基于自適應滑動窗口的漏磁數(shù)據(jù)灰度化增強方法

王增國，王 雷，黃方佑，劉金海，張寶金

（1.中國海洋石油有限公司，北京 100010；2.東北大學信息科學與工程學院，沈陽 110004；3.鞍鋼集團礦業(yè)有限公司眼前山分公司，鞍山 114044）

引 言

目前，中國油氣管線長度鋪設(shè)已超過1×105km，初步形成橫跨東西、縱貫南北的油氣管網(wǎng)格局［1］，但部分管線服役時間已20余年，面臨著管壁腐蝕、老化等風險，一旦發(fā)生泄漏事故，所造成的經(jīng)濟及生態(tài)影響難以衡量［2?3］。管道的定期檢查及安全狀態(tài)評估是防止管道泄漏事故的有效手段［4］。

漏磁內(nèi)檢測［5］作為一種有效的管道無損探傷方法，近年已廣泛應用到管道故障診斷領(lǐng)域。該方法是由管道輸送介質(zhì)推動內(nèi)檢測器行進［6］，由傳感器記錄數(shù)據(jù)，相關(guān)數(shù)據(jù)分析人員通過分析數(shù)據(jù)實現(xiàn)對管道缺陷的精確定位［7］。數(shù)據(jù)可視化技術(shù)［8］可借助人的視覺處理能力挖掘數(shù)據(jù)隱含信息。在漏測檢測領(lǐng)域，常見的可視化方法有曲線視圖、灰度視圖及偽彩色視圖［9］。技術(shù)人員可以通過觀察漏磁檢測數(shù)據(jù)的波動特征完成對管道缺陷的分析，具有極為重要的作用［10］。

國內(nèi)外學者對此做了大量的研究工作。Carvalho等［11］利用人工神經(jīng)網(wǎng)絡(luò)分析了漏磁數(shù)據(jù)從而實現(xiàn)對管道焊縫的檢測。Kandroodi等［12］采用基于圖像處理和形態(tài)分析的軸向磁通檢測算法實現(xiàn)對管道缺陷的檢測。Kandroodi等［13］通過設(shè)計高斯徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial basis function neural network，RBF?NN）實現(xiàn)了缺陷數(shù)據(jù)的特征增強。Aldosari等［14］采用自組織映射（Self?organizing map，SOM）作為特征可視化工具并離散化輸入來選擇最合適特征對漏磁數(shù)據(jù)進行分析。Bianchi等［15］通過提取合成孔徑雷達圖像的形狀和紋理特征并設(shè)計深度學習網(wǎng)絡(luò)對其進行分類和定位。

哈爾濱工業(yè)大學張東來團隊［16］將漏磁數(shù)據(jù)按尺度統(tǒng)一映射到0~255之間，形成不同的灰度等級，以映射得到的灰度圖像呈現(xiàn)漏磁數(shù)據(jù)特征。天津大學的曹麗娜團隊［17］對映射后的灰度圖像進行數(shù)據(jù)插值、平滑、銳化等處理，形成了色彩區(qū)別度更優(yōu)、分辨率更高、特征更為明顯的漏磁數(shù)據(jù)灰度圖，提升了漏磁數(shù)據(jù)灰度可視化的效果。王富祥團隊［18］采用內(nèi)檢測方式對多類管道缺陷進行檢測，并定性分析了缺陷信號的特征。鄭彪華等［19］通過對圓柱形缺陷進行靜態(tài)仿真，分析了缺陷參數(shù)與漏磁信號的關(guān)系。張韜等［20］通過基于脈沖的漏磁檢測技術(shù)獲取到更加豐富和精確的缺陷漏磁信號并采用多尺度小波和支持向量機實現(xiàn)了缺陷輪廓的重構(gòu)。王蕾等［21］設(shè)計了一種三單元旋轉(zhuǎn)型光纖捷聯(lián)慣導系統(tǒng)的數(shù)據(jù)采集單元提升了傳感器的數(shù)據(jù)采集精度和抗干擾能力，以及漏磁檢測信號的有效性。單少卿等［22］針對傳統(tǒng)管道內(nèi)檢測器清晰度不高的缺點提出一種高清晰度三軸管道漏磁數(shù)據(jù)采集系統(tǒng)，使用大量霍爾傳感器作為數(shù)據(jù)采集單元分別在進行探測元件外圍圓周各點處的3個方向上放置傳感器以達到高清晰度的采集要求。鞏文東等［23］提出采用搭載三維霍爾傳感器直線陣列的小車對人工制造的矩形凹坑缺陷樣本進行磁化并成功檢測漏磁信號。

雖然國內(nèi)外學者已對管道漏磁檢測做了大量研究工作，但漏磁數(shù)據(jù)的可視化效果仍然較差，傳統(tǒng)曲線視圖在海量漏磁數(shù)據(jù)環(huán)境下，難以做到實時顯示，傳統(tǒng)灰度視圖對小缺陷區(qū)域，無法做到精確顯示。因此，研究基于漏磁信號可視化新方法具有非常重要的工程意義。

本文針對傳統(tǒng)曲線視圖和灰度視圖可視化技術(shù)缺點以及前人研究中的不足之處，提出了一種基于滑動窗口的小缺陷特征增強的漏磁數(shù)據(jù)自適應灰度可視化方法，能合理地顯示大量檢測數(shù)據(jù)，有效提升數(shù)據(jù)可視化效果。首先基于多通道漏磁數(shù)據(jù)，設(shè)計一種中值距離非等量數(shù)據(jù)分類方法，并基于分類標簽設(shè)置采樣比對原始數(shù)據(jù)抽樣顯示；然后設(shè)計一種基于自適應滑動窗口的漏磁數(shù)據(jù)分段灰度映射可視化增強方法，并進行灰度補償，將曲線視圖轉(zhuǎn)換為灰度視圖；最后基于分類標簽對漏磁數(shù)據(jù)灰度圖像進行分類特征增強，得到分辨率高、缺陷特征清晰的灰度視圖。

1 漏磁數(shù)據(jù)灰度可視化原理

1.1 漏磁數(shù)據(jù)灰度可視化基本理論

傳統(tǒng)的灰度圖像，僅包含單個通道的信息，將黑?灰?白色彩等間隔劃分為多種漸變色。以8位像素圖像為例，共有0~255的256個灰度級，代表著灰度亮度從深到淺。一幅灰度圖像本質(zhì)是由多個灰度值組成的矩陣陣列，各位置處不同的灰度值構(gòu)成了具有區(qū)分度的圖像。在管道的各類缺陷處，采集到的漏磁信號相比平滑管段會產(chǎn)生突變，焊縫、法蘭、閥門等管道組件區(qū)域，也會產(chǎn)生信號突變。通過某種數(shù)學關(guān)系式映射，可將漏磁檢測信號幅值映射成灰度值，反映在灰度圖上即映射成不同深淺、亮度的色彩區(qū)域。在漏磁數(shù)據(jù)分析過程中，根據(jù)灰度圖像的顏色色彩、邊界特征等信息實現(xiàn)管道缺陷、組件的定性或定量分析。

1.2 漏磁數(shù)據(jù)灰度可視化數(shù)學模型

人眼看到的圖像一般是由物體反射光形成，可看作物體所在場景的入射光量以及物體反射光量的組合。分別將這兩種分量表示為x(i，j)與y(i，j)，從而得到物體某位置(i，j)處的圖像灰度g(i，j)為

式中：入射分量x(i，j)由光源決定，取值范圍為(0，∞)；反射分量y(i，j)由物體材質(zhì)及表面光滑特性決定，取值范圍為[0，1]。

漏磁數(shù)據(jù)灰度可視化是將原有的漏磁檢測數(shù)據(jù)以某種映射方式轉(zhuǎn)變?yōu)榛叶戎?，其中漏磁?shù)據(jù)灰度化后形成的圖像并非光源照射產(chǎn)生的自然圖像，但依舊滿足式（1）所示的基本性質(zhì)，設(shè)映射關(guān)系為f(i，j)，則漏磁數(shù)據(jù)矩陣中某一采樣點(i，j)經(jīng)映射后得到的灰度值為

因此，漏磁數(shù)據(jù)矩陣經(jīng)映射后得到的灰度圖像數(shù)學模型為

由灰度化原理及數(shù)學模型可知，為提高灰度視圖的可視化效果，削弱灰度視圖的背景噪聲，增強小缺陷特征，關(guān)鍵是尋找合理的映射關(guān)系f(i，j)將原始漏磁數(shù)據(jù)轉(zhuǎn)換為灰度值，提升灰度化效果。

2 漏磁數(shù)據(jù)灰度可視化增強方法

2.1 漏磁數(shù)據(jù)灰度可視化方法流程

本文提出的基于滑動窗口的小缺陷特征增強的漏磁數(shù)據(jù)自適應灰度可視化方法流程如圖1所示。

圖1 可視化算法流程圖Fig.1 Visualization algorithm flow chart

Step 1對采集的原始漏磁數(shù)據(jù)通過基值校正和非線性小波閾值去噪方式進行預處理；

Step 2設(shè)計相關(guān)參數(shù)判斷曲線視圖中管道缺陷的嚴重程度，并設(shè)置分類標簽；

Step 3分別設(shè)計自適應滑動窗口、灰度值補償、分段映射關(guān)系式對漏磁數(shù)據(jù)進行分段灰度映射，提高較小缺陷特征區(qū)域清晰度，初步提升灰度化效果；

Step 4結(jié)合Step 2和Step 3設(shè)計的算法，并在此基礎(chǔ)上，根據(jù)類別標簽設(shè)計分類灰度變換表達式，削弱背景紋理，增強缺陷間差異，進一步提升灰度化效果。

2.2 漏磁數(shù)據(jù)預處理

（1）傳感器基值校準

針對不同傳感器在零磁場環(huán)境下輸出不同的問題，本文根據(jù)漏磁信號特點提出一種平均中值算法對其進行基值校正，見式（4）。

式中：Bi(j)ans表示i號傳感器在j處校準后的磁場強度；Bi(j)表示i號傳感器在j處未校準的磁場強度；k表示傳感器通道數(shù)；Bi?median表示i號傳感器通道磁場強度中值；Vi?median表示i號傳感器該管段內(nèi)的中值輸出電壓；Vref表示霍爾傳感器的基準電壓值；P表示電壓放大倍數(shù)；sens表示靈敏度系數(shù)。

（2）漏磁信號去噪處理

針對磁信號傳感器采集的數(shù)據(jù)包含各種噪聲，產(chǎn)生可視化失真的問題，本文用非線性小波閾值去噪方法對漏磁數(shù)據(jù)進行濾波處理，從含有噪聲的數(shù)據(jù)中盡最大程度還原出有效信號，并保持異常點幅值和相位信息不變。

2.3 設(shè)計漏磁數(shù)據(jù)分類標簽

缺陷處漏磁信號的特點是信號以缺陷為中心基本呈軸對稱，缺陷中間高，兩側(cè)幅值低，且信號谷值小于平穩(wěn)段信號幅值。依據(jù)漏磁（Magnetic flux leakage，MFL）信號特征，在建立漏磁數(shù)據(jù)分類標簽時，應滿足單通道內(nèi)，缺陷位置處信號峰值及谷值均為高類別標簽，以避免數(shù)據(jù)降采樣時特征失真、細節(jié)損失。因此，本文提出基于中值距離的非等量三軸數(shù)據(jù)分類降采樣方法，步驟如下：

（1）設(shè)原始多通道軸向漏磁檢測數(shù)據(jù)為

取單通道數(shù)據(jù)xˉi=(xi，1，xi，2，…，xi，m)T，確定分類類別K，單通道數(shù)據(jù)中，K值常取6~12。

（2）為避免內(nèi)檢測器前進方向偏移或滑動造成漏磁信號幅值整體漂移，故從xˉi以500采樣點為單位（不足則全取），求取該管段內(nèi)漏磁信號中值Vs?mid。

（3）判斷當前管段內(nèi)信號最大值Vs?max與最小值Vs?min差值與幅值峰谷差閾值Vthr大小關(guān)系，如小于閾值，說明該管段基本平穩(wěn)，設(shè)置類別為最小值1，并判斷下一管段，否則，進入下一步驟；其中，Vthr取決于信號峰谷差，軸向和徑向一般取0.2~0.3 V，周向一般取1.2~2 V。

（4）判斷采樣點幅值與該管段信號幅值中值Vs?mid大小關(guān)系，若大于則按式（6）進行基于中值距離的數(shù)據(jù)類別劃分，否則，按式（7）劃分類別（若該位置信號幅值等于中值Vs?mid，則認為類別標簽為1）。

（5）取各通道類別最大值作為當前里程采樣點的分類類別。為避免單軸傳感器無法多角度檢測缺陷而產(chǎn)生一些遺漏現(xiàn)象，將該管段徑向、周向漏磁檢測數(shù)據(jù)分別按上述步驟處理，得到徑向數(shù)據(jù)分類標簽Cr、周向數(shù)據(jù)分類標簽Cc。以軸向分類標簽Ca為主標簽取三軸分類標簽最大值進行分類標簽校正，得到該管段各采樣點的漏磁數(shù)據(jù)最終分類標簽C。

（6）設(shè)定降采樣比例(S1，S2，…，Sk)，抽樣漏磁數(shù)據(jù)，實現(xiàn)曲線視圖快速可視化。

2.4 基于自適應滑動窗口及灰度值補償?shù)木植炕叶扔成?/h3>

針對在對較長距離管段漏磁數(shù)處理時無法按缺陷區(qū)域灰度化的問題，本文設(shè)計了一種自適應滑動窗口和灰度補償算法，從而實現(xiàn)漏磁數(shù)據(jù)的局部灰度映射，有效突出局部灰度差異，使缺陷、焊縫等特征清晰。圖2為基于自適應滑動窗口的灰度映射算法流程圖，其實現(xiàn)步驟如下：

圖2 基于自適應滑動窗口的灰度映射算法流程圖Fig.2 Flow chart of gray mapping algorithm based on self-adaptive sliding window

（1）設(shè)定初始滑動窗口大小，長為Lw、寬為Ww，取窗口內(nèi)信號幅值最大值Vw?max、最小值Vw?min作為灰度映射的最大、最小尺度。為避免邊界溢出造成數(shù)據(jù)無法處理的問題，對預處理后的漏磁數(shù)據(jù)進行邊界擴充，左右兩側(cè)分別擴展Lw/2里程點，上下兩側(cè)分別擴展Ww/2通道。

（2）判斷窗口內(nèi)幅值極值差是否大于幅值閾值Vδ，若小于則自適應調(diào)整窗口大小，長擴充Δl、寬擴充Δw直至局部極值差大于閾值Vδ或無法繼續(xù)增大窗口，圖3為窗口自適應調(diào)整示意圖。

圖3 窗口自適應調(diào)整示意圖Fig.3 Diagram of window self-adaptive adjustment

（3）為一定程度上使得色彩存在一定區(qū)分度，同時削弱背景噪聲的影響，根據(jù)式（8）和式（9）對當前窗口內(nèi)幅值最大值Vw?max、最小值Vw?min進行幅值校正，得到校正后的最大值Vw?max?c、最小值Vw?min?c，實現(xiàn)灰度值補償。

（4）對任一數(shù)據(jù)點，根據(jù)其幅值與通道幅值中值的大小關(guān)系，設(shè)計式（10）進行局部分段灰度映射。

式中：Gi，j為轉(zhuǎn)換后灰度值；Gm為最大灰度值，8位像素下取值為255；Gcv為中值點的鄰接灰度值，常取值為50~100；Vi，j為位置(i，j)信號幅值，Vm_i為通道i幅值中值，Vmax為信號幅值最大值，Vmin為信號幅值最小值。

2.5 基于分類標簽對漏磁數(shù)據(jù)進行自適應灰度變換

2.4節(jié)提出的漏磁數(shù)據(jù)灰度化算法，能夠有效地實現(xiàn)小缺陷特征增強效果，但同樣帶來了部分噪聲信號的增強。原始漏磁檢測數(shù)據(jù)經(jīng)小波降噪后，已濾除部分高頻噪聲，但受采樣點幅值漸變性以及環(huán)境、硬件設(shè)備等影響，灰度圖像中仍存在背景紋理等噪聲，且其與缺陷特征區(qū)域仍存在一定重疊性，本文結(jié)合2.3節(jié)得到的三軸數(shù)據(jù)分類標簽，設(shè)計了一種對漏磁數(shù)據(jù)進行分類非線性灰度變換的方法。

對不同漏磁數(shù)據(jù)采樣點，采用2.3節(jié)所提出分類算法后，生成類別標簽C1~C8。其中信號平穩(wěn)區(qū)域數(shù)據(jù)點分類標簽為C1、C2，缺陷信號區(qū)域內(nèi)分類標簽為C3~C7。

以灰度中值Gcv為中心，壓縮中間區(qū)域灰度帶，使其沿灰度值Gcv分布更密集，其他位置灰度值根據(jù)與中值大小關(guān)系，進行分段灰度變換，以突出灰度圖特征區(qū)域。

對C1、C2類別的數(shù)據(jù)點，設(shè)計式（11）采用線性變換的方式以Gcv為中心灰度壓縮灰度帶。

式中：Rs為尺度因子，一般取2~8。

對C3~C7數(shù)據(jù)點設(shè)計式（12）作變換，大于中值部分逐漸遞增，變化率隨灰度值遞增而遞增，小于中值部分逐漸遞減，變化率隨灰度值遞減而遞增。

式中：h1、h2為放大系數(shù)，通常為0.7~1.4；λ、γ為冪指數(shù)，通常為0.8~1.2，一般取1.0附近，不宜過大或過小，否則容易導致圖像失真。

3 實驗與分析

3.1 實驗條件

本文中的數(shù)據(jù)來源于中海油天津試驗場的管道內(nèi)檢測實驗，實驗現(xiàn)場如圖4所示。實驗主要依靠內(nèi)檢測原理機獲取數(shù)據(jù)，內(nèi)檢測原理機的永磁體材料為釹鐵，如圖5所示。管道內(nèi)檢測器在管道內(nèi)沿著介質(zhì)推動方向行進，嵌入在內(nèi)檢測器上的霍爾傳感器記錄原始漏磁信號，傳感器瓣數(shù)為15瓣，數(shù)據(jù)采集精度為12位，將15瓣傳感器獲取的漏磁信號從上到下依次顯示在曲線視圖中依該視圖進行后續(xù)的缺陷分析工作。

圖4 管道缺陷數(shù)據(jù)采集及測量驗證Fig.4 Data collection of pipeline defect and its measurement verification

圖5 管道內(nèi)檢測器結(jié)構(gòu)Fig.5 Structure of detector in pipeline

3.2 實驗數(shù)據(jù)采集

漏磁檢測作為一種電磁無損檢測技術(shù)，具有操作便捷、檢測高效、對工作環(huán)境要求低等優(yōu)點，在管道故障診斷領(lǐng)域被廣泛應用。在管道漏磁檢測中，通過外加磁場對被測管道進行磁化使其磁化水平達到飽和狀態(tài)，如圖6所示。

圖6 漏磁內(nèi)檢測原理圖Fig.6 MFL detection schematic diagram

如果管道結(jié)構(gòu)完整材質(zhì)均勻、不存在缺陷，則外加磁場的磁感線會完全被束縛在管道中，不會有磁感線從管道中泄露出來，管道外側(cè)無磁場存在；如果管道某處存在缺陷，由于缺陷位置磁阻較大，磁感線會改變原有方向，選擇磁阻較小的更優(yōu)路徑，即外加磁場的磁感線遇到缺陷時離開管道表面，泄漏到管道外部流經(jīng)外部介質(zhì)并繞過缺陷后重新進入管道內(nèi)部，形成漏磁信號。不同的管道腐蝕程度對信號特征影響不同。管道腐蝕狀況越嚴重，意味著缺陷的漏磁信號越明顯，反映在曲線視圖上表現(xiàn)為較大的峰谷差和峰谷間距等。

本文以12英寸三軸內(nèi)檢測器為例，選取某管段軸向漏磁檢測數(shù)據(jù)，共144通道。數(shù)據(jù)中包括如下3種類型的管道缺陷：管道平穩(wěn)段；焊縫、法蘭等組件及缺陷密集段；實測管道特征不規(guī)律段。驗證本文所提出的可視化算法對漏磁數(shù)據(jù)曲線視圖和灰度視圖的提升效果。

3.3 曲線視圖可視化效果測試

3.3.1 管段Ⅰ：管道平穩(wěn)段

選取實驗場14 m某腐蝕較輕管段的軸向漏磁檢測數(shù)據(jù)，選定分類類別K為8，軸向幅值閾值V(a)thr=0.3 V，徑向幅值閾值V(r)thr=0.3 V，周向幅值閾值V(c)thr=1.5 V，在保證算法處理后數(shù)據(jù)特征不失真的情況下，列出3種采樣比對應的處理結(jié)果分別如表1和圖7所示。

圖7 局部平穩(wěn)管段軸向漏磁數(shù)據(jù)抽樣效果對比圖Fig.7 Comparison of sampling effect of axial MFL signals for partially stable pipe section

表1 不同抽樣比下的漏磁數(shù)據(jù)抽樣率Table 1 Sampling rate of MFL signals under differ?ent sampling ratios

實驗結(jié)果表明，在平穩(wěn)管段，采用傳統(tǒng)的全局統(tǒng)一抽樣比和本文提出的自適應抽樣算法均可以實現(xiàn)信號特征的復現(xiàn)。值得注意的是，管道平穩(wěn)段在表1中3種抽樣比下，均可以實現(xiàn)焊縫、法蘭等特征區(qū)域信號基本無損，處理前后波形幾乎無明顯變化，從而達到漏磁信號特征無損的數(shù)據(jù)可視化。

3.3.2 管段Ⅱ：焊縫、法蘭等組件及缺陷密集段

選取實驗場某腐蝕較輕管段的軸向漏磁檢測數(shù)據(jù)，選定分類類別K為8，軸向幅值閾值V(a)thr=0.3 V，徑向幅值閾值V(r)thr=0.3 V，周向幅值閾值V(c)thr=1.5 V，數(shù)據(jù)抽樣比例為S=（5，5，3，3，2，2，1，1）。經(jīng)2.4節(jié)算法處理，選取該管段中約3.7 m管段，處理前后曲線可視化效果如圖8所示。

圖9為圖8某缺陷信號細節(jié)圖，是典型的管壁缺陷漏磁信號；其特點是，信號以缺陷為中心基本呈軸對稱，缺陷中間幅值高，兩側(cè)幅值低，且信號谷值小于平穩(wěn)段信號幅值。

圖9 單一缺陷漏磁信號圖Fig.9 MFL signals of single defect

從圖8（a）中可以看出，缺陷分布基本均勻，缺陷形狀規(guī)則且分布較密集。該管段共1 000采樣點，采用傳統(tǒng)基于中值的全局抽樣比進行處理后還有620個采樣點，如圖8（b）所示，但缺陷處重要特征損失嚴重，缺陷形狀發(fā)生畸變不利于后續(xù)特征提取等工作的進行；經(jīng)本文所提出的算法處理并可視化后，如圖8（c）所示，當前范圍內(nèi)有效采樣點共611個，數(shù)據(jù)抽樣率達到44.5%。

圖8 局部特征密集管段軸向漏磁數(shù)據(jù)抽樣效果對比圖Fig.8 Comparison of sampling effect of axial MFL signals of pipe section with dense local characteristics

與平穩(wěn)管段相比，相同抽樣比例下，有效數(shù)據(jù)剩余量不同，在漏磁數(shù)據(jù)量上實現(xiàn)了根據(jù)管段特征的自適應抽樣。在當前數(shù)據(jù)抽樣比例下，基本滿足缺陷信號、組件信號無損可視化，處理前后信號波形基本一致，部分細小缺陷信號也基本可以保留。

3.3.3 管段Ⅲ：實測管道特征不規(guī)律段

選取100 m部分腐蝕嚴重海底油氣管段軸向漏磁檢測數(shù)據(jù)，選定分類類別K為8，軸向幅值閾值V(a)thr=0.3 V，徑向幅值閾值V(r)thr=0.3 V，周向幅值閾值V(c)thr=1.5 V，數(shù)據(jù)抽樣比例為S=（5，5，3，3，2，2，1，1）。

經(jīng)2.4節(jié)算法處理，選取其中某段約0.71 m管段，處理前后曲線可視化效果如圖10所示。

從圖10（a）中可知，該管段部分區(qū)域腐蝕較為嚴重，缺陷分布密集且信號特征無規(guī)律。由于該管段腐蝕嚴重、信號幅值波動范圍較大，其數(shù)據(jù)抽樣率大大降低，圖中所示管段處理前共354采樣點。采用傳統(tǒng)的全局統(tǒng)一抽樣比處理后，如圖10（b）所示，剩余320個采樣點，缺陷輪廓基本保留，但對于關(guān)鍵的細節(jié)信息如缺陷處峰值、谷值等不能很好保留；經(jīng)本文算法處理并可視化后如圖10（c）所示，當前范圍內(nèi)共留存313采樣點，數(shù)據(jù)總抽樣率僅約11.6%。該管段信號特征較為復雜，較難分辨缺陷細節(jié)信息，在如圖10所示范圍內(nèi)觀察可知，處理前后信號波動狀態(tài)及峰谷值基本無異。

圖10 局部復雜管段軸向漏磁數(shù)據(jù)抽樣效果對比圖Fig.10 Comparison of sampling effect of axial MFL data of local complex pipe section

上述3種管段處理前后抽樣率對比如表2所示，算法處理前后繪圖實踐和可視化延遲時間分別如圖11和圖12所示。實驗結(jié)果表明，接近50%數(shù)據(jù)量的自適應抽樣去除，使得該100 m管段在數(shù)據(jù)分析階段呈現(xiàn)與圖像拖動時延大大降低，在GUI界面拖動數(shù)據(jù)曲線時延由原約2 s下降至200 ms以下，大大提高數(shù)據(jù)分析效率。因此，根據(jù)本文提出的基于非等量分類標簽的曲線視圖自適應抽樣可視化算法，實現(xiàn)了同一根管道不同區(qū)域數(shù)據(jù)的自適應抽樣，最大程度減少了冗余數(shù)據(jù)，減輕內(nèi)存負擔。

表2 不同管段處理后曲線可視化指標分析Table 2 Analysis of curve visualization indexes of different pipe sections after treatment

圖11 算法處理前后繪圖時間對比Fig.11 Comparison of drawing time before and after algorithm processing

圖12 算法處理前后拖動延遲對比Fig.12 Comparison of drag delay before and after algorithm processing

3.4 灰度視圖可視化效果測試

3.4.1 典型缺陷灰度可視化效果測試

選取典型管道缺陷漏磁內(nèi)檢測數(shù)據(jù)，采用2.3和2.4節(jié)提出的小缺陷特征增強的漏磁數(shù)據(jù)灰度可視化算法，對漏磁數(shù)據(jù)進行灰度化處理，并量化灰度視圖處理結(jié)果。

選取實驗場約0.33 m管段144通道軸向漏磁檢測數(shù)據(jù)進行灰度化處理，軸向漏磁數(shù)據(jù)灰度化結(jié)果如圖13所示。經(jīng)分段灰度映射處理后得到的灰度圖像圖13（a），缺陷基本均可辨識，且符合不同缺陷灰度圖亮度預期，但部分特征區(qū)域亮度較低。該管段共4個缺陷，圖中右上角處缺陷亮度最為清晰，下方兩缺陷則較模糊，分辨率不高。圖13（b）和13（c）分別是自適應滑動窗口和灰度值補償后的圖像，明顯可看出4個缺陷亮度較圖13（a）初步漏磁數(shù)據(jù)灰度圖像大大提升，具體表現(xiàn)為缺陷中心區(qū)域亮度提升，兩側(cè)區(qū)域呈暗黑色灰度值進一步降低，更易于分辨，但灰度圖中不同類型缺陷區(qū)域亮度相似。圖13（d）是分類灰度變換后的漏磁數(shù)據(jù)灰度圖像，缺陷區(qū)域背景噪聲有一定削弱，缺陷區(qū)域更為清晰，亮度有所提升，特征區(qū)域進一步增強。

軸向數(shù)據(jù)灰度圖像對比度、信息熵指標變化如圖14所示。由圖可以看出，僅經(jīng)自適應滑動窗口映射得到的灰度圖像，對比度、信息熵與分段灰度變換相比大大提升。僅經(jīng)灰度值補償處理后，兩項指標與滑動窗口方式相比均有所下降，優(yōu)點是保留了不同缺陷間的亮度差異。僅由分類灰度變換得到的灰度圖像與灰度補償相比，對比度提升明顯，信息熵略微下降，變化不大，圖像噪聲減弱。通過以上分析，本文綜合分段灰度映射、自適應滑動窗口、灰度值補償、分類灰度變換算法，提出小缺陷特征增強的漏磁數(shù)據(jù)灰度化算法，通過實驗驗證本文所提出算法對各管段漏磁數(shù)據(jù)灰度可視化的提升效果。

圖14 軸向灰度圖像指標變化趨勢圖Fig.14 Change trend of axial gray image index

選取兩種典型缺陷管道漏磁內(nèi)檢測數(shù)據(jù)，采用小缺陷特征增強的漏磁數(shù)據(jù)灰度可視化算法，對漏磁數(shù)據(jù)灰度可視化，具體呈現(xiàn)效果及分析如下。

3.4.2 含焊縫且缺陷密集管段灰度可視化效果測試

取某管段1.9 m漏磁檢測數(shù)據(jù)，該管段缺陷分布均勻密集、且存在焊縫。算法的主要參數(shù)設(shè)置為Lw=40、Ww=60、Δl=5、Δw=2、Vδ=0.4、Ra=8、Rs=Rb=4，軸向漏磁數(shù)據(jù)灰度化結(jié)果如圖15所示。從圖15可以看出，右側(cè)區(qū)域為焊縫，在灰度圖中呈現(xiàn)為亮度較高的一條白線。經(jīng)本文所提出的算法處理后的灰度圖像，對包括焊縫、缺陷在內(nèi)的特征區(qū)域?qū)崿F(xiàn)了有效的增強，小缺陷區(qū)域亮度提升明顯，缺陷邊界更清晰，缺陷識別度可達100%。

圖15 含焊縫且缺陷密集管段可視化效果對比圖Fig.15 Comparison of visualization effect of pipe section with weld and dense defects

軸向灰度圖像指標變化趨勢如圖16所示。由圖可知，該管段軸向灰度圖像指標經(jīng)基于自適應滑動窗口的漏磁數(shù)據(jù)灰度化方法處理后，圖像對比度、信息熵與傳統(tǒng)灰度化算法相比有較大提升，特征清晰，可視化效果較優(yōu)。

圖16 含焊縫且缺陷密集管段軸向灰度圖像指標變化趨勢Fig.16 Change trend of axial gray image index of pipe section with weld and dense defects

3.4.3 含法蘭及缺陷管段灰度可視化效果測試

取某管段2.6 m漏磁檢測數(shù)據(jù)，該管段缺陷分布均勻且管道存在法蘭盤，算法主要參數(shù)設(shè)置與3.4.2節(jié)中管段一致，選取其中左側(cè)約1.76 m管段，軸向漏磁數(shù)據(jù)灰度化結(jié)果如圖17所示。從圖17中可以看出，該管段共均勻分布14個缺陷，約4個缺陷識別度較低，管段左側(cè)為法蘭盤。通過算法處理后的灰度圖像，增強了圖像中法蘭盤區(qū)域的灰度特征，提高了對比度，其軸向灰度圖像指標變化趨勢如圖18所示。由圖18可知，本文所提出的算法在含法蘭、缺陷管段得到的灰度視圖，對比度、信息熵與傳統(tǒng)算法相比有較大提升，可視化效果較優(yōu)，灰度圖中的缺陷區(qū)域亮度均有增強，尤其增強了小缺陷區(qū)域圖像特征，提高了缺陷邊界的清晰度，缺陷識別率可達到100%，有效提升了圖像質(zhì)量與信息量。

圖17 含法蘭及缺陷管段可視化效果對比圖Fig.17 Comparison of visualization effect of pipe section with flange and defect

圖18 含法蘭及缺陷管段軸向灰度圖像指標變化趨勢Fig.18 Change trend of axial gray image index of pipe section with flange and defect

4 結(jié)束語

本文針對漏磁缺陷信號的曲線視圖可視化延遲灰度視圖特征不清晰的問題，提出了一種基于自適應滑動窗口的漏磁數(shù)據(jù)灰度化增強方法。首先，通過設(shè)計非等量分類標簽方式對缺陷嚴重程度進行分類，并根據(jù)類別標簽實現(xiàn)漏磁數(shù)據(jù)的自適應降采樣，對不同管段數(shù)據(jù)實現(xiàn)了自適應有效數(shù)據(jù)點可視化，大大降低可視化延遲；其次，設(shè)置自適應滑動窗口，依據(jù)漏磁數(shù)據(jù)分類標簽對曲線視圖進行灰度化，尤其對小缺陷灰度特征進行了增強，提升缺陷視覺分析及計算機識別效率；最后，通過仿真分析和實際實驗驗證了所提方法的優(yōu)越性。但該方法需要對所有采樣數(shù)據(jù)點逐一處理，對于長距離管道數(shù)據(jù)運算速率較慢且實現(xiàn)的是單軸漏磁數(shù)據(jù)的可視化處理，三軸數(shù)據(jù)的融合以實現(xiàn)多角度、多信息的數(shù)據(jù)呈現(xiàn)尚需進一步研究。