石油管材螺紋檢測研究

蘇君東 張保軍 王靜靜

摘要：石油管材螺紋檢測采用三角鐳射影像量測，透過CCD鏡頭取樣圖像進行實驗與探討，于影像量測部分，首要條件是分割出影像中選定區域（簡稱ROI），采用形態學方式對影像進行膨脹或侵蝕方式，達到過濾噪聲的效果，之后再用二值影像定位區域的磨損變形等狀況。

關鍵詞：石油管材;螺紋;鐳射;檢測研究

1整體架構

系統架構主要可區分為四個階段，分別為石油管材螺紋影像屏蔽生成階段、影像分割階段、單一螺牙影像量測階段、螺牙實際值換算階段[1]，基于以上四個階段的結果，本文系統主要有兩個不同的應用，能夠對不同尺寸螺紋鐳射影像進行分割成為單一螺牙影像，而后再針對單一螺牙影像進行量測。

2石油管材螺紋屏蔽影像生成

利用影像分割模型的相關以往研究[2]，雖然所使用的技術背景完整，但對于不同的資料，還是會有許多問題需要克服，才能有良好的檢測成果，所以需要詳細從影像前處理至訓練階段到測試階段，依序講解改進之處與核心方法。將影像分割程序分為影像前處理、脫機訓練和測試三個階段。

2.1影像前處理

使用的石油管材螺紋主要有牙峰間距2.0mm、1.5mm、1.25mm、1.0mm等多種不同規格石油管材螺紋，而螺紋影像分辨率為1600×1200像素，于訓練前會先制作卷標圖片，將螺紋影像及其卷標圖片兩兩計為一組。全部數據集中包含訓練數據共有17287組、驗證數據2732組。

影像前處理程序有數據擴增、影像縮放、影像歸一化，使用的數據擴增方式主要有兩種：（1）隨機旋轉圖片，將選用5到10度內的角度旋轉，因經由所有訓練數據觀察，整體數據若有角度變化皆在這個區間內，（2）隨機改變圖片色相明亮度飽和度，改變色相為0.4到1.6的隨機倍率縮放;改變色相為0.4到1.6的隨機倍率縮放;改變飽和度為0.4到1.6的隨機倍率縮放，改變明亮度為0.9到1.1的隨機倍率縮放。

接著會進行影像的縮放，縮放至模型窗口的輸入大小，采用的是雙線性插值法，將影像縮放至深度學習模型輸入大小，最后進行影像歸一化，影像歸一化將會利于影像分割網絡的訓練，而歸一化需要用到數據集的平均值與標準偏差，則是先行利用整個訓練數據集進行計算。

2.2訓練影像分割模型

采用Enet分割網路架構，而在訓練過程中網路架構超參數的設計會直接影響最后訓練的成果[3]，采用交叉熵函數做為訓練用的損失函數，優化器采用加入動量的SGD優化器，動量超參數設定為0.9;而學習率的超參數，選擇使用周期性學習率，初始設定為0.001，而周期性學習率會隨著訓練周期而下降至0.000001，使得整體學習曲線平滑，且能增加收斂速度，而批次量與最高迭代次數，則會受限于硬件，則分別設定為12組數據與20次。

研究采用k折交叉驗證，選用k值為5，于是將數據集分為5組，當用其中一組驗證時采用其余4組進行訓練，經由交叉驗證能使確保我們訓練出穩定的模型。

然而模型在經由第一次訓練后，其檢測結果不盡理想，經過分析后發現是標記的二值化圖片中的目標白色區域占圖片比例過少，造成整體訓練用的標記影像前景與背景樣本是不均勻的，所以需要修改損失的函數，使得在計算目標白色區域的損失時經過加權，會促使模型更加注重目標區域的分割，藉此方式提升分割準確度。

經過修改損失函數后，由表1可看到誤差下降了許多，在鐳射區塊的定位上更加準確，在修改損失函數前雖然鐳射區塊的大小正確，但位置不夠準確，單一螺牙目標分割可能沒有太大差異，在多目標的鐳射區塊分割上，分割準確率明顯的提升，結果圖片右下角有些微錯誤分割的情況，但我們能透過影像分割程序來過濾多余分割的部分，進而得到分割定位準的單一螺牙圖片。

2.3 剪枝影像分割模型

用Enet作為影像分割模型，雖然其性能優異，但影像分割模型參數量較多，以類神經算法的角度而言則是神經元數量較多[3]，但并非每個神經元皆能夠對輸出結果產生影響，將深度壓縮的概念應用于系統中，來刪減過多的神經元，在不影響類神經網絡精確度的條件下，進行模型剪枝，提升整體運行速度。Enet整體架構，可以得知瓶頸模塊為Enet最主體架構且使用頻率最高，所以對瓶頸模塊的部分進行模型刪減，但并不會刪減瓶頸模塊的層數，因實驗發現若刪減瓶頸模塊的層數將會影響模型分割的精確度。然而選擇刪減瓶頸模塊的信道數量，將瓶頸模塊的信道數量刪減，表2將會展示參數數量的刪減數量。

從表2中可以看出我們約刪除原Enet模型中37%、65%、83%、90%的參數量產生多種不同剪枝模型，這將會使得整體系統運行更快，且可以利用更少的儲存空間運行系統，但也會造成影像分割準確率下降，因此必須經由實驗選擇出速度與分割準確率中優化的結果。

3 影像分割處理程序

在藉由分割模型獲得螺紋屏蔽影像，我們需要利用此屏蔽來獲得單一螺牙影像的位置，藉由此坐標位置去分割原始影像及分割屏蔽影像，以供之后單一螺牙影像量測程序使用[3]。整體影像分割處理程序，首先將屏蔽影像進行連通區域標記，接著計算出各個標記所占的面積，將面積過小的標記刪除，即可保留含有螺牙位置的標記，再將剩余的標記進行坐標計算，接著系統會判斷坐標的組數，若為多個坐標需要進行排序，接著利用排序過的坐標，來分割原圖與屏蔽圖，最終輸出兩者合并的結果。

3.1 過濾多余噪聲

在圖像處理問題中，倘若主要對象是同一區域，則可利用連通區域標記，將各個區域進行標記并統計該區域的面積大小，再利用面積大小將主要對象篩選。

對螺紋屏蔽影像而言，因我們主對象為螺牙區塊，若為單個螺牙，該區域面積會是各個區域面積中最大的，因此我們可利用連通區域標記方法，將外圍的噪聲消除。

3.2 螺牙坐標計算

過濾多余噪聲后的連通區域標記圖，我們會對此圖進行搜索，找尋螺牙的坐標位置，因為是仰賴前景進行搜索，所以將搜索的分割結果與原圖分割結果相對應，然而經實驗過后，我們發現原圖分割結果的信息稍嫌不夠，影響了最終的量測結果，經過分析后得知原圖中尚有些圖片信息被分割掉，出螺牙中牙峰牙底的相對位置，若是我們將此信息也納入考慮，將有助于我們提升量測準確度。

為了將螺牙相對位置信息納入考慮，我們將原始的坐標向外擴張由原本的位置加上自定義的擴張值來取得新的影像分割坐標，藉此獲得更多背景信息，但自定義的擴張值也不能過多，因增加擴張值也等同加入了許多噪聲，且做完擴張后會檢查坐標是否超出原圖，若超出原圖則會對坐標進行二次修正，將超出邊界的坐標修正至原圖邊界上，若在邊界值超出范圍則取邊界值為新的坐標值。

3.3 螺牙排序

使用連通區域標記進行搜索，依照卷標去獲得的最大面積的螺牙位置坐標，所獲得的多個螺牙坐標可能是亂序的，因此我們需要將螺牙坐標進行排序進行量測，因為此實驗所用到螺紋鐳射影像，因三角量測的關系，會呈現一定角度傾斜，也造成了螺牙是傾斜排列的，因此我們可以利用影像分割坐標中左上角的點與原點距離，即能進行排序，（x2，y2）坐標相較于（x1，y1）坐標離原點距離更遠，因此我們排序屬于（x1，y1）坐標組的為1號螺牙;屬于（x2，y2）坐標組的為2號螺牙，之后就能依照此順序作為量測的順序，即不會產生量測順序錯亂的問題。

4 總結

通過影像回歸模型的相關背景知識的運用所使用的技術背景完整，但對于不同的資料，還是會有許多問題需要克服，才能有良好的檢測成果，所以從影像前處理至訓練階段到測試階段，依序講解改進之處與核心方法。單一螺牙影像回歸程序分為影像前處理、脫機訓練和測試三個階段，先透過影像前處理將影像擴增和處理，再透過脫機訓練建構影像分割模型，再使用深度壓縮、整體學習技術，整并出最好的模型，最后進入測試階段，要和訓練階段一樣，將檢測影像縮放至與訓練模型窗口的大小相同并歸一化，最終會輸出螺牙坐標預測，以供螺牙實際值計算階段使用。

參考文獻：

[1]王瓊，趙世龍，孟昭.石油管材連接螺紋的無污染零排放表面處理研究[J].鋼管，2019（3）：63-67.

[2]劉慶.石油套管質量控制要點淺析[J].中國設備工程，2017（9）：34-36.

[3]閆凱，楊生斌，楊紅兵，等.煤層氣開發用加厚油管螺紋接頭損傷失效分析[J].理化檢驗-物理分冊，2017（4）：280-283.