鄧 聰，羅偉堅(jiān)，李緒豐

(1.廣東省特種設(shè)備檢測(cè)研究院，佛山 528251；2.華南理工大學(xué) 機(jī)械與汽車工程學(xué)院，廣州 510640)

為保障承壓設(shè)備的運(yùn)行安全，無(wú)損檢測(cè)與評(píng)價(jià)技術(shù)得到了長(zhǎng)足的發(fā)展，新技術(shù)層出不窮并不斷完善，所能適用的范圍隨著承壓設(shè)備中新型材料的應(yīng)用、失效機(jī)理的探明不斷擴(kuò)大[1-2]。目前，隨著檢測(cè)標(biāo)準(zhǔn)和人員資質(zhì)要求的完善，射線數(shù)字成像檢測(cè)技術(shù)已在特種設(shè)備行業(yè)得到廣泛應(yīng)用，在提高檢測(cè)效率的同時(shí)，提升了操作自動(dòng)化程度。

自2006年起，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的進(jìn)步與深度學(xué)習(xí)概念的提出，掀起了一輪人工智能熱潮。目前，以深度學(xué)習(xí)為代表的人工智能技術(shù)被廣泛應(yīng)用在自然語(yǔ)言處理、圖像識(shí)別、語(yǔ)音識(shí)別、無(wú)人駕駛、智能制造等各個(gè)領(lǐng)域中，推動(dòng)與促進(jìn)各個(gè)行業(yè)向智能化方向迅速發(fā)展[3]。

在此背景下，深度學(xué)習(xí)作為一種基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)工具，運(yùn)用于射線檢測(cè)底片評(píng)片系統(tǒng)開(kāi)發(fā)時(shí)，具有強(qiáng)大的模型表達(dá)能力和自動(dòng)提取特征等優(yōu)勢(shì)，不僅能有效改善傳統(tǒng)檢測(cè)方法的不足，提高評(píng)片專家的工作效率，還能切實(shí)提升無(wú)損檢測(cè)項(xiàng)目質(zhì)量和現(xiàn)場(chǎng)管理水平，提高檢測(cè)的安全性和可靠性。因此，大量學(xué)者和工程技術(shù)人員開(kāi)展了相關(guān)研究。

1 國(guó)內(nèi)外研究現(xiàn)狀

陳本智等[4]提出了一種針對(duì)X射線圖像的氣孔檢測(cè)算法，主要利用差分圖像使得氣孔缺陷表現(xiàn)為一個(gè)顯著性區(qū)域，并最終利用閾值將其分割出來(lái)。試驗(yàn)結(jié)果表明，該方法具有較高的準(zhǔn)確性和穩(wěn)定性，但其沒(méi)有對(duì)焊縫中其他缺陷的X射線圖像進(jìn)行研究，檢測(cè)對(duì)象比較單一。王欣等[5]通過(guò)將主成分分析法引入到模糊C均值聚類算法中，對(duì)圓形缺陷和線形缺陷進(jìn)行了識(shí)別，有效降低了特征數(shù)據(jù)的冗余描述，但檢測(cè)對(duì)象范圍仍然較窄，且識(shí)別準(zhǔn)確率無(wú)法完全滿足實(shí)際需求。

李超等[6]主要針對(duì)薄壁金屬罐焊縫的缺陷類型，提出了一種改進(jìn)的背景差分法來(lái)提取缺陷區(qū)域，并最終對(duì)缺陷類型進(jìn)行了分類，試驗(yàn)結(jié)果表明該方法可以對(duì)多種缺陷進(jìn)行檢測(cè)并具有較高的準(zhǔn)確率，但該方法的閾值設(shè)置需要人為調(diào)整，無(wú)法自適應(yīng)不同的環(huán)境情況。

黃曄等[7]利用BP神經(jīng)網(wǎng)絡(luò)對(duì)焊縫缺陷的X射線圖像識(shí)別進(jìn)行了研究，神經(jīng)網(wǎng)絡(luò)的使用使得系統(tǒng)能夠自己找到最適宜的參數(shù)，但BP神經(jīng)網(wǎng)絡(luò)有大量的參數(shù)需要學(xué)習(xí)，計(jì)算量較大。

劉夢(mèng)溪等[8]將深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)引入到焊縫缺陷檢測(cè)任務(wù)中，并與傳統(tǒng)的支持向量機(jī)(SVM)方法進(jìn)行對(duì)比，結(jié)果表明深度CNN對(duì)試驗(yàn)中的5種缺陷類型有著更高的識(shí)別率，但其未對(duì)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化問(wèn)題作進(jìn)一步探索。

SUN等[9]提出了一種基于機(jī)器學(xué)習(xí)的焊縫缺陷檢測(cè)和分類的方法，利用基于高斯混合模型的改進(jìn)背景差分法，設(shè)計(jì)并構(gòu)建了相應(yīng)的生產(chǎn)線焊縫缺陷實(shí)時(shí)檢測(cè)系統(tǒng)，試驗(yàn)結(jié)果表明該系統(tǒng)能對(duì)多種缺陷進(jìn)行較高準(zhǔn)確率的檢測(cè)，但該方法對(duì)于環(huán)境不變性要求較高。

LIU等[10]提出了一種基于VGG16的全卷積結(jié)構(gòu)，以此來(lái)對(duì)焊縫缺陷的X射線圖像進(jìn)行分類，該方法解決了不同尺寸圖像輸入時(shí)的準(zhǔn)確分類問(wèn)題，但還不能很好地對(duì)相似缺陷進(jìn)行精確分類。

YANG等[11]通過(guò)測(cè)試不同結(jié)構(gòu)的CNN，找到了一種基于LeNet-5的改進(jìn)網(wǎng)絡(luò)，主要用于X射線焊縫圖像的缺陷檢測(cè)與分類，并取得了非常高的準(zhǔn)確率，但在前期訓(xùn)練時(shí)為了加快訓(xùn)練速度，網(wǎng)絡(luò)的輸入為針對(duì)焊縫區(qū)域的切割圖像，這使得其無(wú)法直接投入實(shí)際應(yīng)用。

迄今為準(zhǔn)，關(guān)于射線檢測(cè)底片智能評(píng)片系統(tǒng)實(shí)現(xiàn)大規(guī)模商業(yè)應(yīng)用向報(bào)道還極少見(jiàn)。大部分射線檢測(cè)底片智能評(píng)片系統(tǒng)普遍缺乏檢驗(yàn)檢測(cè)的實(shí)踐經(jīng)驗(yàn)，對(duì)一些實(shí)際問(wèn)題經(jīng)驗(yàn)不足，導(dǎo)致應(yīng)用過(guò)程中會(huì)出現(xiàn)各種問(wèn)題，難以在實(shí)際工作中發(fā)揮作用。

筆者通過(guò)利用深度學(xué)習(xí)方法來(lái)實(shí)現(xiàn)缺陷圖像關(guān)鍵特征的提取，開(kāi)發(fā)了一套射線檢測(cè)底片智能識(shí)別系統(tǒng)，實(shí)現(xiàn)底片篩選(無(wú)效底片、造假底片、重復(fù)底片)、焊縫缺陷定位和識(shí)別、底片報(bào)告自動(dòng)生成及保管等功能。

2 研究方法

2.1 系統(tǒng)結(jié)構(gòu)

人工智能評(píng)片系統(tǒng)框架如圖1所示，可見(jiàn)，通過(guò)掃描儀獲得待處理的原始底片后，需要經(jīng)過(guò)相似度判別其是否為有效底片，同時(shí)對(duì)底片中的缺陷信息進(jìn)行提取。在此基礎(chǔ)上，筆者研究和開(kāi)發(fā)了AI智能輔助評(píng)片和AI智能自動(dòng)評(píng)片兩個(gè)功能模塊。

圖1 人工智能評(píng)片系統(tǒng)框架

2.1.1 AI智能輔助評(píng)片

在我國(guó)的傳統(tǒng)教學(xué)中，通常采用的方式是教師講、學(xué)生聽(tīng)、做作業(yè)輔助學(xué)習(xí)為主的課上課后相互支撐的教學(xué)模式，學(xué)生獲取知識(shí)的學(xué)習(xí)方式比較固化，缺少信息搜索、網(wǎng)絡(luò)學(xué)習(xí)等方式，導(dǎo)致主動(dòng)學(xué)習(xí)的積極性較低。此外，學(xué)生在學(xué)習(xí)過(guò)程中為了應(yīng)對(duì)考試，大多會(huì)比較被動(dòng)地死記硬背課程的知識(shí)點(diǎn)與考點(diǎn)，對(duì)知識(shí)點(diǎn)的理解缺乏質(zhì)疑的眼光，并不會(huì)具體去分析討論問(wèn)題所在，也不會(huì)對(duì)課程內(nèi)容進(jìn)行綜合概括，導(dǎo)致整個(gè)學(xué)習(xí)過(guò)程比較缺乏主動(dòng)的學(xué)習(xí)思維。

該模塊首先基于機(jī)器視覺(jué)與圖像處理算法，從底片中提取焊縫邊界信息，并對(duì)像質(zhì)計(jì)進(jìn)行檢測(cè)，實(shí)現(xiàn)對(duì)像質(zhì)計(jì)型號(hào)和靈敏度智能識(shí)別和判定；然后自動(dòng)抓取焊縫區(qū)域內(nèi)灰度值的極值點(diǎn)位置，并將信息入庫(kù)保存；最后基于定位到的焊縫區(qū)域，自動(dòng)抓取焊縫及周圍母材的噪點(diǎn)坐標(biāo)信息，并自動(dòng)生成底片信息質(zhì)量報(bào)告。

2.1.2 AI智能自動(dòng)評(píng)片

該模塊基于深度學(xué)習(xí)技術(shù)，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)方法，實(shí)現(xiàn)對(duì)焊縫圖像的預(yù)處理、缺陷特征值的自動(dòng)提取以及對(duì)缺陷的定性分析和定量計(jì)算。

2.2 主要研究?jī)?nèi)容

2.2.1 底片焊縫區(qū)域分割提取技術(shù)

由于底片內(nèi)容較多，背景復(fù)雜，不適合直接作為數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)訓(xùn)練。圖像語(yǔ)義分割作為一種典型的計(jì)算機(jī)視覺(jué)處理技術(shù)，可以對(duì)圖像中的每個(gè)像素，根據(jù)其所屬的感興趣對(duì)象分配類別標(biāo)簽[12]。筆者對(duì)圖像進(jìn)行了逐像素標(biāo)記，通過(guò)訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像的文字區(qū)域、焊縫區(qū)域和背景區(qū)域分別進(jìn)行自動(dòng)提取，便于后續(xù)智能檢測(cè)功能的實(shí)現(xiàn)。

2.2.2 焊縫缺陷類型分類識(shí)別技術(shù)

2.2.3 底片焊縫綜合信息提取技術(shù)

底片的原始圖像具有灰度區(qū)間較窄、缺陷邊緣模糊、圖像噪聲多、亮度低等特點(diǎn)。筆者采用基于多尺度的灰度曲線最小二乘直線擬合方法對(duì)焊縫邊界進(jìn)行提取，使用圖像處理技術(shù)對(duì)母材噪點(diǎn)坐標(biāo)信息、焊縫位置信息、焊縫灰度值信息、底片質(zhì)量信息等進(jìn)行檢測(cè)，通過(guò)數(shù)據(jù)庫(kù)對(duì)上述信息進(jìn)行存儲(chǔ)，并實(shí)現(xiàn)了底片質(zhì)量信息報(bào)告的自動(dòng)生成。

2.3 算法架構(gòu)設(shè)計(jì)

焊縫缺陷識(shí)別算法框架如圖2所示，其主要包括兩大部分：①焊縫圖像的預(yù)處理；②缺陷的分類及定位計(jì)算。圖像預(yù)處理算法主要用于對(duì)原始圖像進(jìn)行清洗與增強(qiáng)，成像模糊、存在噪點(diǎn)的圖像經(jīng)過(guò)去噪、濾波等操作，缺陷特征更加明顯。缺陷的分類及定位計(jì)算則是基于深度學(xué)習(xí)技術(shù)提取缺陷特征后做進(jìn)一步量化計(jì)算。

圖2 焊縫缺陷識(shí)別算法框架

2.3.1 圖像預(yù)處理

圖像預(yù)處理采用雙邊濾波算法，該算法能夠更好地保留圖像的邊緣信息[13]。其原理為一個(gè)與空間距離相關(guān)的高斯核函數(shù)與一個(gè)灰度距離相關(guān)的高斯函數(shù)相乘，并加入對(duì)灰度信息的權(quán)重(在領(lǐng)域內(nèi)，越接近中心點(diǎn)，灰度值的點(diǎn)的權(quán)值更大，灰度值相差大的點(diǎn)權(quán)重越小)。其權(quán)重大小，則由高斯核函數(shù)的值確定，再通過(guò)兩者權(quán)重系數(shù)相乘，得到最終的卷積模板。

2.3.2 缺陷檢測(cè)及定位

為解決缺陷特征提取信息的融合，采用PANet方式進(jìn)行處理[14]。該方法不僅能有效解決底片焊縫圖像中部分缺陷不夠明晰、缺陷和背景融合度較高等問(wèn)題，還能加強(qiáng)信息傳播，具有準(zhǔn)確保留空間信息的能力，有助于對(duì)缺陷進(jìn)行定位和識(shí)別，PANet網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示(圖中P3～P7為特征采樣層)。

圖3 PANet網(wǎng)絡(luò)結(jié)構(gòu)示意

3 人工智能評(píng)片系統(tǒng)的應(yīng)用

缺陷評(píng)定及復(fù)審模塊如圖4所示。該人工智能評(píng)片系統(tǒng)能夠?qū)?shù)字化底片噪點(diǎn)坐標(biāo)信息、焊縫位置信息、焊縫灰度最值信息、底片質(zhì)量信息進(jìn)行智能化采集，實(shí)現(xiàn)對(duì)底片中無(wú)效底片與重復(fù)底片的智能篩選，并對(duì)底片中的焊縫缺陷進(jìn)行智能識(shí)別和評(píng)定。

圖4 缺陷評(píng)定及復(fù)審模塊

使用深度學(xué)習(xí)算法對(duì)該系統(tǒng)進(jìn)行有效訓(xùn)練后(評(píng)定超過(guò)3 000張底片)，在實(shí)際工程項(xiàng)目中進(jìn)行測(cè)試，評(píng)定系統(tǒng)的缺陷識(shí)別準(zhǔn)確率達(dá)到95%以上。遠(yuǎn)程評(píng)片模塊應(yīng)用實(shí)例如圖5所示。

圖5 遠(yuǎn)程評(píng)片模塊應(yīng)用實(shí)例

通過(guò)遠(yuǎn)程評(píng)片模塊，可實(shí)現(xiàn)有關(guān)專家遠(yuǎn)程評(píng)片，極大提升了專家工作效率，實(shí)現(xiàn)有限專家資源的共享。另外，該系統(tǒng)還內(nèi)置有網(wǎng)絡(luò)數(shù)據(jù)庫(kù)，支持多用戶訪問(wèn)，實(shí)現(xiàn)了從膠片掃描到評(píng)定報(bào)告生成全過(guò)程自動(dòng)化、智能化。

4 結(jié)語(yǔ)

(1) 開(kāi)發(fā)的基于人工智能射線底片評(píng)片系統(tǒng)，實(shí)現(xiàn)了無(wú)效底片與重復(fù)底片的智能篩選，可對(duì)底片中焊縫缺陷進(jìn)行智能評(píng)定，提高了檢測(cè)的安全性和可靠性。

(2) 開(kāi)發(fā)的人工智能射線底片評(píng)片系統(tǒng)，實(shí)現(xiàn)了底片報(bào)告自動(dòng)生成和存儲(chǔ)功能，切實(shí)提升了無(wú)損檢測(cè)項(xiàng)目質(zhì)量和現(xiàn)場(chǎng)管理水平。

(3) 通過(guò)實(shí)際工程項(xiàng)目對(duì)人工智能評(píng)片系統(tǒng)的可行性和穩(wěn)定性進(jìn)行了驗(yàn)證，為該系統(tǒng)后續(xù)大規(guī)模應(yīng)用奠定了基礎(chǔ)。