圖像分析在檢測中的應用

王金博

（安徽省特種設備檢測院，安徽 合肥 230051）

1 概述

隨著特種設備使用的增長，對其關注程度提高。另一方面人工成本上升，檢測人員培養速度慢，有經驗的人員占比逐年降低。

設備檢測領域引入了智能分析等手段，以提升檢驗效率、檢測水平，滿足社會需求。

人工智能是檢驗的助力器。人工智能在上世紀80年代就已經提出，設備是三維的圖像，檢驗檢測的根本就是肉眼直接或借助工具下的圖像檢驗。圖像是檢驗的存檔和見證，是記錄設備狀況的視覺數據，具有天然的可追溯性和可分析性。而檢驗記錄僅是一種描述設備狀況的抽象映射，結論是檢測結果的集合，報告是記錄的集合。設備圖像化、數據化是現階段人工智能參與檢驗的前提。

2 優勢及路徑

現場檢驗中，設備的隱患需要檢驗人員查找，通過規范或經驗分析判斷。圖像分析技術可使人員避開或減少惡劣環境影響，可重復性高。人工智能的圖像分析首先通過機器視覺攝入圖像圖形，這種測量技術以非接觸的方式完成對被測物體的圖像化記錄，可以減少或消除人員在有毒有害、易燃易爆、粉塵輻射等特種設備常見環境下的暴露時間。以機器的視覺自動的獲取并記錄信息，原來需要檢驗檢測人員肉眼觀察的數據（需要直接度量的數據，如間距、角度、頻率），需要比較的數據含形狀公差（平面度、圓度、直線度）、定向公差（平行度、垂直度、傾斜度）跳動公差等。由于是設備取代人工觀測，所以有重復度高、證據保留方便、空間要求低等特點。機器視覺系統硬件一般以CCD/CMOS攝像頭及計算機組成。作為攝取信息的主要媒介，CCD/CMOS僅是常見的一種傳感元件，也可以被其他傳感器替代。以基于視覺放大、機器學習、神經網絡等技術作為后處理的軟件技術，是圖像分析得以實現重要一環。各類傳感器所得到的圖表，經過軟件處理后獲得需要的測量值。測量值精度由傳感器參數確定，其中CCD所得的圖像，分析精度可以達到像素級別。

3 現狀

現階段已有部分新設備直接或間接的借助于圖像技術，如表面光潔的鋼絲繩監測。利用4～6個120度魚眼攝像頭增加系統冗余度，在線監測鋼絲繩斷絲、斷股及磨損等狀態，使用視覺放大技術觀測由于鋼絲繩受損導致受力改變的延展的微小變形，來在線監控無人值守的鋼絲繩健康情況。這種技術可以作為鋼絲繩磁感應裝置的補充，在纜索等游樂設施及電梯等應用環境下有良好的安全效益。合肥市第一人民集團引進科大訊飛人工智能醫學影像輔助診斷系統，用于肺結節的輔助診斷，從CT掃描影像中檢測出病灶，并對病灶位置、大小、屬性等進行分析判斷，從而為醫生提供輔助診斷建議，診斷準確率達94%。同樣，此類技術也可應用到如探傷自動檢測，B超（UT）篩查，高精密零部件篩查、電路板錫焊檢查。此類圖像分析技術較為常見，使用傳統圖像處理手段，包括圖像變換、圖像濾波、邊緣提取、特征提取等，通過合理配置算法流程和參數，完成圖像處理。但傳統圖像分析技術所形成的系統只能根據程序編寫時給定的方式、參數進行判斷，抗干擾性能差，超出感知的重要微弱變化也可能會被忽略。

目前，深度學習（Deep learning）是目前人工智能的前沿，其有較強的學習能力。應用深度學習的智能圖像處理技術，可以在大量訓練數據中自己找到一定的規律，軟件上就是自己調節自己的程序參數，即根據評價程序對相對離散的隨機的參數進行權值修改。在不斷地學習、訓練（修參）中，使得程序中的算法更趨近于事物本身的規律。這種學習的過程與檢驗人員學習積累的過程類似。通過構建類人腦的分析學習神經網絡，模仿人類的思維方式，解讀數字圖像、文本等。由于其能夠深層次多參數的自覺提取特征參數，所以以深度學習為基礎的圖像處理能夠分析圖形聲音頻譜等特征不明顯的數據，且處理數據吞吐量大、速度精度高。這種運作機理及特征，使此項技術應用在視覺方面的檢索和識別有很大優勢，如臨床預測、語音識別、無人駕駛等。對于設備檢測，缺陷的識別正是此類技術的主要應用方向。當檢測數據積累到一定階段，圖像分析技術可以根據自身模型直接給出檢測結論，這種可輔助檢驗人員的類專家系統是現在圖像分析應用的發展方向。

4 發展展望及問題

（1）數據圖像化仍存疑問。采用相控陣技術的焊縫設備及其他先進傳感器在檢驗中實現了代替檢驗員肉眼的視覺功能，但其系統指出的缺陷位置并非檢驗人員直接判讀結果，而是其自帶的后處理軟件輸出的結果，其可溯源性及可校準性需要進一步明確。

（2）圖像數據化是目前較為容易接受的方式。直接以機器視覺為輸入端，建立在深度學習上的智能圖像分析技術，在檢測應用中具有重要的位置，其可溯源性強，效果直觀，認可度高。

（3）通用人工智能模型應用于圖像識別中效率不高，基于圖像的專有智能檢測分析模型不是通用智能的簡單場景應用。以大數據、云計算為手段，為模型構建海量訓練數據，是掌握行業話語權重要基礎。也是檢測行業打通信息孤島，實現“共享”沉睡資源的重要步驟。