中俄東線管道射線檢測底片圖像的智能識別_第1頁
中俄東線管道射線檢測底片圖像的智能識別_第2頁
中俄東線管道射線檢測底片圖像的智能識別_第3頁
中俄東線管道射線檢測底片圖像的智能識別_第4頁
中俄東線管道射線檢測底片圖像的智能識別_第5頁
已閱讀5頁,還剩10頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

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(qiáng)鋼管道環(huán)焊縫失效的問題,國內(nèi)管道企業(yè)進(jìn)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。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(yàn),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)。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01數(shù)字化無損檢測技術(shù)的應(yīng)用按照標(biāo)準(zhǔn)GB50369—2014《油氣長輸管道工程施工及驗(yàn)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(jìn)行RT復(fù)驗(yàn),并對RT檢測的部分含缺陷焊口進(jìn)行了DR檢測效果驗(yàn)證,用于DR設(shè)備校正、相關(guān)標(biāo)準(zhǔn)體系的研究完善等。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200μm,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)ASTME2339—2008《無損檢測的數(shù)字圖像和傳輸標(biāo)準(zhǔn)實(shí)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。02RT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(jìn)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(jì)分析了數(shù)字化掃描底片中像質(zhì)計(jì)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(jī)抽取了83張使用不同型號設(shè)備進(jìn)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(jì)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)及GB/T26141.2—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(jì)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1RT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(diǎn):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(jī)噪聲;4各類缺陷具有位置隨機(jī)、形態(tài)各異、尺寸跨度較大等特點(diǎn)。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(jìn)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。2RT檢測底片圖像智能識別技術(shù)01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(diǎn)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(jìn)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(shí)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02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(jìn)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: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8000~20000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(jì)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(yàn)分析和評估,設(shè)定裁剪后單張底片圖像的尺寸為2000像素×1000像素。4樣本隨機(jī)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(yàn)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(yàn)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)。圖3射線檢測底片圖像處理的主要算法流程03缺陷圖像增強(qiáng)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(jìn)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(qiáng)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。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(jì)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(qiáng)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(diǎn)分成塊區(qū)域,再對每一個區(qū)域進(jìn)行自適應(yīng)直方圖均衡處理,可有效減少噪點(diǎn),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。圖4智能灰階和窗技術(shù)的處理效果04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FasterR-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(jìn)行計(jì)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(jìn)行了設(shè)計(jì)和調(diào)優(yōu),最終確定對于環(huán)焊縫區(qū)域和圓形缺陷采用FasterR-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(diǎn):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2000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(diǎn):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(diǎn),筆者設(shè)計(jì)了不同的網(wǎng)絡(luò)結(jié)構(gòu)、數(shù)據(jù)增強(qiáng)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(yàn),并選擇以FasterR-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(jìn)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(jìn)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anchorbox尺寸,并設(shè)計(jì)了8組消融試驗(yàn),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01評價(jià)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(jìn)行評估。查準(zhǔn)率和查全率通常借助混淆矩陣進(jìn)行得分統(tǒng)計(jì),混淆矩陣包括4個子定義:1真正例(TP),實(shí)際為正例,預(yù)測為正例;2真反例(TN),實(shí)際為負(fù)例,預(yù)測為負(fù)例;3假正例(FP),實(shí)際為負(fù)例,預(yù)測為正例;4假反例(FN),實(shí)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(jì)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(jì)算方式示意02智能識別效果及分析經(jīng)過數(shù)據(jù)清洗和預(yù)處理,以3000余張?jiān)嫉腦射線檢測底片圖像作為樣本數(shù)據(jù),進(jìn)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(jìn)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)果環(huán)焊縫檢測效果及分析采用FasterR-CNN最優(yōu)焊縫模型對1464張測試樣本進(jìn)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(shí)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)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(shí)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(jìn)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(shí)際模型檢測時可能將缺陷逐個檢出,而非整體檢出,計(jì)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(jìn)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(jī)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(dú)進(jìn)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(bào)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(shí)未熔合缺陷的平均值。裂紋缺陷檢測效果如圖8所示,圖8a,b兩個裂紋缺陷識別結(jié)果為未熔合,圖8c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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論