基于專家系統的壓力容器膠片焊縫缺陷識別技術研究

杜衛東 ， 王 鵬 ， 汪立新 ， 張 峰 ， 韓 偉 ， 徐 瑩

（1.山東省特種設備檢驗研究院 山東 濟南 250101；2.西安工業大學 電子信息工程學院，陜西 西安 710032）

工業射線檢測（RT）是無損檢測行業中的一種重要方法，在壓力容器焊縫和鑄件內部質量檢測中，X射線檢測是一種重要無損檢測手段，利用其結果可確定焊縫缺陷的類別、位置和大小，以此判斷焊縫是否合格。通常的X射線焊縫底片是由有經驗的專業評片人員在觀燈下人工評定，主要存在的缺點：人工讀片的不確定性：由于人工讀片，受評片人員的技術素質和經驗限制，往往結果因人而異，缺乏準確性和規范化；操作麻煩不易掌握：在識別缺陷時，通常采用按標準規定計算的方法進行分級，手工操作，麻煩且效率較低。

隨著計算機圖像處理技術和人工智能技術的發展，為提高效率和準確率，減輕評片人員的勞動強度，保證評判結果的一致性，提高識別穩定性，減少人工讀片差異，研究開發計算機輔助識別的專家系統是行之有效的措施。

文中在總結現有研究的基礎上，提出了基于專家系統的壓力容器射線膠片焊縫缺陷識別技術。該方法綜合利用缺陷邊界特征和區域特征對缺陷進行描述，并采用專家系統對缺陷類型進行識別[1]。

1 系統方案設計

1.1 系統組成

本系統采用機器視覺的方法，設計一套完整的膠片數字化系統，用冷光線源透照射線膠片，可調亮度在100000lx以上；用12 bit工業線陣CCD相機作為圖像掃描的采集裝置；為了屏蔽環境光，減少CCD的噪聲，采用密封的機箱將所有的器件裝起來，光源和CCD之間開一個小窗口，膠片在通過窗口時被透照，CCD相機通過USB口與計算機進行通信。CCD相機配置尼康AF 50 mm的光學鏡頭。系統組成結構圖如圖1所示。

數字化后膠片主要由3個區域組成：焊縫區域、日期區域、編號區域。焊縫的缺陷存在于焊縫區域中。

1.2 系統功能

圖1 系統組成結構圖Fig.1 System composition diagram

焊縫缺陷的識別和定級：經過圖像處理得到的缺陷底片特征和缺陷尺寸大小，根據結構、尺寸、表面形態等，結合國家標準和專家經驗，對焊縫缺陷進行識別和定級。

1.3 焊縫缺陷特征

缺陷特征主要分為邊界特征和區域灰度特征。缺陷邊界形狀僅僅從一個側面反映了缺陷的類型，而缺陷內部區域則包含了大量與缺陷類型密切相關的信息。不同缺陷其形狀、位置、平直度、尖銳度等不同。利用這些特征便可進行缺陷的識別和分類。焊縫缺陷大致分為以下6類：裂紋；未焊透；未熔合；條狀夾渣；球狀夾渣；氣孔。按焊縫缺陷的性質和數量共分為4級，I級質量最好，IV級質量最差[2]。

2 專家系統原理

專家系統是一個具有大量的專門知識與經驗的程序系統，它應用人工智能技術和計算機技術，根據該領域一個或多個專家提供的知識和經驗，進行推理和判斷，模擬人類專家的決策過程，以便解決那些需要人類專家處理的復雜問題。專家系統的特征主要有：啟發性，不僅能使用邏輯知識，也能使用啟發性知識；透明性，用戶在對專家系統結構不了解的情況下，可以進行相互交往；靈活性，專家系統的知識與推理機構的分離，使系統不斷接納新的知識[3]。

2.1 專家系統結構

專家系統通常由人機交互界面、知識庫、推理機、解釋器、數據庫、知識獲取等6個部分構成。人機界面是系統與用戶進行交流時的界面，通過界面，用戶輸入基本信息、回答系統提出的相關問題，并輸出推理結果及相關的解釋等。知識獲取是專家系統知識庫是否優越的關鍵，通過知識獲取，可以擴充和修改知識庫中的內容，也可以實現自動學習功能。膠片焊縫缺陷識別的基本結構如圖2所示，其中箭頭方向為數據流動的方向。

圖2 焊縫缺陷識別結構圖Fig.2 Weld defect identification chart

2.2 專家系統識別原理

識別系統的基本原理是：把焊縫缺陷形狀特征參數、缺陷類別、焊縫缺陷影像分布特征、影像紋理黑度特征等按一定編碼形成學習樣本，輸入到專家系統的知識庫，通過對實例的不斷學習自動獲取知識，將知識分布存儲于專家系統中，訓練完成后，針對壓力容器焊縫缺陷影像特征，專家系統通過前向推理，輸出識別結果。

2.3 專家系統識別策略

焊縫缺陷形狀特征輸入后，原系統將激活專家系統進行識別，專家系統利用知識庫進行推理，得出識別結果。數據庫用于存放焊縫圖像識別的初始數據、識別狀態、中間結果及最終識別分析結果等。推理機是針對綜合數據庫中的信息，選取知識庫中對當前焊縫圖像有用的知識進行推理判斷[4]。

3 知識表示、獲取與推理

3.1 知識表示

專家系統的知識庫用來存放專家提供的知識。專家系統的問題求解過程是通過知識庫中的知識來模擬專家的思維方式的，因此，知識庫是專家系統質量是否優越的關鍵所在，即知識庫中知識的質量和數量決定著專家系統的質量水平。

3.2 知識獲取

利用樣本進行邏輯推理的學習，并對知識庫進行修正，以不斷減少誤差，直至輸出達到滿足實際要求。知識庫在不斷修正中，吸收新知識，提高識別能力。

用戶可以根據自己的需要，將樣本數據按人機交互軟件提示來輸入，進一步對知識庫進行修正。當修正結束后，可立即進行識別。用戶可根據識別的結果決定是否再進行修正。

3.3 推理機制

專家系統的推理機制是基于邏輯符號的推理。根據待識別圖像特征參數和專家系統的結構，在識別過程中不斷進行邏輯判斷，直至得到滿足實際要求解。該系統采用正向推理策略，從圖像輸入處理開始，向前推理，到目標狀態為止，其具體步驟如下，識別流程如圖3所示[5-7]。

1）獲取膠片焊縫圖像信息，對圖像進行特征提取，圖像預處理與雙精度變換，得到待處理的二值化圖片；

2）推理機將用戶輸入的信息與知識庫中各個規則的條件進行匹配，并把被匹配規則的結論存放到綜合數據庫中進行初次識別，得出缺陷類別結果；

3）如果焊縫缺陷識別結果正確，則終止知識庫識別的推理，從而輸出識別的結果；

4）如果焊縫缺陷識別不正確，將再次向用戶提問，從用戶那里獲取更多有關膠片缺陷特征的特點等信息；

5）利用推理機的推理結果，再次與專家系統知識庫中的信息進行匹配，進行深層識別；

6）如果缺陷識別正確，將輸出推理結果以及缺陷信息。

圖3 缺陷類型識別流程圖Fig.3 Defect type recognition flow chart

4 實驗結果

經過膠片數字化裝置獲取的原始灰度圖像膠片，如圖4（a）所示，然后對原始圖像進行圖像預處理，圖像預處理是將膠片的灰度圖像進行雙精度化，采用im2double函數將原圖像轉換成雙精度圖像；雙精度圖像如圖4（b）所示。

圖4 膠片圖像Fig.4 Film image

然后對雙精度圖像進行剪切和分割，圖像分割是識別過程中關鍵的步驟之一。圖像經預處理后，各部分區域已經明顯，采用閾值化法來實現圖像分割。最終將膠片圖像裁剪出3個區域：焊縫區域、日期區域、編碼區域，3個區域的圖片如圖5（a）（b）（c）所示。

圖5 分割后的圖像區域Fig.5 Segmented image regions

然后對分割后的圖像進行二次修正，重點對焊縫區域進行處理。對焊縫區域圖像進行均衡化處理，結果如圖6（a）所示，然后，再用閾值化法處理均衡后的圖像，如圖6（b）所示，最后，對圖像腐蝕，將其邊緣噪聲與背景連接，去除噪聲，如圖 6（c）所示。

針對去噪后的焊縫區域圖像，首先進行區域標注，將背景區域標注為1；然后，判斷標注值是否大于1，如果標注值大于1，說明有缺陷存在；最后，計算缺陷區域的中心，進行缺陷定位。定位結果如圖6（d）所示。點為焊縫缺陷。利用專家系統里的知識庫，將缺陷特征與知識庫中各個特征條件進行匹配，得出缺陷類別結果；結論是該膠片焊縫的缺陷是未融合缺陷。

圖6 焊縫區域處理結果Fig.6 Results of weld area

5 結束語

文中提出的基于專家系統的壓力容器焊縫膠片缺陷識別技術，在MATLAB環境下進行了仿真和實現，通過大量反復測試，并通過不斷對專家系統進行充實和完善，從而提高系統的缺陷識別能力。實驗結果表明，該系統對典型缺陷的識別效果較好，但對一些具有缺陷交叉的焊縫圖像識別效果不是非常理想，試驗中由于訓練用典型缺陷底片樣本數較少，也是影響造成識別率不高的原因。為了提高識別率，可將模糊神經網絡與專家系統結合，進一步提高識別率。

在我國壓力容器射線檢測行業里，該系統的研究成果，既滿足目前高效、準確的檢測工作要求，同時滿足企業對射線檢測缺陷識別分析的數字化需求，該技術的推廣可以取得良好的經濟效益，并提高檢測工作的標準化、規范化、可追溯化，具有重要意義。

[1]周偉，王承訓.焊接缺陷自動識別系統的研究與應用[J].焊接學報， 1992（1）:45-50.ZHOU Wei，WANG Cheng-xun.Research and application of automatic recognition system to weld defects[J].Transactions of the China Welding Institution，1992（1）：45-50.

[2]中華人民共和國國家標準，GB3323-87.鋼熔化焊對接接頭射線照相和質量分級[S].1987.

[3]張曉光，李浴，徐健健.基于神經系統的焊縫缺陷識別專家系統[J].計算機工程，2003，29（17）:22-28.ZHANG Xiao-guang， LI Yu， XU Jian-jian.Weld seam defects distinguishing expert system based on neural network[J].Computer Engineering ，2003，29（17）:22-28.

[4]申清明，高建民，李成.焊縫缺陷類型識別方法的研究[J].西安交通大學學報，2010，44（7）:100-103.SHEN Qing-ming， GAO Jian-min， LI Cheng.Recognition of weld defect types[J].Journal of Xi’an Jiaotong University，2010，44（7）:100-103.

[5]Liao TW.Classification of welding flaw types with fuzzy expert systems[J].Expert Systems with Applications，2003，25（1）:101-111.

[6]Silva RR， Caloba LP， Sioueira MHS， et al.Pattern recognition of weld defects detected by radiographic test[J].NDT&E International， 2004，37（6）:461-470.

[7]張曉光，劉金德，林家駿.射線焊縫缺陷識別的專家系統[J].煤礦機械，2002，12:22-24.ZHANG Xiao-guangt， LIU Jin-de， LIN Jia-ju.The expert system of X-ray welding seam defects distinguishing[J].Coal Mine Machinery，2002，12:22-24.