雷錚強，王維斌，李立軍

(1.國家石油天然氣管網(wǎng)集團有限公司 科學(xué)技術(shù)研究總院分公司，廊坊 065099;2.河北省特種設(shè)備監(jiān)督檢驗研究院廊坊分院，廊坊 065001)

射線檢測底片的缺陷影像識別和復(fù)評是判斷管道環(huán)焊縫質(zhì)量的重要依據(jù)之一，為有效管控大口徑高壓力高強鋼管道環(huán)焊縫失效的問題，國內(nèi)管道企業(yè)進行了在役油氣管道環(huán)焊縫射線檢測底片復(fù)核和超標(biāo)缺陷排查工作[1-2]。由于底片復(fù)評工作量大且非常依賴評片人員的專業(yè)經(jīng)驗，嚴(yán)重缺陷的排查效率較低。中俄東線作為首條全數(shù)字化移交的大口徑輸氣管道，在環(huán)焊縫檢測方面，全線采用了膠片射線檢測(RT)底片數(shù)字化技術(shù)、數(shù)字射線成像技術(shù)(DR)、全自動超聲檢測技術(shù)(AUT)等數(shù)字化無損檢測技術(shù)，為智能評片技術(shù)積累了高質(zhì)量的缺陷特征樣本數(shù)據(jù)。

筆者基于射線檢測底片圖像和人工評級結(jié)果，采用深度學(xué)習(xí)等算法對未熔合等主要缺陷圖像特征的智能識別分析技術(shù)進行研究，并對數(shù)字化無損檢測技術(shù)在智能化方向的應(yīng)用前景進行了展望。

1 中俄東線管道環(huán)焊縫數(shù)字化無損檢測技術(shù)應(yīng)用現(xiàn)狀

1.1 數(shù)字化無損檢測技術(shù)的應(yīng)用

按照標(biāo)準(zhǔn)GB 50369—2014 《油氣長輸管道工程施工及驗收規(guī)范》的要求，中俄東線北段管道采用了100%的AUT檢測，同時對20%的焊口進行RT復(fù)驗，并對RT檢測的部分含缺陷焊口進行了DR檢測效果驗證，用于DR設(shè)備校正、相關(guān)標(biāo)準(zhǔn)體系的研究完善等[3]。按照相關(guān)標(biāo)準(zhǔn)要求，DR成像灰度等級應(yīng)不低于12位，像素尺寸應(yīng)不大于200 μm，缺陷評定標(biāo)準(zhǔn)與RT缺陷評級標(biāo)準(zhǔn)一致。RT和DR的數(shù)字化射線檢測圖像均參照標(biāo)準(zhǔn)ASTM E 2339—2008《無損檢測的數(shù)字圖像和傳輸標(biāo)準(zhǔn)實施規(guī)程》的要求，數(shù)字底片圖像以Dicom(醫(yī)學(xué)數(shù)字成像和通信)格式存儲。

1.2 RT底片數(shù)據(jù)質(zhì)量分析

對中俄東線北段管道的RT檢測底片數(shù)字化圖像進行了質(zhì)量分析。各檢測單位使用了3家不同品牌的底片數(shù)字化設(shè)備，通過抽查統(tǒng)計分析了數(shù)字化掃描底片中像質(zhì)計的最小可見絲號及缺陷圖像清晰度關(guān)聯(lián)情況。RT數(shù)字化底片最小可見絲號與缺陷圖像清晰度關(guān)系如圖1所示，筆者隨機抽取了83張使用不同型號設(shè)備進行數(shù)字化的缺陷底片，發(fā)現(xiàn)原物理底片上的缺陷，經(jīng)數(shù)字化后其缺陷可見、不清晰和不可見的分別有27，26和30張，相應(yīng)的數(shù)字化底片最小可見像質(zhì)計絲號平均值分別為10.2，9.9和9.2號。參照高速列車焊縫射線檢測智能評定系統(tǒng)[4]及GB/T 26141.2—2010《無損檢測射線照相底片數(shù)字化系統(tǒng)的質(zhì)量鑒定 第二部分：最低要求》等標(biāo)準(zhǔn)要求，數(shù)字化后的底片可見像質(zhì)計絲號應(yīng)與原物理底片一致，并且數(shù)字化等級應(yīng)達(dá)到DB級以上。因此，在底片數(shù)據(jù)清洗及選擇缺陷特征樣本數(shù)據(jù)時，選擇缺陷清晰可見的底片圖像，能提升智能識別算法的精度。

圖1 RT數(shù)字化底片最小可見絲號與缺陷圖像清晰度關(guān)系

對于缺陷清晰的底片圖像，通常也具有以下特點：①底片圖像間存在較大的亮度差異、單張圖像背景起伏較大；②底片中缺陷圖像與背景的灰度對比度很低；③由于X光散射現(xiàn)象，底片圖像中存在較大的隨機噪聲；④各類缺陷具有位置隨機、形態(tài)各異、尺寸跨度較大等特點。這些問題都會對缺陷的圖像檢測產(chǎn)生較大的干擾，從而造成誤檢和漏檢。因此，在對射線檢測底片圖像進行智能識別算法開發(fā)時，需要在圖像處理、目標(biāo)檢測算法開發(fā)調(diào)試等方面提高檢測算法的適應(yīng)性。

2 RT檢測底片圖像智能識別技術(shù)

2.1 主要技術(shù)內(nèi)容

射線檢測缺陷智能識別分析及軟件開發(fā)框圖如圖2所示，射線檢測圖像智能識別技術(shù)結(jié)合底片圖像特點和深度學(xué)習(xí)等人工智能技術(shù)，其開發(fā)的主要內(nèi)容包括RT檢測數(shù)據(jù)管理、圖像數(shù)據(jù)批量處理、缺陷樣本收集和標(biāo)注、建立缺陷智能識別算法模型、輔助評片、結(jié)果數(shù)據(jù)查閱分析以及對應(yīng)的軟件功能模塊開發(fā)。通過對流程和軟件進行技術(shù)研發(fā)，目前筆者單位已經(jīng)初步具備射線檢測底片圖像智能識別分析的能力，實現(xiàn)了未熔合等主要缺陷的自動檢測，提升了環(huán)焊縫線性危害缺陷排查的智能化水平和效率。

圖2 射線檢測缺陷智能識別分析及軟件開發(fā)框圖

2.2 圖像處理的關(guān)鍵算法

對于中俄東線不同標(biāo)段和不同批次的X射線檢測底片圖像，筆者進行了統(tǒng)一批量處理，以滿足樣本標(biāo)注和缺陷智能識別分析的基本格式要求。射線檢測底片圖像處理的主要算法流程如圖3所示，具體包括以下幾個算法。

圖3 射線檢測底片圖像處理的主要算法流程

(1) 歸一化處理。由于射線檢測底片圖像采集所使用的掃描儀規(guī)格不同，其具有多種通道數(shù)和位數(shù)，且圖像長寬方向不一。通過歸一化處理，可獲得精度和尺寸一致的圖像數(shù)據(jù)。

(2) 去白邊處理。X射線檢測底片數(shù)字化掃描過程中，在圖像采集的起始和末尾時可能產(chǎn)生無有效底片圖像的白邊區(qū)域。去除白邊區(qū)域可去除對智能識別結(jié)果的影響。

(3) 自適應(yīng)裁剪。中俄東線單張底片圖像寬度約為900像素，高度為8 000～20 000像素。為解決缺陷尺寸相對于整幅底片圖像占比很小導(dǎo)致的檢出率較低及不同底片圖像尺寸不一等問題，設(shè)計和研發(fā)了一種自適應(yīng)裁剪工具，以提高缺陷在圖像中的相對占比，同時確保圖像尺度在較小的范圍內(nèi)波動。經(jīng)試驗分析和評估，設(shè)定裁剪后單張底片圖像的尺寸為2 000像素×1 000像素。

(4) 樣本隨機劃分。在深度學(xué)習(xí)算法中，通常將原始數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集3個部分，劃分時需要盡可能保持?jǐn)?shù)據(jù)分布的一致性。其中訓(xùn)練集用于學(xué)習(xí)模型參數(shù)，驗證集用于挑選超參數(shù)，測試集用于判定訓(xùn)練出模型是否達(dá)標(biāo)。

4.維持平衡計分卡的長期效益。為了適應(yīng)企業(yè)宏觀環(huán)境、行業(yè)環(huán)境和自身條件的變化，平衡計分卡的評價指數(shù)也要與時俱進。因此，虎豹集團需要根據(jù)企業(yè)自身內(nèi)部和外部環(huán)境的變化，對平衡計分卡的評估指數(shù)進行企業(yè)戰(zhàn)略目標(biāo)校驗，確保平衡計分卡設(shè)計框架的長久運行。在企業(yè)信息化建設(shè)的基礎(chǔ)上，隨時報告并總結(jié)平衡計分卡的評價效果，收集和分析平衡計分卡的戰(zhàn)略指標(biāo)數(shù)據(jù)，建立平衡計分卡報告評價體系。同時，要建立平衡計分卡的定期維護團隊，對考核結(jié)果及運行現(xiàn)狀進行自我檢查，從而形成長期有效的平衡計分卡創(chuàng)新績效管理體系。

2.3 缺陷圖像增強顯示算法

在缺陷樣本的標(biāo)注及閱覽缺陷細(xì)節(jié)特征等過程中，需要反復(fù)對缺陷的X射線檢測圖像進行調(diào)整，通過調(diào)整圖像亮度、缺陷的對比度和辨識度等，達(dá)到增強缺陷圖像顯示的效果。針對該技術(shù)需求，筆者開發(fā)了智能灰階工具和窗技術(shù)，智能灰階和窗技術(shù)的處理效果如圖4所示。

圖4 智能灰階和窗技術(shù)的處理效果

(1) 智能灰階工具。在醫(yī)學(xué)影像學(xué)領(lǐng)域，可以使用自適應(yīng)直方圖均衡方法，計算圖像中多個局部區(qū)域的直方圖，之后通過重新分布亮度來改變圖像的對比度，該方法對于明暗區(qū)域?qū)Ρ让黠@的X射線檢測圖像有較好的圖像增強顯示效果。但是管道環(huán)焊縫的X射線底片圖像明暗區(qū)域?qū)Ρ炔⒉幻黠@，像素值分布比較均勻，采用與醫(yī)學(xué)X射線圖像相同的處理方法時，會出現(xiàn)過度放大圖像中均勻區(qū)域噪聲的現(xiàn)象。限制對比度自適應(yīng)直方圖均衡方法(智能灰階)可將輸入的影像按照像素點分成塊區(qū)域，再對每一個區(qū)域進行自適應(yīng)直方圖均衡處理，可有效減少噪點，保存缺陷影像的細(xì)節(jié)特征。

(2) 窗技術(shù)。在醫(yī)學(xué)影像學(xué)領(lǐng)域，窗技術(shù)是觀察不同密度正常組織或病變組織的一種顯示技術(shù)，包括窗寬和窗位。提高窗位則圖像變黑；降低窗位則圖像變白。增大窗寬，則圖像層次增多且對比度下降；縮小窗寬，則圖像層次減少，組織間對比度增加。引入窗技術(shù)，評片人員可通過調(diào)節(jié)窗寬和窗位來改變X射線底片圖像黑白及不同區(qū)域間的對比度，以便于觀察各類形態(tài)不同的缺陷，達(dá)到輔助評片的目的。

2.4 缺陷特征的深度學(xué)習(xí)算法

基于深度學(xué)習(xí)的主流目標(biāo)檢測算法根據(jù)有無候選框生成階段分為雙階段目標(biāo)檢測算法和單階段目標(biāo)檢測算法兩類。雙階段目標(biāo)檢測算法(如Faster R-CNN算法)先在圖像中提取候選區(qū)域，然后基于候選區(qū)域做二次修正得到檢測結(jié)果，其檢測精度較高，但檢測速度較慢；單階段目標(biāo)檢測算法(如YOLO算法)直接對圖像進行計算，生成檢測結(jié)果，檢測速度快，但檢測精度相對較低。

筆者同時采用了這兩類目標(biāo)檢測算法并基于不同缺陷數(shù)據(jù)集進行了設(shè)計和調(diào)優(yōu)，最終確定對于環(huán)焊縫區(qū)域和圓形缺陷的采用Faster R-CNN算法，未熔合和條形缺陷采用YOLO算法。

(1) 環(huán)焊縫區(qū)域檢測。焊縫樣本集具有以下特點：① 焊縫圖像尺寸變化范圍較??；② 裁剪后的焊縫樣本集高度為2 000像素，寬度為100～600像素；③ 高寬比為3.3～20的焊縫圖像占比較大。

(2) 圓形缺陷檢測。圓形缺陷圖像樣本集具有以下特點：① 缺陷高度為13～644像素，寬度為15～213像素；② 缺陷高寬比為0.25～10.3，跨度較大。圓形缺陷樣本圖像的面積分布如下：① 面積小于322像素的占11%；② 面積介于322像素和962像素之間的占84%；③ 面積大于962像素的占5.46%?；谝陨咸攸c，筆者設(shè)計了不同的網(wǎng)絡(luò)結(jié)構(gòu)、數(shù)據(jù)增強方法、預(yù)訓(xùn)練模型、參數(shù)設(shè)置、loss函數(shù)以及nms算法，開展了12組消融試驗，并選擇以Faster R-CNN作為圓形缺陷的目標(biāo)檢測方法，主干網(wǎng)絡(luò)采用ResNet101，同時考慮到缺陷尺寸變化較大，引入特征金字塔結(jié)構(gòu)(FPN)來對主干網(wǎng)絡(luò)進行改造。

(3) 未熔合和條形缺陷檢測。未熔合為斷續(xù)的細(xì)直黑線，長寬比變化非常劇烈。條形缺陷的形狀特征不規(guī)則，通常將長寬比大于3的缺陷判斷為條形缺陷。由于YOLO算法有卷積層池化作用，圖像會不斷地進行壓縮。然而大部分缺陷屬于小尺寸目標(biāo)，默認(rèn)的候選邊界框?qū)π〕叽缒繕?biāo)存在檢測不準(zhǔn)確的問題。筆者通過K-meas聚類分析得到合適的anchor box尺寸，并設(shè)計了8組消融試驗，最終確定了超參設(shè)置和檢測模型。

3 缺陷智能識別效果和分析

3.1 評價指標(biāo)

筆者采用查準(zhǔn)率和查全率對缺陷特征的智能識別檢測結(jié)果進行評估。查準(zhǔn)率和查全率通常借助混淆矩陣進行得分統(tǒng)計，混淆矩陣包括4個子定義：① 真正例(TP)，實際為正例，預(yù)測為正例；② 真反例(TN)，實際為負(fù)例，預(yù)測為負(fù)例；③ 假正例(FP)，實際為負(fù)例，預(yù)測為正例；④ 假反例(FN)，實際為正例，預(yù)測為負(fù)例。

查準(zhǔn)率Pr是指在所有預(yù)測為正例中真正例的比例，即預(yù)測的準(zhǔn)確性；查全率R是指在所有正例中被正確預(yù)測的比例，即預(yù)測正確的覆蓋率。

交并比(IoU)衡量的是兩個區(qū)域的重疊程度，是兩個區(qū)域重疊部分面積占二者總面積的比例。交并比計算方式如圖5所示，兩個矩形框的交并比是紅色交叉面積與紅色合并面積比值。交并比為0.5，并不意味著每個框剛好有50%與另外一個框面積重疊，而是每個框大約有2/3的面積重疊。

圖5 交并比計算方式示意

3.2 智能識別效果及分析

經(jīng)過數(shù)據(jù)清洗和預(yù)處理，以3 000余張原始的X射線檢測底片圖像作為樣本數(shù)據(jù)，進行缺陷智能識別算法的開發(fā)和調(diào)試。由于缺陷僅存在于X射線底片圖像中的焊縫區(qū)域，筆者首先檢測焊縫并提取其為感興趣區(qū)域(ROI)，然后對ROI執(zhí)行未熔合等缺陷的識別和檢測算法。由于焊縫檢測采用深度學(xué)習(xí)目標(biāo)檢測方法，需對大量圖像進行焊縫標(biāo)注，以得到用于訓(xùn)練焊縫檢測模型的樣本集。環(huán)焊縫及主要缺陷特征樣本的智能識別結(jié)果如表1所示。

表1 環(huán)焊縫及主要缺陷特征樣本智能識別結(jié)果

3.2.1 環(huán)焊縫檢測效果及分析

采用Faster R-CNN最優(yōu)焊縫模型對1 464張測試樣本進行檢出效果測試，設(shè)置IoU閾值為0.5及置信度閾值為0.8情況下，焊縫圖像的查準(zhǔn)率和查全率均達(dá)到了99.9%。即該算法能實現(xiàn)焊縫區(qū)域的準(zhǔn)確檢出，同時具有很低的誤檢率。焊縫圖像的智能識別效果如圖6所示，可見，焊縫智能識別模型能夠適應(yīng)圖像亮度、對比度及圖像邊緣過渡區(qū)域變化，檢測結(jié)果穩(wěn)定且滿足缺陷檢測的要求。

圖6 焊縫圖像的智能識別效果示例(上：焊縫標(biāo)注區(qū)域；下：焊縫智能識別區(qū)域)

3.2.2 圓形、條形及未熔合缺陷的檢測效果及分析

根據(jù)中俄東線X射線檢測的實際缺陷數(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，基于這3種缺陷的圖像樣本數(shù)據(jù)，進行了智能識別算法開發(fā)和調(diào)試其缺陷圖像的人工標(biāo)注和智能識別效果對比如圖7所示。

圖7 圓形、條形及未熔合缺陷圖像的人工標(biāo)注和智能識別效果對比示例

(1) 圓形缺陷的智能識別。設(shè)置IoU閾值為0.5及置信度閾值設(shè)為0.8情況下，焊縫圖像的查準(zhǔn)率和查全率分別為86.9%和97.8%。對不同尺寸圓形缺陷，其智能識別效果有所差異，對于面積小于322像素的圓形缺陷，缺陷圖像的形態(tài)變化很小且對比度較明顯，樣本標(biāo)注較為精確；圓形缺陷面積為322～962像素時(樣本中該尺寸缺陷占比極大)，其主要由單個缺陷、小范圍聚集狀缺陷及小區(qū)域的微弱缺陷組成，缺陷形態(tài)跨度較大，檢測指標(biāo)降低；圓形缺陷面積大于962像素時，該類缺陷主要是聚集狀缺陷，由于標(biāo)注為一個整體時會包含大量的背景區(qū)域，實際模型檢測時可能將缺陷逐個檢出，而非整體檢出，計算得到的交并比降低至閾值以下，最終導(dǎo)致對標(biāo)注為大缺陷的圓形缺陷的查準(zhǔn)率和查全率指標(biāo)偏低。此外，面積大于962像素的圓形缺陷訓(xùn)練樣本比例較低，可能是導(dǎo)致指標(biāo)值降低的另一方面原因。

(2) 未熔合及條形缺陷的智能識別。與圓形缺陷不同，未熔合及條形缺陷圖像的形態(tài)相似性更大，為提高這兩類缺陷的識別分類準(zhǔn)確性，采用同一個YOLO深度學(xué)習(xí)算法進行智能識別模型的開發(fā)和調(diào)試。該做法引入了一種競爭機制，將未熔合和條形缺陷圖像的細(xì)微差異嵌入到訓(xùn)練智能識別模型中，并最終在兩類缺陷的分類準(zhǔn)確性方面體現(xiàn)出來。由表1可見，未熔合缺陷的查準(zhǔn)率和查全率較低，存在較多的誤判和漏判問題。這主要是中俄東線管道環(huán)焊縫的厚度大，單個未熔合缺陷的自身高度低于一個焊層厚度，在X射線底片上未熔合缺陷影像的黑度和對比度偏低，導(dǎo)致未熔合缺陷圖像的智能識別更加困難。

(3) 裂紋缺陷的智能識別。由于裂紋缺陷數(shù)量較少，未單獨進行裂紋缺陷的智能識別算法模型開發(fā)。采用上述圓形缺陷、未熔合及條形缺陷的智能算法模型，測試了中俄東線北段的19處裂紋缺陷底片圖像。裂紋缺陷的智能識別算法測試結(jié)果如表2所示，現(xiàn)有智能檢測模型共報告30處缺陷，其中15處識別為未熔合缺陷，且其置信度大多在0.5以上，高于真實未熔合缺陷的平均值。裂紋缺陷檢測效果如圖8所示，圖8(a)，(b)兩個裂紋缺陷識別結(jié)果為未熔合，圖8(c)裂紋識別為條形缺陷。初步分析，裂紋缺陷智能識別的置信度偏高，其主要原因與裂紋缺陷的黑度和對比度偏高有關(guān)?？梢?，智能識別算法模型對于裂紋缺陷有較好的識別作用，且多數(shù)分類為未熔合，盡管有4處識別為條形缺陷及11處非裂紋缺陷誤判為未熔合和條形缺陷，結(jié)合缺陷智能識別分類的置信度排序，仍有望提升裂紋、未熔合等危害性缺陷的排查效率。

表2 裂紋缺陷的智能識別算法測試結(jié)果

圖8 裂紋缺陷檢測效果示例

4 缺陷圖像智能識別技術(shù)的應(yīng)用展望

當(dāng)前，基于X射線檢測底片圖像的缺陷智能識別技術(shù)，可用于輔助評片和環(huán)焊縫質(zhì)量排查，及時減少漏判、誤判，提高危害性缺陷排查的技術(shù)水平和效率。

缺陷智能分析技術(shù)在管道環(huán)焊縫全生命周期中的作用如圖9所示，除建設(shè)期產(chǎn)生的射線、超聲等檢測圖像數(shù)據(jù)外，在役管道還需要進行周期性的內(nèi)檢測及相應(yīng)的開挖檢測，管道運行階段仍會不斷產(chǎn)生新的管道環(huán)焊縫檢測數(shù)據(jù)。通過與建設(shè)期移交的無損檢測缺陷數(shù)據(jù)等進行自動對比，可以快速準(zhǔn)確地實現(xiàn)補口腐蝕和焊縫缺陷增長的智能分析預(yù)測，更好地做出維護修復(fù)決策。X射線檢測底片圖像的缺陷智能識別技術(shù)，將在DR射線檢測圖像[5]、AUT檢測三維圖像、內(nèi)檢測信號圖像[6]等方面繼續(xù)發(fā)展，助力管道大數(shù)據(jù)價值的充分挖掘，實現(xiàn)管道智能化運營管理水平的提升。

圖9 缺陷智能分析技術(shù)在管道環(huán)焊縫全生命周期中的作用框圖

5 結(jié)語

基于中俄東線北段管道全數(shù)字化移交的射線檢測底片圖像和人工評級結(jié)果，通過數(shù)據(jù)清洗和缺陷特征標(biāo)注，建立了全自動焊接環(huán)焊縫射線檢測缺陷樣本數(shù)據(jù)庫，可用于缺陷智能識別算法的調(diào)試、優(yōu)化和效果評價。采用Faster R-CNN、YOLO等最新深度學(xué)習(xí)算法，完成了未熔合等主要類型缺陷智能識別技術(shù)的研究和開發(fā)，初步實現(xiàn)了未熔合、裂紋等危害性缺陷的智能識別。

在“全數(shù)字化移交、全智能化運營、全生命周期管理”的目標(biāo)框架下，射線檢測底片缺陷智能識別技術(shù)的開發(fā)和應(yīng)用，可應(yīng)用于輔助評片、危害性缺陷篩查及判斷缺陷增長情況，從而實現(xiàn)管道大數(shù)據(jù)價值的充分挖掘，提升管道智能化運營管理的水平。