雷錚強(qiáng),張 豐，林 嵩，王富祥

(國家管網(wǎng)北方管道公司管道科技研究中心，河北廊坊 065000)

0 引言

針對大口徑、高壓力、高強(qiáng)鋼管道失效問題，中國石油集團(tuán)公司對2007年后建成的油氣管道環(huán)焊縫開展安全質(zhì)量風(fēng)險排查工作[1-2]。通過排查，發(fā)現(xiàn)了國內(nèi)管道建設(shè)過程中存在的一些問題，如射線底片不合格缺陷的漏評和錯評等[3]。這些管道施工建設(shè)問題如未被及時發(fā)現(xiàn)，將對后續(xù)管道生產(chǎn)運(yùn)行帶來安全隱患。對在役管道進(jìn)行漏磁內(nèi)檢測，并進(jìn)行人工信號復(fù)核等能夠進(jìn)一步發(fā)現(xiàn)部分嚴(yán)重環(huán)焊縫缺陷[4]，降低管道安全運(yùn)行風(fēng)險。在加快推進(jìn)企業(yè)數(shù)字化轉(zhuǎn)型的新形勢下，智慧管網(wǎng)建設(shè)和運(yùn)營的目標(biāo)正式被提出。本文從管道環(huán)焊縫缺陷排查的技術(shù)需求出發(fā)，結(jié)合圖像識別等人工智能分析技術(shù)，對環(huán)焊縫缺陷的射線檢測圖像和漏磁內(nèi)檢測信號特征的圖像智能識別分析進(jìn)行了技術(shù)應(yīng)用研究和軟件開發(fā)。

1 環(huán)焊縫質(zhì)量排查現(xiàn)狀及技術(shù)需求分析

環(huán)焊縫排查工作內(nèi)容包括高后果區(qū)設(shè)計符合性排查、高后果區(qū)風(fēng)險管控排查、地質(zhì)條件影響排查、環(huán)焊縫質(zhì)量排查。其中，管道環(huán)焊縫質(zhì)量風(fēng)險排查的主要工作流程如圖1所示，包括建設(shè)期射線底片復(fù)評、運(yùn)行期漏磁內(nèi)檢測信號復(fù)核等，目標(biāo)是排查出環(huán)焊縫的超標(biāo)缺陷并修復(fù)。

圖1 管道環(huán)焊縫質(zhì)量風(fēng)險排查的主要工作流程

104km長輸管道涉及環(huán)焊縫約106道，按照平均每道焊口4張底片估算，射線檢測底片復(fù)評工作量達(dá)到4×106張。當(dāng)前射線檢測缺陷的復(fù)評復(fù)審工作主要依賴人工進(jìn)行，工作量大、效率低和重復(fù)勞動等問題突出。X射線底片的缺陷智能評定技術(shù)已被研究，用于解決重復(fù)勞動和缺陷漏評等問題[5-6]，當(dāng)前隨著環(huán)焊縫隱患排查工作的持續(xù)開展，該研究方向逐漸成為工業(yè)領(lǐng)域的研究熱點(diǎn)[7-9]。

此外，對于運(yùn)行期管道的漏磁內(nèi)檢測數(shù)據(jù)，應(yīng)用4種類型的環(huán)焊縫缺陷漏磁內(nèi)檢測信號的分類識別模型和方法[4]，在此次管道環(huán)焊縫質(zhì)量風(fēng)險排查專項(xiàng)工作中持續(xù)應(yīng)用，文獻(xiàn)[10-13]報道了基于深度學(xué)習(xí)的人工智能技術(shù)在管道環(huán)焊縫缺陷等目標(biāo)檢測方面的應(yīng)用研究。

基于環(huán)焊縫射線底片和漏磁內(nèi)檢測信號排查發(fā)現(xiàn)的大量缺陷樣本，本文應(yīng)用深度學(xué)習(xí)技術(shù)對射線及漏磁檢測圖像進(jìn)行了缺陷識別算法研究和應(yīng)用軟件開發(fā)(圖2)，以提升環(huán)焊縫缺陷排查效率和智能化水平。

2 射線檢測底片圖像智能識別技術(shù)研究

2.1 算法流程設(shè)計

如圖3所示，射線檢測缺陷圖像識別算法設(shè)計主要包括：圖像預(yù)處理算法、基于深度學(xué)習(xí)網(wǎng)絡(luò)的焊縫及缺陷特征識別算法，以及缺陷位置類型等識別結(jié)果輸出算法等。

圖3 射線檢測底片圖像智能識別算法整體流程

(1)圖像預(yù)處理目的：制作滿足深度學(xué)習(xí)算法開發(fā)和測試的樣本圖像，包括DCM格式轉(zhuǎn)換、圖像歸一化、白邊干擾處理等模型算法；對底片圖像進(jìn)行焊縫區(qū)域判定、補(bǔ)全及提取，為缺陷智能識別分析提出基礎(chǔ)數(shù)據(jù)。

(2)基于深度學(xué)習(xí)的焊縫區(qū)域檢測及焊縫缺陷檢測識別算法是核心，其開發(fā)過程包括需求分析、數(shù)據(jù)獲取、樣本制作、模型訓(xùn)練、調(diào)試調(diào)優(yōu)及檢測結(jié)果優(yōu)化迭代等步驟。

(3)缺陷特征識別結(jié)果輸出，缺陷類型的識別和分類，如裂紋、未熔合等危害程度較大缺陷的識別預(yù)警，用于提升環(huán)焊縫排查的智能化水平和效率。

焊縫區(qū)域檢測識別的深度學(xué)習(xí)算法，采用Faster R-CNN目標(biāo)檢測方法，主干網(wǎng)絡(luò)采用ResNet101。用于焊縫區(qū)域檢測的底片樣本經(jīng)裁剪及數(shù)據(jù)增廣處理后焊縫區(qū)域圖像數(shù)量為7 300張。按照4∶1∶1比例分配訓(xùn)練集、驗(yàn)證集和測試集，分別用于深度學(xué)習(xí)算法模型的訓(xùn)練和測試。經(jīng)開發(fā)調(diào)試，基于Faster R-CNN的卷積神經(jīng)網(wǎng)絡(luò)模型對焊縫區(qū)域的識別準(zhǔn)確率在99%以上，且能夠適應(yīng)圖像亮度、對比度及圖像邊緣過渡區(qū)域的變化。

根據(jù)某新建管道實(shí)際缺陷數(shù)量分布情況，確定圓形缺陷、未熔合及條形缺陷是最主要的3種焊接缺陷類型。對于圓形缺陷，采用了Faster R-CNN目標(biāo)檢測算法。與圓形缺陷不同，未熔合和條形缺陷的長寬比變化非常劇烈，由于卷積層的池化作用，采用YOLO目標(biāo)檢測算法將圖像壓縮、修改錨框尺寸后能更好適應(yīng)未熔合和條形缺陷等小尺寸缺陷檢測。

2.2 主要缺陷類型的智能識別效果

經(jīng)過底片圖像數(shù)據(jù)清洗、缺陷圖像標(biāo)注和預(yù)處理后，得到大量圓形缺陷、未熔合和條形缺陷等主要類型缺陷的樣本。如圖4所示，在設(shè)定合適交并比參數(shù)后，對這3種類型缺陷的識別分類準(zhǔn)確率達(dá)85%以上。

(a)圓形缺陷

由于裂紋缺陷數(shù)量較少，不能進(jìn)行其圖像識別算法模型的訓(xùn)練。采用上述圓形缺陷、未熔合及條形缺陷的智能算法模型，測試了該管段的19處裂紋缺陷底片圖像?，F(xiàn)有目標(biāo)檢測算法共報告出30處缺陷，其中15處識別為未熔合缺陷，4處識別為條形缺陷，無裂紋缺陷位置誤報未熔合或條形缺陷11處。裂紋缺陷的智能識別報告結(jié)果的典型圖像如圖5所示。因此，綜合考慮裂紋缺陷的危害性和檢測效果，將現(xiàn)有未熔合檢測算法模型的適用范圍擴(kuò)大至裂紋缺陷。盡管還有4處裂紋被識別為條形缺陷及11處非裂紋缺陷誤判，但通過置信度排序，仍有助于裂紋、未熔合等危害性缺陷的識別和篩查排序。

(a)未熔合

3 環(huán)焊縫漏磁內(nèi)檢測信號圖像智能識別分析

3.1 算法流程設(shè)計

如圖6所示，通過對原始漏磁內(nèi)檢測信號截圖，進(jìn)行環(huán)焊縫R1、環(huán)焊縫缺陷識別區(qū)域R2、補(bǔ)口失效識別區(qū)域R3、螺旋焊縫識別區(qū)域R4等4個區(qū)域劃分，并進(jìn)行相應(yīng)的圖像識別算法功能開發(fā)。環(huán)焊縫缺陷和補(bǔ)口失效的特征類型各分為4類，其典型信號圖像特征詳見文獻(xiàn)[4，14]。如圖7所示，主要算法功能實(shí)現(xiàn)步驟包括：環(huán)焊縫漏磁內(nèi)檢測信號圖像采集；根據(jù)管道實(shí)際情況，環(huán)焊縫、補(bǔ)口失效、螺旋焊縫及環(huán)焊縫缺陷識別區(qū)域的定義和自動識別；對各區(qū)域進(jìn)行圖像顏色和色彩梯度特征提取，采用聚類分析和機(jī)器學(xué)習(xí)方法進(jìn)行環(huán)焊縫缺陷及補(bǔ)口失效等特征的圖像識別分析；識別分析結(jié)果數(shù)據(jù)輸出和管理，包括4種環(huán)焊縫缺陷分類等。

圖6 環(huán)焊縫漏磁內(nèi)檢測信號圖像識別區(qū)域劃分

圖7 環(huán)焊縫漏磁內(nèi)檢測圖像識別功能及算法設(shè)計

3.2 環(huán)焊縫缺陷及特征識別分析效果

每管節(jié)的螺旋焊縫有正螺旋和反螺旋方向，或僅有直焊縫。上下游管道焊縫在環(huán)焊縫處交叉，共有9種環(huán)焊縫交叉特征。對某原油管道的漏磁內(nèi)檢測圖像進(jìn)行識別分析，經(jīng)驗(yàn)證，3 000個環(huán)焊縫與螺旋焊縫交叉特征識別分類準(zhǔn)確率達(dá)100%，螺旋焊縫與環(huán)焊縫交點(diǎn)定位精度為±15 min。

如圖8所示，對環(huán)焊縫漏磁內(nèi)檢測信號圖像進(jìn)行顏色連通域的特征提取，可獲取4種類型的環(huán)焊縫缺陷特征，結(jié)合不同顏色連通域的面積、形狀和顏色深淺程度，進(jìn)行加權(quán)計算4種類型缺陷的嚴(yán)重程度排序和分級。4類補(bǔ)口失效的識別方法與環(huán)焊縫缺陷識別類似，同樣采用了不同顏色提取方法，并結(jié)合紅色連通域的形狀和鐘點(diǎn)位置及與螺旋焊縫是否靠近等信息，綜合判斷補(bǔ)口失效的類型。共計測試了3 400個環(huán)焊縫缺陷及600處補(bǔ)口失效的漏磁內(nèi)檢測信號圖像，不同類型缺陷特征的識別分類準(zhǔn)確率均達(dá)90%以上。

圖8 4類環(huán)焊縫缺陷的圖像智能分析原理

對于環(huán)焊縫信號彎曲、螺旋焊縫的支撐墩等嚴(yán)重干擾信號，在相應(yīng)特征的識別算法開發(fā)過程中，均對具體干擾信號特征進(jìn)行了識別并去除其干擾等影響。

4 結(jié)束語

現(xiàn)階段，環(huán)焊縫缺陷的射線檢測底片和漏磁內(nèi)檢測圖像識別技術(shù)開發(fā)應(yīng)用，對主要環(huán)焊縫缺陷的識別準(zhǔn)確率達(dá)85%以上，單張射線檢測底片圖像和漏磁內(nèi)檢測圖像的智能識別分析時間縮短至1 s以內(nèi)，有效提升環(huán)焊縫的嚴(yán)重缺陷排查效率及智能化水平。

以中俄東線管道為代表的“全數(shù)字化移交、全智能化運(yùn)營、全生命周期管理”智慧管道建設(shè)[15-16]，大規(guī)模應(yīng)用了數(shù)字化檢測方法，將產(chǎn)生大量檢測圖像數(shù)據(jù)和大數(shù)據(jù)挖掘等生產(chǎn)需求。圖像識別技術(shù)開發(fā)和應(yīng)用，將使環(huán)焊縫檢測大數(shù)據(jù)處理分析變得更便捷和高效，并為智慧管道建設(shè)和全生命周期管理提供技術(shù)支撐。