环焊缝缺陷漏磁内检测图像识别技术研究*

2022-10-09雷铮强

石油管材与仪器 2022年5期

雷铮强，颜元

(1. 国家管网集团科学技术研究总院分公司河北廊坊 065000;2.中国石油国际勘探开发有限公司北京 100034)

0 引言

为应对国内天然气管道环焊缝失效事故频发问题，国内管道企业组织开展了管道漏磁内检测信号复核工作，目的是排查管道环焊缝缺陷[1-3]。目前，依靠人工识别并记录环焊缝缺陷的异常信号，存在重复劳动且效率低下等突出问题，急需开发应用环焊缝缺陷的智能识别技术[4-7]。

基于卷积神经网络的深度学习模型和方法，是漏磁内检测信号智能识别分析技术领域的研究热点[5-6,8-10]。目前，该技术由国内外内检测技术服务提供商主导，可批量处理原始漏磁内检测信号、自动识别和量化管道缺陷，是内检测技术服务提供商的核心优势技术。通过提供给管道企业的客户端数据，可进行环焊缝漏磁内检测信号的可视化图像阅览，但无法获取其原始漏磁信号数据并进行缺陷信号的自动识别分析。

因此，基于上述漏磁内检测信号的智能识别分析技术现状，本文采用图像识别技术克服无法获取原始漏磁内检测信号数据的条件限制，基于客户端漏磁内检测图像和环焊缝缺陷分类的经验模型，研究开展环焊缝缺陷图像的识别分类算法软件，满足环焊缝缺陷信号图像的智能识别技术需求。

1 环焊缝缺陷的漏磁内检测信号图像特征

1.1 环焊缝缺陷分类

在管道漏磁内检测信号复核过程中，应用了环焊缝缺陷漏磁内检测信号的识别分类经验模型[11]。如图1所示，该经验模型将环焊缝缺陷信号分为4种类型： 1类信号，通常由未焊满、未熔合及打磨、未焊透等缺陷产生； 2类信号，通常由未熔合、未焊透等缺陷产生； 3类信号，通常由内凹、盖帽金属损失缺陷产生； 4类信号，通常由错边、咬边及侧壁打磨等缺陷产生。图1中的0类信号，代表无异常信号的正常环焊缝。其中，图1(a)是由文献[11]提出的环焊缝缺陷信号识别分类模型，该模型已持续应用于数千公里管道的漏磁内检测信号复核工作中；图1(b)是某原油管道的漏磁内检测真实信号截图。

图1 漏磁内检测信号分类示例

对环焊缝缺陷漏磁内检测信号进行识别和分类，有助于管道企业及时发现环焊缝的超标缺陷，并开展开挖修复工作，排除安全隐患。通过环焊缝内检测信号复核和开挖验证，发现的典型环焊缝缺陷形貌如图2所示，包括未焊满、未熔合、内凹及侧壁过度打磨等。

图2 未焊满、未熔合、内凹及过度打磨等缺陷示例

1.2 环焊缝缺陷的漏磁内检测图像特征

在Rainbow模式下，漏磁内检测信号客户端软件采用伪彩色图像的方式显示漏磁信号的强度和极性，其信号特征与缺陷的位置、金属损失程度和缺陷类型等直接关联。图1的环焊缝缺陷真实信号图中，存在蓝青红黄绿五种像素，其中绿色为底色。不同类型环焊缝缺陷的颜色特征总结见表1。

表1 环焊缝漏磁内检测图像的不同类别和特征

2 环焊缝缺陷图像识别模型及算法实现

2.1 环焊缝缺陷图像特征的提取

开发自动截图工具对全部环焊缝截图并以环焊缝编号命名保存后，采用基于混合高斯模型的聚类分析方法[12-14]，在图像中进行逐像素扫描，判断当前的环焊缝图像中每一个像素的类别归属。由于漏磁内检测图像中各像素的颜色值是根据漏磁信号强度而实现的映射，因此每一类像素点，在颜色值上都存在一定的变动范围。高斯混合模型聚类分析方法适合描述每一类像素的颜色分布。式(1)是单高斯模型的数学描述，x表示当前像素的特征值，也就是RGB色彩值。式(2)是混合高斯模型聚类分析下的当前像素属于某一子类概率的计算过程。式(1)和式(2)中，μ是数据均值，∑是协方差，D是数据维度。

(1)

(2)

某一个像素，归属于缺陷像素还是正常像素的详细的判断过程为(以缺陷像素为例)：如果缺陷像素总共包含K类，也就是K个高斯子类，则同时分析该像素颜色值归属于每一个子类的概率，然后，将这K个概率计算总和。采用相同的方法计算该像素归属于正常像素子类的概率总和。当该像素归属于缺陷像素的总概率大于归属于正常像素的总概率时，则判断为缺陷像素。

当存在环焊缝缺陷时，缺陷位置会出现明显的颜色变化。通过对RGB 3个通道同时设定颜色阈值，实现图像中红色像素以及蓝色像素的提取。提取结果见表2。可见，缺陷位置对应的红色、蓝青色连通域被成功提取和分割，为后续的环焊缝缺陷图像识别和分类奠定基础。

表2 环焊缝缺陷图像的红色和蓝青色连通域图像特征

2.2 红色和蓝青色连通域遍历及缺陷识别

在环焊缝信号图像的所有连通域进行逐一分析，排除无红色连通域的正常环焊缝后，对红色和蓝青色连通域进行特征提取。包括如下几个连通域的特征：外接矩形尺寸、重心位置、倾斜角及长宽比等。如图3所示，通过对不同连通域颜色、形状、位置等特征信息，利用模糊决策树以及卷积神经网络分析方法，实现该区域内的缺陷定位和特征提取。在此基础上，根据红色连通域的重心坐标与当前环焊缝像素的左右边界，判断红色连通域是否在当前环焊缝上。

图3 环焊缝缺陷的识别分类流程

1)红色连通域不在环焊缝上情形。周边区域内仅存在该红色连通域，并且另一侧是蓝青色连通域，则识别为4类环焊缝缺陷。

2)红色连通域在环焊缝上，且周边区域内仅存在该红色连通域情形。如果两侧无蓝青色连通域，识别为3类环焊缝缺陷；如果左右两侧都有独立蓝青色连通域，识别为1类环焊缝缺陷。如果左右两侧的蓝青色连通域与环焊缝是粘连的，则识别为2类环焊缝缺陷。

2.3 环焊缝缺陷严重程度分级

完成上述环焊缝缺陷识别分类后，还需进一步识别缺陷的严重程度。缺陷严重程度分级所用图像特征包括：红色和蓝色连通域的像素数目及颜色平均值、高宽尺寸等参数。根据上述6个特征参数的加权平均值，计算环焊缝缺陷严重程度的综合评分结果，加权系数也可结合缺陷识别和严重程度分级实践经验进行调优。对于1至4类环焊缝缺陷，根据其缺陷性质和危害程度，分别设定4类缺陷的较严重等级的比例，在综合评分排序结果基础上，实现环焊缝缺陷的严重程度分级。

经过大量图片观测验证并调整优化最终综合评分结果后，将最高综合评分归一化到1，最低综合评分归一化到0，线性调整其余综合评分。综合评分高于0.8为较严重缺陷，综合评分小于0.1为正常，其它为轻微缺陷，并进一步根据缺陷识别分类结果进行4种类缺陷的严重程度分级。

依托某原油管道的超高清漏磁内检测信号图像，对环焊缝缺陷进行了识别分析测试，结果见表3。结果显示，该方法可实现环焊缝缺陷信号的识别分类和严重程度分级排序。以信号图像的人工复核结果为基准，缺陷的识别分类及分级结果准确率达到90%以上。识别出的4种类型较严重和轻微环焊缝缺陷示例，如图4所示。

表3 某管段环焊缝缺陷图像智能识别效果验证

图4 识别出的较严重和轻微环焊缝缺陷示例

3 异常信号图像问题的解决与软件开发

3.1 环焊缝异常信号图像的处理

在漏磁内检测器的检测运行过程中，由于机械振动或探头损坏导致某通道检测信号数据丢失、异常等，形成了环焊缝内检测信号的断点、空缺等常见异常信号特征，但此类信号不属于缺陷信号，在环焊缝缺陷的识别中应予以排除。

断点识别的过程如图5所示：

图5 断点信号的识别检测

1)蓝色连通域前景图像水平投影；

2)根据经验值设定水平投影阈值；

3)对水平投影曲线逐行判断，如果该行像素投影值低于阈值，则判断为断点。若某个位置的连续断点的数目超过经验值，则认为该位置是环焊缝信号空缺。

变壁厚是常见的管道环焊缝类型之一，且容易发生焊接缺陷和应力集中位置，是环焊缝缺陷排查的重点对象。如图6所示，由于上下游管道的壁厚差，造成环焊缝漏磁内检测图像呈现全圆周的红色和蓝青色极性信号，通过蓝青色连通域的提取，设定等壁厚正常环焊缝的白色区域尺寸阈值，将变壁厚环焊缝识别出。在变壁厚识别结果基础上，人工进行线信号图的复核，排查变壁厚环焊缝处被掩盖的缺陷信号。

图6 变壁厚环焊缝识别检测

3.2 应用软件开发与应用展望

国内近期发生的数次管道环焊缝断裂失效事故表明，环焊缝是高钢级输气管道安全运行的薄弱环节。建立全寿命周期的环焊缝检测数据管理分析系统，实现环焊缝检测大数据挖掘利用，及时发现并预警环焊缝缺陷，是降低环焊缝失效风险的有力手段。但是，单个检测段的管道漏磁内检测数据体积过大，且不同内检测服务提供商都需要专有软件进行原始信号数据的解读和分析。在此情况下，通过环焊缝漏磁内检测图像的自动采集和识别分析，不仅实现了环焊缝缺陷的排查，同时也大大缩小内检测数据的存储空间。

上述某原油管道的环焊缝漏磁内检测信号截图及智能分析软件界面如图7所示。在环焊缝漏磁内检测信号图像识别算法基础上，集成了信号图像的自动采集、命名和保存、缺陷特征分析等功能，实现了环焊缝漏磁内检测信号的全自动识别分析。该原油管道里程为230 km，全线共2万道环焊缝，高清漏磁内检测数据大小为100 GB。满足环焊缝缺陷图像识别需求的信号截图大小为每环焊缝400 KB，全线环焊缝信号截图约8 GB，节约了92%的环焊缝信号图像线上存储空间。使用该软件，单张环焊缝图像采集和缺陷识别分析的平均耗时可控制在1 s以内，同时具备缺陷图像和识别结果列表数据的格式化保存功能，方便环焊缝排查的缺陷列表和缺陷图像等结果数据的上传和在线查阅，满足了环焊缝缺陷高效排查、现场移动端数据查阅等多业务场景的应用需求。