中國石油大學（北京）管道技術與安全研究中心組織管道焊縫缺陷識別專家開發出國內首套先進的管道焊縫數字圖像識別軟件（Pipeline Welds Image Defects Recognition and Assessment），該軟件系統具有先進的焊縫數字圖像識別功能，適用于各類管道焊縫缺陷質量的識別判定，如裂紋、夾渣、氣孔、未焊透、未熔合等缺陷，具有較高的識別準確率（圖 1）。采用多項邊緣檢測方法、檢測通道與閾值分割等方法，對管道焊縫數字圖像中存在的缺陷進行圖像處理，建立了焊縫數字圖像缺陷特征數據庫，包含灰度差、等效面積（S/C）、圓形度、熵、相關度等參數，建立了多分類器構造（SVM）模型，實現了對管道焊縫數字圖像缺陷的分類評價。

圖1 軟件系統界面

1 管道焊縫識別軟件概述

目前，管道焊接檢測已經普遍使用射線成像技術，計算機智能輔助評片發展迅速，一定數量的數字圖像分析處理系統也投入使用，但這些系統應用還不成熟，評片工作大多需要人工干預，人機交互進行。射線數字圖像缺陷識別技術借助計算機的高速處理能力，通過對圖像的數字化處理，將人工評片過程轉化為圖像處理技術，實現對焊縫數字圖像缺陷的智能識別。

1.1圖像預處理

圖像增強：目的主要是突出圖像中感興趣部位與背景之間的灰度差，從而能更好地將缺陷區分開來。采用空間域法對圖像的灰度系數進行直接處理，同時對圖像的變換系數進行修正，然后通過逆變換獲得增強后的圖像。

圖像去噪：中值濾波是對一個滑動窗口內的諸像素灰度值排序，用中值代替窗口中心像素的原來灰度值，是一種非線性的圖像平滑法。其具有算法簡單、靈活性好，有平滑圖像、保存細節的功能。對脈沖干擾及椒鹽噪聲的抑制效果良好，在抑制隨機噪聲的同時能有效保護邊緣以減少圖像模糊。采用大的濾波器窗口可以有效抑制噪聲，選用小的濾波器窗口則可以保留圖像中重要的結構特征，因此對中值濾波法來說，正確選擇窗口尺寸的大小是很重要的環節。

1.2邊緣檢測

邊緣檢測處理流程如圖2所示。原始圖像經平滑處理后，平滑圖像再經一階或二階平滑處理，得到梯度或含零點圖像，再經閾值處理，確定邊界點。邊緣即圖像中灰度發生急劇變化的區域，可以通過求解一階導數或二階導數檢測出圖像中灰度不連續區域，即邊緣區域。二值化之后的圖像只存在0和255兩種灰度值，通過求取一階導數最大值便可檢測出其邊界。

圖2邊緣檢測處理流程

常用的邊緣檢測算子中，Robert算子是一種斜向偏差分的梯度算子，梯度大小代表了邊緣強度，梯度方向與邊緣方向垂直。Sobel算子是方向算子，從不同方向檢測邊緣，加強了中心像素上下左右方向像素的權值，對灰度漸變和噪聲較多的圖像有很好的處理效果。Prewitt算子是邊緣樣板算子，利用像素點上下左右臨點的灰度差在邊緣處達到極值的特點來檢測邊緣，對噪聲也有平滑作用。Laplacian算子檢測時常常產生雙像素邊界，對圖像中的噪聲異常敏感，不能檢測邊緣方向，一般很少直接使用，而將其與Gauss算子結合，形成LOG算子，引入平滑濾波，可有效的去除噪聲，邊緣檢測的效果更好。Canny算子被認為是信噪比與定位乘積最優逼近算子。它提出：邊緣檢測時，信噪比越大，將邊緣點與噪聲點誤判的可能性越��；邊緣定位精確度越高，檢測出來的邊緣中心點與實際邊緣中心點越相近；保證邊緣只存在一個響應，可抑制虛假響應的發生。

上述算子檢測中存在的問題是，圖像往往是區域的黑度分布，呈現條狀區域布置，邊界檢測中出現邊界不清晰的情況。通過對不同邊緣檢測算法進行對比分析，考慮了結構元素的大小和方向影響形態學邊緣檢測計算結果，提出了一種多算子融合處理技術，即將Sobel算子、Prewitt算子、Robert算子融合處理，檢測出管道焊縫邊緣，并最大限度的優化邊緣噪聲影響，為圖像邊緣檢測分析提供一種行之有效的方法。

1.3特征提取

提取焊縫缺陷的紋理特征和參數特征，所有的灰度共生矩陣使用G(i, j)來表示。

（1）能量（angular second moment）：該參數表示的是圖像中紋理的精細程度以及灰度分布是否均勻。當元素分布比較集中時，ASM 的值會比較大，表示紋理比較均勻并且規則。

                                                   (1)

（2）慣性矩（contrast）：該參數表征的是圖像的清晰程度以及紋理溝紋的深淺，溝紋深，則該參數值大，并且直觀看起來越清晰，同理，當對比度比較小時，溝紋比較淺且看起來模糊。在灰度共生矩陣中，離對角線越大，CON 的值越大。

 　　　　　　                              (2)

（3）相關度（Correlativity）：該參數表示的是矩陣元素在行列上的相似程度，由此可知，相關值的大小確切地表征了圖像中局部灰度相關性。當灰度共生矩陣中各個元素值比較均勻時，相關值就大，反之亦然。若圖像中有水平方向紋理，則水平方向矩陣的COR 大于其余矩陣的COR 值。

  　　　　　　　　　　　                             (3）

其中，分別是方向的均值和標準差

（4）熵（entropy）：該參數表示的是某個圖像的信息量，由于紋理信息是圖像信息的一部分，并且它是一個隨機性的度量，因此，當共生矩陣中的元素隨機性比較大、并且該矩陣的空間共生矩陣中的元素的值基本相等時，熵較大。該特征參數表征的是圖像中紋理的非均勻程度或者說復雜程度。

       　　　　　　　　                (4)

（5）圓形度e：圓形度的數學表達式為：

                    　　　　　　　　　　　　　　　　            　     （5）

其中e為圓形度，S為區域面積，C為區域周長。

（6）缺陷與背景的灰度差△h ：首先計算母材區域的平均灰度值Z1，然后計算缺陷區域的平均灰度值為Z2，則

△h =Z1－Z2                                 （6）

h為負時，那么可以初步判斷為夾渣；為正時，可以判斷該區域的缺陷為氣孔。

（7）缺陷自身灰度偏差δ：主要是為了分辨圓形夾渣和圓形氣孔，點狀夾渣δ小，而氣孔δ大。

                  　　　　　　　　　　　　　　                   （7）

其中，缺陷區域的灰度最大值為，任意一點的灰度值為�！�

（8）缺陷的相對位置d：該參數是計算缺陷的中心位置，然后得出該位置到焊縫中心的距離，一般用歸一化之后的值來衡量這個位置，用來識別未焊透和未熔合缺陷。

（9）等效面積 S/C：反映缺陷的單位邊界長度所占有的面積大小，S/C 越小，表明缺陷是曲折細長的。一般用來表征裂紋。等效面積主要指的是特征區域面積和特征區域周長的比值大小。

1.4 CLTP

焊縫紋理特征提取涉及邊界清晰度、局部信息細化程度，傳統方法使用二值法LTP、LBP、CLBP 紋理特征描述方法，但紋理描述的精度受到影響，因此，提出了完全局部三值CLTP模式，包含3 種核心算子，即中心描述子、符號描述子和大小描述子，分別用CLTP_C ,CLTP_S , CLTP_M表示，將算子轉化后，最終得到修正的、、。計算過程如下：

　

　　�。�8）

  �。�9）

其中a、b 為自定義常量，可取a = 0.3, b = 0.7。

 　 (10)

TH1 為圖像像素均值，然后用模式分別轉化編碼值，， 分別對應。

圖3 CLTP算子

圖3(a)表示中心像素為38 的3×3樣本塊，鄰域的8個像素為[27,72,69,32,25,43,26,88]；圖3(b)中 abs 即絕對值，TH=24 為求得的閾值，計算局部差值，得到的算子結果為[-11，34，31，-6，-13，5，-12，50]；圖3(c)中，局 部 差 值 符 號 的 三 值 編 碼 向 量 為[0，2，2，0，0，1，0，2]；圖3(d)中，算子值為[1,2,2,0,1,0,1,2]；圖3(e)中，TH1=47.75 由[27,72,69,32,25,43,26,88]計算的平均值，表示CLTP 的值為[01100101]。

1.5 多類支持向量機SVM模型

可使用單個類與剩下的類構造M-SVM分類器，確定這個分類器的判斷標準，對所有的類別重復以上的過程，求出每個判斷函數的值，將這些數值進行對比，最大的類別即為樣本的最好分類結構。在該方法中，需要構造M個分類器，使用直接全局優化方法（M-SVM），構造多批分類器，對 M 個分類器的求解一次性完成。

設：

為樣本訓練集，l為樣本個數，N代表樣本維數，M代表樣本的類別，引入非負松弛變量ξi，則該方法的優化問題如公式（11）：

                            （11）

判別函數為：

                          （12）

其中，， ,  為輸入空間到高維特征空間的非線性映射函數，通過求解最優化問題，可得到相應的最優決策函數 。

                              （13）

1.6 SVM多分類器構造

分類器構造應優先采用類別差異性排除法，即在整體結構中，先將相似量作為一類，然后根據相似量之間的細微變化，再通過模型算法進行區分。這種分類在分類準確率和平衡準確率上都有極高的效率。本文構造了6種缺陷，裂紋、圓形夾渣、條形夾渣、氣孔、未焊透、未熔合等典型缺陷SVM多類分類器（圖4）。

圖4焊縫缺陷SVM分類識別

2 軟件模塊和功能特點

2.1 軟件模塊

(1) 包括焊片信息輸入、焊縫數字圖像數據庫、圖像亮度對比處理、圖像保存、圖像像素尺寸識別、邊緣檢測、閾值分析、色階處理、圖像執行變換、黑白像素統計、反相處理、焊縫數字圖像處理等模塊。

(2)

(3)

2.2數據分析系統（圖 5）

圖5 數據分析系統

2.3  焊縫數字圖像缺陷特征數據庫

經開展管道焊縫缺陷類型分析識別和評價分類，建立了覆蓋各種缺陷類型的焊縫數字圖像缺陷特征數據庫，包含灰度差、等效面積（S/C）、圓形度、熵、相關度等參數，建立了多分類器構造（SVM）模型，實現了對管道焊縫數字圖像缺陷的分類評價。信息要素包括管線名稱、管線外徑、管線起點、管線終點、投產日期、管道焊片所在管樁號位置、焊片編號、評價工程師、評價日期等。方便焊縫缺陷數字圖像的數據信息整理，保證管道信息的可靠性和準確性。

2.4  軟件功能

主要功能包括焊縫缺陷類型、焊縫數字圖像缺陷自動查找、焊縫缺陷類別分析、焊縫數字圖像缺陷數據庫、圖像對比分析、校核評價、寫入數字圖像數據庫、報告輸出。

2.5 校核評價

根據管道焊縫缺陷類型進行分類校核評價（圖6）。在已知參數存在的情況下，評價焊縫數據的準確性，根據缺陷類型標準API-1104等進行人工經驗性校核。

圖6焊縫缺陷類型

2.6 軟件特點

（1）評價報告的自動輸出

軟件最終能自動輸出關于管道焊縫缺陷的有效評價報告，給出評價中的圖像分析過程，缺陷類型、缺陷參數的評價過程，評價報告結論等，方便評價人員編制報告使用。

（2）入門操作簡單

軟件入門操作簡單，適用于自學，且無需操作人員了解焊縫缺陷特征及分類專業知識，即可進行管道焊縫缺陷的評價，方便操作和使用。

3  實驗研究

采用上述模型，首先對焊縫數字圖像進行完全局部三值模式CLTP紋理識別，采用缺陷邊緣檢測和跟蹤處理技術計算各參數。上述紋理識別和特征識別計算參數包括：圖像長度像素、圖像寬度像素、缺陷與背景的灰度差△h、缺陷的相對位置d、缺陷自身灰度偏差δ、缺陷長寬比、等效面積 S/C、圓形度e、熵ENT、相關度COR、慣性矩CON、能量參數等，所有特征參數輸入到SVM模型，進行SVM 焊接數字圖像的缺陷識別，最終得到缺陷類別（圖6）。

 

（a-1）CTLP單個夾渣                            （a-2）夾渣SVM判斷

 

（b-1）CTLP密集氣孔                        （b-2）密集氣孔SVM判斷

 

（c-1）CTLP根部凹陷                         （c-2）根部凹陷SVM判斷

 

（d-1）CTLP根部未焊透                        （d-2）根部未焊透SVM判斷

 

（e-1）CTLP中部未熔合                      （e-2）中部未熔合SVM判斷

圖6 焊縫數字圖像缺陷CTLP識別和SVM缺陷判斷

焊縫數字圖像經過完全局部三值模式CLTP紋理識別后，應用SVM數據分類技術，CTLP模式使焊接數字圖像邊緣檢測和缺陷跟蹤識別精度大大提高，SVM缺陷分類模型使圖像缺陷的自動識別準確度大大提高，基本達到了工業應用級水平。圖 6（e）是中國西氣東輸管道728事故段焊口X-射線數字圖像，在位置點38左下方顯示未熔合特征，其計算機系統判別與人工評片結果完全一致。驗證了該方法具有較好的精度。

4  結論

(1) 圖像處理后沒有噪聲的情況下，Canny算子、Log算子、Robert算子、Sobel算子、Prewitt算子可以得到很好的邊緣檢測結果。當處理后仍然存在噪聲時，檢測結果出現了較多的偽邊緣，選用自動選取閾值方法進行圖像邊緣檢測，能夠取得比較合理的閾值。

(2) 建立的焊縫數字圖像缺陷特征數據庫，包含形狀特征和紋理特征，圖像長度像素、圖像寬度像素、缺陷與背景的灰度差△h、缺陷的相對位置d、缺陷自身灰度偏差δ、缺陷長寬比、等效面積 S/C、圓形度e、熵ENT、相關度COR、慣性矩CON、能量等參數。

(3) 建立了SVM分類模型，基于缺陷特征數據庫，分類獲取了缺陷形狀特征，找出裂紋、夾渣、氣孔、未焊透、未熔合等缺陷特征。

(4) 管道焊縫缺陷識別評價軟件實現了對管道焊縫數字圖像缺陷的自動識別和自動化評價，這對于建設數字化管道具有極大的推進作用，同時對于管道安全運行具有重要意義。

董紹華教授： 1972年生，中國石油大學（北京）教授，博士生導師，管道技術與安全研究中心主任。管道完整性與安全技術專家；第五屆國家安全生產專家組成員；國家質檢總局特種設備壓力管道技術委員會委員； NACE STAG 75 完整性技術專家委員會主席；北京石油學會理事兼石油應用與儲運專業委員會主任；擔任2017年國家重點研發計劃“公共安全專項”國家儲備庫安全項目首席。主要研究方向為管道完整性管理技術、管道安全評價技術、管道信息大數據工程技術等。曾獲省部級獎勵25項，參與編制行業、企業技術標準40余部，發表學術論文90余篇。