無損檢測是評(píng)價(jià)長輸管道對(duì)接環(huán)焊縫焊接質(zhì)量的重要方法[1]。其中，X射線檢測膠片成像（RT）以其檢測結(jié)果直觀、適應(yīng)性好等優(yōu)點(diǎn)成為了常用的無損檢測方式之一[2]。隨著管道建設(shè)向數(shù)字化方向發(fā)展，DR技術(shù)具有實(shí)時(shí)成像、自動(dòng)化程度高、檢測結(jié)果能夠數(shù)字化保存等優(yōu)點(diǎn)，正在逐步取代膠片成像[3-6]。DR技術(shù)的推廣應(yīng)用導(dǎo)致大量圖譜需要人工評(píng)判，不僅工作效率低，而且評(píng)判結(jié)果易受人員主觀因素影響，難以避免缺陷的誤檢漏檢[7-9]。而人工智能（AI）技術(shù)能夠?qū)R圖像中的缺陷進(jìn)行自動(dòng)識(shí)別，從而提高評(píng)判效率，并保證評(píng)判結(jié)果的一致性[10-12]。

DR圖像缺陷的智能識(shí)別工作具有專業(yè)性強(qiáng)、缺陷所在區(qū)域小、缺陷特征提取困難等特點(diǎn)[13-15]。基于此，文章對(duì)DR圖像特點(diǎn)進(jìn)行分析，提出了可有效提高智能識(shí)別模型對(duì)圓形缺陷和未熔合缺陷識(shí)別能力的圖像處理方法，以保障AI檢測結(jié)果的可靠性，推進(jìn)DR缺陷智能評(píng)判技術(shù)在長輸管道環(huán)焊縫無損檢測領(lǐng)域的應(yīng)用。

1. 管道環(huán)焊縫DR檢測圖像特點(diǎn)

管道環(huán)焊縫的DR檢測圖像示例如圖1所示。該圖像為DICONDE格式[16]，包含了大量信息，如果不采用專業(yè)的圖像處理軟件，則需解析圖像信息才能實(shí)現(xiàn)圖像的顯示。由圖1可知，管道環(huán)焊縫的DR檢測圖像具有長寬比大（約為37），缺陷所占面積?。ㄈ毕菝娣e與總面積的比值約為1×10−5），重點(diǎn)關(guān)注區(qū)域?。s為總面積的1/5）等不利于缺陷智能識(shí)別的特點(diǎn)。上述特點(diǎn)會(huì)使計(jì)算機(jī)在原圖長度方向上的運(yùn)算權(quán)重較大，AI模型對(duì)缺陷長度方向的特征識(shí)別能力強(qiáng)，而對(duì)缺陷寬度方向的特征識(shí)別能力不強(qiáng)[17-20]。此外，射線源定位不準(zhǔn)確或探測器像元響應(yīng)不一致等因素會(huì)使部分圖像出現(xiàn)灰度不均勻現(xiàn)象，如圖2所示。由于計(jì)算機(jī)對(duì)原圖的預(yù)處理是根據(jù)灰度值進(jìn)行的，因此該現(xiàn)象會(huì)影響圖像的預(yù)處理。

圖 1管道環(huán)焊縫DR檢測圖像示例

圖 2灰度不均勻的圖像

對(duì)DR圖像中的圓形缺陷和未熔合缺陷進(jìn)行放大，如圖3所示。由圖3可見，圓形缺陷相較于背景區(qū)域偏黑，顯示為類似圓形的黑點(diǎn)；未熔合缺陷相較于背景區(qū)域偏黑，顯示為一條連續(xù)的黑線。圓形缺陷和未熔合缺陷的灰度及形貌特征相對(duì)明顯，有利于實(shí)現(xiàn)計(jì)算機(jī)對(duì)缺陷的智能識(shí)別。

圖 3未熔合缺陷和圓形缺陷在圖像上的顯示

2. 缺陷智能識(shí)別網(wǎng)絡(luò)搭建

卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測方面具有突出優(yōu)勢，能夠自動(dòng)提取特征，并具有泛化能力強(qiáng)、精度高、實(shí)時(shí)性好等優(yōu)點(diǎn)[21-23]。以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，采用YOLO算法搭建缺陷智能識(shí)別網(wǎng)絡(luò)，針對(duì)管道環(huán)焊縫DR圖像中圓形和未熔合兩類缺陷的特征進(jìn)行算法優(yōu)化，從而實(shí)現(xiàn)AI模型對(duì)缺陷的精準(zhǔn)識(shí)別。

2.1 YOLO算法

YOLO目標(biāo)檢測算法的實(shí)現(xiàn)包括圖像輸入、尺寸重組、卷積計(jì)算、激活函數(shù)、池化、全連接等步驟，其流程如圖4所示。文章在YOLO算法上進(jìn)行了優(yōu)化，首先，采用遺傳算法（GA）進(jìn)行數(shù)據(jù)分類，該算法能夠自動(dòng)劃分訓(xùn)練集、驗(yàn)證集和測試集；其次，采用非極大值抑制（NMS）規(guī)則消除冗余邊界框，提高缺陷的識(shí)別準(zhǔn)確率；然后，采用Relu激活函數(shù)提高網(wǎng)絡(luò)的表達(dá)能力并減少過擬合的風(fēng)險(xiǎn)；最后，采用Boundbox（邊界框）進(jìn)行標(biāo)記提取，將缺陷位置表達(dá)到原圖上；再利用混淆矩陣實(shí)現(xiàn)訓(xùn)練結(jié)果的自動(dòng)統(tǒng)計(jì)。

圖 4YOLO目標(biāo)檢測算法流程

2.2 圖像預(yù)處理

針對(duì)管道環(huán)焊縫DR檢測圖像中不利于缺陷智能識(shí)別的因素，對(duì)原圖像進(jìn)行預(yù)處理，可使缺陷特征更容易被自動(dòng)提取和識(shí)別。預(yù)處理過程包括圖像的橫向分割和縱向分割。

2.2.1 橫向分割

缺陷一般存在于焊縫區(qū)域和熱影響區(qū)（距焊縫邊緣約5 mm），焊縫區(qū)域的圖像特點(diǎn)為灰度值低。因此，對(duì)原圖進(jìn)行橫向分割，提取出可能存在缺陷的區(qū)域。對(duì)于灰度均勻的DR圖像，以原圖寬度方向像素為橫坐標(biāo)，原圖長度方向像素值疊加的平均值為縱坐標(biāo)繪制曲線，如圖5所示（圖中橫縱軸均無量綱，下同），可知原圖在寬度方向上的灰度變化為“平-降-升-平”，其中“降-升”區(qū)域 （圖中紅色區(qū)域）為焊縫區(qū)域，截取“降-升”兩側(cè)各100 mm的區(qū)域作為熱影響區(qū)，即可提取出焊縫及熱影響區(qū)區(qū)域。

圖 5灰度均勻DR圖像的縱向灰度分布曲線

對(duì)于灰度不均勻的DR圖像，采用上述方法無法準(zhǔn)確提取焊縫區(qū)域及熱影響區(qū)。通過繪制“縱向像素位置-橫向像素平均灰度值”曲線（見圖6）進(jìn)行分析，可知其灰度值存在“升-降-升”現(xiàn)象，其中“降-升”區(qū)域即為焊縫區(qū)域。

圖 6灰度不均勻DR圖像的縱向灰度分布曲線

由圖5，6可知，在焊縫區(qū)域，灰度值變化梯度較大。因此，對(duì)圖5和圖6進(jìn)行梯度折算，折算結(jié)果如圖7所示，可見兩者曲線接近，“升-降-升”區(qū)域均為焊縫區(qū)域，提取該區(qū)域即可實(shí)現(xiàn)焊縫區(qū)域及熱影響區(qū)的提取。

圖 7灰度分布均勻與否的梯度折算圖

2.2.2 縱向分割

進(jìn)行橫向分割后，圖像仍存在長寬比過大的問題，因此對(duì)橫向分割后的圖像進(jìn)行縱向分割。為了均衡AI模型對(duì)圖像長度和寬度方向的學(xué)習(xí)權(quán)重，以當(dāng)前圖像的寬度為分割距離，將圖像分割為多個(gè)正方形圖像，結(jié)果如圖8所示。

圖 8分割后的圖像示例

3. 缺陷訓(xùn)練與模型識(shí)別能力驗(yàn)證

3.1 數(shù)據(jù)集準(zhǔn)備

采用同一探測器采集的焊接工藝相同的428張管道環(huán)焊縫圖像進(jìn)行訓(xùn)練[24]，其中包含圓形缺陷2 016個(gè)，未熔合缺陷817個(gè)。探測器參數(shù)與數(shù)據(jù)集信息如表1所示。

3.2 參數(shù)設(shè)置

對(duì)圖像進(jìn)行預(yù)處理后，將圖像輸入到計(jì)算機(jī)中進(jìn)行卷積計(jì)算。預(yù)先設(shè)置訓(xùn)練參數(shù)，如輸入圖像尺寸、樣本數(shù)量（Batch size）、迭代次數(shù)（Epoch）、初始學(xué)習(xí)率、IOU閾值等，采用YOLO數(shù)據(jù)訓(xùn)練算法實(shí)現(xiàn)AI模型對(duì)缺陷特征的學(xué)習(xí)。調(diào)節(jié)訓(xùn)練參數(shù)，提高AI模型對(duì)缺陷的識(shí)別能力。當(dāng)輸入圖像尺寸為1 024×1 024（無量綱）、Batch size為32、Epoch為600、初始學(xué)習(xí)率為0.001、IOU閾值為0.5時(shí)，得到圓形缺陷和未熔合缺陷的識(shí)別準(zhǔn)確率矩陣如圖9所示，可得，圓形缺陷的識(shí)別準(zhǔn)確率為94%，未熔合缺陷的識(shí)別準(zhǔn)確率為92%。

圖 9圓形和未熔合缺陷的識(shí)別準(zhǔn)確率矩陣

采用3條由上述探測器采集的工程現(xiàn)場焊接的管道環(huán)焊縫的DR檢測圖像來驗(yàn)證智能識(shí)別模型的識(shí)別效果，人工識(shí)別和AI識(shí)別結(jié)果對(duì)比如表2所示（表中評(píng)圖時(shí)間不包括記錄缺陷的時(shí)間）。

焊縫1~3中AI模型對(duì)缺陷的識(shí)別情況如圖10所示。將AI模型對(duì)焊縫的自動(dòng)識(shí)別結(jié)果與人工評(píng)圖結(jié)果進(jìn)行對(duì)比發(fā)現(xiàn)，識(shí)別準(zhǔn)確率方面，人工和AI模型均能識(shí)別圖像中的明顯缺陷，且識(shí)別結(jié)果一致，但對(duì)于圖像中尺寸較小的圓形缺陷，人工評(píng)判時(shí)一般不對(duì)其進(jìn)行標(biāo)注，原因是標(biāo)準(zhǔn)要求小于0.5 mm的圓形缺陷不予標(biāo)記；識(shí)別效率方面，AI模型自動(dòng)識(shí)別缺陷所需時(shí)間大約為10 s，人工的缺陷識(shí)別時(shí)間大約為40 s。綜上所述，AI智能識(shí)別模型能夠有效輔助工人進(jìn)行圓形缺陷和未熔合缺陷的識(shí)別工作，提高DR圖像缺陷評(píng)判的智能化水平。

圖 10AI對(duì)焊縫1，2，3中缺陷的識(shí)別情況

4. 結(jié)論

（1）通過對(duì)管道環(huán)焊縫的DR檢測圖像進(jìn)行預(yù)處理，運(yùn)用YOLO算法實(shí)現(xiàn)了AI對(duì)圓形缺陷和未熔合缺陷的識(shí)別。

（2）AI模型對(duì)同一焊接工藝下同種探測器采集的DR圖像中圓形缺陷的識(shí)別準(zhǔn)確率達(dá)94%，未熔合缺陷的識(shí)別準(zhǔn)確率達(dá)92%。

（3）將人工評(píng)判結(jié)果與AI識(shí)別效果進(jìn)行對(duì)比，測試了AI對(duì)缺陷識(shí)別的準(zhǔn)確性和識(shí)別效率。結(jié)果顯示，AI模型能夠有效輔助工人進(jìn)行缺陷的識(shí)別工作。

文章來源——材料與測試網(wǎng)