基于核机器学习的油气管道焊缝检测方法初探

武晓朦 吴 凯/西安石油大学电子工程学院

基于核机器学习的油气管道焊缝检测方法初探

武晓朦 吴 凯/西安石油大学电子工程学院

本文叙述了传统的管道焊缝检测方法及目前计算机、图像处理及模式识别等现代技术在管道焊缝检测中的应用，在理论上阐述了将核机器学习方法用于油气管道焊缝检测的可行性。

管道；焊缝检测；核机器

随着“西气东输”工程的启动，被称誉为国家的重大生命线——油气长输管道在我国进入建设和发展的高峰期。高质量的焊管是保证管道安全、经济、高效可靠运行的基础和根本保障，目前螺旋埋弧焊技术广泛地应用于石油化工钢管和压力容器的制造中，但遗留在焊缝中的缺陷产生失效行为，导致管道破裂与爆炸。因此焊缝缺陷检测和跟踪系统是机械、冶金、石油化工等焊管制造中必不可少且尤为重要的环节。

传统的x射线检测技术在焊缝质量检测方法中占有重要地位，检测结果可以作为焊缝缺陷分析及其质量判断的重要依据。常用的x射线检测方式一般是由有经验的专业检测人员在实时图像或者照相底片上人工完成，工作量较大，检测结果的可靠性在很大程度上取决于检验者的主观因素[1]，而且x射线探伤法存在辐射性、人工读片的不确定性弊端，用计算机实现自动评片因缺陷特征和类别的复杂性难以达到满意的效果，不能与现代化大生产的实际完全适应。因此，近年来国内外的相关技术人员利用计算机、图像处理及模式识别等现代技术，在焊缝及其缺陷的自动识别方面进行了许多有意义的探索和研究，取得了相当多的进展[2]。文献[3]在程序的控制下，输入装置顺序扫描底片，产生与底片内容相对应的连续图像，然后经AD转换，生成8bit灰度图像，存入设定缓冲区。图象处理软件对离散图像作相关处理，分类识别，评定结果准确实时地提交给输出设备，供用户使用。用计算机评定焊接射线底片是无损探伤领域的一次技术革命。但拍摄图像的亮度差、对比度低时对缺陷误检、漏检的几率仍然大。一些学者采用神经网络等来自动辨识缺陷[4]，而可移植性差，过学习和推广性较差等原因降低实用性。

据统计，现在世界上有1/2的金属制品是靠焊接完成的，焊接在现代工业中具有非常重要的作用。焊缝跟踪是实现焊接自动化的一项关键技术，直接影响到焊接质量[5]。所以有必要寻求一种具有识别率高、容噪能力强的技术进行油气长输管道焊缝的跟踪检测。

基于核的机器学习方法，简称为核机器学习方法（KernelMachineLearning）或核方法[6-8]，是近年在机器学习领域涌现的一类新模型与新方法的总称。其基本思想是对一些只涉及样本间内积运算的学习方法，通过改变内积定义的方式，用事先定义的核函数取代内积，从而得到与原学习方法对应的非线性版本。核机器学习方法不仅可以高效分析蕴藏在样本集内部的非线性关系，简化了欲解决的问题，并且能借助核技巧规避特征空间内的内积运算因映射函数而可能引发的维数灾难。

在核机器学习这类方法中，有用于分类与回归的高斯过程（GP）模型、支持向量机（SVM）、最小最大概率机（MPM）、核最近邻（KNN）、核贝叶斯判别（KBD）、核最小平方误差（KMSE）判别、核Fisher判别（KFD）与核感知器（KP）等；有用于聚类的核自组织映射（KSOM）、核聚类和核Adatron方法等；有用于特征提取的核主成分分析（KPCA）、核独立成分分析（KICA）等；也有用于特征选择的核规范相关分析（KCCA）、核投影寻踪（KPP）和核匹配追踪（KMP）方法等。当然上面列举的仅是一些最典型的核机器学习方法，限于篇幅还有上百种方法不能一一列举。核机器学习方法与常规的模式识别方法（如人工神经网络）相比优势明显，若能将之应用于管道焊缝特征提取、特征选择以及缺陷预测，利用它们优良的性质和强大的功能，必将能大幅度提升检测准确度。

利用核机器学习方法进行油气管道焊缝跟踪研究，使得在检测系统中融入贝叶斯推理成为可能，因为贝叶斯推理与机器学习技术本来就密不可分。在机器学习过程中融入推理过程有诸多优势，具体对焊缝缺陷检测而言可以提升焊缝跟踪系统的智能化程度。这是因为：第一，可以将从焊缝图片资料中获得的一些图像信息作为先验知识无缝融入检测过程，进一步提升检测准确度与智能化程度；第二，在检测时可预设一组概率规则，推理遵循该规则逐步实现，从而使整个检测过程既有条理又有层次。

利用核机器学习方法进行油气管道焊缝检测，也使得在检测系统中引入多源信息融合技术成为可能，因为多源信息融合与机器学习同样密不可分。在管道检测中，焊缝的孔隙度、灰度等多个因素分别揭示了焊缝图像各个方面的特性，在进行缺陷检测时需要将各方面的信息进行综合考虑。而信息融合正是利用多方面的信息资源，采用数学方法和计算机技术对各种信息在一定准则下加以自动分析、综合和使用，获得比单一信息更精确、更完全和更可靠的解释。因此在焊缝跟踪系统中引入多源信息融合技术可以综合多种焊缝属性信息，减小方法不同所带来的不确定性，从而实现综合检测。

综上所述，核机器学习提供了一个良好的平台，以之为基础开发一套管道焊缝自动跟踪系统至少具有三点优势：第一，核机器学习方法本身的特性能保证检测系统具有很高的准确度；第二，以核机器学习为主的平台能引入贝叶斯推理，保证检测系统具有很高的智能化程度；第三，在检测中采用了多源信息融合技术，因此所开发的系统能进行综合检测。况且，核机器学习方法在人脸识别、视频分析与移动通信等领域均取得了优异的应用效果。

在国内在埋弧焊焊缝缺陷检测领域开展核机器学习理论与应用研究是一个新思路新方法，核机器学习理论及其模型有助于提高缺陷有无的识别率，在焊管缺陷的在线识别与预测这一新领域中必将具有较好的应用前景。

[1]郑世才.关于缺陷影像识别的讨论[J].无损探伤,2002,(1):5-8

[2]巴晓艳,滕永平.焊缝缺陷的计算机模式识别方法的研究[A].全国射线检测技术及加速器检测设备和应用技术交流会论文集[C],郑州:2001,50-54

[3]傅德胜.焊接缺陷计算机自动识别模式的研究[J].控制与决策，1998,13:469-474

[4]刘志远，裴润等.一种焊缝缺陷自动超声检测系统[J]，焊接学报，2002，23（3）：71-74

[5]高向东，丁度坤，赵传敏.机器视觉型焊缝跟踪技术[J].焊接,2006,50(2):19-23.

[6]XuJ.etal.Kernelpercep tronalgo rithm[R].Beijing:DepartmentofAutomation,TsinghuaUniversity,2000.

[7]S.Papadim itriouandK.T erzidis.Growingkernel-basedselforganizedmapstrainedwithsupervisedbias.IntelligentDataAnalysis[J].2004,8:111-130.

[8]M.Girolam i.Mercerkernelbasedclusteringinfeaturespace.IEEETransNeuralNetworks[J].2002,13(3):780-784.

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）。