基于语义分割的DWTT断口图像识别和评定方法研究
2020-03-16周飞达李晋惠梁明华
周飞达,李晋惠,梁明华
(1.西安工业大学计算机科学与工程学院 陕西 西安 710021;2.中国石油集团石油管工程技术研究院 陕西 西安 710077)
0 引 言
近年来，随着我国经济的发展和环境保护要求的提高，天然气的需求量和输送量逐年增长，天然气管道的安全运行对于保障国家能源供应至关重要。对于长输管道特别是天然气管道来说，管材的韧性是管材性能中一个关键的指标。在管线钢的性能评价中，通常采用落锤撕裂试验(Drop Weight Tear Test)，通过评价试样断口的剪切面积比例或冲击吸收能量来检测和评价管材的韧性[1]。
DWTT得到的断口形貌各不相同，其中断口面包括脆性断裂区、韧性断裂区和具有分层结构混合脆性韧性裂纹区。韧性断口通常是暗灰色或纤维状，断面与应力方向或板材表面有45°左右的倾斜角度[2]。脆性断口呈现光泽和结晶状，断面通常与应力方向或板材表面垂直。断口分布特征为颗粒感或者说是光洁结晶亮面，各个方向大体是均匀分布的。脆性面颗粒度由晶粒大小决定[3]。韧性面颗粒度,主要由韧窝大小决定，韧性越好韧窝越大。典型试样断口形貌如图1所示。目前在评定DWTT断口时还主要是通过试验人员经验判断，或者通过游标卡尺等测量工具进行测量和计算[4]。结果的准确性受检测人员主观因素影响较大、计算效率低和计算误差大,甚至由于检测人员能力和水平的差异，在脆韧性识别、异常断口处理等方面等方面还会出现错误。
图1 管材试样断口
为了解决上述问题，本文在通过研究传统DWTT断口的测评方法，结合人工智能和图像处理技术，建立了基于图像处理和自动识别的DWTT断口测评方法[5]。利用计算机图像分析方法和管线钢DWTT在试验中呈现的断口属性特征，对DWTT断口图像进行研究，识别结果准确率如果能够满足工程需要，对于提高检验检测准确性和工作效率等方面具有重要的工程应用价值和示范推广效应[6]。
1 基于语义分割的断口评定方法
1.1 DWTT断口评定方法的建立
在建立模型时，首先选取大量样品，进行试样断口的数据采集。通过对采集好的断口数据进行韧脆区域的分析，然后对断口图像进行脆性区域的标记，完成数据集的制作工作。接着利用制作好的管材断口图像数据集进行分类模型的训练。最后采用训练好的管材断口分类模型对图像的脆性区域进行识别，把断口区域中的脆性断裂区和韧性断裂区分割开来。对模型识别后的管材断口图像进行分析，通过对识别图像韧性区域的剪切面积百分比与人工测量结果相对比，来评估分类模型的有效性和准确率。基于语义分割的管材DWTT断口评定流程如图2所示。
图2 管材断口评定流程
1.2 DeepLab v3+网络进行图像的语义分割
2在模型训练方面采用的是一种基于图像语义分割的DeepLabV3+网络，DeepLab V3+网络通过图像层次的特征来增强ASPP模块，从而可以在更大范围上捕捉断口图像特征信息。DeepLabV3+网络中包含了batch normalization参数(目的是对单次批处理的参数进行归一化)用于训练。特别在训练和提升时，在不同步长(stride)上应用空洞卷积提取输出的特征，可以高效地在步长为8时得到一个较高的性能，步长为16时进行训练[7]。此方法的难点是需要对采集好的数据集进行脆性区域的标记，对标记人员经验要求高。
DeepLabV3+网络把DeepLabV3网络作为编码器，利用atrous convolution生成任意维度的特征，并采用ASPP策略，对带孔卷积模块进行并行方式的设计，采用不同的atrous rates对不同尺度的卷积特征进行提取，通过编码全局内容信息的图像层特征，提升图像的语义分割效果。在其后面级联解码器,将低层级的特征经过卷积、上采样等操作，得到图像像素级别的预测。网络整体结构如图3所示。
图3 DeepLabV3+网络结构图
在解码模块中，首先采用1×1的卷积核对低层次特征通道进行压缩，目的是使后面的断口图像特征对于编码器得到的特征有一个偏重，从而更好的保证了高层次的语义信息。解码模块的另外一条路线是对于编码模块经过ASPP提取出的特征进行4倍的上采样，得到与之相对应的特征图，接下来要做的是把得到的两种特征图进行串联，并对串联后的特征图进行3×3的卷积操作，对特征进行细微调整[8]。最后对调整好的结果进行4倍的上采样，得到管材试样断口的语义分割效果。加入解码器可以恢复到原始试样断口分辨率的分割结果，使得边缘细节信息有更加完整的保留[9]。
1.3 管材断口评定计算方法
在对管材断口进行评定时，计算的是净截面上的的剪切面积百分数，采用的计算方法如公式(1)所示。SA代表剪切面积百分数，NA代表净截面积，BA代表净截面积中脆性区域的面积[10]。
(1)
利用基于图像的方法对断口进行评定计算时，是以灰度级为判定准则，以像素为单位进行统计的，所以需要对原始的计算公式进行转换。具体对脆性断面率计算公式的转换见公式(2)～公式(6)。
(2)
公式(2)中TS表示管材断口图像净截面积的总像素值(包含背景)，FS表示管材断口图像净截面中图像区域的像素值(不含背景)，FR表示FS和TS两者之间的比率。
(3)
公式(3)中PTS表示管材断口识别图像净截面积的总像素值(包含背景)，PFS表示管材断口识别图像脆性区域的像素值，PFR表示PFS和PTS两者之间的比率。
(4)
公式(4)中GTTS表示管材断口标记图像净截面积的总像素值(包含背景),GTFS表示管材断口标记图像脆性区域的像素值,GTFR表示GTFS和GTTS两者之间的比率。
(5)
公式(5)中APFR表示管材断口识别图像脆性区域所占净截面(不含背景)的比率。
(6)
公式(6)中AGFR表示管材断口标记图像脆性区域所占净截面(不含背景)的比率。
通过使用转换后的计算公式，它以像素值为统计单位，以灰度级为参考，所以计算出来的结果更加准确与科学。
2 实验验证与分析
2.1 模型预测与结果分析
通过DeepLabV3+网络训练的模型对试样断口图像进行预测,分割后所得到的6组图像如图4所示。
图4 6组管材断口图像对应的人工标记和计算机识别结果图像
使用断口评定计算公式，分别对6组管材断口图像进行计算，计算机以及人工测量结果见表1。
表1 计算机处理与人工测量结果对比 %
采用6组断口形貌相对规则的管材试样断口图像进行模型评价，并把计算机的识别图像和利用计算机标记工具标记的结果图像做计算,通过与人工测量结果进行对比和分析，其中误差1表示计算机标记图像的剪切面积百分比计算结果与计算机识别图像之间的差值，最大的检测误差为1.3%，最小的检测误差为0.2%，实验数据表明计算机的识别精度较高。误差2表示计算机标记图像的剪切面积百分比计算结果与人工测量结果之间的差值，最大的检测误差为6.9%，最小的检测误差为1.4%，实验数据表明使用计算机标记工具标记的管材断口是有效和科学的。误差3表示计算机识别图像的剪切面积百分比计算结果与人工测量结果之间的差值，最大的检测误差为5.6%，最小的检测误差为0.6%，通过与现有处理结果的最大绝对误差10%相比较，说明计算机识别的结果是有效的。
2.2 目前存在的问题和预期改进方法
通过对比实验中对脆性区域的标记图像和计算机识别图像发现，在利用训练好的模型分割脆性区域的边界时，存在误分割、多分割和少分割的现象，这种问题主要是由两个原因造成的，第一是模型参数设置没有到达最优。第二是在标记图像过程中，为了提高模型的学习效率，对于不好确定的脆性边界区域，没有对其进行标记，而模型在识别图像边界时，把不好确定的边界区域也确定为脆性区域，与真实标记图像产生一定的误差。计划在后期的改进主要包括两个方面，一方面是对数据集进行数据增强，扩存数据量来对网络模型继续训练，对于数据集中标记不准确的情况，进行数据集的更正修复。另一方面是对网络模型超参数进行调整，以期达到最优效果。
3 结束语
在管材落锤撕裂断口评定方法的研究过程中，提出了一种基于管材断口图像语义分割的DeepLabV3+编解码器模型，该模型以像素为基本单位进行分类，在提取断口脆性区域的同时，能够有效地提取图像的边缘细节信息。与已有的网络模型相比，该方法具有更高的分割准确度。通过改进断口评定计算方法，它以图像中的像素为基本单位进行统计计算，相比较于传统的计算方法，它的计算速度更快，计算精度也得到了很大的提高。但是对于一些形貌复杂的不规则管材断口,DeepLabV3+方法在脆性区域识别方面仍然不够准确，后续将进一步完善预测模型。
