基于核機器學習的油氣管道焊縫檢測方法初探

【摘 要】本文敘述了傳統的管道焊縫檢測方法及目前計算機、圖像處理及模式識別等現代技術在管道焊縫檢測中的應用，在理論上闡述了將核機器學習方法用于油氣管道焊縫檢測的可行性。

【關鍵詞】管道；焊縫檢測；核機器

隨著“西氣東輸”工程的啟動，被稱譽為國家的重大生命線——油氣長輸管道在我國進入建設和發展的高峰期。高質量的焊管是保證管道安全、經濟、高效可靠運行的基礎和根本保障，目前螺旋埋弧焊技術廣泛地應用于石油化工鋼管和壓力容器的制造中，但遺留在焊縫中的缺陷產生失效行為，導致管道破裂與爆炸。因此焊縫缺陷檢測和跟蹤系統是機械、冶金、石油化工等焊管制造中必不可少且尤為重要的環節。

傳統的x射線檢測技術在焊縫質量檢測方法中占有重要地位，檢測結果可以作為焊縫缺陷分析及其質量判斷的重要依據。常用的x射線檢測方式一般是由有經驗的專業檢測人員在實時圖像或者照相底片上人工完成，工作量較大，檢測結果的可靠性在很大程度上取決于檢驗者的主觀因素[1]，而且x射線探傷法存在輻射性、人工讀片的不確定性弊端，用計算機實現自動評片因缺陷特征和類別的復雜性難以達到滿意的效果，不能與現代化大生產的實際完全適應。因此，近年來國內外的相關技術人員利用計算機、圖像處理及模式識別等現代技術，在焊縫及其缺陷的自動識別方面進行了許多有意義的探索和研究，取得了相當多的進展[2]。文獻[3]在程序的控制下，輸入裝置順序掃描底片，產生與底片內容相對應的連續圖像，然后經AD轉換，生成8bit灰度圖像，存入設定緩沖區。圖象處理軟件對離散圖像作相關處理，分類識別，評定結果準確實時地提交給輸出設備，供用戶使用。用計算機評定焊接射線底片是無損探傷領域的一次技術革命。但拍攝圖像的亮度差、對比度低時對缺陷誤檢、漏檢的幾率仍然大。一些學者采用神經網絡等來自動辨識缺陷[4]，而可移植性差，過學習和推廣性較差等原因降低實用性。

據統計，現在世界上有1/2的金屬制品是靠焊接完成的，焊接在現代工業中具有非常重要的作用。焊縫跟蹤是實現焊接自動化的一項關鍵技術，直接影響到焊接質量[5]。所以有必要尋求一種具有識別率高、容噪能力強的技術進行油氣長輸管道焊縫的跟蹤檢測。

基于核的機器學習方法，簡稱為核機器學習方法（Kernel Machine Learning）或核方法[6-8]，是近年在機器學習領域涌現的一類新模型與新方法的總稱。其基本思想是對一些只涉及樣本間內積運算的學習方法，通過改變內積定義的方式，用事先定義的核函數取代內積，從而得到與原學習方法對應的非線性版本。核機器學習方法不僅可以高效分析蘊藏在樣本集內部的非線性關系，簡化了欲解決的問題，并且能借助核技巧規避特征空間內的內積運算因映射函數而可能引發的維數災難。

在核機器學習這類方法中，有用于分類與回歸的高斯過程（GP）模型、支持向量機（SVM）、最小最大概率機（MPM）、核最近鄰（KNN）、核貝葉斯判別（KBD ）、核最小平方誤差（KMSE）判別、核Fisher判別（KFD）與核感知器（KP）等；有用于聚類的核自組織映射（KSOM）、核聚類和核Adatron方法等；有用于特征提取的核主成分分析（KPCA）、核獨立成分分析（KICA）等；也有用于特征選擇的核規范相關分析（KCCA）、核投影尋蹤（KPP）和核匹配追蹤（KMP）方法等。當然上面列舉的僅是一些最典型的核機器學習方法，限于篇幅還有上百種方法不能一一列舉。核機器學習方法與常規的模式識別方法（如人工神經網絡）相比優勢明顯，若能將之應用于管道焊縫特征提取、特征選擇以及缺陷預測，利用它們優良的性質和強大的功能，必將能大幅度提升檢測準確度。

利用核機器學習方法進行油氣管道焊縫跟蹤研究，使得在檢測系統中融入貝葉斯推理成為可能，因為貝葉斯推理與機器學習技術本來就密不可分。在機器學習過程中融入推理過程有諸多優勢，具體對焊縫缺陷檢測而言可以提升焊縫跟蹤系統的智能化程度。這是因為：第一，可以將從焊縫圖片資料中獲得的一些圖像信息作為先驗知識無縫融入檢測過程，進一步提升檢測準確度與智能化程度；第二，在檢測時可預設一組概率規則，推理遵循該規則逐步實現，從而使整個檢測過程既有條理又有層次。

利用核機器學習方法進行油氣管道焊縫檢測，也使得在檢測系統中引入多源信息融合技術成為可能，因為多源信息融合與機器學習同樣密不可分。在管道檢測中，焊縫的孔隙度、灰度等多個因素分別揭示了焊縫圖像各個方面的特性，在進行缺陷檢測時需要將各方面的信息進行綜合考慮。而信息融合正是利用多方面的信息資源，采用數學方法和計算機技術對各種信息在一定準則下加以自動分析、綜合和使用，獲得比單一信息更精確、更完全和更可靠的解釋。因此在焊縫跟蹤系統中引入多源信息融合技術可以綜合多種焊縫屬性信息，減小方法不同所帶來的不確定性，從而實現綜合檢測。

綜上所述，核機器學習提供了一個良好的平臺，以之為基礎開發一套管道焊縫自動跟蹤系統至少具有三點優勢：第一，核機器學習方法本身的特性能保證檢測系統具有很高的準確度；第二，以核機器學習為主的平臺能引入貝葉斯推理，保證檢測系統具有很高的智能化程度；第三，在檢測中采用了多源信息融合技術，因此所開發的系統能進行綜合檢測。況且，核機器學習方法在人臉識別、視頻分析與移動通信等領域均取得了優異的應用效果。

在國內在埋弧焊焊縫缺陷檢測領域開展核機器學習理論與應用研究是一個新思路新方法，核機器學習理論及其模型有助于提高缺陷有無的識別率，在焊管缺陷的在線識別與預測這一新領域中必將具有較好的應用前景。

參考文獻：

[1] 鄭世才. 關于缺陷影像識別的討論[J]. 無損探傷， 2002， （1）： 5-8

[2] 巴曉艷，滕永平. 焊縫缺陷的計算機模式識別方法的研究[A].全國射線檢測技術及加速器檢測設備和應用技術交流會論文集[C]， 鄭州：2001，50-54

[3] 傅德勝. 焊接缺陷計算機自動識別模式的研究[J] . 控制與決策，1998， 13： 469-474

[4] 劉志遠，裴潤等. 一種焊縫缺陷自動超聲檢測系統[J]，焊接學報，2002，23（3）：71-74

[5] 高向東，丁度坤，趙傳敏. 機器視覺型焊縫跟蹤技術[J].焊接，2006，50（2）：19-23.

[6]Xu J. et al. Kernel perceptron algorithm[R]. Beijing： Department of Automation， Tsinghua University， 2000.

[7] S. Papadimitriou and K. Terzidis. Growing kernel-based self-organized maps trained with supervised bias. Intelligent Data Analysis[J]. 2004， 8： 111-130.

[8] M. Girolami. Mercer kernel based clustering in feature space. IEEE Trans Neural Networks[J]. 2002， 13（3）： 780-784.

本論文受以下基金資助：陜西省自然基金項目（2013JQ8049），陜西省教育廳自然科學專項（2013JK1077），中國石油科技創新基金研究項目（2014D-5006-0605），西安石油大學博士科研啟動基金（2013BS006）。