劉 苒

(1.中國石油集團工程技術研究有限公司，天津 300451;2.中國石油天然氣集團公司石油管工程重點實驗室 涂層材料與保溫結構研究室，天津 300451)

油氣運輸工程中油氣管道是最重要的組成部分，其完整性關系到油氣運輸的安全性。油氣管道多數布置在野外，環(huán)境條件較為惡劣，易遭到破壞和腐蝕，造成油氣泄漏。油氣泄漏不僅會造成經濟損失，資源浪費，而且極易引發(fā)火災，存在較大的安全隱患[1]。在此背景下，有關負責部門會安排專業(yè)人員對油氣站場管道的完整性進行定期檢測，以便日常維護和檢修，降低泄漏事故的發(fā)生率。由于油氣管道線路較長，布設環(huán)境惡劣，利用人工進行檢測難度大，也無法做到實時檢測，效率較低[2]。

許少波等[3]針對負壓波法存在的缺陷，研究了超聲波流量計在油氣管道泄漏檢測中的應用。該方法通過采集超聲波在流體中的傳播速度，利用流量與速度之間的關系式計算出管道中的石油液體的流量。一旦管道存在泄漏，管道中的流量平衡狀態(tài)就會被破壞，通過得到的石油液體流量數據就可以確定管道是否發(fā)生泄漏。楊輝等[4]提出了一種用于油氣管道缺口檢測的漏磁檢測方法，管道若無缺陷，磁力場分布規(guī)律；若存在缺陷，磁力線在缺陷部位會發(fā)生變形，由此可實現管道缺陷的識別和判定。王貴愚等[5]提出了一種基于STA/LTA算法的檢測方法。該方法主要通過分析負壓波波形變化特征來確定管道是否存在缺陷，然后再進一步通過信號傳播的時間差來確定泄漏點位置。

雖然學者們的研究都取得了一定的成果，但這些方法都存在一定的局限性，例如超聲波法采集到的數據并不完全是缺陷數據，也包括銹斑和泥點數據。漏磁法易受管道表面自身雜質的影響，且對較淺的缺陷檢測效果較差。負壓波形法則對一些細微泄漏點的檢測不準確，因為其壓力變化波形不明顯。針對上述問題，筆者提出一種基于圖像處理的油氣站場管道完整性檢測方法，以提高管道完整性檢測的準確性。

1 基于圖像處理技術的油氣管道完整性檢測研究

研究主要分為4部分，即油氣管道圖像采集、圖像處理、圖像特征提取以及油氣管道完整性判斷[6]。

1.1 油氣管道圖像采集

油氣管道完整性檢測的第一步是采集油氣管道圖像，然后通過分析圖像來識別缺陷。油氣管道布設在野外，在野外直接布設攝像頭進行監(jiān)控是不現實的[7]。為此，文章通過管道機器人進行油氣管道圖像采集，采集現場如圖1所示。

圖1 油氣管道圖像采集現場

管道機器人主要由6部分組成，即視覺感知系統(tǒng)(攝像頭)、控制中心、行走機構、通信系統(tǒng)、照明系統(tǒng)以及電源[8]。這幾部分的具體功能如下所述。

(1) 視覺感知系統(tǒng)主要用于管道內圖像的拍攝[9]。

(2) 控制中心運行所有邏輯程序、接收和發(fā)射各種任務。

(3) 行走機構是管道機器人的移動載體，目前有履帶式、輪式、蠕動式、多足行走式等幾種形式。需要根據管道材料、彎曲程度、運輸物質等進行具體選擇[10]。

(4) 通信系統(tǒng)。通信系統(tǒng)是機器人與遠程控制中心的聯系橋梁，負責將拍攝的圖像傳輸給控制中心。

(5) 照明系統(tǒng)。管道內光線較暗，不利于圖像拍攝，因此需要通過照明系統(tǒng)提供光照輔助。

(6) 電源。電源為管道機器人運行提供驅動力。

1.2 圖像處理

1.2.1 圖像灰度化

使用加權平均法對圖像進行灰度化[11]，其公式為

F′(i,j)=0.30R(i,j)+0.59G(i,j)+

0.11B(i,j)

(1)

式中：F′(i,j)為圖像灰度化后(i,j)處的灰度值；R(i,j)、G(i,j)、B(i,j)為紅、綠、藍色的分量。

1.2.2 圖像濾波

受到外部環(huán)境和采集系統(tǒng)內部設備運行產生的噪聲影響，拍攝的油氣管道圖像中存在很多噪點。噪點的存在會模糊圖像中的細節(jié)信息，不利于細小缺陷的檢測[12]。因此文章使用自適應中值濾波法對圖像進行濾波處理。該方法由中值濾波法發(fā)展而來，中值濾波法原理如下所述。

(2)

式中：F(i,j)為中值濾波后(i,j)處的灰度；{fij}為圖像濾波模板內所有像素點的數值集合；A為濾波模板。

由于中值濾波法的模板是固定的，當模板內的噪聲點數量多于正常像素點時，該方法的去噪效果就受到極大的限制，而自適應中值濾波法使得模板能夠根據噪聲情況進行自適應改變[13]。圖像濾波過程如下所述。

(1) 確定初始濾波窗口，以5×5 模板為例。

(2) 計算模板內所有像素的灰度，并按照從小到大的順序排序。

(3) 從像素點序列中選出最小值fmin、最大值fmax、中間值fmed以及任意點的像素fij。

(4) 判斷中間值fmed是否大于最小值fmin且小于最大值fmax。若是，進一步判斷任意點的像素fij是否大于最小值fmin且小于最大值fmax，若是，進入下一步；否則，輸出中間值fmed，利用中間值代替模板內的其他像素值。若否，增加新濾波窗口，并判斷新的濾波窗口中任意點的像素Aij是否不大于新濾波窗口中的最大值Amax，若是，回到步驟(2)；否則進入下一步。

(5) 圖像中任意點的像素fij原來的灰度不變。

自適應中值濾波達到去噪目的的同時，也不至于使得圖像中的細節(jié)信息被模糊掉。

1.2.3 直方圖均衡化

受光線影響采集到的管道圖像明暗不一，有的曝光過度，有的曝光過低。為了解決這一問題，進行直方圖均衡化[14]。具體過程如下所述。

(1) 計算管道圖像中每一階灰度值出現的頻率。計算式為

Q(sk)=mk/M

(3)

式中：sk為第k級的灰度值；Q(sk)為sk出現的頻率；mk為sk的像素個數；M為圖像中像素點總數。

(2) 按照式(4)計算第k級灰度值sk的累積頻率Yk。

(4)

(3) 按照式(5)計算原始灰度級對應的映射灰度級Rk。

Rk=int{[max(sk)-min(sk)]·Yk+0.5}

(5)

式中：max(sk),min(sk)為第k級灰度值的最大值和最小值。

(4) 根據映射關系輸出均衡化后的圖像。

經過均衡化后，圖像對比度得到了很大的提高。

1.3 管道缺陷特征提取

管道完整性檢測以從圖像中提取出的特征參數作為參考[15]。該章節(jié)以管道缺陷特征提取為重點進行研究，具體流程如圖2所示。

圖2 管道缺陷特征提取流程

缺陷面積通過直接計算黑色像素點數量即可得到。缺陷周長指黑色像素點覆蓋區(qū)域最外圍的長度,計算式為

(6)

式中：L為缺陷周長；α,β為鏈碼值為奇數、偶數的個數。

缺陷圓形度是指區(qū)域形狀的緊湊程度,計算式為

γ=L2/C

(7)

式中：γ為缺陷的圓形度；C為缺陷區(qū)域的面積。

缺陷梯度描述了缺陷部位像素值的變化率,計算式為

B=G1/G2

(8)

式中：B為缺陷梯度；G1為圖像矩陣像素點中垂直方向的像素值；G2為圖像矩陣像素點中水平方向的像素值。

1.4 油氣管道完整性判斷

基于上述提取的特征參數，通過構建分類器來進行油氣管道完整性判斷，具體流程如圖3所示。

圖3 油氣管道完整性判斷流程

構建的分類器為DBN(深度置信網絡)，是深度學習中的一種，由輸入層、若干堆疊的隱藏層和輸出層構成，其與一般神經網絡運行的過程一樣，需要進行訓練，調整各層連接權值和閾值，然后將不同類型缺陷的5個特征值輸入到訓練好的模型當中，即可實現油氣管道完整性檢測[16]。

2 仿真測試與分析

為測試所研究檢測方法在油氣站場管道完整性檢測中的效果，在MATLAB仿真平臺上進行試驗。

2.1 樣本采集

利用管道機器人采集某一段油氣模擬管道圖像，共采集到22 521幅，將這些圖像共分為6類，不同類型的圖像分布情況如圖4所示。

圖4 不同類型圖像的分布情況

2.2 圖像處理結果

選取一幅圖像，對其進行預處理，預處理結果如圖5所示。

圖5 某幅圖像的預處理結果

2.3 幾何特征提取

計算圖像樣本的缺陷面積、缺陷周長、缺陷圓形度、缺陷長軸與短軸之比、缺陷梯度等5個幾何特征參數，部分結果如表1所示。

表1 部分圖像的幾何特征參數

2.4 評價指標

為定量描述所研究檢測方法的精確度，計算缺陷識別質量指數Q，Q越大(大于8.0)，缺陷識別質量越高，其計算式為

(9)

式中：c為完整性，c=X/Z；e為錯誤性，e=Y/U；X為實際缺陷樣本數目；Z為理論缺陷樣本的總數；Y為正確識別的樣本數；U為缺陷識別的總樣本數。

2.5 檢測結果與分析

利用給出的訓練樣本對分類器進行訓練，然后將測試樣本特征的參數輸入到分類器當中，計算得到的缺陷識別質量指數結果如表2所示。

表2 缺陷識別質量指數結果

由表2可以看出，缺陷識別質量指數均大于8.0，說明所研究方法的完整性檢測結果較為準確，達到了研究目標。

3 結語

筆者所研究的油氣站場管道完整性檢測方法主要利用圖像處理技術對圖像進行處理，基于處理結果，通過分類器實現管道的完整性檢測。仿真測試表明，該方法的缺陷識別質量指數大于8.0，能夠滿足檢測精度要求。