擴徑管道直徑及圓度在線監測分析系統設計與開發研究

臧春華， 王海艦， 高興宇， 紀紅剛， 王 琨， 趙立新

（1.廣東省珠海市質量計量監督檢測所， 廣東 珠海 519060； 2.桂林電子科技大學， 廣西 桂林 541004）

0 引言

深海石油天然氣管道、石化/城市燃氣/建筑工程等鋼管管道在生產加工、 擴徑過程中要隨時對其直徑及其圓度進行檢測和分析，以即時調整生產工藝，保證擴徑管道的尺寸和圓度符合生產標準[1，2]。 現有的傳統管道直徑測量方法普遍采用卡尺、千分尺、卷尺、周徑尺等手工測量量具對擴徑管道直徑進行直接測量， 然而這類直接測量方法受生產環境、 量具精確度和操作人員因素的影響較大，測量精度低、速度慢、效率低，工人勞動強度大，無法充分反映整個大型管道的外徑情況[3]；采用大直徑測徑儀雖然可以適應不同直徑范圍的管道，且檢測精度較高，但其自身裝置體積龐大， 且整個裝置檢測過程中不能存在遮擋物，受環境影響較大，裝置體積龐大對多位置采樣來說，其移動的時效性受到很大程度的制約。 針對圓度的測量方法主要采用接觸式圓度儀和非接觸式圓度儀， 但是不論是接觸式圓度儀還是非接觸式圓度儀在測量的過程中，都需要相對的旋轉運動，大大限制了測量速度，幾乎不可能實現在線實時檢測。 因此，亟需開發一套擴徑管道直徑及圓度在線監測及分析系統。

本系統克服了傳統管道直徑及圓度檢測方法的缺陷與不足，利用雙軟尺搭配協同測量，并利用攝像頭進行視覺圖像數據信息的采集， 采用深度卷積神經網絡融合算法提高擴徑管道直徑的測量精度， 通過測量結果得到當前管道的周長后，便可計算獲取當前管道直徑；利用裝置所安裝的四個激光測距傳感器實現四軸同步掃描，快速、準確地獲取管道外壁離散點數據并進行最小內切圓和最大外接圓分析對比， 重構當前管道輪廓繼而完成管道圓度分析和實時監測。

1 總體結構設計

擴徑管道直徑及圓度在線監測及分析系統總體結構包括升降系統、直徑檢測系統、圓度檢測系統及人機交互界面，整體三維結構圖如圖1 所示。

圖1 系統整體三維結構Fig.1 Overall 3D structure of the system

首先安裝當前所需要檢測的管道后，利用升降系統調整管道中心位置，完成管道位置與角度的校準；利用直徑檢測系統即雙軟尺自動卡緊裝置，緊緊貼合管道外壁并利用攝像頭進行軟尺交叉刻度部分處圖像的采集，獲取當前圖片數據信息后，結合深度卷積神經網絡融合算法提高其檢測精度，獲取當前管道周長，根據管道周長計算得到管道直徑；利用圓度檢測系統即四個激光傳感器進行四軸同步掃描，實現管道外壁輪廓的重構及圓度的分析；利用人機交互界面，實時監測擴徑管道當前直徑及圓度。

1.1 升降系統

升降系統的設計主要考慮到針對于不同管徑的管道，其安裝高度會存在一定的差異，因此，為了使管道盡量處于檢測裝置的中心，便于測量直徑和圓度，采用能有調節高度的升降系統對裝置整體結構進行上下微調，以滿足測試要求。

1.2 直徑檢測系統

本項目直徑的檢測誤差不允許超過±0.5mm， 重復測量誤差不得超過0.2mm，要求的精度較高，且直接對直徑進行測量難度較大，高精度的直徑測量難以實現。 因此，本文提出了一種通過精確測量周長， 反推直徑的測量方法，如圖2 所示，分別采用兩套對稱的軟尺實現對管道外壁的環繞，軟尺的零點如圖2 所示，并分別向兩端數值逐漸增大。通過圖像采集裝置獲取兩端軟尺交叉的圖像，讀取數值，進行累加，最終獲取管道的外壁圓周，并通過公式間接推導出管道的直徑。

1.3 圓度檢測系統

圖2 擴徑管道直徑測量方法Fig.2 Diameter measurement method of expanded pipe

擴徑管道的圓度檢測方法如圖3 所示， 通過四個激光測距傳感器對擴徑管道外壁進行掃描， 得到管道外壁各采樣點相對于各激光測距傳感器的距離， 通過重構算法對管道外壁輪廓進行重構， 再將重構后的管道外壁圖形與最小內切圓和最大外接圓進行對比， 分析管道外壁輪廓的圓度信息。

2 深度卷積神經網絡模型

高精度的管道直徑、 圓弧度檢測結果是本技術的關鍵指標， 而不同的管道材質在工業生產過程中精準度差異較大，傳統神經網絡算法對管道的精度檢測參差不齊，穩定性差，具有很大的局限性。 基于此，我們構建了卷積神經網絡，建立不同尺寸下的圖像訓練樣本庫，通過訓練樣本庫實現對卷積神經網絡模型的搭建。 在管道直徑檢測裝置中，我們采用VGGNet 網絡結構，其中VGGNet 一共包含16 層神經網絡，含有5 層卷積層（包含ReLU 層），每一層卷積層之后都包含一層最大池化層， 最后三層為全連接層， 全連接層中的前兩層得到4096 個數據結果，而最后一層輸出1000 個數據，ImageNet 數據集的類別數是1000，然后通過Softmax 最后得到分類結果[4]。 在VGGNet 網絡中每層卷積層中包含2-4 個卷積操作， 其中，卷積核的尺寸為3×3，步長為1 個像素。 而池化層中尺寸為2×2，步長為2。 通過對比VGGNet 和AlexNet，可以看出，最大的區別就是降低了卷積核的尺寸，增加了卷積層的深度。

3 實驗驗證

結合本次設計的管道直徑及圓度的監測系統， 隨機選取一根待測管道，根據設定的檢測步驟，完成待測管道的安裝， 對整個裝置上電并開啟攝像頭及四個激光傳感器，將攝像頭采集的數據信息上傳至人機交互界面。同時進行深度卷積神經網絡模型的訓練， 完成深度卷積神經網絡模型的參數設定測試，如表1 所示，并根據檢測精度值確定最終卷積神經網絡模型的參數， 即選用組別6 時的參數即16 組卷積層的濾波器個數分別為20、30， 池化層濾波塊為2， 再利用已確定的神經網絡模型的訓練結果完成待測管道直徑的計算。 并根據激光傳感器所測得的數據將管道外輪廓擬合重構顯示在人機交互界面中，根據所測得的最大直徑和最小直徑獲取管道最大外接圓及最小內切圓， 將重構的管道輪廓與理想的最大外接圓與最小內切圓進行對比分析， 繼而獲取當前管道的圓度并計算當前檢測管道圓度的精度，進行多次重復實驗獲取最終檢測精度小于0.2mm， 即達到工業生產中管道擴徑中直徑與圓度的要求。

表1 深度卷積神經網絡模型的參數設定測試Tab.1 Parameter setting test of deep convolution neural network model

圖3 擴徑管道檢測方法及輪廓重構Fig. 3 Detection method and contour reconstruction of expanded pipe

5 結束語

本文根據管道在擴徑過程中的直徑及圓度的在線監測需求， 開發了一套擴徑管道直徑及圓度在線監測及分析系統， 實現管道擴徑過程中圓度及直徑的實時在線監測， 為管道擴徑過程中直徑及圓度的實時在線監測系統一種有效的技術手段。