基于多数据融合和小波分解的油气管道缺陷检测方法研究

姚建军

(中国石化集团 胜利石油管理局有限公司，山东 东营 257000)

管道传输石油和天然气是最安全和最高效的方式之一，由于受管道使用年限和周围环境等因素的影响，管道传输过程中会产生各种缺陷问题，比如产生管道穿孔和表面腐蚀等现象，以至产生管道损坏和油气泄漏，造成安全隐患[1-4]。为确保安全生产，相关单位在开展油区综合治理工作时需对油气输送管道进行定期巡检，及时发现并快速处理潜在的安全隐患。传统巡回检查方式主要依赖于巡检人员的责任心和不定期的挂牌、现场抽检等监督手段，但是人工方式存在着管网长而复杂、设施繁多、巡检人员分散等缺点[5-7]，因此采用有效的监测方法和技术手段对石油管道进行定期、快速和自动检测至关重要。

近年来，随着国家对管道安全的重视，针对管道的缺陷检测也逐渐成为了一个重要的研究领域[8]。周琰等人提出了一种基于Mach-Zehnder光栅干涉仪原理的分布式光纤管道泄漏检测方法[9]，利用分布式传感器检测管道周边是否存在泄漏信号，并在实验中得到了不错的检测效果，但是该检测方式需要铺设光缆，在实际工程中往往无法满足该要求。安阳等人提出将相位敏感时域反射计应用于管道泄漏检测[3]，该方法通过分析瑞利散射曲线的变化来对管道的实时运输状态给出预警信息，实验结果表明： 该方法的误差可以控制在10 m左右，但是实验结果的依据是通过人工挖掘进行检测。杨理践等人采用直流励磁的方式对管道内壁进行检测[10]，通过实验数据对管道的泄漏强度与内壁的厚度之间建立对应关系，以此设定阈值判定是否发生泄漏或腐蚀等现象，但该方法成本高，而且适用性差。王永雄等人通过提取管道的几何特征来判定管道和缺陷区域[11]，采用智能控制算法来实现管道机器人的自主导航，提升了管道检测的自主性。Rashid S等人将机器学习算法应用到管道检测领域[12]，并同时比较了支持向量机、高斯混合模型以及贝叶斯算法等的检测效果。虽然目前管道泄漏检测方式有很多种，但是没有一种检测方式具有普适性，而且实施起来较复杂，后期维护需要付出更多的人力，增加了维护成本和人力成本。

本文提出基于多数据融合与小波分解的方法进行油气管道缺陷检测，采用无人机[13]和红外热成像技术[14]实现对管道区域的无接触采集，避免了巡检人员的不定期的自动现场排查，并通过图像处理技术来自动识别管道区域，进而准确自动定位并标记缺陷区域。

1 油气管道缺陷巡检平台

油气管道缺陷巡检平台根据油气管道巡检的需求定制开发，可实现巡检任务制订、巡检过程监控、巡检结果采集、巡检报告生成等功能。本文所提出的算法都是基于该平台实现的，巡检平台的人机交互界面如图1所示。

图1 油气管道缺陷巡检平台示意

在平台使用过程中，利用无人机的红外相机按照既定的飞行路线将管道图像实时采集，最大程度地避免了人工参与检测过程，从而提升了检测效率并减少了人力成本；实时采集的红外图像经过移动终端传输到巡检平台，采用本文提出的预处理算法和多数据融合算法对其进行实时处理，得到检测结果并实时存储。若发生管道泄漏等事故，则发送报警信息至相关人员及时进行处理。

2 检测原理

2.1 改进的加权中值滤波算法

根据油气管道红外图像的特点，背景区域的像素值占绝大部分，在图像的大部分区域是具有相同的像素值且在图像中成片出现；只有在缺陷区域和随机噪声区域等过渡区域的像素值有较大的变化，因此本文采用加权中值滤波算法。

中值滤波是非线性空间滤波方法，依赖于快速排序算法，能够有效地减少随机噪声和脉冲噪声的干扰；但是其运算过程需要进行大量的排序工作，计算量非常大，其算法复杂度不能满足实时性要求。赵高长等人提出的加权快速中值滤波算法[15]，考虑了滤波模板滑动时无论是向下还是向右移动时都只会改变滤波窗口1列像素值，所以在进行计算时只需要对比移出的1列像素值和增加的1列像素值是否相同，由此来减少计算量。本文在加权快速中值滤波算法的基础上进行了改进，进一步提升了检测效率，改进后的加权快速中值滤波算法如图2所示。

图2 改进后的加权快速中值滤波算法示意

图2中以3×3滤波窗口为例，对图像做中值滤波处理时，对a1,a2,a3以及另外6个像素点重新排序，取中间位置的元素值作为输出值A1；当向右移动1列时，a1,a2,a3这1列像素值移出，增加了b1,b2,b3 3个像素点，而新的输出值A2只需要考虑a1,a2,a3和b1,b2,b3的关系，避免了大量的运算步骤，同时引入了传统均值滤波算法的思想。本文在加权快速中值滤波算法[15]基础上又进行了部分改进，在其原算法的基础上又考虑到像素点之间的对应关系及其他相关性，算法具体步骤如下。

若移出和新增加的像素点关系如下：

(1)

1)如果移出的像素点a1,a2,a3和新增加的像素点b1,b2,b3满足以上条件，则输出值A2直接用A1代替；如果不满足，则进行下一步。

2)求出在当前滤波窗口下的均值滤波和中值滤波的值，分别用f1(x,y)和f2(x,y)表示。

3)分别赋予f1(x,y)和f2(x,y)不同的权重(中值的权重为0.3，均值的权重为0.7)，使用得到的新值f(x,y)作为输出值：

f(x,y)=0.3f1(x,y)+0.7f2(x,y)

(2)

4)得到滤波后的新像素值后，将滤波窗口右移计算(x+1,y)的值。

2.2 管道区域定位

由于采集到的图像大部分都是背景区域，采用二值化算法处理后的图像无法将检测区域和背景区域完全区分开，因此严重影响识别的准确率和检测效率。为了消除背景区域对管道检测区域的影响，选取部分突出特征来自动定位管道区域。根据管道区域的特点，分别采用检测区域的等效椭圆长轴半径(RA)、紧密度(CP)、管道中心区域的行坐标、管道中心区域的列坐标、矩形度(RG)以及面积等6个特征来对管道区域和背景区域进行区分。其中RA的计算公式为

(3)

式中：M20,M02,M11——图像的二阶矩，其表现了管道区域的几何特征，在本文中由moment_region_2d算子计算得到，提取的管道区域的RA的特征区间为6.725～36.039。

CP是计算1个区域的密集程度，采用圆形作为基础进行计算，具体的计算公式为

CP=LT2/(4πAR)

(4)

式中：LT——管道区域的周长；AR——管道区域的面积；π——圆周率。LT和AR由area_center和contlength算子计算得到，本文中提取的CP特征区间为1.132～20.000；其他的特征取值区间都可计算获得，具体的参数见表1所列。

表1 管道区域多个特征的取值区间

2.3 多数据融合缺陷定位方法2.3.1 检测流程

针对单一边缘检测算法在图像分割中的精度较低的问题，该方案采用图像分割融合技术，分别使用Sobel算子和Canny算子对同一幅红外管道图像做处理，然后将不同的边缘检测图像对应的同一个像素点加权平均，融合成为1幅新的图像，并对新图像进行Haar小波分解，得到低频分量和高频分量，对高频分量进行分析，然后定位管道缺陷区域。具体的检测流程如图3所示。

图3 多数据融合方案的检测流程示意

本文使用不同的图像边缘检测算子对不同的红外管道图像的检测时间做对比，结果见表2所列。为了提升方案的检测效率，本文采用Sobel边缘算子和Canny边缘算子对油气管道图像做处理，然后进行多数据融合。

表2 不同边缘检测算子的检测时间对比结果 s

具体检测方案如下：

1)分别应用Canny算子和Sobel算子对图像进行边缘提取。

2)对提取边缘信息后的图像进行融合处理，选取合适的权值对得到的边缘图像进行叠加。

3)对新图像进行Haar小波分解，分别得到新图像的低频分量和3个高频分量，对高频分量进行分析。

4)高频分量即噪声区域或缺陷区域，而红外图像中温度异常区域与高频分量相吻合的区域，即为缺陷区域。

2.3.2 多数据融合原理

当管道发生泄漏时，泄漏点附近会产生温度突变，该温度变化以梯度形式向管道两端传播。构建沿管网的温度分布函数曲线，通过分析管道上温度信号的变化进行故障定位。管道出现泄漏的温度突变点，其变化过程近似于阶跃函数或斜坡函数，α∈(0, 1)，小波变换模极大值将随着尺度增加而增大。但是，对于噪声和杂波，其信号近似于δ函数，α∈(-1, 0)，小波变换模极大值将随着尺度的增加而减小，即信号和噪声在小波变换各尺度上的模极大值具有截然不同的传播特性。根据该规律，可以区分泄漏的突变点和白噪声点；设g(t)为光滑函数，且满足条件：

(5)

又设g(t)为高斯函数，即：

(6)

(7)

(8)

由上述推导可见，Wp(α,τ)与p(t) 经gaτ(t)平滑后的导数成正比，而对某尺度α，Wp(α,τ)沿着时间轴t的极大值对应p(t)gaτ(t)的突变点，因此若gaτ(t)的等效宽度足够小，则Wp(α,τ)的局部模极大值对应于信号奇异点的位置。尺度越小，平滑区域越小，在小尺度下小波系数受噪声影响很大，因此会产生很多伪极值点，而在大尺度下信号的极值点就相对比较稳定。因此，采用小波变换判断奇异点前，首先采用多边缘图像融合的方式会比较准确。

3 实验结果

本文提出的方法借助于无人机巡检系统得以实现，并实时对采集的红外管道图像进行检测，以此来验证本方案与其他检测方式的优劣。实验中使用红外相机采集到的红外管道图像作为检测对象，对1 000幅存在缺陷的管道图像进行检测，并采用不同的滤波窗口(3×3，5×5和7×7)计算该检测方案的准确率。3种检测方案在不同的滤波窗口下得出的准确率对比结果见表3所列。

表3 3种检测方案在不同的滤波窗口下得出的准确率对比

从表3中可以看出，本文所提出的检测方法在准确率上是优于其他2种检测方法的，并且该方案在改进的加权中值滤波算法的滤波窗口为5×5时检测效果达到最好；而且同时也验证了本文提出的预处理方案的最佳滤波窗口为5×5，因为其他2种检测方案也是在该滤波窗口下检测效果达到最佳。同时，对3种检测方案的最佳准确率情况下所耗费的检测时间做了对比，对比结果如图4所示。从图4可以看出，该方案的检测效率也要优于其他2种检测方案。

图4 3种检测方案的检测时间对比示意

4 结束语

本文提出了一种基于多数据融合和小波分解的油气管道缺陷检测方案，并搭建了一套完整的无人机管道巡检系统。首先利用无人机和红外相机对管道图像进行实时分段采集，并采用改进的加权中值滤波算法对红外图像进行预处理，然后根据综合特征自动定位出管道区域；然后对处理后的图像分别做Sobel边缘检测和Canny边缘检测，采用合适的加权因子对其进行融合，利用Haar小波将其分解得到高频分量，高频分量和红外图像中温度异常区域重合的部位即缺陷区域。实验结果表明，该方案在滤波窗口为5×5时准确率高达97.8%，检测效率可达0.090 5 s/幅。