姚建軍

(中國石化集團 勝利石油管理局有限公司，山東 東營 257000)

管道傳輸石油和天然氣是最安全和最高效的方式之一，由于受管道使用年限和周圍環(huán)境等因素的影響，管道傳輸過程中會產生各種缺陷問題，比如產生管道穿孔和表面腐蝕等現象，以至產生管道損壞和油氣泄漏，造成安全隱患[1-4]。為確保安全生產，相關單位在開展油區(qū)綜合治理工作時需對油氣輸送管道進行定期巡檢，及時發(fā)現并快速處理潛在的安全隱患。傳統(tǒng)巡回檢查方式主要依賴于巡檢人員的責任心和不定期的掛牌、現場抽檢等監(jiān)督手段，但是人工方式存在著管網長而復雜、設施繁多、巡檢人員分散等缺點[5-7]，因此采用有效的監(jiān)測方法和技術手段對石油管道進行定期、快速和自動檢測至關重要。

近年來，隨著國家對管道安全的重視，針對管道的缺陷檢測也逐漸成為了一個重要的研究領域[8]。周琰等人提出了一種基于Mach-Zehnder光柵干涉儀原理的分布式光纖管道泄漏檢測方法[9]，利用分布式傳感器檢測管道周邊是否存在泄漏信號，并在實驗中得到了不錯的檢測效果，但是該檢測方式需要鋪設光纜，在實際工程中往往無法滿足該要求。安陽等人提出將相位敏感時域反射計應用于管道泄漏檢測[3]，該方法通過分析瑞利散射曲線的變化來對管道的實時運輸狀態(tài)給出預警信息，實驗結果表明： 該方法的誤差可以控制在10 m左右，但是實驗結果的依據是通過人工挖掘進行檢測。楊理踐等人采用直流勵磁的方式對管道內壁進行檢測[10]，通過實驗數據對管道的泄漏強度與內壁的厚度之間建立對應關系，以此設定閾值判定是否發(fā)生泄漏或腐蝕等現象，但該方法成本高，而且適用性差。王永雄等人通過提取管道的幾何特征來判定管道和缺陷區(qū)域[11]，采用智能控制算法來實現管道機器人的自主導航，提升了管道檢測的自主性。Rashid S等人將機器學習算法應用到管道檢測領域[12]，并同時比較了支持向量機、高斯混合模型以及貝葉斯算法等的檢測效果。雖然目前管道泄漏檢測方式有很多種，但是沒有一種檢測方式具有普適性，而且實施起來較復雜，后期維護需要付出更多的人力，增加了維護成本和人力成本。

本文提出基于多數據融合與小波分解的方法進行油氣管道缺陷檢測，采用無人機[13]和紅外熱成像技術[14]實現對管道區(qū)域的無接觸采集，避免了巡檢人員的不定期的自動現場排查，并通過圖像處理技術來自動識別管道區(qū)域，進而準確自動定位并標記缺陷區(qū)域。

1 油氣管道缺陷巡檢平臺

油氣管道缺陷巡檢平臺根據油氣管道巡檢的需求定制開發(fā)，可實現巡檢任務制訂、巡檢過程監(jiān)控、巡檢結果采集、巡檢報告生成等功能。本文所提出的算法都是基于該平臺實現的，巡檢平臺的人機交互界面如圖1所示。

圖1 油氣管道缺陷巡檢平臺示意

在平臺使用過程中，利用無人機的紅外相機按照既定的飛行路線將管道圖像實時采集，最大程度地避免了人工參與檢測過程，從而提升了檢測效率并減少了人力成本；實時采集的紅外圖像經過移動終端傳輸到巡檢平臺，采用本文提出的預處理算法和多數據融合算法對其進行實時處理，得到檢測結果并實時存儲。若發(fā)生管道泄漏等事故，則發(fā)送報警信息至相關人員及時進行處理。

2 檢測原理

2.1 改進的加權中值濾波算法

根據油氣管道紅外圖像的特點，背景區(qū)域的像素值占絕大部分，在圖像的大部分區(qū)域是具有相同的像素值且在圖像中成片出現；只有在缺陷區(qū)域和隨機噪聲區(qū)域等過渡區(qū)域的像素值有較大的變化，因此本文采用加權中值濾波算法。

中值濾波是非線性空間濾波方法，依賴于快速排序算法，能夠有效地減少隨機噪聲和脈沖噪聲的干擾；但是其運算過程需要進行大量的排序工作，計算量非常大，其算法復雜度不能滿足實時性要求。趙高長等人提出的加權快速中值濾波算法[15]，考慮了濾波模板滑動時無論是向下還是向右移動時都只會改變?yōu)V波窗口1列像素值，所以在進行計算時只需要對比移出的1列像素值和增加的1列像素值是否相同，由此來減少計算量。本文在加權快速中值濾波算法的基礎上進行了改進，進一步提升了檢測效率，改進后的加權快速中值濾波算法如圖2所示。

圖2 改進后的加權快速中值濾波算法示意

圖2中以3×3濾波窗口為例，對圖像做中值濾波處理時，對a1,a2,a3以及另外6個像素點重新排序，取中間位置的元素值作為輸出值A1；當向右移動1列時，a1,a2,a3這1列像素值移出，增加了b1,b2,b3 3個像素點，而新的輸出值A2只需要考慮a1,a2,a3和b1,b2,b3的關系，避免了大量的運算步驟，同時引入了傳統(tǒng)均值濾波算法的思想。本文在加權快速中值濾波算法[15]基礎上又進行了部分改進，在其原算法的基礎上又考慮到像素點之間的對應關系及其他相關性，算法具體步驟如下。

若移出和新增加的像素點關系如下：

(1)

1)如果移出的像素點a1,a2,a3和新增加的像素點b1,b2,b3滿足以上條件，則輸出值A2直接用A1代替；如果不滿足，則進行下一步。

2)求出在當前濾波窗口下的均值濾波和中值濾波的值，分別用f1(x,y)和f2(x,y)表示。

3)分別賦予f1(x,y)和f2(x,y)不同的權重(中值的權重為0.3，均值的權重為0.7)，使用得到的新值f(x,y)作為輸出值：

f(x,y)=0.3f1(x,y)+0.7f2(x,y)

(2)

4)得到濾波后的新像素值后，將濾波窗口右移計算(x+1,y)的值。

2.2 管道區(qū)域定位

由于采集到的圖像大部分都是背景區(qū)域，采用二值化算法處理后的圖像無法將檢測區(qū)域和背景區(qū)域完全區(qū)分開，因此嚴重影響識別的準確率和檢測效率。為了消除背景區(qū)域對管道檢測區(qū)域的影響，選取部分突出特征來自動定位管道區(qū)域。根據管道區(qū)域的特點，分別采用檢測區(qū)域的等效橢圓長軸半徑(RA)、緊密度(CP)、管道中心區(qū)域的行坐標、管道中心區(qū)域的列坐標、矩形度(RG)以及面積等6個特征來對管道區(qū)域和背景區(qū)域進行區(qū)分。其中RA的計算公式為

(3)

式中：M20,M02,M11——圖像的二階矩，其表現了管道區(qū)域的幾何特征，在本文中由moment_region_2d算子計算得到，提取的管道區(qū)域的RA的特征區(qū)間為6.725～36.039。

CP是計算1個區(qū)域的密集程度，采用圓形作為基礎進行計算，具體的計算公式為

CP=LT2/(4πAR)

(4)

式中：LT——管道區(qū)域的周長；AR——管道區(qū)域的面積；π——圓周率。LT和AR由area_center和contlength算子計算得到，本文中提取的CP特征區(qū)間為1.132～20.000；其他的特征取值區(qū)間都可計算獲得，具體的參數見表1所列。

表1 管道區(qū)域多個特征的取值區(qū)間

2.3 多數據融合缺陷定位方法2.3.1 檢測流程

針對單一邊緣檢測算法在圖像分割中的精度較低的問題，該方案采用圖像分割融合技術，分別使用Sobel算子和Canny算子對同一幅紅外管道圖像做處理，然后將不同的邊緣檢測圖像對應的同一個像素點加權平均，融合成為1幅新的圖像，并對新圖像進行Haar小波分解，得到低頻分量和高頻分量，對高頻分量進行分析，然后定位管道缺陷區(qū)域。具體的檢測流程如圖3所示。

圖3 多數據融合方案的檢測流程示意

本文使用不同的圖像邊緣檢測算子對不同的紅外管道圖像的檢測時間做對比，結果見表2所列。為了提升方案的檢測效率，本文采用Sobel邊緣算子和Canny邊緣算子對油氣管道圖像做處理，然后進行多數據融合。

表2 不同邊緣檢測算子的檢測時間對比結果 s

具體檢測方案如下：

1)分別應用Canny算子和Sobel算子對圖像進行邊緣提取。

2)對提取邊緣信息后的圖像進行融合處理，選取合適的權值對得到的邊緣圖像進行疊加。

3)對新圖像進行Haar小波分解，分別得到新圖像的低頻分量和3個高頻分量，對高頻分量進行分析。

4)高頻分量即噪聲區(qū)域或缺陷區(qū)域，而紅外圖像中溫度異常區(qū)域與高頻分量相吻合的區(qū)域，即為缺陷區(qū)域。

2.3.2 多數據融合原理

當管道發(fā)生泄漏時，泄漏點附近會產生溫度突變，該溫度變化以梯度形式向管道兩端傳播。構建沿管網的溫度分布函數曲線，通過分析管道上溫度信號的變化進行故障定位。管道出現泄漏的溫度突變點，其變化過程近似于階躍函數或斜坡函數，α∈(0, 1)，小波變換模極大值將隨著尺度增加而增大。但是，對于噪聲和雜波，其信號近似于δ函數，α∈(-1, 0)，小波變換模極大值將隨著尺度的增加而減小，即信號和噪聲在小波變換各尺度上的模極大值具有截然不同的傳播特性。根據該規(guī)律，可以區(qū)分泄漏的突變點和白噪聲點；設g(t)為光滑函數，且滿足條件：

(5)

又設g(t)為高斯函數，即：

(6)

(7)

(8)

由上述推導可見，Wp(α,τ)與p(t) 經gaτ(t)平滑后的導數成正比，而對某尺度α，Wp(α,τ)沿著時間軸t的極大值對應p(t)gaτ(t)的突變點，因此若gaτ(t)的等效寬度足夠小，則Wp(α,τ)的局部模極大值對應于信號奇異點的位置。尺度越小，平滑區(qū)域越小，在小尺度下小波系數受噪聲影響很大，因此會產生很多偽極值點，而在大尺度下信號的極值點就相對比較穩(wěn)定。因此，采用小波變換判斷奇異點前，首先采用多邊緣圖像融合的方式會比較準確。

3 實驗結果

本文提出的方法借助于無人機巡檢系統(tǒng)得以實現，并實時對采集的紅外管道圖像進行檢測，以此來驗證本方案與其他檢測方式的優(yōu)劣。實驗中使用紅外相機采集到的紅外管道圖像作為檢測對象，對1 000幅存在缺陷的管道圖像進行檢測，并采用不同的濾波窗口(3×3，5×5和7×7)計算該檢測方案的準確率。3種檢測方案在不同的濾波窗口下得出的準確率對比結果見表3所列。

表3 3種檢測方案在不同的濾波窗口下得出的準確率對比

從表3中可以看出，本文所提出的檢測方法在準確率上是優(yōu)于其他2種檢測方法的，并且該方案在改進的加權中值濾波算法的濾波窗口為5×5時檢測效果達到最好；而且同時也驗證了本文提出的預處理方案的最佳濾波窗口為5×5，因為其他2種檢測方案也是在該濾波窗口下檢測效果達到最佳。同時，對3種檢測方案的最佳準確率情況下所耗費的檢測時間做了對比，對比結果如圖4所示。從圖4可以看出，該方案的檢測效率也要優(yōu)于其他2種檢測方案。

圖4 3種檢測方案的檢測時間對比示意

4 結束語

本文提出了一種基于多數據融合和小波分解的油氣管道缺陷檢測方案，并搭建了一套完整的無人機管道巡檢系統(tǒng)。首先利用無人機和紅外相機對管道圖像進行實時分段采集，并采用改進的加權中值濾波算法對紅外圖像進行預處理，然后根據綜合特征自動定位出管道區(qū)域；然后對處理后的圖像分別做Sobel邊緣檢測和Canny邊緣檢測，采用合適的加權因子對其進行融合，利用Haar小波將其分解得到高頻分量，高頻分量和紅外圖像中溫度異常區(qū)域重合的部位即缺陷區(qū)域。實驗結果表明，該方案在濾波窗口為5×5時準確率高達97.8%，檢測效率可達0.090 5 s/幅。