基于核機(jī)器學(xué)習(xí)的油氣管道焊縫檢測(cè)方法初探

【摘 要】本文敘述了傳統(tǒng)的管道焊縫檢測(cè)方法及目前計(jì)算機(jī)、圖像處理及模式識(shí)別等現(xiàn)代技術(shù)在管道焊縫檢測(cè)中的應(yīng)用，在理論上闡述了將核機(jī)器學(xué)習(xí)方法用于油氣管道焊縫檢測(cè)的可行性。

【關(guān)鍵詞】管道；焊縫檢測(cè)；核機(jī)器

隨著“西氣東輸”工程的啟動(dòng)，被稱譽(yù)為國家的重大生命線——油氣長輸管道在我國進(jìn)入建設(shè)和發(fā)展的高峰期。高質(zhì)量的焊管是保證管道安全、經(jīng)濟(jì)、高效可靠運(yùn)行的基礎(chǔ)和根本保障，目前螺旋埋弧焊技術(shù)廣泛地應(yīng)用于石油化工鋼管和壓力容器的制造中，但遺留在焊縫中的缺陷產(chǎn)生失效行為，導(dǎo)致管道破裂與爆炸。因此焊縫缺陷檢測(cè)和跟蹤系統(tǒng)是機(jī)械、冶金、石油化工等焊管制造中必不可少且尤為重要的環(huán)節(jié)。

傳統(tǒng)的x射線檢測(cè)技術(shù)在焊縫質(zhì)量檢測(cè)方法中占有重要地位，檢測(cè)結(jié)果可以作為焊縫缺陷分析及其質(zhì)量判斷的重要依據(jù)。常用的x射線檢測(cè)方式一般是由有經(jīng)驗(yàn)的專業(yè)檢測(cè)人員在實(shí)時(shí)圖像或者照相底片上人工完成，工作量較大，檢測(cè)結(jié)果的可靠性在很大程度上取決于檢驗(yàn)者的主觀因素[1]，而且x射線探傷法存在輻射性、人工讀片的不確定性弊端，用計(jì)算機(jī)實(shí)現(xiàn)自動(dòng)評(píng)片因缺陷特征和類別的復(fù)雜性難以達(dá)到滿意的效果，不能與現(xiàn)代化大生產(chǎn)的實(shí)際完全適應(yīng)。因此，近年來國內(nèi)外的相關(guān)技術(shù)人員利用計(jì)算機(jī)、圖像處理及模式識(shí)別等現(xiàn)代技術(shù)，在焊縫及其缺陷的自動(dòng)識(shí)別方面進(jìn)行了許多有意義的探索和研究，取得了相當(dāng)多的進(jìn)展[2]。文獻(xiàn)[3]在程序的控制下，輸入裝置順序掃描底片，產(chǎn)生與底片內(nèi)容相對(duì)應(yīng)的連續(xù)圖像，然后經(jīng)AD轉(zhuǎn)換，生成8bit灰度圖像，存入設(shè)定緩沖區(qū)。圖象處理軟件對(duì)離散圖像作相關(guān)處理，分類識(shí)別，評(píng)定結(jié)果準(zhǔn)確實(shí)時(shí)地提交給輸出設(shè)備，供用戶使用。用計(jì)算機(jī)評(píng)定焊接射線底片是無損探傷領(lǐng)域的一次技術(shù)革命。但拍攝圖像的亮度差、對(duì)比度低時(shí)對(duì)缺陷誤檢、漏檢的幾率仍然大。一些學(xué)者采用神經(jīng)網(wǎng)絡(luò)等來自動(dòng)辨識(shí)缺陷[4]，而可移植性差，過學(xué)習(xí)和推廣性較差等原因降低實(shí)用性。

據(jù)統(tǒng)計(jì)，現(xiàn)在世界上有1/2的金屬制品是靠焊接完成的，焊接在現(xiàn)代工業(yè)中具有非常重要的作用。焊縫跟蹤是實(shí)現(xiàn)焊接自動(dòng)化的一項(xiàng)關(guān)鍵技術(shù)，直接影響到焊接質(zhì)量[5]。所以有必要尋求一種具有識(shí)別率高、容噪能力強(qiáng)的技術(shù)進(jìn)行油氣長輸管道焊縫的跟蹤檢測(cè)。

基于核的機(jī)器學(xué)習(xí)方法，簡(jiǎn)稱為核機(jī)器學(xué)習(xí)方法（Kernel Machine Learning）或核方法[6-8]，是近年在機(jī)器學(xué)習(xí)領(lǐng)域涌現(xiàn)的一類新模型與新方法的總稱。其基本思想是對(duì)一些只涉及樣本間內(nèi)積運(yùn)算的學(xué)習(xí)方法，通過改變內(nèi)積定義的方式，用事先定義的核函數(shù)取代內(nèi)積，從而得到與原學(xué)習(xí)方法對(duì)應(yīng)的非線性版本。核機(jī)器學(xué)習(xí)方法不僅可以高效分析蘊(yùn)藏在樣本集內(nèi)部的非線性關(guān)系，簡(jiǎn)化了欲解決的問題，并且能借助核技巧規(guī)避特征空間內(nèi)的內(nèi)積運(yùn)算因映射函數(shù)而可能引發(fā)的維數(shù)災(zāi)難。

在核機(jī)器學(xué)習(xí)這類方法中，有用于分類與回歸的高斯過程（GP）模型、支持向量機(jī)（SVM）、最小最大概率機(jī)（MPM）、核最近鄰（KNN）、核貝葉斯判別（KBD ）、核最小平方誤差（KMSE）判別、核Fisher判別（KFD）與核感知器（KP）等；有用于聚類的核自組織映射（KSOM）、核聚類和核Adatron方法等；有用于特征提取的核主成分分析（KPCA）、核獨(dú)立成分分析（KICA）等；也有用于特征選擇的核規(guī)范相關(guān)分析（KCCA）、核投影尋蹤（KPP）和核匹配追蹤（KMP）方法等。當(dāng)然上面列舉的僅是一些最典型的核機(jī)器學(xué)習(xí)方法，限于篇幅還有上百種方法不能一一列舉。核機(jī)器學(xué)習(xí)方法與常規(guī)的模式識(shí)別方法（如人工神經(jīng)網(wǎng)絡(luò)）相比優(yōu)勢(shì)明顯，若能將之應(yīng)用于管道焊縫特征提取、特征選擇以及缺陷預(yù)測(cè)，利用它們優(yōu)良的性質(zhì)和強(qiáng)大的功能，必將能大幅度提升檢測(cè)準(zhǔn)確度。

利用核機(jī)器學(xué)習(xí)方法進(jìn)行油氣管道焊縫跟蹤研究，使得在檢測(cè)系統(tǒng)中融入貝葉斯推理成為可能，因?yàn)樨惾~斯推理與機(jī)器學(xué)習(xí)技術(shù)本來就密不可分。在機(jī)器學(xué)習(xí)過程中融入推理過程有諸多優(yōu)勢(shì)，具體對(duì)焊縫缺陷檢測(cè)而言可以提升焊縫跟蹤系統(tǒng)的智能化程度。這是因?yàn)椋旱谝唬梢詫暮缚p圖片資料中獲得的一些圖像信息作為先驗(yàn)知識(shí)無縫融入檢測(cè)過程，進(jìn)一步提升檢測(cè)準(zhǔn)確度與智能化程度；第二，在檢測(cè)時(shí)可預(yù)設(shè)一組概率規(guī)則，推理遵循該規(guī)則逐步實(shí)現(xiàn)，從而使整個(gè)檢測(cè)過程既有條理又有層次。

利用核機(jī)器學(xué)習(xí)方法進(jìn)行油氣管道焊縫檢測(cè)，也使得在檢測(cè)系統(tǒng)中引入多源信息融合技術(shù)成為可能，因?yàn)槎嘣葱畔⑷诤吓c機(jī)器學(xué)習(xí)同樣密不可分。在管道檢測(cè)中，焊縫的孔隙度、灰度等多個(gè)因素分別揭示了焊縫圖像各個(gè)方面的特性，在進(jìn)行缺陷檢測(cè)時(shí)需要將各方面的信息進(jìn)行綜合考慮。而信息融合正是利用多方面的信息資源，采用數(shù)學(xué)方法和計(jì)算機(jī)技術(shù)對(duì)各種信息在一定準(zhǔn)則下加以自動(dòng)分析、綜合和使用，獲得比單一信息更精確、更完全和更可靠的解釋。因此在焊縫跟蹤系統(tǒng)中引入多源信息融合技術(shù)可以綜合多種焊縫屬性信息，減小方法不同所帶來的不確定性，從而實(shí)現(xiàn)綜合檢測(cè)。

綜上所述，核機(jī)器學(xué)習(xí)提供了一個(gè)良好的平臺(tái)，以之為基礎(chǔ)開發(fā)一套管道焊縫自動(dòng)跟蹤系統(tǒng)至少具有三點(diǎn)優(yōu)勢(shì)：第一，核機(jī)器學(xué)習(xí)方法本身的特性能保證檢測(cè)系統(tǒng)具有很高的準(zhǔn)確度；第二，以核機(jī)器學(xué)習(xí)為主的平臺(tái)能引入貝葉斯推理，保證檢測(cè)系統(tǒng)具有很高的智能化程度；第三，在檢測(cè)中采用了多源信息融合技術(shù)，因此所開發(fā)的系統(tǒng)能進(jìn)行綜合檢測(cè)。況且，核機(jī)器學(xué)習(xí)方法在人臉識(shí)別、視頻分析與移動(dòng)通信等領(lǐng)域均取得了優(yōu)異的應(yīng)用效果。

在國內(nèi)在埋弧焊焊縫缺陷檢測(cè)領(lǐng)域開展核機(jī)器學(xué)習(xí)理論與應(yīng)用研究是一個(gè)新思路新方法，核機(jī)器學(xué)習(xí)理論及其模型有助于提高缺陷有無的識(shí)別率，在焊管缺陷的在線識(shí)別與預(yù)測(cè)這一新領(lǐng)域中必將具有較好的應(yīng)用前景。

參考文獻(xiàn)：

[1] 鄭世才. 關(guān)于缺陷影像識(shí)別的討論[J]. 無損探傷， 2002， （1）： 5-8

[2] 巴曉艷，滕永平. 焊縫缺陷的計(jì)算機(jī)模式識(shí)別方法的研究[A].全國射線檢測(cè)技術(shù)及加速器檢測(cè)設(shè)備和應(yīng)用技術(shù)交流會(huì)論文集[C]， 鄭州：2001，50-54

[3] 傅德勝. 焊接缺陷計(jì)算機(jī)自動(dòng)識(shí)別模式的研究[J] . 控制與決策，1998， 13： 469-474

[4] 劉志遠(yuǎn)，裴潤等. 一種焊縫缺陷自動(dòng)超聲檢測(cè)系統(tǒng)[J]，焊接學(xué)報(bào)，2002，23（3）：71-74

[5] 高向東，丁度坤，趙傳敏. 機(jī)器視覺型焊縫跟蹤技術(shù)[J].焊接，2006，50（2）：19-23.

[6]Xu J. et al. Kernel perceptron algorithm[R]. Beijing： Department of Automation， Tsinghua University， 2000.

[7] S. Papadimitriou and K. Terzidis. Growing kernel-based self-organized maps trained with supervised bias. Intelligent Data Analysis[J]. 2004， 8： 111-130.

[8] M. Girolami. Mercer kernel based clustering in feature space. IEEE Trans Neural Networks[J]. 2002， 13（3）： 780-784.

本論文受以下基金資助：陜西省自然基金項(xiàng)目（2013JQ8049），陜西省教育廳自然科學(xué)專項(xiàng)（2013JK1077），中國石油科技創(chuàng)新基金研究項(xiàng)目（2014D-5006-0605），西安石油大學(xué)博士科研啟動(dòng)基金（2013BS006）。