基于多數(shù)據(jù)融合和小波分解的油氣管道缺陷檢測方法研究

姚建軍

(中國石化集團(tuán) 勝利石油管理局有限公司，山東 東營 257000)

管道傳輸石油和天然氣是最安全和最高效的方式之一，由于受管道使用年限和周圍環(huán)境等因素的影響，管道傳輸過程中會(huì)產(chǎn)生各種缺陷問題，比如產(chǎn)生管道穿孔和表面腐蝕等現(xiàn)象，以至產(chǎn)生管道損壞和油氣泄漏，造成安全隱患[1-4]。為確保安全生產(chǎn)，相關(guān)單位在開展油區(qū)綜合治理工作時(shí)需對(duì)油氣輸送管道進(jìn)行定期巡檢，及時(shí)發(fā)現(xiàn)并快速處理潛在的安全隱患。傳統(tǒng)巡回檢查方式主要依賴于巡檢人員的責(zé)任心和不定期的掛牌、現(xiàn)場抽檢等監(jiān)督手段，但是人工方式存在著管網(wǎng)長而復(fù)雜、設(shè)施繁多、巡檢人員分散等缺點(diǎn)[5-7]，因此采用有效的監(jiān)測方法和技術(shù)手段對(duì)石油管道進(jìn)行定期、快速和自動(dòng)檢測至關(guān)重要。

近年來，隨著國家對(duì)管道安全的重視，針對(duì)管道的缺陷檢測也逐漸成為了一個(gè)重要的研究領(lǐng)域[8]。周琰等人提出了一種基于Mach-Zehnder光柵干涉儀原理的分布式光纖管道泄漏檢測方法[9]，利用分布式傳感器檢測管道周邊是否存在泄漏信號(hào)，并在實(shí)驗(yàn)中得到了不錯(cuò)的檢測效果，但是該檢測方式需要鋪設(shè)光纜，在實(shí)際工程中往往無法滿足該要求。安陽等人提出將相位敏感時(shí)域反射計(jì)應(yīng)用于管道泄漏檢測[3]，該方法通過分析瑞利散射曲線的變化來對(duì)管道的實(shí)時(shí)運(yùn)輸狀態(tài)給出預(yù)警信息，實(shí)驗(yàn)結(jié)果表明： 該方法的誤差可以控制在10 m左右，但是實(shí)驗(yàn)結(jié)果的依據(jù)是通過人工挖掘進(jìn)行檢測。楊理踐等人采用直流勵(lì)磁的方式對(duì)管道內(nèi)壁進(jìn)行檢測[10]，通過實(shí)驗(yàn)數(shù)據(jù)對(duì)管道的泄漏強(qiáng)度與內(nèi)壁的厚度之間建立對(duì)應(yīng)關(guān)系，以此設(shè)定閾值判定是否發(fā)生泄漏或腐蝕等現(xiàn)象，但該方法成本高，而且適用性差。王永雄等人通過提取管道的幾何特征來判定管道和缺陷區(qū)域[11]，采用智能控制算法來實(shí)現(xiàn)管道機(jī)器人的自主導(dǎo)航，提升了管道檢測的自主性。Rashid S等人將機(jī)器學(xué)習(xí)算法應(yīng)用到管道檢測領(lǐng)域[12]，并同時(shí)比較了支持向量機(jī)、高斯混合模型以及貝葉斯算法等的檢測效果。雖然目前管道泄漏檢測方式有很多種，但是沒有一種檢測方式具有普適性，而且實(shí)施起來較復(fù)雜，后期維護(hù)需要付出更多的人力，增加了維護(hù)成本和人力成本。

本文提出基于多數(shù)據(jù)融合與小波分解的方法進(jìn)行油氣管道缺陷檢測，采用無人機(jī)[13]和紅外熱成像技術(shù)[14]實(shí)現(xiàn)對(duì)管道區(qū)域的無接觸采集，避免了巡檢人員的不定期的自動(dòng)現(xiàn)場排查，并通過圖像處理技術(shù)來自動(dòng)識(shí)別管道區(qū)域，進(jìn)而準(zhǔn)確自動(dòng)定位并標(biāo)記缺陷區(qū)域。

1 油氣管道缺陷巡檢平臺(tái)

油氣管道缺陷巡檢平臺(tái)根據(jù)油氣管道巡檢的需求定制開發(fā)，可實(shí)現(xiàn)巡檢任務(wù)制訂、巡檢過程監(jiān)控、巡檢結(jié)果采集、巡檢報(bào)告生成等功能。本文所提出的算法都是基于該平臺(tái)實(shí)現(xiàn)的，巡檢平臺(tái)的人機(jī)交互界面如圖1所示。

圖1 油氣管道缺陷巡檢平臺(tái)示意

在平臺(tái)使用過程中，利用無人機(jī)的紅外相機(jī)按照既定的飛行路線將管道圖像實(shí)時(shí)采集，最大程度地避免了人工參與檢測過程，從而提升了檢測效率并減少了人力成本；實(shí)時(shí)采集的紅外圖像經(jīng)過移動(dòng)終端傳輸?shù)窖矙z平臺(tái)，采用本文提出的預(yù)處理算法和多數(shù)據(jù)融合算法對(duì)其進(jìn)行實(shí)時(shí)處理，得到檢測結(jié)果并實(shí)時(shí)存儲(chǔ)。若發(fā)生管道泄漏等事故，則發(fā)送報(bào)警信息至相關(guān)人員及時(shí)進(jìn)行處理。

2 檢測原理

2.1 改進(jìn)的加權(quán)中值濾波算法

根據(jù)油氣管道紅外圖像的特點(diǎn)，背景區(qū)域的像素值占絕大部分，在圖像的大部分區(qū)域是具有相同的像素值且在圖像中成片出現(xiàn)；只有在缺陷區(qū)域和隨機(jī)噪聲區(qū)域等過渡區(qū)域的像素值有較大的變化，因此本文采用加權(quán)中值濾波算法。

中值濾波是非線性空間濾波方法，依賴于快速排序算法，能夠有效地減少隨機(jī)噪聲和脈沖噪聲的干擾；但是其運(yùn)算過程需要進(jìn)行大量的排序工作，計(jì)算量非常大，其算法復(fù)雜度不能滿足實(shí)時(shí)性要求。趙高長等人提出的加權(quán)快速中值濾波算法[15]，考慮了濾波模板滑動(dòng)時(shí)無論是向下還是向右移動(dòng)時(shí)都只會(huì)改變?yōu)V波窗口1列像素值，所以在進(jìn)行計(jì)算時(shí)只需要對(duì)比移出的1列像素值和增加的1列像素值是否相同，由此來減少計(jì)算量。本文在加權(quán)快速中值濾波算法的基礎(chǔ)上進(jìn)行了改進(jìn)，進(jìn)一步提升了檢測效率，改進(jìn)后的加權(quán)快速中值濾波算法如圖2所示。

圖2 改進(jìn)后的加權(quán)快速中值濾波算法示意

圖2中以3×3濾波窗口為例，對(duì)圖像做中值濾波處理時(shí)，對(duì)a1,a2,a3以及另外6個(gè)像素點(diǎn)重新排序，取中間位置的元素值作為輸出值A(chǔ)1；當(dāng)向右移動(dòng)1列時(shí)，a1,a2,a3這1列像素值移出，增加了b1,b2,b3 3個(gè)像素點(diǎn)，而新的輸出值A(chǔ)2只需要考慮a1,a2,a3和b1,b2,b3的關(guān)系，避免了大量的運(yùn)算步驟，同時(shí)引入了傳統(tǒng)均值濾波算法的思想。本文在加權(quán)快速中值濾波算法[15]基礎(chǔ)上又進(jìn)行了部分改進(jìn)，在其原算法的基礎(chǔ)上又考慮到像素點(diǎn)之間的對(duì)應(yīng)關(guān)系及其他相關(guān)性，算法具體步驟如下。

若移出和新增加的像素點(diǎn)關(guān)系如下：

(1)

1)如果移出的像素點(diǎn)a1,a2,a3和新增加的像素點(diǎn)b1,b2,b3滿足以上條件，則輸出值A(chǔ)2直接用A1代替；如果不滿足，則進(jìn)行下一步。

2)求出在當(dāng)前濾波窗口下的均值濾波和中值濾波的值，分別用f1(x,y)和f2(x,y)表示。

3)分別賦予f1(x,y)和f2(x,y)不同的權(quán)重(中值的權(quán)重為0.3，均值的權(quán)重為0.7)，使用得到的新值f(x,y)作為輸出值：

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

(2)

4)得到濾波后的新像素值后，將濾波窗口右移計(jì)算(x+1,y)的值。

2.2 管道區(qū)域定位

由于采集到的圖像大部分都是背景區(qū)域，采用二值化算法處理后的圖像無法將檢測區(qū)域和背景區(qū)域完全區(qū)分開，因此嚴(yán)重影響識(shí)別的準(zhǔn)確率和檢測效率。為了消除背景區(qū)域?qū)艿罊z測區(qū)域的影響，選取部分突出特征來自動(dòng)定位管道區(qū)域。根據(jù)管道區(qū)域的特點(diǎn)，分別采用檢測區(qū)域的等效橢圓長軸半徑(RA)、緊密度(CP)、管道中心區(qū)域的行坐標(biāo)、管道中心區(qū)域的列坐標(biāo)、矩形度(RG)以及面積等6個(gè)特征來對(duì)管道區(qū)域和背景區(qū)域進(jìn)行區(qū)分。其中RA的計(jì)算公式為

(3)

式中：M20,M02,M11——圖像的二階矩，其表現(xiàn)了管道區(qū)域的幾何特征，在本文中由moment_region_2d算子計(jì)算得到，提取的管道區(qū)域的RA的特征區(qū)間為6.725～36.039。

CP是計(jì)算1個(gè)區(qū)域的密集程度，采用圓形作為基礎(chǔ)進(jìn)行計(jì)算，具體的計(jì)算公式為

CP=LT2/(4πAR)

(4)

式中：LT——管道區(qū)域的周長；AR——管道區(qū)域的面積；π——圓周率。LT和AR由area_center和contlength算子計(jì)算得到，本文中提取的CP特征區(qū)間為1.132～20.000；其他的特征取值區(qū)間都可計(jì)算獲得，具體的參數(shù)見表1所列。

表1 管道區(qū)域多個(gè)特征的取值區(qū)間

2.3 多數(shù)據(jù)融合缺陷定位方法2.3.1 檢測流程

針對(duì)單一邊緣檢測算法在圖像分割中的精度較低的問題，該方案采用圖像分割融合技術(shù)，分別使用Sobel算子和Canny算子對(duì)同一幅紅外管道圖像做處理，然后將不同的邊緣檢測圖像對(duì)應(yīng)的同一個(gè)像素點(diǎn)加權(quán)平均，融合成為1幅新的圖像，并對(duì)新圖像進(jìn)行Haar小波分解，得到低頻分量和高頻分量，對(duì)高頻分量進(jìn)行分析，然后定位管道缺陷區(qū)域。具體的檢測流程如圖3所示。

圖3 多數(shù)據(jù)融合方案的檢測流程示意

本文使用不同的圖像邊緣檢測算子對(duì)不同的紅外管道圖像的檢測時(shí)間做對(duì)比，結(jié)果見表2所列。為了提升方案的檢測效率，本文采用Sobel邊緣算子和Canny邊緣算子對(duì)油氣管道圖像做處理，然后進(jìn)行多數(shù)據(jù)融合。

表2 不同邊緣檢測算子的檢測時(shí)間對(duì)比結(jié)果 s

具體檢測方案如下：

1)分別應(yīng)用Canny算子和Sobel算子對(duì)圖像進(jìn)行邊緣提取。

2)對(duì)提取邊緣信息后的圖像進(jìn)行融合處理，選取合適的權(quán)值對(duì)得到的邊緣圖像進(jìn)行疊加。

3)對(duì)新圖像進(jìn)行Haar小波分解，分別得到新圖像的低頻分量和3個(gè)高頻分量，對(duì)高頻分量進(jìn)行分析。

4)高頻分量即噪聲區(qū)域或缺陷區(qū)域，而紅外圖像中溫度異常區(qū)域與高頻分量相吻合的區(qū)域，即為缺陷區(qū)域。

2.3.2 多數(shù)據(jù)融合原理

當(dāng)管道發(fā)生泄漏時(shí)，泄漏點(diǎn)附近會(huì)產(chǎn)生溫度突變，該溫度變化以梯度形式向管道兩端傳播。構(gòu)建沿管網(wǎng)的溫度分布函數(shù)曲線，通過分析管道上溫度信號(hào)的變化進(jìn)行故障定位。管道出現(xiàn)泄漏的溫度突變點(diǎn)，其變化過程近似于階躍函數(shù)或斜坡函數(shù)，α∈(0, 1)，小波變換模極大值將隨著尺度增加而增大。但是，對(duì)于噪聲和雜波，其信號(hào)近似于δ函數(shù)，α∈(-1, 0)，小波變換模極大值將隨著尺度的增加而減小，即信號(hào)和噪聲在小波變換各尺度上的模極大值具有截然不同的傳播特性。根據(jù)該規(guī)律，可以區(qū)分泄漏的突變點(diǎn)和白噪聲點(diǎn)；設(shè)g(t)為光滑函數(shù)，且滿足條件：

(5)

又設(shè)g(t)為高斯函數(shù)，即：

(6)

(7)

(8)

由上述推導(dǎo)可見，Wp(α,τ)與p(t) 經(jīng)gaτ(t)平滑后的導(dǎo)數(shù)成正比，而對(duì)某尺度α，Wp(α,τ)沿著時(shí)間軸t的極大值對(duì)應(yīng)p(t)gaτ(t)的突變點(diǎn)，因此若gaτ(t)的等效寬度足夠小，則Wp(α,τ)的局部模極大值對(duì)應(yīng)于信號(hào)奇異點(diǎn)的位置。尺度越小，平滑區(qū)域越小，在小尺度下小波系數(shù)受噪聲影響很大，因此會(huì)產(chǎn)生很多偽極值點(diǎn)，而在大尺度下信號(hào)的極值點(diǎn)就相對(duì)比較穩(wěn)定。因此，采用小波變換判斷奇異點(diǎn)前，首先采用多邊緣圖像融合的方式會(huì)比較準(zhǔn)確。

3 實(shí)驗(yàn)結(jié)果

本文提出的方法借助于無人機(jī)巡檢系統(tǒng)得以實(shí)現(xiàn)，并實(shí)時(shí)對(duì)采集的紅外管道圖像進(jìn)行檢測，以此來驗(yàn)證本方案與其他檢測方式的優(yōu)劣。實(shí)驗(yàn)中使用紅外相機(jī)采集到的紅外管道圖像作為檢測對(duì)象，對(duì)1 000幅存在缺陷的管道圖像進(jìn)行檢測，并采用不同的濾波窗口(3×3，5×5和7×7)計(jì)算該檢測方案的準(zhǔn)確率。3種檢測方案在不同的濾波窗口下得出的準(zhǔn)確率對(duì)比結(jié)果見表3所列。

表3 3種檢測方案在不同的濾波窗口下得出的準(zhǔn)確率對(duì)比

從表3中可以看出，本文所提出的檢測方法在準(zhǔn)確率上是優(yōu)于其他2種檢測方法的，并且該方案在改進(jìn)的加權(quán)中值濾波算法的濾波窗口為5×5時(shí)檢測效果達(dá)到最好；而且同時(shí)也驗(yàn)證了本文提出的預(yù)處理方案的最佳濾波窗口為5×5，因?yàn)槠渌?種檢測方案也是在該濾波窗口下檢測效果達(dá)到最佳。同時(shí)，對(duì)3種檢測方案的最佳準(zhǔn)確率情況下所耗費(fèi)的檢測時(shí)間做了對(duì)比，對(duì)比結(jié)果如圖4所示。從圖4可以看出，該方案的檢測效率也要優(yōu)于其他2種檢測方案。

圖4 3種檢測方案的檢測時(shí)間對(duì)比示意

4 結(jié)束語

本文提出了一種基于多數(shù)據(jù)融合和小波分解的油氣管道缺陷檢測方案，并搭建了一套完整的無人機(jī)管道巡檢系統(tǒng)。首先利用無人機(jī)和紅外相機(jī)對(duì)管道圖像進(jìn)行實(shí)時(shí)分段采集，并采用改進(jìn)的加權(quán)中值濾波算法對(duì)紅外圖像進(jìn)行預(yù)處理，然后根據(jù)綜合特征自動(dòng)定位出管道區(qū)域；然后對(duì)處理后的圖像分別做Sobel邊緣檢測和Canny邊緣檢測，采用合適的加權(quán)因子對(duì)其進(jìn)行融合，利用Haar小波將其分解得到高頻分量，高頻分量和紅外圖像中溫度異常區(qū)域重合的部位即缺陷區(qū)域。實(shí)驗(yàn)結(jié)果表明，該方案在濾波窗口為5×5時(shí)準(zhǔn)確率高達(dá)97.8%，檢測效率可達(dá)0.090 5 s/幅。