扩径管道直径及圆度在线监测分析系统设计与开发研究

臧春华， 王海舰， 高兴宇， 纪红刚， 王 琨， 赵立新

（1.广东省珠海市质量计量监督检测所， 广东 珠海 519060； 2.桂林电子科技大学， 广西 桂林 541004）

0 引言

深海石油天然气管道、石化/城市燃气/建筑工程等钢管管道在生产加工、 扩径过程中要随时对其直径及其圆度进行检测和分析，以即时调整生产工艺，保证扩径管道的尺寸和圆度符合生产标准[1，2]。 现有的传统管道直径测量方法普遍采用卡尺、千分尺、卷尺、周径尺等手工测量量具对扩径管道直径进行直接测量， 然而这类直接测量方法受生产环境、 量具精确度和操作人员因素的影响较大，测量精度低、速度慢、效率低，工人劳动强度大，无法充分反映整个大型管道的外径情况[3]；采用大直径测径仪虽然可以适应不同直径范围的管道，且检测精度较高，但其自身装置体积庞大， 且整个装置检测过程中不能存在遮挡物，受环境影响较大，装置体积庞大对多位置采样来说，其移动的时效性受到很大程度的制约。 针对圆度的测量方法主要采用接触式圆度仪和非接触式圆度仪， 但是不论是接触式圆度仪还是非接触式圆度仪在测量的过程中，都需要相对的旋转运动，大大限制了测量速度，几乎不可能实现在线实时检测。 因此，亟需开发一套扩径管道直径及圆度在线监测及分析系统。

本系统克服了传统管道直径及圆度检测方法的缺陷与不足，利用双软尺搭配协同测量，并利用摄像头进行视觉图像数据信息的采集， 采用深度卷积神经网络融合算法提高扩径管道直径的测量精度， 通过测量结果得到当前管道的周长后，便可计算获取当前管道直径；利用装置所安装的四个激光测距传感器实现四轴同步扫描，快速、准确地获取管道外壁离散点数据并进行最小内切圆和最大外接圆分析对比， 重构当前管道轮廓继而完成管道圆度分析和实时监测。

1 总体结构设计

扩径管道直径及圆度在线监测及分析系统总体结构包括升降系统、直径检测系统、圆度检测系统及人机交互界面，整体三维结构图如图1 所示。

图1 系统整体三维结构Fig.1 Overall 3D structure of the system

首先安装当前所需要检测的管道后，利用升降系统调整管道中心位置，完成管道位置与角度的校准；利用直径检测系统即双软尺自动卡紧装置，紧紧贴合管道外壁并利用摄像头进行软尺交叉刻度部分处图像的采集，获取当前图片数据信息后，结合深度卷积神经网络融合算法提高其检测精度，获取当前管道周长，根据管道周长计算得到管道直径；利用圆度检测系统即四个激光传感器进行四轴同步扫描，实现管道外壁轮廓的重构及圆度的分析；利用人机交互界面，实时监测扩径管道当前直径及圆度。

1.1 升降系统

升降系统的设计主要考虑到针对于不同管径的管道，其安装高度会存在一定的差异，因此，为了使管道尽量处于检测装置的中心，便于测量直径和圆度，采用能有调节高度的升降系统对装置整体结构进行上下微调，以满足测试要求。

1.2 直径检测系统

本项目直径的检测误差不允许超过±0.5mm， 重复测量误差不得超过0.2mm，要求的精度较高，且直接对直径进行测量难度较大，高精度的直径测量难以实现。 因此，本文提出了一种通过精确测量周长， 反推直径的测量方法，如图2 所示，分别采用两套对称的软尺实现对管道外壁的环绕，软尺的零点如图2 所示，并分别向两端数值逐渐增大。通过图像采集装置获取两端软尺交叉的图像，读取数值，进行累加，最终获取管道的外壁圆周，并通过公式间接推导出管道的直径。

1.3 圆度检测系统

图2 扩径管道直径测量方法Fig.2 Diameter measurement method of expanded pipe

扩径管道的圆度检测方法如图3 所示， 通过四个激光测距传感器对扩径管道外壁进行扫描， 得到管道外壁各采样点相对于各激光测距传感器的距离， 通过重构算法对管道外壁轮廓进行重构， 再将重构后的管道外壁图形与最小内切圆和最大外接圆进行对比， 分析管道外壁轮廓的圆度信息。

2 深度卷积神经网络模型

高精度的管道直径、 圆弧度检测结果是本技术的关键指标， 而不同的管道材质在工业生产过程中精准度差异较大，传统神经网络算法对管道的精度检测参差不齐，稳定性差，具有很大的局限性。 基于此，我们构建了卷积神经网络，建立不同尺寸下的图像训练样本库，通过训练样本库实现对卷积神经网络模型的搭建。 在管道直径检测装置中，我们采用VGGNet 网络结构，其中VGGNet 一共包含16 层神经网络，含有5 层卷积层（包含ReLU 层），每一层卷积层之后都包含一层最大池化层， 最后三层为全连接层， 全连接层中的前两层得到4096 个数据结果，而最后一层输出1000 个数据，ImageNet 数据集的类别数是1000，然后通过Softmax 最后得到分类结果[4]。 在VGGNet 网络中每层卷积层中包含2-4 个卷积操作， 其中，卷积核的尺寸为3×3，步长为1 个像素。 而池化层中尺寸为2×2，步长为2。 通过对比VGGNet 和AlexNet，可以看出，最大的区别就是降低了卷积核的尺寸，增加了卷积层的深度。

3 实验验证

结合本次设计的管道直径及圆度的监测系统， 随机选取一根待测管道，根据设定的检测步骤，完成待测管道的安装， 对整个装置上电并开启摄像头及四个激光传感器，将摄像头采集的数据信息上传至人机交互界面。同时进行深度卷积神经网络模型的训练， 完成深度卷积神经网络模型的参数设定测试，如表1 所示，并根据检测精度值确定最终卷积神经网络模型的参数， 即选用组别6 时的参数即16 组卷积层的滤波器个数分别为20、30， 池化层滤波块为2， 再利用已确定的神经网络模型的训练结果完成待测管道直径的计算。 并根据激光传感器所测得的数据将管道外轮廓拟合重构显示在人机交互界面中，根据所测得的最大直径和最小直径获取管道最大外接圆及最小内切圆， 将重构的管道轮廓与理想的最大外接圆与最小内切圆进行对比分析， 继而获取当前管道的圆度并计算当前检测管道圆度的精度，进行多次重复实验获取最终检测精度小于0.2mm， 即达到工业生产中管道扩径中直径与圆度的要求。

表1 深度卷积神经网络模型的参数设定测试Tab.1 Parameter setting test of deep convolution neural network model

图3 扩径管道检测方法及轮廓重构Fig. 3 Detection method and contour reconstruction of expanded pipe

5 结束语

本文根据管道在扩径过程中的直径及圆度的在线监测需求， 开发了一套扩径管道直径及圆度在线监测及分析系统， 实现管道扩径过程中圆度及直径的实时在线监测， 为管道扩径过程中直径及圆度的实时在线监测系统一种有效的技术手段。