一種基于人工提取缺陷塊的邊界搜索方法

馬天航，胡家鋮，鄭 莉，剛 蓓，劉思嬌

(1.西北工業(yè)大學 航天學院，西安 710082；2.北京華航無線電測量研究所，北京 100010)

當今，管道運輸作為油氣運輸最主要的運輸方式，其安全問題也越來越受到重視。管道檢測是發(fā)現(xiàn)隱患和保障油氣管道運行安全可靠的重要措施，內檢測是未來油氣管道定期檢驗的主要手段和驗證管道本體完整性的有效手段，常見的管道內檢測方法有渦流檢測、超聲檢測和無損漏磁檢測等。無損漏磁內檢測技術以其高效性與經濟性成為當今應用廣泛的油氣管道檢測技術。在無損漏磁內檢測的過程中，管道缺陷的量化是檢測的最終目標[1]，漏磁缺陷特征庫的建立是缺陷量化的數據基礎，而對缺陷區(qū)域的精確定位是漏磁缺陷特征提取的決策基礎，也是缺陷反演量化必不可缺的過程。

趙重陽[2]將幅值差分法用于管道漏磁檢測中，結合判斷單通道上缺陷數據幅值以及與相鄰離散點差值，對單通道上里程邊界進行了定位，但是對于缺陷區(qū)域的通道邊界未提出搜索方法。蘇銘[3]研究了基于圖像域的金屬板缺陷的邊緣檢測，提出了一種基于PCA(主成分分析)處理的TPCA(兩次PCA)邊緣檢測算法，對缺陷的邊界進行了定位。劉金海等[4]將漏磁數據轉換成灰度圖，然后利用二值化處理以及形態(tài)學運算去識別缺陷相關區(qū)域。圖像域的邊緣檢測對邊界定位有一定的幫助，但定位后在信號域上的特征提取效果不佳。為了減少特征提取的時間復雜度，提高特征提取的準確性，增加缺陷量化的精度，筆者提出了一種針對人工提取缺陷塊里程邊界和通道數邊界的搜索方法,能夠對缺陷的邊界進行精確的定位。

1 問題重述

在管道漏磁檢測中，缺陷尺寸的量化是必不可缺的步驟，只有估計出缺陷的尺寸才能計算缺陷失效壓力，對管道進行安全性評估。現(xiàn)行漏磁缺陷的量化方法中，應用最廣泛的有基于智能算法的迭代反演量化方法與基于機器學習的缺陷反演量化方法。

基于智能算法的迭代反演量化方法是先利用漏磁場原理構建一個物理模型，常見的有二維、三維的磁偶極子模型、基于動態(tài)似穩(wěn)模型的磁多極子模型以及基于數值分析的有限元模型，再利用粒子群算法、BP神經網絡、模擬退火算法[5]、遺傳算法[6]、蟻群算法等智能算法去修正模型與實際缺陷的誤差，從而獲得更優(yōu)的反演量化效果。基于機器學習的缺陷反演量化方法憑借優(yōu)越的性能越來越受到關注,其通過建立提取特征量與尺寸的非線性映射關系，利用數據的推動去反演缺陷的尺寸，常見的機器學習缺陷量化方法有決策樹算法、神經網絡、支持向量機、樸素貝葉斯分類器[7]以及基于多個學習器的隨機森林法。

基于機器學習的缺陷反演量化方法首先對缺陷塊的漏磁數據進行特征提取，提取出與缺陷尺寸信息相關的特征，再利用缺陷特征和缺陷尺寸建立隱函數關系，最后估計出缺陷的相關尺寸，建立有效的漏磁缺陷特征庫是高精度量化的數據基礎。在現(xiàn)行缺陷特征庫的建立過程中，國內大多數方法都旨在提高提取的特征數量，而在如何提高缺陷提取的準確性以及缺陷塊邊界的定位上，相關研究還不夠完善。只有準確定位缺陷塊的邊界，才能減少特征提取的時間，增加提取特征的準確度，提高缺陷量化的精度。

2 一種基于人工提取缺陷塊的邊界搜索方法

特征提取的準確度取決于缺陷定位的精度，人工提取的缺陷塊能夠定位到缺陷信號的位置，但是實施人員存在主觀性，無法精確地選取缺陷區(qū)域的邊界。 缺陷塊區(qū)域分為兩個方向，分別是里程方向與通道方向。里程方向即為傳感器通過時的采樣方向，其邊界指的是傳感器采集到異常信號的起始點與終止點；通道指的是受到缺陷區(qū)域漏磁場影響的傳感器，處于漏磁場邊緣的傳感器通道即為通道邊界。為了準確切割人工提取缺陷塊的范圍，文章綜合了里程邊界搜索算法和通道邊界搜索算法，設計一種基于人工提取缺陷塊的邊界搜索方法，其流程如圖1所示。

圖1 邊界搜索總流程

2.1 里程邊界搜索算法

圖2 里程邊界搜索算法流程

文章基于損失函數最小化的邊界搜索策略，設計了一種利用步長系數、結合邊界與左右谷點的里程距離和幅值大小的邊界搜索算法(流程見圖2)，其著眼于挖掘缺陷數據的本質特征，有助于有效漏磁缺陷特征庫的建立，并能夠減少后續(xù)漏磁缺陷特征提取的時間復雜度。里程邊界選取前、后的缺陷三維圖如圖3，4所示。算法的具體實現(xiàn)步驟如下所述。

圖3 里程邊界選取前缺陷三維圖(紅線為里程邊界切割示意線)

圖4 里程邊界選取后缺陷三維圖

(1) 選取基準線ly。在所選取最大峰谷值的通道中，設計損失函數為區(qū)域塊所有的點到ly的距離之和。

(2) 尋找左右谷點。左右谷點選取條件為：① 在峰值點左右兩邊的極小值點; ② 一階導數為零的點。

(3) 以左右谷點為起始點，向兩側尋找邊界xboundary_left,xboundary_right，設計損失函數為邊界點值與基準線ly的距離和邊界點位置與左右谷點位置距離之和。需要找到一個位置盡可能離左右谷點近，里程值也盡可能離基準線近的點。

2.2 通道邊界搜索算法

實際應用中，只選取峰谷值最小點的通道邊界選取方法并不能準確選取通道邊界，只有準確地選取缺陷塊通道的邊界，定位到受缺陷影響的傳感器條數，才能為后續(xù)的缺陷特征提取以及磁化模型的反演提供準確的決策支持。

根據漏磁檢測原理，受缺陷影響的傳感器隨著傳感器與缺陷距離的增大,其信號幅值會逐漸減小。為了解決實際工程應用中，缺陷形狀的不規(guī)則導致磁場的不規(guī)則化，設計一種結合幅值閾值法和峰谷差分閾值法尋找通道邊界的邊界搜索方法。邊界搜索算法的流程如圖5所示，通道邊界選取前、后的缺陷三維圖如圖6，7所示。具體實施步驟如下所述。

圖5 通道邊界搜索算法流程

圖6 通道邊界選取前缺陷三維圖(紅線為通道邊界切割示意線)

圖7 通道邊界選取后缺陷三維圖

(1) 在所選取的最大通道中尋找最大峰值點(fx,fy)，其中fx為通道數即傳感器。

(2) 判斷該通道是否為單峰，計算該通道峰谷差Vi。

(3) 判斷Vi是否大于閾值T1，大于則轉至下一個通道執(zhí)行步驟(2)～(3)，小于則執(zhí)行步驟(4)。

(4) 在第i+1通道中(fxi-5,fxi+5)范圍內尋找最大幅值fyi+1。

(5) 判斷fyi+1是否大于閾值T2，大于則轉至下一個通道執(zhí)行步驟(4)，小于則執(zhí)行步驟(6)。

(6) 記錄i+1為通道邊界。

3 試驗驗證

3.1 特征提取方法設計

在基于機器學習的缺陷尺寸量化計算中，建立漏磁缺陷特征庫，提取準確的信號特征信息是最為關鍵的一步。由于軸向數據比徑向信號能量高、抗噪聲性能強，分辨率更高，故為了在缺陷信號中獲取準確的特征信息，文章針對實際缺陷的軸向數據，設計了幾種能表現(xiàn)缺陷特征的特征量的提取方法。

3.1.1 缺陷塊的峰谷值

缺陷塊軸向漏磁檢測數據的峰谷值是缺陷的主要特征之一。由于缺陷漏磁信號受到內檢測器檢測環(huán)境等多種因素的影響,數據的基準值波動較大。選取缺陷數據的峰谷值作為特征量能夠減少信號基線的影響，提高缺陷量化分析的可靠性和準確性[7]。

3.1.2 缺陷塊的谷谷間距

缺陷塊的谷谷間距能夠反映出缺陷信號在軸向上的分布情況。

3.1.3 缺陷塊的最大通道面積

缺陷塊最大通道是指在軸向漏磁信號中信號波動最大的傳感器的曲線，其面積反映了信號的一階中心矩。缺陷塊最大通道波形的面積特征是一個綜合量，缺陷數據波形面積既與缺陷數據的峰谷值有關,又與缺陷數據的谷谷間距有關，所以缺陷面積這一特征同時受到缺陷的長度和深度的影響。最大通道面積特征提取流程及其提取示意如圖8，9所示。

圖8 最大通道面積特征提取流程

圖9 最大通道特征提取示意

3.1.4 缺陷塊的最大通道能量

缺陷塊最大通道數據曲線波形的能量實際上表示的是漏磁信號的二階中心矩，如式(1)所示,反映了在一定空間內漏磁信號波動部分的能量或信號的離散程度。缺陷塊的最大通道面能量特征提取流程如圖10所示，缺陷三維能量如圖11所示。

(1)

式中：ai為采集到的第i條通道的漏磁信號;N1為里程左谷；Nend為里程右谷。

圖10 最大通道面能量特征提取流程

圖11 缺陷三維能量圖

3.1.5 缺陷塊的表面積和體積

缺陷塊的表面積和體積是一個綜合缺陷長度、寬度以及深度的特征量。表面積與體積還與缺陷的變化率以及變化程度有關，這兩個特征量是最能綜合表現(xiàn)出缺陷塊所有特性的特征量。因此，缺陷塊的表面積和體積的提取有重要意義,其特征提取流程如圖12，13所示。

圖12 缺陷塊表面積特征提取流程

3.2 時間有效性驗證試驗

所提出的邊界搜索方法對內檢測漏磁三軸數據均有效，受篇幅限制，以軸向漏磁數據為例，不把徑向與周向的驗證放在文章討論范圍內。為了驗證該方法的效果，選取了152個直徑為10 in.(1 in.=25.4 mm)的管道在環(huán)路試驗中實際檢測出的缺陷軸向漏磁數據，其分類示意如圖14所示。將缺陷按照不同類型劃分，其中規(guī)則缺陷68個，平底孔缺陷49個，非規(guī)則缺陷35個。

邊界搜索算法能夠根據管道缺陷漏磁數據特性自尋找缺陷的里程邊界與通道邊界，經過邊界搜索算法后，人工提取的缺陷塊能夠剪裁掉在漏磁信號缺陷范圍外的非異常數據，減少了特征提取的數據處理量，能夠大大減少特征提取的時間。為了分析邊界搜索算法前后的時間復雜度變化,提取了上述152個真實缺陷中涉及的6個相關特征量，如表1所示。

圖14 真實檢測缺陷分類示意

表1 提取的缺陷特征量

如圖15所示，152個缺陷中有98.03%的缺陷在采用邊界搜索算法后時間復雜度降低，0.017%的缺陷在邊界提取后時間復雜度增加。1.97%的時間復雜度增加的缺陷,是由于人工圈取的范圍完全精確，多運行了邊界提取算法。所有缺陷花費的特征提取總時間由51.161 642 s降低至25.113 57 s，即有效地減少了時間復雜度，大大提高了特征提取的效率。

圖15 特征提取時間復雜度對比圖

3.3 提取特征準確性驗證試驗

當真實缺陷的尺寸變化時，在檢測中該缺陷區(qū)域內漏磁場也會發(fā)生變化，在漏磁數據信號域中，缺陷的體積以及表面積也會隨之改變，因此真實缺陷的體積與漏磁數據信號域上體積以及表面積呈非線性隱式關系。

為了分析該方法對提取特征的改進作用，固定缺陷形狀和類別，建立表面積以及體積兩個特征量的變化趨勢圖。如表2所示，選取一組形狀規(guī)則類型為外部，缺陷長度為12.7 mm，寬度為38.1 mm，深度遞增的缺陷，將數據歸一化后比較缺陷真實體積與表面積、未使用邊界搜索算法體積與表面積，以及使用文章設計的邊界搜索算法后體積與表面積的變化趨勢，計算歸一化后體積和表面積的誤差平方和，比較趨勢相似程度，截取前體積與真實缺陷體積誤差平方和為0.099 163，截取后誤差平方和為0.011 546，下降了8.7617%。截取前表面積與真實缺陷表面積誤差平方和為0.073 772，截取后誤差平方和為0.007 368，下降了6.6403%。由圖16，17(分別為歸一化體積，表面積變化趨勢圖，其縱坐標上數值為歸一化后的數值，無量綱)以及其誤差平方和可知，未使用邊界搜索算法前，體積、表面積兩特征量與真實缺陷變化趨勢不一致，使用邊界搜索算法后趨勢一致，符合預期效果。

表2 特征準確性驗證試驗數據

圖16 歸一化體積變化趨勢圖

圖17 歸一化表面積變化趨勢圖

3.4 缺陷量化準確性驗證試驗

為了驗證邊界搜索方法對缺陷量化的改善，利用機器學習中隨機森林回歸樹和梯度回歸樹對152個缺陷進行量化試驗對照。將輸入設為缺陷的長度、寬度、提取的表面積、體積、谷谷間距、峰谷均值、最大通道面積和最大通道面能量，輸出設為缺陷的深度，如表3所示。然后利用五折交叉法進行對照試驗，并設計了一種利用均值殘差和的精度評判分數，如式(2),(3)所示。

(2)

式中：u為預測值與真實值的殘差和；v為真實值的方差。

(3)

式中:yt為缺陷深度的實際值;yp為缺陷深度的預測值;mean為均值函數。

圖18 隨機森林回歸樹測試集深度擬合曲線

在隨機森林回歸樹漏磁缺陷量化算法中，如圖18，19所示，輸入為邊界搜索算法后提取的表面積、體積比輸入為邊界搜索算法前提取的表面積、體積的量化精度提高了0.047，同樣，在梯度回歸樹漏磁缺陷量化算法中，量化精度分數提高了0.073。

表3 缺陷量化特征表

圖19 梯度回歸樹測試集深度擬合曲線

4 結語

提出了一種基于人工提取缺陷塊的邊界搜索方法，該方法有效地提高了人工提取缺陷塊的邊界精確度，降低了漏磁缺陷特征庫建立中后續(xù)特征提取的時間復雜度，能夠降低缺陷圈取人員的主觀相關性，有助于挖掘數據的本質特征，增加特征提取的準確性，為完善后續(xù)漏磁缺陷特征庫，提高缺陷量化精度提供了決策支持和數據支持。