LNG接收站焊縫射線智能檢測算法優化研究

0 引言

近年來，現代工業、制造業的水平不斷提高，焊接技術也在不斷進步，已成為工業制造領域不可或缺的技術，并且在廣泛地應用于各類細分領域，如石油天然氣、核工業、建筑等，擁有巨大的工程量及測量。對于焊接構件來說，它的焊接質量決定了工件的安全性與其有效年限。為了確保焊接工件在如此眾多的應用領域的質量以及安全性，防止意外情況產生，對焊接工件進行缺陷檢測，尤其是自動檢測就具有很大的研究價值與意義。

1 問題分析

在焊接過程中，由于物理環境或人為失誤的原因，焊接接頭在焊縫處形成的缺陷稱之為焊縫缺陷。在LNG站等焊接缺陷檢測領域，膠片X射線成像檢測是常規無損檢測常用的重要方法之一，這種方法穩定性較高，采集圖片的尺寸大，易于檢測判斷。在目前實際生產中，主要采取的審核方式是人工分析焊縫圖像，憑經驗確定有無缺陷及缺陷的類型、位置、尺寸等，由此評定焊接質量并給出相應的評級。這種傳統方法不可避免地要經歷人工選取特征的過程，耗時費力，而且特征的選取是否合理具有很大的主觀性，一定程度上影響了識別的正確率，容易影響缺陷的判別與定級的預測，無法滿足現代制造業對于焊接精度的需求。

隨著人工智能中計算機視覺的興起，使得圖像處理領域內有了很大的進步。利用計算機對焊縫圖像進行缺陷檢測，不僅可以有效地克服人工評定過程中主觀因素的影響，使最終的結果更客觀、準確，而且對于推動工業無損檢測的數字化具有重要的促進作用。

本文所提出的基于X射線圖像的焊縫缺陷檢測算法，就是替代傳統焊縫探傷檢測中人工閱片識別的步驟，消除其所帶來的弊端，提高效率和準確率。

2 算法研究

近年來，基于X射線圖像的焊縫缺陷檢測一直受到國內外研究者的關注，同時也取得了積極進展，目前的方法主要分為圖像處理和神經網絡兩大類型，簡析如下。

在傳統的圖像處理領域內，Ping Kuang提出了PCA構建模板算法，再通過匹配思路來提取焊縫缺陷，在模板與圖像中獲得相似性高的ROI區域，但由于缺陷的種類繁多，這種匹配的方法比較受限。Hassan提出高頻增強再濾波算法，通過改善圖像的對比度，突出缺陷區域，進而將缺陷提取

。上述的方法基本思路都是基于傳統的圖像處理方法，通過濾波或閾值調整的方式，來提取缺陷區域，但這種做法缺乏普適性，針對明顯缺陷的提取確實效果不錯，但實際應用中X射線的焊縫圖像灰度值高、特征不明顯，較難通過手動設置的方法得到不錯的性能。

本項目采用的目標檢測模型是基于Faster RCNN架構的優化模型。Faster RCNN是一個兩階段的模型，第一個階段是經過RPN結構提取目標物體的候選區域。第二個階段是將第一個階段得到的候選區域特征圖，經過兩個分支（分類和回歸缺陷區域框）得到最終的精調結果（分類和缺陷區域框）。骨干網絡特征提取的深度卷積層采用的是ResNet18+FPN的結構，此處引入FPN（Feature Pyramid Networks）的目的是為了增強對小物體檢測的性能，有助于在大圖中獲取小的圓形缺陷。根據數據的分布，首先用圓形缺陷的數據進行訓練，在調參訓練優化完畢后，切換到條形缺陷分支，將圓形缺陷得到最優模型的骨干網絡權重作為預訓練模型引入到條形缺陷進行訓練調優，再按照相同的步驟引入到嚴重缺陷的訓練調優中，多次迭代后即可獲得各自任務網絡的權重。

深度學習的概念由Hinton提出，Lecun等人提出了卷積神經網絡，通過多層網絡結構學習算法解決了“手寫數字識別”問題，再到Alexnet橫空出世，在圖像分類任務上有著質的飛躍。其中，物體檢測問題是計算機視覺中極為重要的基礎問題，也是解決場景理解、圖像描述、實例分割、物體跟蹤等問題的基礎。許多深受研究者追捧的網絡框架也相繼問世，如Faster-RCNN第一次做到了實時的物體檢測，具有里程碑的意義。隨后Kaiming He又提出了實例分割領域的重要成果Mask-RCNN

，大大促進該領域的發展。

基于上述研究基礎，本文認為借鑒計算機視覺領域的最新成果去解決LNG站點X射線焊縫缺陷檢測是個新的思路。

3 行業標準

3.1 缺陷檢測行業標準

在射線檢測領域有專門的行業標準來規范國內外的射線檢測任務，如國標與歐標。表1所示就是缺陷檢測中國標與歐標的對比，在本文中選用國標作為檢測與定級任務的標準。國標將缺陷類型分成了五類，但在實際應用中通常會分成圓形缺陷、條形缺陷、嚴重缺陷（裂紋、未熔合、未焊透）三大類。

“你們去找沙多里斯上校。”(沙多里斯上校死了將近十年了。)“我在杰弗生無稅可納。托比!”黑人應聲而來。“把這些先生們請出去。”

當實踐美學代替反應論美學的優勢在21世紀逐漸淡化時，和諧美學、超越美學、生活美學從人與他者的關系、人與現實的關系、人與自身的關系出發觸動社會實踐，引起社會實踐變革，更具有時代意義。這三類美學的成功說明，美學與實踐密切相關，將美學理論細致化、現實化，直接參與到社會現象的指引中，會更有益于美學教育的社會導向性。

圖1展示了四種典型焊縫缺陷的成像特點，分別是裂紋、未焊透、未熔合、氣泡缺陷。

3.2 缺陷定級行業標準

LNG站點主要用的九鎳鋼焊縫缺陷定級有嚴格的標準，在國標中共有四種質量等級，如表2所示。其中嚴重缺陷（裂紋、未熔合、未焊透）一經發現，即判定為最嚴重的IV級；圓形缺陷的評級根據板厚、評定區大小、評定區內缺陷點數決定；條形缺陷根據板厚與長徑決定。

此外，還要引入評定區的概念。它指的是在焊縫圖像中，找尋缺陷最密集的區域來作為整張圖像的定級區域，通常是一個可旋轉的矩形區域。評定區的大小根據板厚所決定，板材越厚則定級框尺寸越大。圓形缺陷的定級跟板厚、評定區、缺陷點數目有關，條形缺陷的定級跟板厚、長徑有關。

4 算法優化與實現

4.1 總體設計

在研究好行業標準，確定好缺陷檢測目標，并明確使用基于深度學習的檢測方法后，確立并設計檢測模塊的系統架構，如圖2所示。

高原牦牛大多生活在氣候嚴寒、地域復雜的缺氧地區，近些年隨著牦牛養殖規模的不斷擴大，出血性敗血癥的感染幾率也在升高。出現出血性敗血癥的主要原因包括以下幾種。

4.2 數據集準備

在決定使用基于計算機視覺的檢測算法作為解決方案后，著手進行數據準備，最終收集到上海某LNG項目公司提供的三批共560張九鎳鋼焊縫X射線數字化圖像。

缺陷檢測模塊的輸入為LNG儲罐焊縫區域探傷照片，輸出為缺陷類型與位置。這個模塊是該算法的核心，由于目標檢測算法可以識別物體的位置、類型，因此目標檢測滿足了本項目的算法目標需求。為了達到最優的檢測性能，將研究兩種不同的方案，設計、實現、訓練、測試這兩種方案，最終選擇性能最優的模型作為最終應用的檢測模塊算法。研究設定的指標是整體的檢測性能大于召回率80%。

3）如果圖中不存在缺陷且檢測出有缺陷，則此圖precision為0，recall不計算。

具體的網絡結構生成圖如圖4所示。

第一，朗讀屬于“閱讀”的目標和內容范疇。因此，我們不能狹隘地理解“朗讀”要求，必須將“朗讀”置于整個閱讀語境和情境中加以把握。

5例硬膜下積液自行吸收，7例演變為慢性硬膜下血腫；前者的積液量少于后者[(26.4±14.6)mL vs(80.0±52.3)mL, P=0.002]。演變為慢性硬膜下血腫的7例患者中，5例因血腫厚度>1.5 cm、出現顱高壓或神經功能障礙而進一步行鉆孔引流術；鉆孔手術平均于夾閉術后(9.1±3.8)個月(4～20個月)進行。進一步分析發現，硬膜下積液量越大，其演變為慢性硬膜下血腫的比例越高，慢性硬膜下血腫后須行鉆孔引流手術治療的比例也越高(表2)。

4.3 Weld-SSD單階段檢測算法

目前，基于深度學習的物體檢測算法大致分為一步法檢測器和二步法檢測器兩類。一步法檢測器在原圖上鋪設一系列錨點框，利用一個全卷積網絡，對這些錨點框進行一次分類和一次回歸，得到檢測結果。一步法檢測器則有YOLO、SSD、RetinaNet等，其中SSD（Single Shot MultiBox Detector）是一步法檢測器的集大成者。

由于在焊縫缺陷數據中，圓形缺陷占比最高，對圓形缺陷的研究更具有普適性，因此本算法模型主要研究焊縫圓形缺陷的識別。對于圓形缺陷，不同個體的大小變化較大，SSD的先驗框選擇就顯得尤為重要。因此，對于SSD模型需要進行一系列改進與優化，得到性能更好的Weld-SSD算法模型，主要改進點包括數據預處理與數據增強、用于檢測的特征圖選擇、先驗框的設計、損失函數設計等。

算法優化后，通過多輪測試，發現改進之后的Weld-SSD算法模型在裁剪圖上可以測得較好的結果，但在整圖上的結果卻不太理想，這與圖像本身的質量也有一定的關系。下文將嘗試利用雙階段的網絡來進一步優化算法。

4.4 Weld-RCNN雙階段檢測算法

相對于一步法檢測器，二步法檢測器多了額外的第二步。若在相同的條件下，如輸入、錨點框、機器等，一步法一般勝在高效率，而二步法則有更高的精度。現在各個檢測庫上排名靠前的算法，基本都是二步法。代表性的二步法檢測器有Faster R-CNN、R-FCN、FPN等，其中Faster R-CNN是奠基性工作，所有的檢測算法都是在它的基礎上改進的。二步法相對于一步法，多了后面摳特征并進一步分類和回歸，這一步一般比較耗時，但能顯著提升精度。

依托鄉土體育資源開展的陽光體育活動，改變了以往學生疲于應付，被動活動的局面，變“要我運動”為“我要運動”，使學生在文明和諧的氛圍中陶冶情操，鍛煉身體，讓學生轉瞬即逝的青春留下照亮終生的火花，讓學生的人生充滿了陽光，使他們無論是處于順境還是逆境，都能樂觀而不消極。

雖然有成熟的目標檢測框架可以使用，但LNG儲罐九鎳鋼焊縫缺陷檢測需要解決的問題與傳統圖片任務還是有區別。焊縫X射線圖像的灰度值很大、缺陷與背景的區分度不高，這會導致網絡訓練時的難度增加。另外，一張缺陷圖片中，正負樣本比例不均衡，缺陷區域往往很少而背景區域卻很大。同時，在標注數據中缺陷類型的比重不同，圓形缺陷的數目極多，而條形缺陷卻很少，嚴重缺陷的數目更是降低了兩個量級。此外，圓形缺陷的尺寸相對較小、條形缺陷的尺寸相對很大，導致基于錨點（Anchor）機制的模型在尺度變換上容易出問題。上述的諸多問題均需要在網絡結構上進行優化設計，經過一系列的改進與優化，得到最終的設計算法方案，主要包括四個模塊，具體如下：

1)主干網絡設計

至于收獲，則是一位夢幻般的女子出現在了畫家的生活當中，她的名字叫伊麗莎白·埃莉諾·希達爾。羅塞蒂驚異于她天使般的容貌與冰清玉潔的氣質，將其視作自己的比阿特麗絲，并將她陸續幻化成眾多浸沐在中世紀圣潔光輝下的女性。羅塞蒂的奇特在于其從身到心都沉浸在了藝術中，他無法像其他人一樣，將生活和夢幻彼此分開，故而他對希達爾傾注的愛也異常奇特：他將心中的“利茲”(羅塞蒂對希達爾的昵稱)完全地理想化了，圣靈化了。而這位戀人的順從也使她像極了皮革馬利翁雕刻的加拉太。如此，他們的愛情竟罩上了一層超世俗的、唯靈的色彩。這兩件事情共同催化，遂使羅塞蒂的畫風一意朝著現實的反方向前行，終于徹底走進了神秘的詩性境界。

近些年，深度學習正在飛速發展，許多研究者引入神經網絡結構來替代傳統處理方法的局部模塊來提升性能。通過視覺掃描、區域差運算、焦點搜索后確定可疑區域，再通過深度學習網絡來提取特征識別，雖然引入了深度學習的思想，但未做到端到端的訓練，不利于模型的訓練

。有研究將整圖切分成若干等寬高的圖片，再利用深度神經網絡來提取特征最后進行分類，除最初始的切分都采用了神經網絡結構

。上述應用到神經網絡的研究均局限于部分模塊，這樣造成了應用場景的局限以及性能提升不明顯，另外也沒有引入最先進的計算機視覺領域的任務手段來解決缺陷檢測與分類，因此還有較大的性能提升與算法優化的空間。

2)錨點機制優化

錨點機制是兩階段目標檢測網絡中常用的提取目標區域的處理算法，預設不同大小與尺度的錨點框，通過選中特征圖的中心點利用滑動窗口進行滑動，通過錨點框的相應逆向推導在原圖上的目標物體的區域。由于算法模型采用了多任務網絡，因而每個任務上預測的物體已經確定，那么相應其大小與尺度也確定。本項目無需再使用預設多類尺度大小的框來進行每個分支單獨的預測，只需在特定的分值設置特定大小的錨點框即可。錨點的選擇要根據所要識別的目標大小而定，在統計出各類缺陷數據大小與尺度的分布，即可根據此來設計錨點的參數。氣孔缺陷的大小普遍較小，且長寬比變化不大，所以最終使用的錨點大小為[8，16，32，64]，錨點尺度采用[0．5，1，2]。條形缺陷與嚴重缺陷的大小普遍較大，且長寬比變化明顯，所以算法模型最終使用的錨點大小為[24，48，64，96]，錨點尺度采用[3，5，7，9]。

3)損失函數的設計與優化

藻細胞周邊的水分由于受到藻細胞的束縛，其性質和未受到束縛作用的自由水有差別。藻泥中的水可被分為2種：由于藻細胞固體物質的存在導致其性質發生變化的束縛水和性質不受固體物質影響的自由水［12］。含水物質（如市政污泥）中的束縛水不能通過傳統的脫水方法（如離心、絮凝或過濾）被脫除。

9.價值觀等方面的認知錯亂。多元文化使學生價值觀形成多元化，在面對價值觀的判斷和選擇時，統一的標準難以形成，引起在價值觀等方面的認知錯亂。

在損失函數上進行一定的調整，第一階段，RPN的分類采用的是二類交叉熵損失，RPN的缺陷框回歸損失采用的是Smooth L1 Loss。第二階段，分類分支采用的是二類交叉熵損失，缺陷框回歸分支采用的是Smooth L1 loss。針對正負樣本不均衡的問題，在計算損失函數時使用了在線難例挖掘（Online Hard Example Mining）。在線難例挖掘是指在訓練過程中，針對難區分的樣本將它們抽出來再次回傳訓練，通過不斷增強網絡對這類樣本的訓練會提升處理難例的性能。

在標注數據完畢后，將圖片按照4:1:1的比例劃分為訓練集、驗證集、測試集。訓練集指用于訓練模型與確定模型權重的數據，驗證集用于確定網絡結構以及調整模型的超參數，測試集用于測試模型的泛化能力。本項目在訓練集、驗證集中進行訓練與驗證，在測試集中來模擬真實檢測場景，輸入整張片后檢測與測量缺陷，給出最終的定級。

LNG儲罐九鎳鋼板的X射線圖尺寸均在2 000×8 000左右，如此大的圖片無法直接用于訓練。另外，標注信息與圖片數目均不夠（缺陷圖片僅有560張），因此數據增強必不可少。通過在原圖上平行滑動裁剪，以一定的尺寸均勻向右、向下進行滑動窗口式的切分（步長為50像素，窗口大小為512×512像素）；平移，對圖片進行上下左右的平移；翻轉，對圖片進行上下的翻轉；旋轉，對圖片進行0～180°的旋轉；噪聲，對圖片加入隨機噪聲等，通過上述數據增強方式，將數據量擴增160倍，應用于模型訓練的數據量為90 000張。

優化后的Weld-Faster-RCNN的深度學習框架實現工具主要包括Tensorflow，Keras，Python。數據集需要準備每張原始圖片與對應的邊界框標注文件(．xml)文件，圖3為示例。

數字化焊縫圖片不具有標注信息，按照數據準備的設計方案，聘請了焊縫缺陷識別領域的專家給焊縫圖像進行缺陷標注。為了方便標注人員標注并提升效率，在進行標注時只是將缺陷用矩形框標出，在X射線焊縫圖像中缺陷位置畫外接矩形，并將缺陷類型和外接矩形左上角和右下角坐標（Xmin，Ymin，Xmax，Ymax）寫入xml文件中。

評測方法：

1）對于測試集中的每張圖片單獨計算Precision和Recall（IOU=0．3）。

2）如果圖中存在缺陷且檢測出缺陷為0，則此圖precision不計算，recall為0。

糖尿病腎病和其他的慢性并發癥一樣,缺乏有效的治療手段,見對患者及家庭和社會均構成嚴重的損害,同樣以預防為主。從預防糖尿病的發生開始,早期發現血糖升高,早期控制,同樣強調綜合的糖尿病管理對于預防糖尿病腎病至關重要。

4）如果圖中不存在缺陷且檢測出缺陷為0，則此圖precision為1，recall不計算。

5）最終的結果為所有圖precison和recall的均值。

通過對目標算法進行充分測試，并根據不同的優化方式設置對照實驗，實驗結果如表3所示。

（1）廣州市湖泊、河涌、航道與入海口地表水體溶解相中合成麝香濃度較高，HHCB、AHTN、MK的質量濃度分別為0.72~3051.36、0.51~569.43、0.05~382.61 ng·L-1；而顆粒相中的濃度相對較低，HHCB、AHTN、MK的質量濃度分別為0.24~115.40、0.12~22.40、0.02~2.15 ng·L-1；無論是溶解相還是顆粒相，HHCB的濃度均遠高于AHTN和MK。與國內外河流相比，廣州地表水的合成麝香濃度偏高，可能與廣州臨近入海口，人口密集，城市水體污染嚴重有關。

通過上述測試結果，可以看出基于目標檢測算法的最優模型是以Faster-RCNN為架構，再引入在線難例挖掘機制以及改進了錨點機制和骨干網絡后得到的模型，此模型在氣孔上可以達到RC=88．5%，PR=80．3%。

在當下，部分參與工程投標的企業為了能夠在招投標中增加自身企業的競爭以及優勢，沒有對項目進項詳細的成本運算以及對施工現場進行勘察的基礎上就盲目地對油田項目進行報價，而且為了能夠將項目掌握在自身企業中，將投標的報價進行無底線的壓縮，導致工程項目即使中標其建設的效益也不會很高，對于這種方式的競標還有一種弊端就是，盲目的報價中標之對工程的建設質量也缺乏保障，因為企業所看中的是其中的經濟利益，所以，往往會對中標的項目在施工中出現偷工減料的現象，導致工程的質量以及工程項目的使用壽命得不到保障，嚴重時更會造成倒塌等安全事故。投標單位盲目報價還會造成投標企業互相報復性惡性報價的不良后果，對招標活動危害甚大。

臨床藥師主導的慢性病管理在提高老年高血壓患者對藥物了解程度方面的作用 ………………………… 武丹威等（23）：3251

算法測試過程中，針對LNG儲罐九鎳鋼焊縫數據的特點，還進行過以下嘗試：

1)對輸入圖像進行預處理讓缺陷部位更加明顯，例如直方圖均衡化、線性變換、對數變換等。

2)針對數據的規模對網絡模型的大小進行調整，例如對主干網絡的通道數、第二階段網絡的參數量等進行調整。

3)兩階段分開訓練。

4)在主干網絡使用FPN的前提下，第二階段從同一特征圖中提取特征。這些嘗試對最終結果均沒有改善。

5 結論

通過對經典目標檢測算法進行優化研究，經過數據增強、修改骨干網絡、添加FPN、改進錨點機制以及采用OHNM均能對算法性能有所改善。后續在LNG等工程應用領域，通過計算機對焊縫圖像進行缺陷檢測，不僅可以有效克服人工評定過程中主觀因素的影響，確保最終檢測結果更客觀、準確，還有助于推動工業無損檢測業務的在線化、協同化和數字化，對檢測機構、業主單位等都能起到提質增效的積極作用。

［1］Win M，Bushroa A R，Hassan M A，et al.A contrast adjustment thresholding method for surface defect detection based on mesoscopy［J］.IEEE Transactions on Industrial Informatics，2015，11（3）:642-649.

［2］王欣，高煒欣，武曉朦，王征，李華.基于模糊模式識別的焊縫缺陷圖像檢測［J］.西安石油大學學報（自然科學版），2016（4）.

［3］張盼，陳志東，李曉旭，李鵬程，洪戈，付饒，李琳，張寧.基于小波變換的X射線數字圖像焊縫缺陷邊緣檢測［J］.管道技術與設備，2016（3）.

［4］He K，Gkioxari G，Dollar P，et al.Mask r-cnn［C］//Proceedings of the IEEE international conference on computer vision.2017:2961-2969.