基于專家系統(tǒng)的壓力容器膠片焊縫缺陷識別技術研究

杜衛(wèi)東 ， 王 鵬 ， 汪立新 ， 張 峰 ， 韓 偉 ， 徐 瑩

（1.山東省特種設備檢驗研究院 山東 濟南 250101；2.西安工業(yè)大學 電子信息工程學院，陜西 西安 710032）

工業(yè)射線檢測（RT）是無損檢測行業(yè)中的一種重要方法，在壓力容器焊縫和鑄件內(nèi)部質(zhì)量檢測中，X射線檢測是一種重要無損檢測手段，利用其結果可確定焊縫缺陷的類別、位置和大小，以此判斷焊縫是否合格。通常的X射線焊縫底片是由有經(jīng)驗的專業(yè)評片人員在觀燈下人工評定，主要存在的缺點：人工讀片的不確定性：由于人工讀片，受評片人員的技術素質(zhì)和經(jīng)驗限制，往往結果因人而異，缺乏準確性和規(guī)范化；操作麻煩不易掌握：在識別缺陷時，通常采用按標準規(guī)定計算的方法進行分級，手工操作，麻煩且效率較低。

隨著計算機圖像處理技術和人工智能技術的發(fā)展，為提高效率和準確率，減輕評片人員的勞動強度，保證評判結果的一致性，提高識別穩(wěn)定性，減少人工讀片差異，研究開發(fā)計算機輔助識別的專家系統(tǒng)是行之有效的措施。

文中在總結現(xiàn)有研究的基礎上，提出了基于專家系統(tǒng)的壓力容器射線膠片焊縫缺陷識別技術。該方法綜合利用缺陷邊界特征和區(qū)域特征對缺陷進行描述，并采用專家系統(tǒng)對缺陷類型進行識別[1]。

1 系統(tǒng)方案設計

1.1 系統(tǒng)組成

本系統(tǒng)采用機器視覺的方法，設計一套完整的膠片數(shù)字化系統(tǒng)，用冷光線源透照射線膠片，可調(diào)亮度在100000lx以上；用12 bit工業(yè)線陣CCD相機作為圖像掃描的采集裝置；為了屏蔽環(huán)境光，減少CCD的噪聲，采用密封的機箱將所有的器件裝起來，光源和CCD之間開一個小窗口，膠片在通過窗口時被透照，CCD相機通過USB口與計算機進行通信。CCD相機配置尼康AF 50 mm的光學鏡頭。系統(tǒng)組成結構圖如圖1所示。

數(shù)字化后膠片主要由3個區(qū)域組成：焊縫區(qū)域、日期區(qū)域、編號區(qū)域。焊縫的缺陷存在于焊縫區(qū)域中。

1.2 系統(tǒng)功能

圖1 系統(tǒng)組成結構圖Fig.1 System composition diagram

焊縫缺陷的識別和定級：經(jīng)過圖像處理得到的缺陷底片特征和缺陷尺寸大小，根據(jù)結構、尺寸、表面形態(tài)等，結合國家標準和專家經(jīng)驗，對焊縫缺陷進行識別和定級。

1.3 焊縫缺陷特征

缺陷特征主要分為邊界特征和區(qū)域灰度特征。缺陷邊界形狀僅僅從一個側面反映了缺陷的類型，而缺陷內(nèi)部區(qū)域則包含了大量與缺陷類型密切相關的信息。不同缺陷其形狀、位置、平直度、尖銳度等不同。利用這些特征便可進行缺陷的識別和分類。焊縫缺陷大致分為以下6類：裂紋；未焊透；未熔合；條狀夾渣；球狀夾渣；氣孔。按焊縫缺陷的性質(zhì)和數(shù)量共分為4級，I級質(zhì)量最好，IV級質(zhì)量最差[2]。

2 專家系統(tǒng)原理

專家系統(tǒng)是一個具有大量的專門知識與經(jīng)驗的程序系統(tǒng)，它應用人工智能技術和計算機技術，根據(jù)該領域一個或多個專家提供的知識和經(jīng)驗，進行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復雜問題。專家系統(tǒng)的特征主要有：啟發(fā)性，不僅能使用邏輯知識，也能使用啟發(fā)性知識；透明性，用戶在對專家系統(tǒng)結構不了解的情況下，可以進行相互交往；靈活性，專家系統(tǒng)的知識與推理機構的分離，使系統(tǒng)不斷接納新的知識[3]。

2.1 專家系統(tǒng)結構

專家系統(tǒng)通常由人機交互界面、知識庫、推理機、解釋器、數(shù)據(jù)庫、知識獲取等6個部分構成。人機界面是系統(tǒng)與用戶進行交流時的界面，通過界面，用戶輸入基本信息、回答系統(tǒng)提出的相關問題，并輸出推理結果及相關的解釋等。知識獲取是專家系統(tǒng)知識庫是否優(yōu)越的關鍵，通過知識獲取，可以擴充和修改知識庫中的內(nèi)容，也可以實現(xiàn)自動學習功能。膠片焊縫缺陷識別的基本結構如圖2所示，其中箭頭方向為數(shù)據(jù)流動的方向。

圖2 焊縫缺陷識別結構圖Fig.2 Weld defect identification chart

2.2 專家系統(tǒng)識別原理

識別系統(tǒng)的基本原理是：把焊縫缺陷形狀特征參數(shù)、缺陷類別、焊縫缺陷影像分布特征、影像紋理黑度特征等按一定編碼形成學習樣本，輸入到專家系統(tǒng)的知識庫，通過對實例的不斷學習自動獲取知識，將知識分布存儲于專家系統(tǒng)中，訓練完成后，針對壓力容器焊縫缺陷影像特征，專家系統(tǒng)通過前向推理，輸出識別結果。

2.3 專家系統(tǒng)識別策略

焊縫缺陷形狀特征輸入后，原系統(tǒng)將激活專家系統(tǒng)進行識別，專家系統(tǒng)利用知識庫進行推理，得出識別結果。數(shù)據(jù)庫用于存放焊縫圖像識別的初始數(shù)據(jù)、識別狀態(tài)、中間結果及最終識別分析結果等。推理機是針對綜合數(shù)據(jù)庫中的信息，選取知識庫中對當前焊縫圖像有用的知識進行推理判斷[4]。

3 知識表示、獲取與推理

3.1 知識表示

專家系統(tǒng)的知識庫用來存放專家提供的知識。專家系統(tǒng)的問題求解過程是通過知識庫中的知識來模擬專家的思維方式的，因此，知識庫是專家系統(tǒng)質(zhì)量是否優(yōu)越的關鍵所在，即知識庫中知識的質(zhì)量和數(shù)量決定著專家系統(tǒng)的質(zhì)量水平。

3.2 知識獲取

利用樣本進行邏輯推理的學習，并對知識庫進行修正，以不斷減少誤差，直至輸出達到滿足實際要求。知識庫在不斷修正中，吸收新知識，提高識別能力。

用戶可以根據(jù)自己的需要，將樣本數(shù)據(jù)按人機交互軟件提示來輸入，進一步對知識庫進行修正。當修正結束后，可立即進行識別。用戶可根據(jù)識別的結果決定是否再進行修正。

3.3 推理機制

專家系統(tǒng)的推理機制是基于邏輯符號的推理。根據(jù)待識別圖像特征參數(shù)和專家系統(tǒng)的結構，在識別過程中不斷進行邏輯判斷，直至得到滿足實際要求解。該系統(tǒng)采用正向推理策略，從圖像輸入處理開始，向前推理，到目標狀態(tài)為止，其具體步驟如下，識別流程如圖3所示[5-7]。

1）獲取膠片焊縫圖像信息，對圖像進行特征提取，圖像預處理與雙精度變換，得到待處理的二值化圖片；

2）推理機將用戶輸入的信息與知識庫中各個規(guī)則的條件進行匹配，并把被匹配規(guī)則的結論存放到綜合數(shù)據(jù)庫中進行初次識別，得出缺陷類別結果；

3）如果焊縫缺陷識別結果正確，則終止知識庫識別的推理，從而輸出識別的結果；

4）如果焊縫缺陷識別不正確，將再次向用戶提問，從用戶那里獲取更多有關膠片缺陷特征的特點等信息；

5）利用推理機的推理結果，再次與專家系統(tǒng)知識庫中的信息進行匹配，進行深層識別；

6）如果缺陷識別正確，將輸出推理結果以及缺陷信息。

圖3 缺陷類型識別流程圖Fig.3 Defect type recognition flow chart

4 實驗結果

經(jīng)過膠片數(shù)字化裝置獲取的原始灰度圖像膠片，如圖4（a）所示，然后對原始圖像進行圖像預處理，圖像預處理是將膠片的灰度圖像進行雙精度化，采用im2double函數(shù)將原圖像轉(zhuǎn)換成雙精度圖像；雙精度圖像如圖4（b）所示。

圖4 膠片圖像Fig.4 Film image

然后對雙精度圖像進行剪切和分割，圖像分割是識別過程中關鍵的步驟之一。圖像經(jīng)預處理后，各部分區(qū)域已經(jīng)明顯，采用閾值化法來實現(xiàn)圖像分割。最終將膠片圖像裁剪出3個區(qū)域：焊縫區(qū)域、日期區(qū)域、編碼區(qū)域，3個區(qū)域的圖片如圖5（a）（b）（c）所示。

圖5 分割后的圖像區(qū)域Fig.5 Segmented image regions

然后對分割后的圖像進行二次修正，重點對焊縫區(qū)域進行處理。對焊縫區(qū)域圖像進行均衡化處理，結果如圖6（a）所示，然后，再用閾值化法處理均衡后的圖像，如圖6（b）所示，最后，對圖像腐蝕，將其邊緣噪聲與背景連接，去除噪聲，如圖 6（c）所示。

針對去噪后的焊縫區(qū)域圖像，首先進行區(qū)域標注，將背景區(qū)域標注為1；然后，判斷標注值是否大于1，如果標注值大于1，說明有缺陷存在；最后，計算缺陷區(qū)域的中心，進行缺陷定位。定位結果如圖6（d）所示。點為焊縫缺陷。利用專家系統(tǒng)里的知識庫，將缺陷特征與知識庫中各個特征條件進行匹配，得出缺陷類別結果；結論是該膠片焊縫的缺陷是未融合缺陷。

圖6 焊縫區(qū)域處理結果Fig.6 Results of weld area

5 結束語

文中提出的基于專家系統(tǒng)的壓力容器焊縫膠片缺陷識別技術，在MATLAB環(huán)境下進行了仿真和實現(xiàn)，通過大量反復測試，并通過不斷對專家系統(tǒng)進行充實和完善，從而提高系統(tǒng)的缺陷識別能力。實驗結果表明，該系統(tǒng)對典型缺陷的識別效果較好，但對一些具有缺陷交叉的焊縫圖像識別效果不是非常理想，試驗中由于訓練用典型缺陷底片樣本數(shù)較少，也是影響造成識別率不高的原因。為了提高識別率，可將模糊神經(jīng)網(wǎng)絡與專家系統(tǒng)結合，進一步提高識別率。

在我國壓力容器射線檢測行業(yè)里，該系統(tǒng)的研究成果，既滿足目前高效、準確的檢測工作要求，同時滿足企業(yè)對射線檢測缺陷識別分析的數(shù)字化需求，該技術的推廣可以取得良好的經(jīng)濟效益，并提高檢測工作的標準化、規(guī)范化、可追溯化，具有重要意義。

[1]周偉，王承訓.焊接缺陷自動識別系統(tǒng)的研究與應用[J].焊接學報， 1992（1）:45-50.ZHOU Wei，WANG Cheng-xun.Research and application of automatic recognition system to weld defects[J].Transactions of the China Welding Institution，1992（1）：45-50.

[2]中華人民共和國國家標準，GB3323-87.鋼熔化焊對接接頭射線照相和質(zhì)量分級[S].1987.

[3]張曉光，李浴，徐健健.基于神經(jīng)系統(tǒng)的焊縫缺陷識別專家系統(tǒng)[J].計算機工程，2003，29（17）:22-28.ZHANG Xiao-guang， LI Yu， XU Jian-jian.Weld seam defects distinguishing expert system based on neural network[J].Computer Engineering ，2003，29（17）:22-28.

[4]申清明，高建民，李成.焊縫缺陷類型識別方法的研究[J].西安交通大學學報，2010，44（7）:100-103.SHEN Qing-ming， GAO Jian-min， LI Cheng.Recognition of weld defect types[J].Journal of Xi’an Jiaotong University，2010，44（7）:100-103.

[5]Liao TW.Classification of welding flaw types with fuzzy expert systems[J].Expert Systems with Applications，2003，25（1）:101-111.

[6]Silva RR， Caloba LP， Sioueira MHS， et al.Pattern recognition of weld defects detected by radiographic test[J].NDT&E International， 2004，37（6）:461-470.

[7]張曉光，劉金德，林家駿.射線焊縫缺陷識別的專家系統(tǒng)[J].煤礦機械，2002，12:22-24.ZHANG Xiao-guangt， LIU Jin-de， LIN Jia-ju.The expert system of X-ray welding seam defects distinguishing[J].Coal Mine Machinery，2002，12:22-24.