管道焊縫數字圖像缺陷自動識別技術

董紹華 孫 玄 謝書懿 王明鋒

1. 中國石油大學（北京）機械與儲運工程學院 2. 中國石油大學（北京）克拉瑪依校區3. 中國石油新疆油田公司呼圖壁儲氣庫作業區

0 引言

目前，射線成像技術已成為管道焊接檢測普遍使用的技術[1]。隨著計算機智能輔助評片的迅速發展，底片分析處理系統也開始投入使用[2-5]。但這些系統在應用時往往需要人機交互進行，因此其智能化水平還需進一步提高。而射線數字圖像缺陷識別技術借助計算機的高速處理能力，通過對底片的數字化處理，將人工評片的過程轉化為圖像智能處理，實現了對焊縫數字圖像缺陷的智能識別[6-8]，其具體步驟包括圖像預處理、圖像焊縫區域分割、缺陷特征提取和缺陷分類識別等。筆者采用多項邊緣檢測、檢測通道與閾值分割等方法，對管道焊縫圖像中存在的缺陷進行了圖像處理，構造了焊縫數字圖像缺陷特征庫，包含灰度差、等效面積、圓形度、熵、相關度等參數，建立了多分類器構造（SVM）模型，實現了對管道焊縫數字圖像缺陷的分類評價，最終開發出管道焊縫數字圖像缺陷自動識別軟件，并進行了現場驗證分析。

1 焊縫圖像識別技術

1.1 圖像預處理

圖像預處理主要包括圖像增強和圖像去噪[9-10]。圖像增強通過使用空間域法處理圖像的灰度系數并修正圖像的變換系數，最后進行逆變換，從而更好地將圖像中的缺陷部分區分開來。圖像去噪可以抑制脈沖干擾及椒鹽噪聲，同時能夠減少圖像模糊，保留圖像中重要的結構特征。

1.2 邊緣檢測

邊緣即圖像中灰度發生急劇變化的區域。邊緣檢測即提取焊縫的邊界區域，從而便于統計焊縫邊緣的幾何特征[11-13]。常用的邊緣檢測算法有Robert算法、Sobel算法、Prewitt算法、Laplacian—Gauss算法、Canny算法和Krisch算法等。但在利用這些算法進行檢測時，圖像往往呈區域的黑度分布，從而出現邊界不清晰的情況。因此，通過對不同邊緣檢測算法進行對比分析，考慮結構元素的大小和方向對形態學邊緣檢測計算結果的影響，提出了一種多算法融合處理技術，將Sobel算法、Prewitt算法和Robert算法融合處理，檢測出管道焊縫缺陷的邊緣，并最大限度地優化邊緣噪聲影響，為圖像邊緣檢測分析提供了一種行之有效的方法。

1.3 CLTP紋理特征識別

焊縫紋理特征提取涉及邊界清晰度和局部信息細化程度，傳統方法是使用局部二值模式的紋理特征描述方法，但紋理描述的精度易受到影響[14-15]。因此，需要不斷改進算法，提出了完全局部三值CLTP（Completed Local Ternary Patterns，CLTP）模式，包含3種核心算法——中心描述子、符號描述子和大小描述子，分別用CLTP_C，CLTP_S和CLTP_M表示，將算法轉化后，最終得到修正的CLTP_C*、CLTP_S*、CLTP_M*表示，它們的計算過程如下：

式中p表示像素的個數，個；gp表示鄰域像素灰度值；gc表示中心像素點的灰度值；TH表示閾值；a、b分別表示自定義常量，可取a= 0.3，b= 0.7；TH1表示圖像像素均值。

圖1 CLTP計算法圖

在圖1-a中，表示的是中心像素為38 的3×3樣本塊，鄰域的8個像素為[27,72,69,32,25,43,26,88]；在圖1-b中 ⊙表示中心像素點的灰度值，TH= 24 為求得的閾值，計算局部差值，得到的算法結果為[－11,34,31,－6,－13,5,－12,50]；圖 1-c中，CLTP_S*局部差值符號的三值編碼向量為[0,2,2,0,0,1,0,2]；圖1-d中，CLTP_M*算法值為[1,2,2,0,1,0,1,2]；圖1-e中TH1=47.75，由[27,72,69,32,25,43,26,88]計的平均值，表示CLTP的CLTP_C*值為[0,0,0,0,0,0,0,1]。

2 多類支持向量機SVM模型

使用直接全局優化方法M -SVM，構造多批分類器，一次性完成對M個分類器的求解。設：為樣本訓練集，l表示樣本個數，N表示樣本維數，M表示樣本的類別，引入非負松弛變量ξi，則該方法的優化問題為[16-17]：

式中w=ωTω，ω表示最優分類超平面法線。

判別函數為：

式中ξi≥0，i=1,2,…,l，φ(xi)表示輸入空間到高維特征空間的非線性映射函數。

通過求解最優化問題，可得到相應的最優決策函數f(x)，即

SVM多分類器構造優先采用類別差異性排除法，即在整體結構中，先將相似量作為一類，然后根據相似量之間的細微變化，再通過模型算法進行區分。這種分類在分類準確率和平衡準確率上都有極高的效率。筆者構造了缺陷、裂紋、圓形夾渣、條形夾渣、氣孔、未焊透和未熔合6種典型缺陷SVM多類分類器（圖2）。

3 軟件模塊開發

3.1 焊縫圖像處理與變換識別功能

該軟件包含如下功能：輸入焊縫圖像信息；焊縫底片數據庫建設；圖像亮度對比處理；圖像的保存；識別圖像像素尺寸；邊緣檢測；閾值分析；色階處理；圖像執行變換；統計黑白像素；反相處理；焊縫底片圖像處理。

3.2 數據分析系統

管道焊縫數字圖像識別系統針對圖像處理的底片進行焊縫缺陷數據分析，對圖像執行邊界角系數和邊界區域的選擇，針對已經處理的圖像進行焊縫缺陷的統計分析，采用SVM模擬算法，經有效的數據計算出焊縫的缺陷類型和類別，如圖3所示。

4 案例分析

采用上述模型開發的軟件系統，可實現對焊縫底片進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：圖像長度像素、圖像寬度像素、缺陷與背景的灰度差（Δh）、缺陷的相對位置（d）、缺陷自身灰度偏差（δ）、缺陷長寬比、等效面積（S/C）、圓形度（e）、熵（ENT）、相關度（COR）、慣性矩（CON）和能量參數等，所有特征參數輸入到SVM模型，進行SVM 焊接底片的缺陷識別，最終得到缺陷的類別，如圖4所示。

圖2 焊縫缺陷SVM分類識別圖

圖3 焊縫缺陷分析系統圖

圖 4 焊縫數字圖像缺陷CTLP識別和SVM缺陷判斷圖

焊接底片經過完全局部三值模式CLTP紋理識別后，應用基于缺陷數據庫的SVM數據分類技術，CTLP模式使焊接底片圖像邊緣檢測和缺陷跟蹤識別精度大大提高，SVM缺陷分類模型使圖像缺陷的自動識別判斷上準確度大大提高，基本達到了工業應用級的水平。其中圖4-e是中國石油西氣東輸管道“7·28”事故管段焊口X 射線底片，在位置點38位置左下方體現未熔合特征，其計算機系統判別與人工評片結果完全一致。實驗結果表明：該方法具有較好的精度。

5 結論

1）圖像處理后沒有噪聲的情況下，Canny算法、Log算法、Robert算法、Sobel算法和Prewitt算法可以得到很好的邊緣檢測結果。當圖像處理后仍然存在噪聲時，檢測結果出現了較多的偽邊緣，選用自動選取閾值方法進行圖像邊緣檢測，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、圖像長度像素、圖像寬度像素、缺陷與背景的灰度差（Δh）、缺陷的相對位置（d）、缺陷自身灰度偏差（δ）、缺陷長寬比、等效面積（S/C）、圓形度（e）、熵（ENT）、相關度（COR）、慣性矩（CON）和能量等參數。

3）建立了SVM分類模型，基于缺陷特征數據庫，分類獲取了缺陷形狀特征，找出了裂紋、夾渣、氣孔、未焊透、未熔合和條形等缺陷特征，通過試驗表明，識別準確率和精度均處于較高水平。

4）管道焊縫缺陷識別評價軟件實現了對管道焊縫數字圖像缺陷的自動識別和自動化評價，對于管道安全運行具有重要意義。