基于人工智能的射線檢測底片評定系統的研究與開發

羅偉堅，李緒豐，郭晉，鄧聰

（廣東省特種設備檢測研究院，廣東 佛山 528251）

1 前言

射線檢測具有記錄真實、直觀、全面以及缺陷可追蹤性的優點，在特種設備的檢驗檢測領域中具有廣泛的運用。就目前而言，射線檢測底片仍主要采用傳統的人工評定方法，具有主觀性強、效率低、穩定性差、檢測過程不宜實現自動化、膠片資料不易保存等多種缺點。

近年來，隨著計算機技術和人工智能技術的飛速發展，在此背景下，越來越多的學者嘗試采用人工智能的方法實現射線檢測底片的自動評定。如李曉賓研究了一套智能的焊縫缺陷測量與評級系統，可實現對焊縫的識別以及缺陷的識別與評級，可提高檢測工作的標準化、規范化、可追溯化。王鵬等根據數字化底片的缺陷的特征，提出了一種基于神經網絡的底片焊縫缺陷的識別方法，并建立了缺陷信息庫，該方法能實現了底片的數字化以及缺陷定位和識別。迄今為止，尚未有射線檢測底片智能評片系統實現大規模商業應用。大部分射線檢測底片智能評片系統由于普遍缺乏檢驗檢測的實踐經驗，對一些實際問題考慮不足，導致應用過程中出現各種問題，難以在實際工作中發揮作用。本文將基于神經網絡的機器學習工具，根據承壓類特種設備檢驗檢測的實際需求，研究與開發了一套基于人工智能的射線檢測底片評定系統，實現對無效底片、造假片、重復底片的篩選，焊縫缺陷定位和識別，以及底片報告自動生成及保管等功能，具有很強的市場應用前景和推廣價值。

2 系統方案設計

2.1 總體方案

系統總體設計方案如圖1所示。從圖1可知，經掃描儀獲得的數字化底片，首先，要經過相似度判別，通過判定的底片則被稱為有效評片，才會進入AI智能輔助評片模塊，不通過相似度判定的底片則被稱為同口片或造假片。進入AI智能輔助評片模塊的有效片，系統將自動獲底片質量信息和焊縫邊界信息。同時，AI智能自動評片模塊將對底片中的缺陷進行智能識別與評定。最終全部信息將存儲進底片數字化數據庫，并根據需要自動生成評片報告。

圖1 系統總體設計方案

2.2 AI智能輔助評片模塊

AI智能輔助評片模塊將基于機器視覺與圖像處理算法，從底片中提取焊縫邊界信息，自動抓取焊縫區域內灰度值的極值點位置以及周圍母材的噪點坐標信息。同時，模塊還能實現對像質計型號和靈敏度智能識別，并將按照NB/T 47013.2《承壓設備無損檢測 第2部分：射線檢測》中有關條款的要求，根據事先確定的透照方式、像質計位置、技術等級以及公稱厚度等信息，對底片質量進行判定，并自動生成底片信息質量報告。

2.3 AI智能自動評片模塊

由于加工環境及工藝參數等原因，焊縫中會存在氣孔、夾渣、未焊透、未熔合、裂紋等多種缺陷，以及壓痕、折痕、靜電斑紋等多種偽缺陷。AI智能自動評片模塊，將基于深度學習技術，通過卷積神經網絡方法，對焊縫區域缺陷類型、位置、尺寸等信息的識別與學習，實現對焊縫圖像的預處理、缺陷特征值的自動提取，以及對缺陷定性分析和定量計算，并將按照NB/T 47013.2 《承壓設備無損檢測 第2部分：射線檢測》中的有關條款，對給底片進行智能評級。

3 關鍵算法

3.1 特征提取子算法（Backbone）

特征提取子算法的主要功能在于對經過預處理的底片圖像進行多層的特征抽象，在不同粒度上表達圖像信息，包括正常區域和缺陷區域，然后饋送到后續模型做進一步計算。其關鍵結構包括Focus模塊和Bottlenneck CSP模塊。

Bottlenneck CSP原理是將原輸入分成兩個分支，分別進行卷積操作使得通道數減半，然后分支一進行Bottlenneck x N操作，隨后Cat分支一和分支二，從而使得Bottlenneck CSP的輸入與輸出是一樣的大小，目的是為了讓模型學習到更多的特征。

3.2 缺陷檢測及定位

為解決缺陷特征提取信息的融合，將采用PANet方式進行處理。該方法不僅將有效解決底片焊縫圖像中的部分缺陷不夠明晰、缺陷和背景融合度較高等問題，還將加強信息傳播，具有準確保留空間信息的能力，有助于對缺陷進行定位和識別。

4 系統的GUI設計與實現

本系統開發工具有IntelliJ IDEA以及Visual Studio Code，并使用Java作為后端語言開發，JavaScript作為前端語言開發，Python作為人工智能模塊開發。系統的整體界面大致包括系統管理、數據管理、缺陷評定及審核、評定報告等幾個部分。

4.1 系統管理模塊

系統管理模塊有登錄和主界面，并可實現用戶管理、角色管理以及權限管理。在登陸界面中輸入用戶名、密碼和驗證碼后，經驗證無誤后即進入主界面。

圖2左側有系統管理選項卡，點擊即可進入系統管理界面后。系統管理員可以在該界面查看、添加、刪除用戶賬號信息，同時定義用戶賬號的身份以及權限情況。

圖2 系統主界面

用戶身份主要有評片人員、審核人員以及系統管理員3種，評片人員使用數據管理、缺陷評定、評定報告模塊，將底片按項目和批次進行上傳，并對評定情況進行復核，出具評片報告。審核人員主要使用評定報告模塊，對報告進行審核。系統管理員能夠使用所有模塊，并通過系統管理模塊來定義用戶賬號角色以及菜單權限，未賦予的菜單權限，用戶登錄后無法看到該菜單。

4.2 數據管理模塊

圖3為底片導入界面圖。通過點擊導入按鈕，系統將彈出導入界面，根據實際情況選擇項目和裝置后，將底片按批次上傳至系統。針對單張的底片，可以通過新增按鈕，單獨添加。另外，該模塊還支持導出功能，可以實現按條件搜索，并導出查詢結果臺賬。

圖3 底片導入界面

在圖3左側有項目列表，可以根據項目情況，對項目進行新增。這里需要強調的是，評片人員僅能添加和修改項目和裝置信息和數據，但不能刪除，因此，評片人員只有部分的數據管理權限。

4.3 缺陷評定及審核模塊

圖4為人工復核的界面。從圖可發現，經過人工智能識別，發現了2處圓形缺陷和1處未焊透缺陷，評定等級為Ⅳ級，結果為不合格。當系統發現不合格底片或評片人員和審核人員對系統評片結果有懷疑時，可以在復核界面點擊在線評片按鈕，即可進入在線評片工具。在人工復核的界面下部，還會出現同口片的識別結果，若發現可疑的底片，系統將會進行提示。另外，系統還將根據識別的黑度和像質計信息，對底片質量進行判定。

圖4 人工復核界面

4.4 評定報告模塊

經審核后的底片，可按日期或底片批次生成底片評定報告。由于檢驗檢測單位報告格式存在差異，為更好滿足使用需求，系統提供了可編輯的評定報告模塊，項目管理人員可以對評定報告格式進行編輯，如圖5所示。

圖5 評定報告模版編輯界面

5 結語

本研究通過利用人工智能的深度學習方法自動提取圖像深層信息的特質，基于大數據開發射線檢測底片識別系統，開啟無損檢測信息化大數據新模式，實現篩選無效底片與造重復底片、焊縫缺陷位置識別等智能評片功能，完成底片管理信息報告的自動生成保管工作。

基于人工智能的評片系統不僅能有效改善傳統檢測方法的不足，提高有限資源的評片專家的工作效率，還將切實提升無損檢測項目質量和現場管理水平，提高整個無損檢測行業的安全性和可靠性，對特種設備行業的發展具有重要意義。

目前，該系統成果已在華南地區某大型石化項目承壓設備監督檢驗項目中進行管理示范應用，經過在實際工程項目中進行測試，評定系統對缺陷識別的準確率達到了95%以上，為該系統后續大規模商業應用奠定了基礎。