管道環(huán)焊縫檢測圖像智能識別技術研究

雷錚強,張 豐，林 嵩，王富祥

(國家管網(wǎng)北方管道公司管道科技研究中心，河北廊坊 065000)

0 引言

針對大口徑、高壓力、高強鋼管道失效問題，中國石油集團公司對2007年后建成的油氣管道環(huán)焊縫開展安全質(zhì)量風險排查工作[1-2]。通過排查，發(fā)現(xiàn)了國內(nèi)管道建設過程中存在的一些問題，如射線底片不合格缺陷的漏評和錯評等[3]。這些管道施工建設問題如未被及時發(fā)現(xiàn)，將對后續(xù)管道生產(chǎn)運行帶來安全隱患。對在役管道進行漏磁內(nèi)檢測，并進行人工信號復核等能夠進一步發(fā)現(xiàn)部分嚴重環(huán)焊縫缺陷[4]，降低管道安全運行風險。在加快推進企業(yè)數(shù)字化轉型的新形勢下，智慧管網(wǎng)建設和運營的目標正式被提出。本文從管道環(huán)焊縫缺陷排查的技術需求出發(fā)，結合圖像識別等人工智能分析技術，對環(huán)焊縫缺陷的射線檢測圖像和漏磁內(nèi)檢測信號特征的圖像智能識別分析進行了技術應用研究和軟件開發(fā)。

1 環(huán)焊縫質(zhì)量排查現(xiàn)狀及技術需求分析

環(huán)焊縫排查工作內(nèi)容包括高后果區(qū)設計符合性排查、高后果區(qū)風險管控排查、地質(zhì)條件影響排查、環(huán)焊縫質(zhì)量排查。其中，管道環(huán)焊縫質(zhì)量風險排查的主要工作流程如圖1所示，包括建設期射線底片復評、運行期漏磁內(nèi)檢測信號復核等，目標是排查出環(huán)焊縫的超標缺陷并修復。

圖1 管道環(huán)焊縫質(zhì)量風險排查的主要工作流程

104km長輸管道涉及環(huán)焊縫約106道，按照平均每道焊口4張底片估算，射線檢測底片復評工作量達到4×106張。當前射線檢測缺陷的復評復審工作主要依賴人工進行，工作量大、效率低和重復勞動等問題突出。X射線底片的缺陷智能評定技術已被研究，用于解決重復勞動和缺陷漏評等問題[5-6]，當前隨著環(huán)焊縫隱患排查工作的持續(xù)開展，該研究方向逐漸成為工業(yè)領域的研究熱點[7-9]。

此外，對于運行期管道的漏磁內(nèi)檢測數(shù)據(jù)，應用4種類型的環(huán)焊縫缺陷漏磁內(nèi)檢測信號的分類識別模型和方法[4]，在此次管道環(huán)焊縫質(zhì)量風險排查專項工作中持續(xù)應用，文獻[10-13]報道了基于深度學習的人工智能技術在管道環(huán)焊縫缺陷等目標檢測方面的應用研究。

基于環(huán)焊縫射線底片和漏磁內(nèi)檢測信號排查發(fā)現(xiàn)的大量缺陷樣本，本文應用深度學習技術對射線及漏磁檢測圖像進行了缺陷識別算法研究和應用軟件開發(fā)(圖2)，以提升環(huán)焊縫缺陷排查效率和智能化水平。

2 射線檢測底片圖像智能識別技術研究

2.1 算法流程設計

如圖3所示，射線檢測缺陷圖像識別算法設計主要包括：圖像預處理算法、基于深度學習網(wǎng)絡的焊縫及缺陷特征識別算法，以及缺陷位置類型等識別結果輸出算法等。

圖3 射線檢測底片圖像智能識別算法整體流程

(1)圖像預處理目的：制作滿足深度學習算法開發(fā)和測試的樣本圖像，包括DCM格式轉換、圖像歸一化、白邊干擾處理等模型算法；對底片圖像進行焊縫區(qū)域判定、補全及提取，為缺陷智能識別分析提出基礎數(shù)據(jù)。

(2)基于深度學習的焊縫區(qū)域檢測及焊縫缺陷檢測識別算法是核心，其開發(fā)過程包括需求分析、數(shù)據(jù)獲取、樣本制作、模型訓練、調(diào)試調(diào)優(yōu)及檢測結果優(yōu)化迭代等步驟。

(3)缺陷特征識別結果輸出，缺陷類型的識別和分類，如裂紋、未熔合等危害程度較大缺陷的識別預警，用于提升環(huán)焊縫排查的智能化水平和效率。

焊縫區(qū)域檢測識別的深度學習算法，采用Faster R-CNN目標檢測方法，主干網(wǎng)絡采用ResNet101。用于焊縫區(qū)域檢測的底片樣本經(jīng)裁剪及數(shù)據(jù)增廣處理后焊縫區(qū)域圖像數(shù)量為7 300張。按照4∶1∶1比例分配訓練集、驗證集和測試集，分別用于深度學習算法模型的訓練和測試。經(jīng)開發(fā)調(diào)試，基于Faster R-CNN的卷積神經(jīng)網(wǎng)絡模型對焊縫區(qū)域的識別準確率在99%以上，且能夠適應圖像亮度、對比度及圖像邊緣過渡區(qū)域的變化。

根據(jù)某新建管道實際缺陷數(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。對于圓形缺陷，采用了Faster R-CNN目標檢測算法。與圓形缺陷不同，未熔合和條形缺陷的長寬比變化非常劇烈，由于卷積層的池化作用，采用YOLO目標檢測算法將圖像壓縮、修改錨框尺寸后能更好適應未熔合和條形缺陷等小尺寸缺陷檢測。

2.2 主要缺陷類型的智能識別效果

經(jīng)過底片圖像數(shù)據(jù)清洗、缺陷圖像標注和預處理后，得到大量圓形缺陷、未熔合和條形缺陷等主要類型缺陷的樣本。如圖4所示，在設定合適交并比參數(shù)后，對這3種類型缺陷的識別分類準確率達85%以上。

(a)圓形缺陷

由于裂紋缺陷數(shù)量較少，不能進行其圖像識別算法模型的訓練。采用上述圓形缺陷、未熔合及條形缺陷的智能算法模型，測試了該管段的19處裂紋缺陷底片圖像。現(xiàn)有目標檢測算法共報告出30處缺陷，其中15處識別為未熔合缺陷，4處識別為條形缺陷，無裂紋缺陷位置誤報未熔合或條形缺陷11處。裂紋缺陷的智能識別報告結果的典型圖像如圖5所示。因此，綜合考慮裂紋缺陷的危害性和檢測效果，將現(xiàn)有未熔合檢測算法模型的適用范圍擴大至裂紋缺陷。盡管還有4處裂紋被識別為條形缺陷及11處非裂紋缺陷誤判，但通過置信度排序，仍有助于裂紋、未熔合等危害性缺陷的識別和篩查排序。

(a)未熔合

3 環(huán)焊縫漏磁內(nèi)檢測信號圖像智能識別分析

3.1 算法流程設計

如圖6所示，通過對原始漏磁內(nèi)檢測信號截圖，進行環(huán)焊縫R1、環(huán)焊縫缺陷識別區(qū)域R2、補口失效識別區(qū)域R3、螺旋焊縫識別區(qū)域R4等4個區(qū)域劃分，并進行相應的圖像識別算法功能開發(fā)。環(huán)焊縫缺陷和補口失效的特征類型各分為4類，其典型信號圖像特征詳見文獻[4，14]。如圖7所示，主要算法功能實現(xiàn)步驟包括：環(huán)焊縫漏磁內(nèi)檢測信號圖像采集；根據(jù)管道實際情況，環(huán)焊縫、補口失效、螺旋焊縫及環(huán)焊縫缺陷識別區(qū)域的定義和自動識別；對各區(qū)域進行圖像顏色和色彩梯度特征提取，采用聚類分析和機器學習方法進行環(huán)焊縫缺陷及補口失效等特征的圖像識別分析；識別分析結果數(shù)據(jù)輸出和管理，包括4種環(huán)焊縫缺陷分類等。

圖6 環(huán)焊縫漏磁內(nèi)檢測信號圖像識別區(qū)域劃分

圖7 環(huán)焊縫漏磁內(nèi)檢測圖像識別功能及算法設計

3.2 環(huán)焊縫缺陷及特征識別分析效果

每管節(jié)的螺旋焊縫有正螺旋和反螺旋方向，或僅有直焊縫。上下游管道焊縫在環(huán)焊縫處交叉，共有9種環(huán)焊縫交叉特征。對某原油管道的漏磁內(nèi)檢測圖像進行識別分析，經(jīng)驗證，3 000個環(huán)焊縫與螺旋焊縫交叉特征識別分類準確率達100%，螺旋焊縫與環(huán)焊縫交點定位精度為±15 min。

如圖8所示，對環(huán)焊縫漏磁內(nèi)檢測信號圖像進行顏色連通域的特征提取，可獲取4種類型的環(huán)焊縫缺陷特征，結合不同顏色連通域的面積、形狀和顏色深淺程度，進行加權計算4種類型缺陷的嚴重程度排序和分級。4類補口失效的識別方法與環(huán)焊縫缺陷識別類似，同樣采用了不同顏色提取方法，并結合紅色連通域的形狀和鐘點位置及與螺旋焊縫是否靠近等信息，綜合判斷補口失效的類型。共計測試了3 400個環(huán)焊縫缺陷及600處補口失效的漏磁內(nèi)檢測信號圖像，不同類型缺陷特征的識別分類準確率均達90%以上。

圖8 4類環(huán)焊縫缺陷的圖像智能分析原理

對于環(huán)焊縫信號彎曲、螺旋焊縫的支撐墩等嚴重干擾信號，在相應特征的識別算法開發(fā)過程中，均對具體干擾信號特征進行了識別并去除其干擾等影響。

4 結束語

現(xiàn)階段，環(huán)焊縫缺陷的射線檢測底片和漏磁內(nèi)檢測圖像識別技術開發(fā)應用，對主要環(huán)焊縫缺陷的識別準確率達85%以上，單張射線檢測底片圖像和漏磁內(nèi)檢測圖像的智能識別分析時間縮短至1 s以內(nèi)，有效提升環(huán)焊縫的嚴重缺陷排查效率及智能化水平。

以中俄東線管道為代表的“全數(shù)字化移交、全智能化運營、全生命周期管理”智慧管道建設[15-16]，大規(guī)模應用了數(shù)字化檢測方法，將產(chǎn)生大量檢測圖像數(shù)據(jù)和大數(shù)據(jù)挖掘等生產(chǎn)需求。圖像識別技術開發(fā)和應用，將使環(huán)焊縫檢測大數(shù)據(jù)處理分析變得更便捷和高效，并為智慧管道建設和全生命周期管理提供技術支撐。