楊忠華，付澤宇，付海霞

(1.河南省鍋爐壓力容器安全檢測研究院鶴壁分院，鶴壁 458030；2.城發(fā)環(huán)保能源(鶴壁)有限公司，鶴壁 458030；3.國網(wǎng)河南省電力公司 鶴壁供電公司，鶴壁 458030)

LNG(液化天然氣)船舶是一種運(yùn)輸液化氣的專用船舶。為滿足液化氣對(duì)環(huán)境穩(wěn)定性的高要求，LNG船舶上有一個(gè)特殊的結(jié)構(gòu)，即泵塔。泵塔由各種金屬結(jié)構(gòu)搭建而成，其內(nèi)部有一個(gè)空間，是液貨進(jìn)出的重要通道，主要作用是減少液艙液體的搖晃。泵塔在長時(shí)間的液艙動(dòng)載荷作用下，焊縫處極易出現(xiàn)缺陷，導(dǎo)致泵塔的可靠性降低。因此，及時(shí)發(fā)現(xiàn)并修復(fù)泵塔區(qū)鋼結(jié)構(gòu)焊縫的表面缺陷至關(guān)重要[1]。

超聲檢測法穿透能力強(qiáng)、靈敏度較高、操作方便，但是不易檢測形狀復(fù)雜的工件，且要求被檢件表面光滑；在檢測粗晶粒的鑄件和焊縫時(shí)，難以保證檢測精度。紅外熱成像檢測法通過監(jiān)測溫度異常圖像來判斷缺陷位置，對(duì)固體材料中出現(xiàn)的裂紋、空洞、夾雜等缺陷較為敏感，但其檢測靈敏度與熱輻射率相關(guān)，易受到部件表面及背景輻射的干擾，且不能測定缺陷的形狀、大小和位置。

針對(duì)上述兩種檢測方法存在的問題，筆者提出超聲紅外熱成像檢測法。該方法將超聲檢測法和紅外熱成像檢測法相結(jié)合，首先利用超聲發(fā)生器對(duì)待檢目標(biāo)發(fā)射超聲，當(dāng)超聲在物體中傳播遇到缺陷時(shí)，就會(huì)發(fā)生激勵(lì)作用，導(dǎo)致缺陷部位的表面溫度異常升高；然后利用紅外熱成像檢測設(shè)備采集熱像圖，最后進(jìn)行圖像分析，即可確定缺陷位置。

1 超聲紅外熱成像檢測方法

船舶泵塔區(qū)外觀及結(jié)構(gòu)如圖1所示。船舶泵塔區(qū)多為焊接結(jié)構(gòu)，故焊縫質(zhì)量是影響整個(gè)泵塔結(jié)構(gòu)穩(wěn)定性、可靠性和安全性的主要因素[2]。

圖1 船舶泵塔區(qū)外觀及結(jié)構(gòu)示意

1.1 超聲紅外熱成像技術(shù)原理

超聲紅外熱成像技術(shù)是一種超聲檢測法和紅外熱成像檢測法相結(jié)合的技術(shù)[3],其兩端分別為超聲發(fā)射器和紅外熱成像采集設(shè)備，成像原理框圖如圖2所示。

圖2 超聲紅外熱成像技術(shù)原理框圖

1.2 紅外熱像圖預(yù)處理

1.2.1 灰度化

紅外熱像圖是一種RGB(三原色)顏色空間模式的彩色圖像，而大多數(shù)缺陷檢測算法多是以灰度圖像為基礎(chǔ)的(彩色圖像中干擾因素眾多)，因此需要將彩色圖像轉(zhuǎn)換為灰度圖像[4]?；叶葓D像的轉(zhuǎn)換方法有3種，即利用紅、綠、藍(lán)三色的最大值、平均值或加權(quán)平均值作為灰度圖的灰度，3種方法灰度的計(jì)算式分別如(1)(3)所示。

S(i,j)1=max[R(i,j),G(i,j),B(i,j)]

(1)

(2)

S(i,j)3=0.30R(i,j)+0.59G(i,j)+

0.11B(i,j)

(3)

式中：等式左邊為利用各方法得到的灰度圖像在(i,j)處的灰度；0.30，0.59，0.11為權(quán)重系數(shù);R(i,j),G(i,j),B(i,j)分別為紅、綠、藍(lán)三原色的亮度。

1.2.2 消噪

紅外熱像圖存在噪聲會(huì)嚴(yán)重干擾缺陷的識(shí)別，因此圖像去噪是不可忽視的[5]。圖像去噪過程為：① 選擇一個(gè)模板，即濾波器，記為H(r,s)；② 讓模板在圖像上移動(dòng)，使得模板中心與圖中每一個(gè)像素位置都重合；③ 將模板的各個(gè)系數(shù)與模板下各對(duì)應(yīng)像素的灰度相乘；④ 將所有乘積相加，再除以模板的系數(shù)個(gè)數(shù)；⑤ 將上述得到的運(yùn)算結(jié)果代替原圖像中與模板中心位置對(duì)應(yīng)的像素[6]。

1.2.3 圖像增強(qiáng)

圖像增強(qiáng)是指改善圖像的視覺清晰度，使得圖像有價(jià)值的信息表現(xiàn)得更為明顯的技術(shù)。圖像增強(qiáng)主要包括空間轉(zhuǎn)換以及分量處理等過程，具體步驟為：① 顏色空間轉(zhuǎn)換,將圖像由RGB顏色空間轉(zhuǎn)換成為HSV(色調(diào)，飽和度，明度)顏色空間；② 對(duì)亮度分量進(jìn)行增強(qiáng)，包括照度圖像估計(jì)、照度圖像細(xì)化、照度圖像校正、求取亮度增強(qiáng)的反射圖像；③ 對(duì)飽和度進(jìn)行拉伸處理；④ 由HSV顏色空間轉(zhuǎn)換回 RGB 顏色空間；⑤ 顏色恢復(fù)[7]。

1.3 焊縫缺陷檢測與識(shí)別

當(dāng)泵塔區(qū)鋼結(jié)構(gòu)焊縫質(zhì)量存在問題時(shí)，紅外熱像圖就會(huì)表現(xiàn)出不同的溫度差，通過這種溫度差，可實(shí)現(xiàn)焊縫缺陷的檢測與識(shí)別。文章采用一種卷積神經(jīng)網(wǎng)絡(luò)算法和決策樹來實(shí)現(xiàn)缺陷的分類，前者主要用于圖像特征提取，后者主要用于構(gòu)造分類器[8]。

1.3.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，主要由卷積層、采樣層、全連接層、輸入輸出層等組成。在卷積神經(jīng)網(wǎng)絡(luò)中，卷積層包含了若干個(gè)特征圖譜，其主要作用是提取輸入圖像的局部特征。每一個(gè)特征圖譜都只完成一種局部特征的提取，因此不同的特征圖譜將實(shí)現(xiàn)一幅圖像中不同特征的提取。卷積完成后，進(jìn)入下采樣層中[9]，在下采樣層中，對(duì)特征圖像進(jìn)行降維處理，以降低特征圖像的分辨率。不斷重復(fù)上述過程，即完成了“前饋運(yùn)算”。卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過“前饋運(yùn)算”后，最后一層會(huì)產(chǎn)生一個(gè)目標(biāo)函數(shù)，通過目標(biāo)函數(shù)來計(jì)算“前饋運(yùn)算”的預(yù)測值與預(yù)期值的誤差，一旦誤差超過設(shè)定的閾值，則按照BP(一種誤差反向傳播算法)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行反向傳播，更新卷積神經(jīng)網(wǎng)絡(luò)每一層的參數(shù)，然后不斷重復(fù)“前饋運(yùn)算”和“反向傳播”的過程，直到整個(gè)卷積神經(jīng)網(wǎng)絡(luò)收斂[10]。

1.3.2 決策樹分類器模型

基于卷積神經(jīng)網(wǎng)絡(luò)提取了泵塔區(qū)鋼結(jié)構(gòu)焊縫表面缺陷的特征向量，利用構(gòu)建的多分類器模型對(duì)缺陷進(jìn)行了分類識(shí)別[11]。多分類器模型的工作流程如圖3所示。

圖3 多分類器模型的工作流程

多分類器模型由若干個(gè)基分類器組合而成。基分類器的構(gòu)建算法有很多，如logistic回歸、支持向量機(jī)、決策樹、多元判別分析、聚類分析、BP神經(jīng)網(wǎng)絡(luò)等[12]。文章選用決策樹算法來構(gòu)建基分類器。決策樹基分類器的構(gòu)建流程為：① 將所有的圖像看成是一個(gè)節(jié)點(diǎn)；② 從所有的數(shù)據(jù)特征中挑選一個(gè)數(shù)據(jù)特征對(duì)節(jié)點(diǎn)進(jìn)行分割，生成若干子節(jié)點(diǎn)；③ 對(duì)每一個(gè)子節(jié)點(diǎn)進(jìn)行判斷，判斷是否滿足停止分裂的條件，若滿足，進(jìn)入步驟④,否則，回到②；④ 設(shè)置滿足停止分裂條件的節(jié)點(diǎn)為子節(jié)點(diǎn)，分類器輸出的結(jié)果為該節(jié)點(diǎn)數(shù)量占比最大的類別[13]。

2 仿真分析

為測試文章所研究的超聲紅外熱成像檢測法在泵塔區(qū)鋼結(jié)構(gòu)焊縫表面缺陷檢測中的應(yīng)用效果，對(duì)單一超聲檢測方法和單一紅外熱成像檢測方法進(jìn)行對(duì)比，在MATLAB軟件上進(jìn)行仿真試驗(yàn)。

2.1 試驗(yàn)樣本分布

泵塔區(qū)鋼結(jié)構(gòu)焊縫表面缺陷的類型多樣，建立的缺陷樣本集如表1所示。

表1 泵塔區(qū)鋼結(jié)構(gòu)焊縫表面缺陷樣本集

2.2 試件制作

根據(jù)表1泵塔區(qū)鋼結(jié)構(gòu)焊縫表面缺陷的樣本集進(jìn)行人工缺陷試件制作，制作方案如表2所示。

表2 人工缺陷試件制作方案

2.3 焊縫表面質(zhì)量等級(jí)

根據(jù)標(biāo)準(zhǔn)GB/T 29712-2013 《焊縫無損檢測 超聲檢測 驗(yàn)收等級(jí)》，焊縫表面質(zhì)量等級(jí)劃分標(biāo)準(zhǔn)如表3所示。

表3 焊縫表面質(zhì)量等級(jí)劃分標(biāo)準(zhǔn)

2.4 分類識(shí)別參數(shù)設(shè)置

焊縫缺陷檢測與識(shí)別的參數(shù)設(shè)置如表4所示。

表4 焊縫缺陷檢測與識(shí)別的參數(shù)設(shè)置

2.5 試驗(yàn)環(huán)境搭建

仿真試驗(yàn)環(huán)境搭建所需要的硬件設(shè)備包括超聲發(fā)射器、紅外熱像圖采集設(shè)備、夾持裝置、移動(dòng)裝置、兩個(gè)計(jì)算機(jī)、高頻感應(yīng)器。紅外熱像圖采集設(shè)備型號(hào)為RX-300 PT，超聲發(fā)射器型號(hào)為XSJM-1500W，設(shè)備基本參數(shù)如表5所示。

表5 紅外熱像圖采集設(shè)備與超聲發(fā)射器的基本參數(shù)

2.6 缺陷檢測結(jié)果

在MATLAB軟件上構(gòu)建決策樹多分類器模型，然后將圖像的特征向量輸入到該模型中，得到缺陷的檢測結(jié)果。在相同條件下，利用單一超聲檢測法和單一紅外熱成像檢測法對(duì)制作的泵塔區(qū)鋼結(jié)構(gòu)焊縫表面缺陷試件進(jìn)行檢測，并統(tǒng)計(jì)其檢測精度，得到各方法的平均識(shí)別精度如表6所示。

表6 各方法的平均識(shí)別精度 %

由表6可知，超聲紅外熱成像檢測法的平均識(shí)別精度更高，表明所研究的無損檢測方法在給定的數(shù)據(jù)集上的識(shí)別效果更好，證明了所研究方法的有效性。

3 結(jié)語

超聲紅外熱成像檢測法將超聲及紅外熱成像檢測技術(shù)相結(jié)合，彌補(bǔ)了單一檢測方法存在的不足。經(jīng)過仿真測試，證明了該檢測方法的有效性。