输油气管道焊缝缺陷检测和识别方法研究现状

通过管路输送的方式进行原油和天然气传输是最经济和安全的途径之一，它传输距离远且损失较小，是石油工业得以规模化发展的有效途径。由于管道的生产完全依赖焊接工艺来完成，为了保证管道运行的可靠性，保障油气资源传输的安全性，保障国民经济利益不受损失，必须对焊管的焊缝质量予以检测。

1、无损检测方法

常见的无损检测方法包括：外观检查、X射线检测、超声波检测、磁粉检测和涡流检测等。为了得到准确的检验结果并有效的指导后续焊接工艺，需要对焊缝内缺陷的具体类别和位置做进一步确定，以往的评定方法从审阅胶片到监测工业电视都以人工评定为主，该方法主观性强，自动化水平低，劳动强度大，且当检测人员遇到质量较差的缺陷影像时很难对其做出正确的分析和辨识。

为了保证检测过程的客观化、科学化和规范化，许多专家学者提出将X射线检测图像进行数字化处理，利用图像处理技术增强检测图像的质量，并通过计算机评片的方式实现焊缝缺陷的自动识别。

X射线缺陷检测根据X射线在缺陷区域产生异样能量衰减的原理，通过胶片感光或者增强器显影等可视化的方法来判断工件中是否存在缺陷以及缺陷的位置和大小。

2、基于图像处理技术的缺陷检测

从X射线焊缝缺陷检测已有的研究来看，利用分割、聚类等图像处理算法进行缺陷分割检出的方法居多，国内外学者对此纷纷提出了很多卓有成效的算法，如：背景消除法、波形分析法、阈值分割法、数学形态学方法、聚类法和基于模版匹配的相似缺陷检测法等。

在焊缝缺陷的实时检测中，文献[1]针对厚壁工件在检测中实时性较差和图像信噪比低的问题，提出了基于双阈值分割背景消除法和平行焊接方向波形分析法，并通过算法融合的方式实现了焊缝缺陷的自动检测，实验表明该方法对每张图像的平均处理时间为17ms，能够满足在线检测系统对实时性的要求。文献[2]针对检测图像中焊缝和缺陷难于准确检测的问题，通过列灰度波形分析法确定了焊缝边界和缺陷所在的局部区域，并通过分水岭算法和Beamlet变换实现了缺陷的检测提取。阈值分割是较为常见的图像分割方法，比如：直方图阈值法、ostu算法、迭代法和自适应阈值法等。文献[3]介绍了分区域自适应中值滤波方法，作者根据图像不同区域灰度变化的特点进行不同方向上的一维中值滤波，弱化缺陷模拟出背景图像，然后采用合适的阈值从背景相减的图像中分割出了缺陷。

国外学者对此也进行了大量的研究，针对以普通“明确集”理论为基础的经典图像处理方法在检测低对比度的微小缺陷时效果差的问题，文献[4]通过使用局部图像特征的模糊推理方法实现了图像滤波，实验表明该方法在缺陷检测方面近乎于人类视觉水平。Alaknanda通过合适的阈值选取后利用Canny算子确定了焊缝缺陷边界，并采用数学形态图像处理的方法实现了缺陷检测[5]。

3、基于模式识别方法的缺陷识别

随着机器视觉技术与模式识别技术的发展，计算机智能识别技术在焊接检验领域的应用研究取得了很大的进展，如何利用图像中的特征信息进行缺陷类型识别成为了研究的热点，诸如专家系统、模糊分类、支持向量机和神经网络等方法均已被应用到了焊缝缺陷的识别中。

文献[6]采用产生式结构，通过收入大量焊缝缺陷分析的知识，构造了焊缝缺陷识别的专家系统，该系统具有半自动式的知识获取和维护功能，可随着系统的使用而提高缺陷识别的准确率。文献[7]从专家、教科书和国际标准中收集知识并组建了知识库，该系统在油气管道检验中可以识别11种手工电弧焊的焊接缺陷。文献[8]针对面积较小或空间对比度较低的缺陷识别困难的问题，提出了一种基于图像空间特性的模糊识别算法，在石油焊管的在线检测中实现了5种焊缝缺陷的识别，取得了良好的应用效果。

4、支持向量机算法的发展现状

支持向量机算法源于Vapnik在1995年提出的用于解决模式识别问题的支持向量方法，该方法从训练集中选择一组特征子集（支持向量），使得对特征子集的线性划分等价于对整个数据集的分割。此后，对支持向量机算法的研究主要集中在对非线性二次规划问题的求解和建模参数的整定。

利用标准二次型优化技术求解对偶问题的方法，是经典SVM训练算法慢及受到训练样本集规模制约的主要问题，目前提出了许多改进算法，主要从如何处理大规模样本集的训练问题和训练算法的收敛速度等方面改进的，主要包括：块算法、分解算法和SMO算法。

文献[9]提出的块算法，对于给定的样本通过迭代方式逐步排除非支持向量，将矩阵的规模从训练样本数的平方减少到具有非零Lagrange乘子的样本数的平方，从而降低了训练过程对存储容量的要求。分解算法将二次规划问题分解成一系列规模较小的二次规划子问题进行迭代求解，是目前有效解决大规模问题的主要方法，Joachims利用这些方法实现的SVMlight是目前设计SVM分类器的重要软件。由Platt提出的序列最小优化（ SMO）算法把一个大的优化问题分解成一系列只含两个变量的优化问题，两个变量的最优化问题可以解析求解，因而不需要迭代地求解二次规划问题。针对随时间序列获得的学习机，Cauwenberghs提出了用于模式识别的增量减量式学习方法。此外，还有基于经典算法的在线式算法和各种缩减算法。

针对SVM建模参数整定的问题，部分专家学者采用智能优化算法进行参数寻优，有学者采用粒子群优化算法进行模型参数整定，相比于经典SVM方法和Bp神经网络方法具有更高的识别精度。随着对SVM研究的深入，人们提出了一些SVM的扩展算法，这些算法通过增加函数项、变量或者系数等方法使公式变形，产生出有某一方面优势或者有一些应用范围的算法。Suykens为了减少SVM的计算复杂度，采用最小二乘系统作为损失函数代替了传统的二次规划优化方法，提出了最小二乘支持向量机（LS-SVM），由于将优化问题转化为了解线性方程组的问题，该方法具有较快的运算速度。

通过计算机进行焊缝缺陷的自动检测、识别是自动化技术进步的趋势，其客观性、快速性和经济性是人工评片所无法比拟的。建立一个准确率高、实时性好的焊缝缺陷识别系统，是研究人员一直追求的目标，将有助于帮助检验人员及时的发现缺陷，提高焊管的检验效率，使得检验过程更加规范化和科学化。

[注：本论文受以下基金资助：陕西省自然基金项目（2013JQ8049），陕西省教育厅自然科学专项（2013JK1077），中国石油科技创新基金研究项目（2014D-5006-0605），西安石油大学博士科研启动基金（2013BS006）。]

参考文献：

[1]邵家鑫，都东，石涵，等.基于厚壁工件X射线实时成像的焊缝缺陷自动检测[J].清华大学学报（自然科学版），2013，53（2）：150～154.

[2]张晓光，孙正，胡晓磊，等.射线检测图像中焊缝和缺陷的提取方法[J].焊接学报，2011，32（2）：77～80.

[3]周正干，赵胜，安振刚.基于分区域自适应中值滤波的X射线焊缝图像缺陷提取[J].航空学报，2004，25（4）：420～424.

[4]Lashkia V. Defect detection in X-ray images using fuzzy reasoning [J]. Image and Vision Computing， 2001， 19（5）：261～269.

[5]Alaknanda R S， Anand， Pradeep K. Flaw detection in radiographic weld images using morphological approach [J]. NDT & E International， 2006 （39）： 29～33.

[6]张晓光，刘金德，林家骏.射线焊缝缺陷识别的专家系统[J]. 煤矿机械，2002，（11）：22～24.

[7]孙怡，孙洪雨，白鹏，等.X射线焊缝图像中缺陷的实时检测方法[J].焊接学报，2004，25（2）：115～118，122.