費(fèi) 凡，周永濤，周 順 ，程海龍

(1.中國(guó)石油北京天然氣管道有限公司 北京 100101；2.中國(guó)石油管道有限責(zé)任公司 北京 100000)

0 引 言

X射線檢測(cè)作為焊縫缺陷的無(wú)損檢測(cè)技術(shù)之一，是保證焊接結(jié)構(gòu)件質(zhì)量的重要手段。人工評(píng)定射線膠片存在很大的主觀性，易產(chǎn)生較多的誤判和漏判[1]。對(duì)數(shù)字化膠片的實(shí)時(shí)檢測(cè)和缺陷自動(dòng)識(shí)別一直是無(wú)損檢測(cè)方向的研究熱點(diǎn)，實(shí)現(xiàn)方式多為特征工程及傳統(tǒng)機(jī)器學(xué)習(xí)[2-3]，效率及穩(wěn)定性仍有不足。近年來(lái)，伴隨人工智能技術(shù)的發(fā)展，基于深度學(xué)習(xí)的圖像檢測(cè)技術(shù)趨于成熟，國(guó)外已經(jīng)利用深度學(xué)習(xí)的方法進(jìn)行數(shù)字化膠片的實(shí)時(shí)檢測(cè)和缺陷自動(dòng)識(shí)別[4]，證明了技術(shù)的可行性。本文將利用基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)構(gòu)建管道環(huán)焊縫缺陷智能檢測(cè)分析框架，從焊縫膠片底片數(shù)字化開(kāi)始，經(jīng)過(guò)圖像預(yù)處理、訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型等步驟，最終通過(guò)算法智能識(shí)別存在缺陷的焊縫膠片并定位標(biāo)注出疑似缺陷的位置。

1 基于深度學(xué)習(xí)的管道焊縫缺陷智能檢測(cè)分析框架

本文基于深度學(xué)習(xí)構(gòu)建管道環(huán)焊縫缺陷智能檢測(cè)分析框架，主要包含數(shù)字化焊縫膠片、圖像預(yù)處理、訓(xùn)練智能檢測(cè)分析模型等步驟。數(shù)字化焊縫膠片由專用數(shù)字化系統(tǒng)掃描物理膠片獲得，用作智能檢測(cè)分析模型的訓(xùn)練和測(cè)試數(shù)據(jù)。圖像預(yù)處理通過(guò)濾波降噪、圖像分割、統(tǒng)一圖像灰度、定位焊縫區(qū)域等方法，提升圖像質(zhì)量，提取焊縫區(qū)域?？蚣苤猩婕皟蓚€(gè)深度學(xué)習(xí)模型。第一個(gè)是利用ResNet網(wǎng)絡(luò)訓(xùn)練圖像分類模型，該算法通過(guò)卷積網(wǎng)絡(luò)對(duì)圖像進(jìn)行檢索，提取圖像特征，實(shí)現(xiàn)對(duì)特征的有監(jiān)督的學(xué)習(xí)，把特征提取和分類器統(tǒng)一在一個(gè)模型里，實(shí)現(xiàn)識(shí)別分類功能[5]；第二個(gè)是利用Mask RCNN網(wǎng)絡(luò)訓(xùn)練缺陷標(biāo)注模型，對(duì)存在缺陷的焊縫膠片圖像進(jìn)行定位標(biāo)注。這兩個(gè)模型可輔助工作人員快速檢出疑似存在缺陷的數(shù)字化膠片，并標(biāo)注疑似缺陷，提升焊縫缺陷篩查效率。管道環(huán)焊縫缺陷智能檢測(cè)分析框架如圖1所示。

圖1 管道焊縫缺陷智能檢測(cè)分析框架

2 數(shù)字化膠片

數(shù)字化圖像是管道焊縫缺陷智能檢測(cè)分析的基礎(chǔ)。焊縫射線膠片數(shù)字化的方法是：使用專用數(shù)字化系統(tǒng)(中晶MII-1000)將物理膠片掃描為16 bit的BMP圖像格式文件，掃描時(shí)需要根據(jù)物理膠片的黑度值調(diào)整掃描黑度參數(shù)[6]。管道焊縫膠片數(shù)字化的效果如圖2所示。

圖2 數(shù)字化后的焊縫膠片

3 滑動(dòng)窗口處理

卷積網(wǎng)絡(luò)(CNN)在處理圖像時(shí)采用滑動(dòng)窗口機(jī)制。焊縫缺陷檢測(cè)中，整個(gè)膠片圖像尺寸很大，缺陷特征只是圖像的一部分，將膠片圖像直接縮小到網(wǎng)絡(luò)中的尺寸，會(huì)導(dǎo)致一定尺度比例的損失，也會(huì)使整體的效率降低?；瑒?dòng)的步長(zhǎng)不應(yīng)設(shè)置太小，否則會(huì)出現(xiàn)較多的無(wú)效碎片圖像，時(shí)間效率和處理性能也會(huì)變差，因此采用固定短邊，長(zhǎng)邊固定為690，以步長(zhǎng)50的方式進(jìn)行滑動(dòng)窗口處理。

4 圖像預(yù)處理

4.1 降噪處理

物理膠片黑度值過(guò)高和過(guò)低都會(huì)導(dǎo)致數(shù)字化膠片中存在大量噪聲，容易影響與混淆缺陷特征，需要繼續(xù)進(jìn)行降噪處理。降噪處理必須考慮到缺陷特征本身，防止缺陷細(xì)節(jié)的丟失。濾波器是常用的降噪方法，分為線性濾波器和非線性濾波器。考慮到缺陷細(xì)節(jié)的重要性與復(fù)雜性，選擇平滑且細(xì)節(jié)損失較少的中值濾波器進(jìn)行5×5的降噪處理,如圖3所示。

圖3 降噪處理后圖像

4.2 提取焊縫區(qū)域

提取焊縫區(qū)域目的是將圖像的焊縫區(qū)域和其他元素進(jìn)行分割。這樣可以大幅減少訓(xùn)練量、清除干擾因素，提高識(shí)別效果。提取焊縫區(qū)域的第一步是用最佳閾值法將灰度圖像轉(zhuǎn)為二值化圖像，將感興趣區(qū)域與背景分離。最佳閾值的選擇，采用大津法(OTSU算法)[7]，這是一種使用最大類間方差作為衡量前景和背景標(biāo)準(zhǔn)的方法，計(jì)算簡(jiǎn)單，不受圖像亮度和對(duì)比度的影響。提取焊縫區(qū)域的第二步是根據(jù)二值化后的直方圖分布確定區(qū)域，裁剪出合適的焊縫區(qū)域。圖4、圖5為提取過(guò)程示例。

圖4 二值化后的圖像

圖5 焊縫區(qū)域圖像

4.3 增強(qiáng)處理

經(jīng)上述圖像預(yù)處理后，焊縫圖像存在對(duì)比度低、關(guān)鍵細(xì)節(jié)特征不明顯、灰度值分布集中等問(wèn)題。這些問(wèn)題的出現(xiàn)使得缺陷特征視覺(jué)效果較差，導(dǎo)致后面模型檢測(cè)識(shí)別產(chǎn)生較大的誤差。為此采用曝光融合算法框架[8]對(duì)圖像的對(duì)比度進(jìn)行增強(qiáng)，圖6為增強(qiáng)處理后的圖像。

圖6 增強(qiáng)處理后的焊縫區(qū)域圖像

5 深度學(xué)習(xí)模型

5.1 數(shù)據(jù)收集

實(shí)驗(yàn)中原始射線膠片數(shù)據(jù)來(lái)源于陜京三線，經(jīng)過(guò)掃描數(shù)字化處理、整理和挑選，總共含有1 000張正常的膠片圖像和300張存在缺陷的膠片圖像(主要以氣孔、燒穿、條渣與未熔合4類缺陷為主)，作為后期實(shí)驗(yàn)的訓(xùn)練集與測(cè)試集。收集的數(shù)據(jù)中缺陷類型具體分布見(jiàn)表1。

表1 數(shù)據(jù)分布 個(gè)

基于深度學(xué)習(xí)圖像特征分類方法選擇合適的數(shù)據(jù)用于模型訓(xùn)練。需要篩選特征突出、沒(méi)有其他干擾信息的數(shù)據(jù)，降低可能出現(xiàn)過(guò)擬合問(wèn)題的概率。焊縫缺陷識(shí)別不同于一般的圖像分類任務(wù)，缺陷特征的復(fù)雜多樣性是難點(diǎn)。比如說(shuō)，同一種缺陷可能存在著多個(gè)不同的特征，同一個(gè)缺陷可能被不同的評(píng)片人員分到不同的類別中，有些缺陷特征存在但細(xì)節(jié)不清晰等等。實(shí)驗(yàn)通過(guò)人工篩選出有效、高質(zhì)量的圖像。

實(shí)驗(yàn)注重膠片圖像的質(zhì)量和缺陷的細(xì)節(jié)特征。對(duì)于數(shù)據(jù)集里的所有膠片圖像，進(jìn)行降噪、焊縫區(qū)域提取以及圖像增強(qiáng)等預(yù)處理工作，提升圖像本身的質(zhì)量，使缺陷細(xì)節(jié)可以更加突出，為模型的高準(zhǔn)確率提供保障。存在缺陷的焊縫圖像部分樣例如圖7所示。

圖7 存在缺陷的焊縫圖像

5.2 基于深度殘差網(wǎng)絡(luò)(ResNet)的圖像分類模型

在圖像分類任務(wù)上有許多卷積網(wǎng)絡(luò)已被證明可以獲得很好的結(jié)果，比如AlexNet[9]、VGGNet[10]等。實(shí)驗(yàn)采用較新也較穩(wěn)定的深度殘差網(wǎng)絡(luò)。深度殘差網(wǎng)絡(luò)由微軟研究院的Kaiming He等4名華人提出。通過(guò)使用ResNet Unit成功訓(xùn)練出了152層的神經(jīng)網(wǎng)絡(luò)，這一結(jié)果贏得了SVRC2015分類任務(wù)第一名，在top5上的錯(cuò)誤率為3.57%，同時(shí)參數(shù)量比VGGNet低，效果非常突出。深度殘差網(wǎng)絡(luò)結(jié)構(gòu)可以加速神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，模型的準(zhǔn)確率有比較大的提升。同時(shí)網(wǎng)絡(luò)的推廣性非常好，甚至可以直接用到谷歌的深度學(xué)習(xí)網(wǎng)絡(luò)中[11]。

深度殘差網(wǎng)絡(luò)中增加了直連通道，解決因?yàn)榫W(wǎng)絡(luò)層數(shù)過(guò)深而導(dǎo)致誤差增大的問(wèn)題，即Highway Network的思想，并允許原始輸入信息直接傳到后面的層中。

采用構(gòu)建50層ResNet50網(wǎng)絡(luò)結(jié)構(gòu)模型，將每一層的參數(shù)減半，減少訓(xùn)練時(shí)間，并在分類準(zhǔn)確性和時(shí)間效率上做到相對(duì)折中。利用深度學(xué)習(xí)框架PyTorch構(gòu)建網(wǎng)絡(luò)模型，構(gòu)建的模型共有約450萬(wàn)個(gè)參數(shù)，網(wǎng)絡(luò)中的神經(jīng)元連接總數(shù)近10億個(gè)。對(duì)比AlexNet的約6 000萬(wàn)個(gè)參數(shù)，該模型在網(wǎng)絡(luò)層數(shù)、訓(xùn)練參數(shù)上都有著很大的優(yōu)勢(shì)[12]。由于我們的框架輸出分類為2類，所以將網(wǎng)絡(luò)最后的全連接層的神經(jīng)元個(gè)數(shù)設(shè)置為2個(gè)，優(yōu)化算法使用Adam，考慮到模型的層數(shù)，學(xué)習(xí)率設(shè)置為0.01。模型的輸入為224×224大小的兩通道圖像，第一個(gè)卷積層conv1的參數(shù)是64個(gè)7×7的卷積核，卷積核的步長(zhǎng)為2，每一次卷積過(guò)后都會(huì)接一個(gè)批量標(biāo)準(zhǔn)化層，使得模型的容納能力增加。激活函數(shù)使用的是線性整流函數(shù)算法，并且通過(guò)最大池化層進(jìn)行下采樣。網(wǎng)絡(luò)的最后一層是歸一化指數(shù)函數(shù)(softmax)回歸層，用于輸出圖像分到哪一類別的概率[12]?；貧w表現(xiàn)形式為：它將多個(gè)神經(jīng)元的輸入映射到(0,1)區(qū)間內(nèi)，形成一個(gè)概率的概念，從而進(jìn)行分類任務(wù)。

5.2.1 模型訓(xùn)練

實(shí)驗(yàn)的環(huán)境，使用一塊10 GB顯存的GTX1080TI顯卡，centos 7操作系統(tǒng)，網(wǎng)絡(luò)模型基于深度學(xué)習(xí)框架PyTorch搭建，編程語(yǔ)言使用的是Python3.6。從收集到的數(shù)據(jù)中隨機(jī)挑選圖像分別作為訓(xùn)練集和測(cè)試集，分布數(shù)量見(jiàn)表2。

表2 構(gòu)建的數(shù)據(jù)集 個(gè)

實(shí)驗(yàn)過(guò)程中使用了數(shù)據(jù)增廣技術(shù)，增大數(shù)據(jù)集的容量。沒(méi)有采用常用的隨機(jī)裁切的方法，因?yàn)殡S機(jī)裁切產(chǎn)生的圖像碎片，可能已經(jīng)改變其屬性特征，產(chǎn)生錯(cuò)誤的數(shù)據(jù)分類。而是采用了旋轉(zhuǎn)和翻轉(zhuǎn)的方式進(jìn)行圖像增廣，并對(duì)圖像進(jìn)行歸一化處理。

實(shí)驗(yàn)基于ImageNet1000數(shù)據(jù)集的預(yù)訓(xùn)練模型進(jìn)行遷移訓(xùn)練。權(quán)值的基礎(chǔ)學(xué)習(xí)率設(shè)置為0.01，動(dòng)量為0.9，權(quán)值衰減為0.000 5，保留每一次epochs產(chǎn)生的權(quán)重，并對(duì)驗(yàn)證集實(shí)時(shí)驗(yàn)證，直至網(wǎng)絡(luò)收斂[12]。最終模型大小約為97 MB。

為了比較ResNet50與VGG16、AlexNet等網(wǎng)絡(luò)的效果，我們使用相同的數(shù)據(jù)集，在沒(méi)有任何調(diào)整的VGG16與AlexNet上也進(jìn)行了訓(xùn)練。這3個(gè)網(wǎng)絡(luò)在模型大小、檢測(cè)時(shí)間和數(shù)據(jù)召回率等方面的比較見(jiàn)表3。ResNet50網(wǎng)絡(luò)參數(shù)比其他網(wǎng)絡(luò)都小了很多，訓(xùn)練用時(shí)也低很多，檢測(cè)時(shí)間和召回率都更加優(yōu)越。

表3 模型性能比較

5.2.2 模型評(píng)估

在深度學(xué)習(xí)圖像分類領(lǐng)域，針對(duì)一個(gè)模型最終好壞的評(píng)估標(biāo)準(zhǔn)有很多，例如精確率(precision)、召回率(recall)、準(zhǔn)確率(accuracy)等性能度量概念。

模型經(jīng)過(guò)對(duì)測(cè)試集的檢測(cè)識(shí)別，根據(jù)分類時(shí)預(yù)測(cè)與實(shí)際的情況，作出混淆矩陣，見(jiàn)表4、表5， P代表預(yù)測(cè)數(shù)，A代表實(shí)際。

表4 不含數(shù)據(jù)增廣算法模型的混淆矩陣

表5 含數(shù)據(jù)增廣算法模型的混淆矩陣

根據(jù)所得到的混淆矩陣，實(shí)驗(yàn)對(duì)焊縫缺陷識(shí)別的分類結(jié)果采用準(zhǔn)確率和召回率進(jìn)行評(píng)估。準(zhǔn)確率=正確預(yù)測(cè)的正反例數(shù)/總數(shù)，召回率=正確預(yù)測(cè)到的正例數(shù)/實(shí)際正例總數(shù)。經(jīng)過(guò)數(shù)據(jù)增廣后模型在各項(xiàng)性能度量都有顯著提升，根據(jù)公式可以得出，分類準(zhǔn)確率為72.5%，對(duì)存在缺陷的膠片圖像的召回率為90%。

由于焊縫特征多樣性、缺陷樣本數(shù)量過(guò)少、整體的數(shù)據(jù)量不足，得到的準(zhǔn)確率波動(dòng)幅度比較大，對(duì)于存在缺陷的膠片圖像的召回率表現(xiàn)不錯(cuò)，數(shù)據(jù)量的增大可帶來(lái)更好的效果。

5.2.3 模型時(shí)效分析

在對(duì)焊縫缺陷的檢測(cè)識(shí)別過(guò)程中，算法的時(shí)效性也是一項(xiàng)關(guān)鍵的性能。本文方法對(duì)單張測(cè)試圖像的處理時(shí)間小于2 ms，由于網(wǎng)絡(luò)模型參數(shù)較少、模型小、加載快，對(duì)比其他方法在時(shí)效性上有著很大的提升，時(shí)效性對(duì)比如表3所示?；谏疃葘W(xué)習(xí)方法的算法，通過(guò)GPU加速可以提升時(shí)效性。另外硬件性能的提升和模型網(wǎng)絡(luò)的優(yōu)化，可以獲得更高的時(shí)間效率。

5.3 基于Mask R-CNN的缺陷標(biāo)注模型

Mask R-CNN[13]是Kaiming He基于以往的faster rcnn架構(gòu)提出的新的卷積網(wǎng)絡(luò)，一舉完成了對(duì)象實(shí)例分割。該方法有效地通過(guò)增加不同的分支，可以完成目標(biāo)分類、目標(biāo)檢測(cè)、語(yǔ)義分割、實(shí)例分割、人體姿勢(shì)識(shí)別等多種任務(wù)，靈活而強(qiáng)大。Mask R-CNN中最重要的亮點(diǎn)在于ROIAlign。在之前的算法中存在著特征圖與原始圖像不對(duì)準(zhǔn)(mis-alignment)的問(wèn)題，影響著檢測(cè)精度。而Mask R-CNN提出了RoIAlign的方法來(lái)取代ROI池化，RoIAlign可以保留大致的空間位置，其抽象架構(gòu)如圖8所示[13]。

圖8 Mask R-CNN抽象框架圖

5.3.1 模型訓(xùn)練

本實(shí)驗(yàn)是利用Mask R-CNN網(wǎng)絡(luò)中語(yǔ)義分割功能對(duì)存在缺陷的膠片圖像進(jìn)行缺陷的定位標(biāo)注。實(shí)驗(yàn)使用一塊10 GB顯存的GTX1080TI顯卡，centos 7操作系統(tǒng),網(wǎng)絡(luò)模型基于深度學(xué)習(xí)框架PyTorch搭建，編程語(yǔ)言使用的是Python3.6。

模型訓(xùn)練需要對(duì)已有數(shù)據(jù)集進(jìn)行標(biāo)注處理，生成標(biāo)注圖像文件和標(biāo)注位置信息文件，整理成Mask R-CNN需要的COCO數(shù)據(jù)集樣式。焊縫缺陷標(biāo)注圖像樣例如圖9所示。

圖9 焊縫缺陷標(biāo)注圖像

數(shù)據(jù)整理完成后，針對(duì)已有數(shù)據(jù)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練參數(shù)進(jìn)行調(diào)整：1)凍結(jié)網(wǎng)絡(luò)其他功能模塊，如分類、檢測(cè)，只保留分割模塊的訓(xùn)練；2)修改預(yù)訓(xùn)練模型參數(shù)，凍結(jié)最后輸出層參數(shù)；3)修改學(xué)習(xí)率、訓(xùn)練步長(zhǎng)、訓(xùn)練批次等參數(shù)；4)保留每一次epochs產(chǎn)生的權(quán)重，并對(duì)驗(yàn)證集實(shí)時(shí)驗(yàn)證，直至網(wǎng)絡(luò)收斂。

5.3.2 實(shí)現(xiàn)效果

經(jīng)過(guò)訓(xùn)練獲得的語(yǔ)義分割模型，對(duì)測(cè)試圖片進(jìn)行測(cè)試，可以完成缺陷特征的定位標(biāo)注，如圖10所示。目前模型訓(xùn)練數(shù)據(jù)集中圓形缺陷數(shù)據(jù)比例大，可以很好地實(shí)現(xiàn)對(duì)圓形缺陷的標(biāo)注。

圖10 焊縫缺陷標(biāo)注

6 結(jié) 論

本文在人工智能技術(shù)高速發(fā)展的背景下，提出了基于深度學(xué)習(xí)的管道焊縫缺陷檢測(cè)識(shí)別框架，闡述了各步驟的具體算法和模型訓(xùn)練方法，通過(guò)實(shí)驗(yàn)證明了框架的可行性。利用深度學(xué)習(xí)模型和各種圖像處理算法可以完成缺陷智能檢測(cè)分析工作。實(shí)驗(yàn)結(jié)果表明，該方法以較短的訓(xùn)練時(shí)間可獲得較高的焊縫缺陷識(shí)別準(zhǔn)確率，并能實(shí)現(xiàn)圓形缺陷的定位標(biāo)注?，F(xiàn)有焊縫缺陷(尤其橫向裂紋、咬邊、條渣等缺陷)樣本數(shù)據(jù)量較少，當(dāng)前模型對(duì)橫向裂紋等條塊型缺陷的適用性較差。接下來(lái)將收集更多缺陷樣本數(shù)據(jù)，完善訓(xùn)練和測(cè)試數(shù)據(jù)集，進(jìn)一步優(yōu)化深度學(xué)習(xí)模型算法，提高模型各項(xiàng)指標(biāo)和適用性。