)確度。通過(guò)改進(jìn)斷口評(píng)定計(jì)算方法，它以圖像中的像素為基本單位進(jìn)行統(tǒng)計(jì)計(jì)算，相比較于傳統(tǒng)的計(jì)算方法，它的計(jì)算速度更快，計(jì)算精度也得到了很大的提高。但是對(duì)于一些形貌復(fù)雜的不規(guī)則管材斷口,DeepLabV3+方法在脆性區(qū)域識(shí)別方面仍然不夠準(zhǔn)確，后續(xù)將進(jìn)一步完善預(yù)測(cè)模型。