中國石油大學(xué)（北京）管道技術(shù)與安全研究中心組織管道焊縫缺陷識別專(zhuān)家開(kāi)發(fā)出國內首套先進(jìn)的管道焊縫數字圖像識別軟件（Pipeline Welds Image Defects Recognition and Assessment），該軟件系統具有先進(jìn)的焊縫數字圖像識別功能，適用于各類(lèi)管道焊縫缺陷質(zhì)量的識別判定，如裂紋、夾渣、氣孔、未焊透、未熔合等缺陷，具有較高的識別準確率（圖 1）。采用多項邊緣檢測方法、檢測通道與閾值分割等方法，對管道焊縫數字圖像中存在的缺陷進(jìn)行圖像處理，建立了焊縫數字圖像缺陷特征數據庫，包含灰度差、等效面積（S/C）、圓形度、熵、相關(guān)度等參數，建立了多分類(lèi)器構造（SVM）模型，實(shí)現了對管道焊縫數字圖像缺陷的分類(lèi)評價(jià)。

圖1 軟件系統界面

1 管道焊縫識別軟件概述

目前，管道焊接檢測已經(jīng)普遍使用射線(xiàn)成像技術(shù)，計算機智能輔助評片發(fā)展迅速，一定數量的數字圖像分析處理系統也投入使用，但這些系統應用還不成熟，評片工作大多需要人工干預，人機交互進(jìn)行。射線(xiàn)數字圖像缺陷識別技術(shù)借助計算機的高速處理能力，通過(guò)對圖像的數字化處理，將人工評片過(guò)程轉化為圖像處理技術(shù)，實(shí)現對焊縫數字圖像缺陷的智能識別。

1.1圖像預處理

圖像增強：目的主要是突出圖像中感興趣部位與背景之間的灰度差，從而能更好地將缺陷區分開(kāi)來(lái)。采用空間域法對圖像的灰度系數進(jìn)行直接處理，同時(shí)對圖像的變換系數進(jìn)行修正，然后通過(guò)逆變換獲得增強后的圖像。

圖像去噪：中值濾波是對一個(gè)滑動(dòng)窗口內的諸像素灰度值排序，用中值代替窗口中心像素的原來(lái)灰度值，是一種非線(xiàn)性的圖像平滑法。其具有算法簡(jiǎn)單、靈活性好，有平滑圖像、保存細節的功能。對脈沖干擾及椒鹽噪聲的抑制效果良好，在抑制隨機噪聲的同時(shí)能有效保護邊緣以減少圖像模糊。采用大的濾波器窗口可以有效抑制噪聲，選用小的濾波器窗口則可以保留圖像中重要的結構特征，因此對中值濾波法來(lái)說(shuō)，正確選擇窗口尺寸的大小是很重要的環(huán)節。

1.2邊緣檢測

邊緣檢測處理流程如圖2所示。原始圖像經(jīng)平滑處理后，平滑圖像再經(jīng)一階或二階平滑處理，得到梯度或含零點(diǎn)圖像，再經(jīng)閾值處理，確定邊界點(diǎn)。邊緣即圖像中灰度發(fā)生急劇變化的區域，可以通過(guò)求解一階導數或二階導數檢測出圖像中灰度不連續區域，即邊緣區域。二值化之后的圖像只存在0和255兩種灰度值，通過(guò)求取一階導數最大值便可檢測出其邊界。

圖2邊緣檢測處理流程

常用的邊緣檢測算子中，Robert算子是一種斜向偏差分的梯度算子，梯度大小代表了邊緣強度，梯度方向與邊緣方向垂直。Sobel算子是方向算子，從不同方向檢測邊緣，加強了中心像素上下左右方向像素的權值，對灰度漸變和噪聲較多的圖像有很好的處理效果。Prewitt算子是邊緣樣板算子，利用像素點(diǎn)上下左右臨點(diǎn)的灰度差在邊緣處達到極值的特點(diǎn)來(lái)檢測邊緣，對噪聲也有平滑作用。Laplacian算子檢測時(shí)常常產(chǎn)生雙像素邊界，對圖像中的噪聲異常敏感，不能檢測邊緣方向，一般很少直接使用，而將其與Gauss算子結合，形成LOG算子，引入平滑濾波，可有效的去除噪聲，邊緣檢測的效果更好。Canny算子被認為是信噪比與定位乘積最優(yōu)逼近算子。它提出：邊緣檢測時(shí)，信噪比越大，將邊緣點(diǎn)與噪聲點(diǎn)誤判的可能性越��；邊緣定位精確度越高，檢測出來(lái)的邊緣中心點(diǎn)與實(shí)際邊緣中心點(diǎn)越相近；保證邊緣只存在一個(gè)響應，可抑制虛假響應的發(fā)生。

上述算子檢測中存在的問(wèn)題是，圖像往往是區域的黑度分布，呈現條狀區域布置，邊界檢測中出現邊界不清晰的情況。通過(guò)對不同邊緣檢測算法進(jìn)行對比分析，考慮了結構元素的大小和方向影響形態(tài)學(xué)邊緣檢測計算結果，提出了一種多算子融合處理技術(shù)，即將Sobel算子、Prewitt算子、Robert算子融合處理，檢測出管道焊縫邊緣，并最大限度的優(yōu)化邊緣噪聲影響，為圖像邊緣檢測分析提供一種行之有效的方法。

1.3特征提取

提取焊縫缺陷的紋理特征和參數特征，所有的灰度共生矩陣使用G(i, j)來(lái)表示。

（1）能量（angular second moment）：該參數表示的是圖像中紋理的精細程度以及灰度分布是否均勻。當元素分布比較集中時(shí)，ASM 的值會(huì )比較大，表示紋理比較均勻并且規則。

                                                   (1)

（2）慣性矩（contrast）：該參數表征的是圖像的清晰程度以及紋理溝紋的深淺，溝紋深，則該參數值大，并且直觀(guān)看起來(lái)越清晰，同理，當對比度比較小時(shí)，溝紋比較淺且看起來(lái)模糊。在灰度共生矩陣中，離對角線(xiàn)越大，CON 的值越大。

 　　　　　　                              (2)

（3）相關(guān)度（Correlativity）：該參數表示的是矩陣元素在行列上的相似程度，由此可知，相關(guān)值的大小確切地表征了圖像中局部灰度相關(guān)性。當灰度共生矩陣中各個(gè)元素值比較均勻時(shí)，相關(guān)值就大，反之亦然。若圖像中有水平方向紋理，則水平方向矩陣的COR 大于其余矩陣的COR 值。

  　　　　　　　　　　　                             (3）

其中，分別是方向的均值和標準差

（4）熵（entropy）：該參數表示的是某個(gè)圖像的信息量，由于紋理信息是圖像信息的一部分，并且它是一個(gè)隨機性的度量，因此，當共生矩陣中的元素隨機性比較大、并且該矩陣的空間共生矩陣中的元素的值基本相等時(shí)，熵較大。該特征參數表征的是圖像中紋理的非均勻程度或者說(shuō)復雜程度。

       　　　　　　　　                (4)

（5）圓形度e：圓形度的數學(xué)表達式為：

                    　　　　　　　　　　　　　　　　            　     （5）

其中e為圓形度，S為區域面積，C為區域周長(cháng)。

（6）缺陷與背景的灰度差△h ：首先計算母材區域的平均灰度值Z1，然后計算缺陷區域的平均灰度值為Z2，則

△h =Z1－Z2                                 （6）

h為負時(shí)，那么可以初步判斷為夾渣；為正時(shí)，可以判斷該區域的缺陷為氣孔。

（7）缺陷自身灰度偏差δ：主要是為了分辨圓形夾渣和圓形氣孔，點(diǎn)狀夾渣δ小，而氣孔δ大。

                  　　　　　　　　　　　　　　                   （7）

其中，缺陷區域的灰度最大值為，任意一點(diǎn)的灰度值為�！�

（8）缺陷的相對位置d：該參數是計算缺陷的中心位置，然后得出該位置到焊縫中心的距離，一般用歸一化之后的值來(lái)衡量這個(gè)位置，用來(lái)識別未焊透和未熔合缺陷。

（9）等效面積 S/C：反映缺陷的單位邊界長(cháng)度所占有的面積大小，S/C 越小，表明缺陷是曲折細長(cháng)的。一般用來(lái)表征裂紋。等效面積主要指的是特征區域面積和特征區域周長(cháng)的比值大小。

1.4 CLTP

焊縫紋理特征提取涉及邊界清晰度、局部信息細化程度，傳統方法使用二值法LTP、LBP、CLBP 紋理特征描述方法，但紋理描述的精度受到影響，因此，提出了完全局部三值CLTP模式，包含3 種核心算子，即中心描述子、符號描述子和大小描述子，分別用CLTP_C ,CLTP_S , CLTP_M表示，將算子轉化后，最終得到修正的、、。計算過(guò)程如下：

　

　　�。�8）

  �。�9）

其中a、b 為自定義常量，可取a = 0.3, b = 0.7。

 　 (10)

TH1 為圖像像素均值，然后用模式分別轉化編碼值，， 分別對應。

圖3 CLTP算子

圖3(a)表示中心像素為38 的3×3樣本塊，鄰域的8個(gè)像素為[27,72,69,32,25,43,26,88]；圖3(b)中 abs 即絕對值，TH=24 為求得的閾值，計算局部差值，得到的算子結果為[-11，34，31，-6，-13，5，-12，50]；圖3(c)中，局 部 差 值 符 號 的 三 值 編 碼 向 量 為[0，2，2，0，0，1，0，2]；圖3(d)中，算子值為[1,2,2,0,1,0,1,2]；圖3(e)中，TH1=47.75 由[27,72,69,32,25,43,26,88]計算的平均值，表示CLTP 的值為[01100101]。

1.5 多類(lèi)支持向量機SVM模型

可使用單個(gè)類(lèi)與剩下的類(lèi)構造M-SVM分類(lèi)器，確定這個(gè)分類(lèi)器的判斷標準，對所有的類(lèi)別重復以上的過(guò)程，求出每個(gè)判斷函數的值，將這些數值進(jìn)行對比，最大的類(lèi)別即為樣本的最好分類(lèi)結構。在該方法中，需要構造M個(gè)分類(lèi)器，使用直接全局優(yōu)化方法（M-SVM），構造多批分類(lèi)器，對 M 個(gè)分類(lèi)器的求解一次性完成。

設：

為樣本訓練集，l為樣本個(gè)數，N代表樣本維數，M代表樣本的類(lèi)別，引入非負松弛變量ξi，則該方法的優(yōu)化問(wèn)題如公式（11）：

                            （11）

判別函數為：

                          （12）

其中，， ,  為輸入空間到高維特征空間的非線(xiàn)性映射函數，通過(guò)求解最優(yōu)化問(wèn)題，可得到相應的最優(yōu)決策函數 。

                              （13）

1.6 SVM多分類(lèi)器構造

分類(lèi)器構造應優(yōu)先采用類(lèi)別差異性排除法，即在整體結構中，先將相似量作為一類(lèi)，然后根據相似量之間的細微變化，再通過(guò)模型算法進(jìn)行區分。這種分類(lèi)在分類(lèi)準確率和平衡準確率上都有極高的效率。本文構造了6種缺陷，裂紋、圓形夾渣、條形夾渣、氣孔、未焊透、未熔合等典型缺陷SVM多類(lèi)分類(lèi)器（圖4）。

圖4焊縫缺陷SVM分類(lèi)識別

2 軟件模塊和功能特點(diǎn)

2.1 軟件模塊

(1) 包括焊片信息輸入、焊縫數字圖像數據庫、圖像亮度對比處理、圖像保存、圖像像素尺寸識別、邊緣檢測、閾值分析、色階處理、圖像執行變換、黑白像素統計、反相處理、焊縫數字圖像處理等模塊。

(2)

(3)

2.2數據分析系統（圖 5）

圖5 數據分析系統

2.3  焊縫數字圖像缺陷特征數據庫

經(jīng)開(kāi)展管道焊縫缺陷類(lèi)型分析識別和評價(jià)分類(lèi)，建立了覆蓋各種缺陷類(lèi)型的焊縫數字圖像缺陷特征數據庫，包含灰度差、等效面積（S/C）、圓形度、熵、相關(guān)度等參數，建立了多分類(lèi)器構造（SVM）模型，實(shí)現了對管道焊縫數字圖像缺陷的分類(lèi)評價(jià)。信息要素包括管線(xiàn)名稱(chēng)、管線(xiàn)外徑、管線(xiàn)起點(diǎn)、管線(xiàn)終點(diǎn)、投產(chǎn)日期、管道焊片所在管樁號位置、焊片編號、評價(jià)工程師、評價(jià)日期等。方便焊縫缺陷數字圖像的數據信息整理，保證管道信息的可靠性和準確性。

2.4  軟件功能

主要功能包括焊縫缺陷類(lèi)型、焊縫數字圖像缺陷自動(dòng)查找、焊縫缺陷類(lèi)別分析、焊縫數字圖像缺陷數據庫、圖像對比分析、校核評價(jià)、寫(xiě)入數字圖像數據庫、報告輸出。

2.5 校核評價(jià)

根據管道焊縫缺陷類(lèi)型進(jìn)行分類(lèi)校核評價(jià)（圖6）。在已知參數存在的情況下，評價(jià)焊縫數據的準確性，根據缺陷類(lèi)型標準API-1104等進(jìn)行人工經(jīng)驗性校核。

圖6焊縫缺陷類(lèi)型

2.6 軟件特點(diǎn)

（1）評價(jià)報告的自動(dòng)輸出

軟件最終能自動(dòng)輸出關(guān)于管道焊縫缺陷的有效評價(jià)報告，給出評價(jià)中的圖像分析過(guò)程，缺陷類(lèi)型、缺陷參數的評價(jià)過(guò)程，評價(jià)報告結論等，方便評價(jià)人員編制報告使用。

（2）入門(mén)操作簡(jiǎn)單

軟件入門(mén)操作簡(jiǎn)單，適用于自學(xué)，且無(wú)需操作人員了解焊縫缺陷特征及分類(lèi)專(zhuān)業(yè)知識，即可進(jìn)行管道焊縫缺陷的評價(jià)，方便操作和使用。

3  實(shí)驗研究

采用上述模型，首先對焊縫數字圖像進(jìn)行完全局部三值模式CLTP紋理識別，采用缺陷邊緣檢測和跟蹤處理技術(shù)計算各參數。上述紋理識別和特征識別計算參數包括：圖像長(cháng)度像素、圖像寬度像素、缺陷與背景的灰度差△h、缺陷的相對位置d、缺陷自身灰度偏差δ、缺陷長(cháng)寬比、等效面積 S/C、圓形度e、熵ENT、相關(guān)度COR、慣性矩CON、能量參數等，所有特征參數輸入到SVM模型，進(jìn)行SVM 焊接數字圖像的缺陷識別，最終得到缺陷類(lèi)別（圖6）。

 

（a-1）CTLP單個(gè)夾渣                            （a-2）夾渣SVM判斷

 

（b-1）CTLP密集氣孔                        （b-2）密集氣孔SVM判斷

 

（c-1）CTLP根部凹陷                         （c-2）根部凹陷SVM判斷

 

（d-1）CTLP根部未焊透                        （d-2）根部未焊透SVM判斷

 

（e-1）CTLP中部未熔合                      （e-2）中部未熔合SVM判斷

圖6 焊縫數字圖像缺陷CTLP識別和SVM缺陷判斷

焊縫數字圖像經(jīng)過(guò)完全局部三值模式CLTP紋理識別后，應用SVM數據分類(lèi)技術(shù)，CTLP模式使焊接數字圖像邊緣檢測和缺陷跟蹤識別精度大大提高，SVM缺陷分類(lèi)模型使圖像缺陷的自動(dòng)識別準確度大大提高，基本達到了工業(yè)應用級水平。圖 6（e）是中國西氣東輸管道728事故段焊口X-射線(xiàn)數字圖像，在位置點(diǎn)38左下方顯示未熔合特征，其計算機系統判別與人工評片結果完全一致。驗證了該方法具有較好的精度。

4  結論

(1) 圖像處理后沒(méi)有噪聲的情況下，Canny算子、Log算子、Robert算子、Sobel算子、Prewitt算子可以得到很好的邊緣檢測結果。當處理后仍然存在噪聲時(shí)，檢測結果出現了較多的偽邊緣，選用自動(dòng)選取閾值方法進(jìn)行圖像邊緣檢測，能夠取得比較合理的閾值。

(2) 建立的焊縫數字圖像缺陷特征數據庫，包含形狀特征和紋理特征，圖像長(cháng)度像素、圖像寬度像素、缺陷與背景的灰度差△h、缺陷的相對位置d、缺陷自身灰度偏差δ、缺陷長(cháng)寬比、等效面積 S/C、圓形度e、熵ENT、相關(guān)度COR、慣性矩CON、能量等參數。

(3) 建立了SVM分類(lèi)模型，基于缺陷特征數據庫，分類(lèi)獲取了缺陷形狀特征，找出裂紋、夾渣、氣孔、未焊透、未熔合等缺陷特征。

(4) 管道焊縫缺陷識別評價(jià)軟件實(shí)現了對管道焊縫數字圖像缺陷的自動(dòng)識別和自動(dòng)化評價(jià)，這對于建設數字化管道具有極大的推進(jìn)作用，同時(shí)對于管道安全運行具有重要意義。

董紹華教授： 1972年生，中國石油大學(xué)（北京）教授，博士生導師，管道技術(shù)與安全研究中心主任。管道完整性與安全技術(shù)專(zhuān)家；第五屆國家安全生產(chǎn)專(zhuān)家組成員；國家質(zhì)檢總局特種設備壓力管道技術(shù)委員會(huì )委員； NACE STAG 75 完整性技術(shù)專(zhuān)家委員會(huì )主席；北京石油學(xué)會(huì )理事兼石油應用與儲運專(zhuān)業(yè)委員會(huì )主任；擔任2017年國家重點(diǎn)研發(fā)計劃“公共安全專(zhuān)項”國家儲備庫安全項目首席。主要研究方向為管道完整性管理技術(shù)、管道安全評價(jià)技術(shù)、管道信息大數據工程技術(shù)等。曾獲省部級獎勵25項，參與編制行業(yè)、企業(yè)技術(shù)標準40余部，發(fā)表學(xué)術(shù)論文90余篇。