LNG接收站焊缝射线智能检测算法优化研究

0 引言

近年来，现代工业、制造业的水平不断提高，焊接技术也在不断进步，已成为工业制造领域不可或缺的技术，并且在广泛地应用于各类细分领域，如石油天然气、核工业、建筑等，拥有巨大的工程量及测量。对于焊接构件来说，它的焊接质量决定了工件的安全性与其有效年限。为了确保焊接工件在如此众多的应用领域的质量以及安全性，防止意外情况产生，对焊接工件进行缺陷检测，尤其是自动检测就具有很大的研究价值与意义。

1 问题分析

在焊接过程中，由于物理环境或人为失误的原因，焊接接头在焊缝处形成的缺陷称之为焊缝缺陷。在LNG站等焊接缺陷检测领域，胶片X射线成像检测是常规无损检测常用的重要方法之一，这种方法稳定性较高，采集图片的尺寸大，易于检测判断。在目前实际生产中，主要采取的审核方式是人工分析焊缝图像，凭经验确定有无缺陷及缺陷的类型、位置、尺寸等，由此评定焊接质量并给出相应的评级。这种传统方法不可避免地要经历人工选取特征的过程，耗时费力，而且特征的选取是否合理具有很大的主观性，一定程度上影响了识别的正确率，容易影响缺陷的判别与定级的预测，无法满足现代制造业对于焊接精度的需求。

随着人工智能中计算机视觉的兴起，使得图像处理领域内有了很大的进步。利用计算机对焊缝图像进行缺陷检测，不仅可以有效地克服人工评定过程中主观因素的影响，使最终的结果更客观、准确，而且对于推动工业无损检测的数字化具有重要的促进作用。

本文所提出的基于X射线图像的焊缝缺陷检测算法，就是替代传统焊缝探伤检测中人工阅片识别的步骤，消除其所带来的弊端，提高效率和准确率。

2 算法研究

近年来，基于X射线图像的焊缝缺陷检测一直受到国内外研究者的关注，同时也取得了积极进展，目前的方法主要分为图像处理和神经网络两大类型，简析如下。

在传统的图像处理领域内，Ping Kuang提出了PCA构建模板算法，再通过匹配思路来提取焊缝缺陷，在模板与图像中获得相似性高的ROI区域，但由于缺陷的种类繁多，这种匹配的方法比较受限。Hassan提出高频增强再滤波算法，通过改善图像的对比度，突出缺陷区域，进而将缺陷提取

。上述的方法基本思路都是基于传统的图像处理方法，通过滤波或阈值调整的方式，来提取缺陷区域，但这种做法缺乏普适性，针对明显缺陷的提取确实效果不错，但实际应用中X射线的焊缝图像灰度值高、特征不明显，较难通过手动设置的方法得到不错的性能。

本项目采用的目标检测模型是基于Faster RCNN架构的优化模型。Faster RCNN是一个两阶段的模型，第一个阶段是经过RPN结构提取目标物体的候选区域。第二个阶段是将第一个阶段得到的候选区域特征图，经过两个分支（分类和回归缺陷区域框）得到最终的精调结果（分类和缺陷区域框）。骨干网络特征提取的深度卷积层采用的是ResNet18+FPN的结构，此处引入FPN（Feature Pyramid Networks）的目的是为了增强对小物体检测的性能，有助于在大图中获取小的圆形缺陷。根据数据的分布，首先用圆形缺陷的数据进行训练，在调参训练优化完毕后，切换到条形缺陷分支，将圆形缺陷得到最优模型的骨干网络权重作为预训练模型引入到条形缺陷进行训练调优，再按照相同的步骤引入到严重缺陷的训练调优中，多次迭代后即可获得各自任务网络的权重。

深度学习的概念由Hinton提出，Lecun等人提出了卷积神经网络，通过多层网络结构学习算法解决了“手写数字识别”问题，再到Alexnet横空出世，在图像分类任务上有着质的飞跃。其中，物体检测问题是计算机视觉中极为重要的基础问题，也是解决场景理解、图像描述、实例分割、物体跟踪等问题的基础。许多深受研究者追捧的网络框架也相继问世，如Faster-RCNN第一次做到了实时的物体检测，具有里程碑的意义。随后Kaiming He又提出了实例分割领域的重要成果Mask-RCNN

，大大促进该领域的发展。

基于上述研究基础，本文认为借鉴计算机视觉领域的最新成果去解决LNG站点X射线焊缝缺陷检测是个新的思路。

3 行业标准

3.1 缺陷检测行业标准

在射线检测领域有专门的行业标准来规范国内外的射线检测任务，如国标与欧标。表1所示就是缺陷检测中国标与欧标的对比，在本文中选用国标作为检测与定级任务的标准。国标将缺陷类型分成了五类，但在实际应用中通常会分成圆形缺陷、条形缺陷、严重缺陷（裂纹、未熔合、未焊透）三大类。

“你们去找沙多里斯上校。”(沙多里斯上校死了将近十年了。)“我在杰弗生无税可纳。托比!”黑人应声而来。“把这些先生们请出去。”

当实践美学代替反应论美学的优势在21世纪逐渐淡化时，和谐美学、超越美学、生活美学从人与他者的关系、人与现实的关系、人与自身的关系出发触动社会实践，引起社会实践变革，更具有时代意义。这三类美学的成功说明，美学与实践密切相关，将美学理论细致化、现实化，直接参与到社会现象的指引中，会更有益于美学教育的社会导向性。

图1展示了四种典型焊缝缺陷的成像特点，分别是裂纹、未焊透、未熔合、气泡缺陷。

3.2 缺陷定级行业标准

LNG站点主要用的九镍钢焊缝缺陷定级有严格的标准，在国标中共有四种质量等级，如表2所示。其中严重缺陷（裂纹、未熔合、未焊透）一经发现，即判定为最严重的IV级；圆形缺陷的评级根据板厚、评定区大小、评定区内缺陷点数决定；条形缺陷根据板厚与长径决定。

此外，还要引入评定区的概念。它指的是在焊缝图像中，找寻缺陷最密集的区域来作为整张图像的定级区域，通常是一个可旋转的矩形区域。评定区的大小根据板厚所决定，板材越厚则定级框尺寸越大。圆形缺陷的定级跟板厚、评定区、缺陷点数目有关，条形缺陷的定级跟板厚、长径有关。

4 算法优化与实现

4.1 总体设计

在研究好行业标准，确定好缺陷检测目标，并明确使用基于深度学习的检测方法后，确立并设计检测模块的系统架构，如图2所示。

高原牦牛大多生活在气候严寒、地域复杂的缺氧地区，近些年随着牦牛养殖规模的不断扩大，出血性败血症的感染几率也在升高。出现出血性败血症的主要原因包括以下几种。

4.2 数据集准备

在决定使用基于计算机视觉的检测算法作为解决方案后，着手进行数据准备，最终收集到上海某LNG项目公司提供的三批共560张九镍钢焊缝X射线数字化图像。

缺陷检测模块的输入为LNG储罐焊缝区域探伤照片，输出为缺陷类型与位置。这个模块是该算法的核心，由于目标检测算法可以识别物体的位置、类型，因此目标检测满足了本项目的算法目标需求。为了达到最优的检测性能，将研究两种不同的方案，设计、实现、训练、测试这两种方案，最终选择性能最优的模型作为最终应用的检测模块算法。研究设定的指标是整体的检测性能大于召回率80%。

3）如果图中不存在缺陷且检测出有缺陷，则此图precision为0，recall不计算。

具体的网络结构生成图如图4所示。

第一，朗读属于“阅读”的目标和内容范畴。因此，我们不能狭隘地理解“朗读”要求，必须将“朗读”置于整个阅读语境和情境中加以把握。

5例硬膜下积液自行吸收，7例演变为慢性硬膜下血肿；前者的积液量少于后者[(26.4±14.6)mL vs(80.0±52.3)mL, P=0.002]。演变为慢性硬膜下血肿的7例患者中，5例因血肿厚度>1.5 cm、出现颅高压或神经功能障碍而进一步行钻孔引流术；钻孔手术平均于夹闭术后(9.1±3.8)个月(4～20个月)进行。进一步分析发现，硬膜下积液量越大，其演变为慢性硬膜下血肿的比例越高，慢性硬膜下血肿后须行钻孔引流手术治疗的比例也越高(表2)。

4.3 Weld-SSD单阶段检测算法

目前，基于深度学习的物体检测算法大致分为一步法检测器和二步法检测器两类。一步法检测器在原图上铺设一系列锚点框，利用一个全卷积网络，对这些锚点框进行一次分类和一次回归，得到检测结果。一步法检测器则有YOLO、SSD、RetinaNet等，其中SSD（Single Shot MultiBox Detector）是一步法检测器的集大成者。

由于在焊缝缺陷数据中，圆形缺陷占比最高，对圆形缺陷的研究更具有普适性，因此本算法模型主要研究焊缝圆形缺陷的识别。对于圆形缺陷，不同个体的大小变化较大，SSD的先验框选择就显得尤为重要。因此，对于SSD模型需要进行一系列改进与优化，得到性能更好的Weld-SSD算法模型，主要改进点包括数据预处理与数据增强、用于检测的特征图选择、先验框的设计、损失函数设计等。

算法优化后，通过多轮测试，发现改进之后的Weld-SSD算法模型在裁剪图上可以测得较好的结果，但在整图上的结果却不太理想，这与图像本身的质量也有一定的关系。下文将尝试利用双阶段的网络来进一步优化算法。

4.4 Weld-RCNN双阶段检测算法

相对于一步法检测器，二步法检测器多了额外的第二步。若在相同的条件下，如输入、锚点框、机器等，一步法一般胜在高效率，而二步法则有更高的精度。现在各个检测库上排名靠前的算法，基本都是二步法。代表性的二步法检测器有Faster R-CNN、R-FCN、FPN等，其中Faster R-CNN是奠基性工作，所有的检测算法都是在它的基础上改进的。二步法相对于一步法，多了后面抠特征并进一步分类和回归，这一步一般比较耗时，但能显著提升精度。

依托乡土体育资源开展的阳光体育活动，改变了以往学生疲于应付，被动活动的局面，变“要我运动”为“我要运动”，使学生在文明和谐的氛围中陶冶情操，锻炼身体，让学生转瞬即逝的青春留下照亮终生的火花，让学生的人生充满了阳光，使他们无论是处于顺境还是逆境，都能乐观而不消极。

虽然有成熟的目标检测框架可以使用，但LNG储罐九镍钢焊缝缺陷检测需要解决的问题与传统图片任务还是有区别。焊缝X射线图像的灰度值很大、缺陷与背景的区分度不高，这会导致网络训练时的难度增加。另外，一张缺陷图片中，正负样本比例不均衡，缺陷区域往往很少而背景区域却很大。同时，在标注数据中缺陷类型的比重不同，圆形缺陷的数目极多，而条形缺陷却很少，严重缺陷的数目更是降低了两个量级。此外，圆形缺陷的尺寸相对较小、条形缺陷的尺寸相对很大，导致基于锚点（Anchor）机制的模型在尺度变换上容易出问题。上述的诸多问题均需要在网络结构上进行优化设计，经过一系列的改进与优化，得到最终的设计算法方案，主要包括四个模块，具体如下：

1)主干网络设计

至于收获，则是一位梦幻般的女子出现在了画家的生活当中，她的名字叫伊丽莎白·埃莉诺·希达尔。罗塞蒂惊异于她天使般的容貌与冰清玉洁的气质，将其视作自己的比阿特丽丝，并将她陆续幻化成众多浸沐在中世纪圣洁光辉下的女性。罗塞蒂的奇特在于其从身到心都沉浸在了艺术中，他无法像其他人一样，将生活和梦幻彼此分开，故而他对希达尔倾注的爱也异常奇特：他将心中的“利兹”(罗塞蒂对希达尔的昵称)完全地理想化了，圣灵化了。而这位恋人的顺从也使她像极了皮革马利翁雕刻的加拉太。如此，他们的爱情竟罩上了一层超世俗的、唯灵的色彩。这两件事情共同催化，遂使罗塞蒂的画风一意朝着现实的反方向前行，终于彻底走进了神秘的诗性境界。

近些年，深度学习正在飞速发展，许多研究者引入神经网络结构来替代传统处理方法的局部模块来提升性能。通过视觉扫描、区域差运算、焦点搜索后确定可疑区域，再通过深度学习网络来提取特征识别，虽然引入了深度学习的思想，但未做到端到端的训练，不利于模型的训练

。有研究将整图切分成若干等宽高的图片，再利用深度神经网络来提取特征最后进行分类，除最初始的切分都采用了神经网络结构

。上述应用到神经网络的研究均局限于部分模块，这样造成了应用场景的局限以及性能提升不明显，另外也没有引入最先进的计算机视觉领域的任务手段来解决缺陷检测与分类，因此还有较大的性能提升与算法优化的空间。

2)锚点机制优化

锚点机制是两阶段目标检测网络中常用的提取目标区域的处理算法，预设不同大小与尺度的锚点框，通过选中特征图的中心点利用滑动窗口进行滑动，通过锚点框的相应逆向推导在原图上的目标物体的区域。由于算法模型采用了多任务网络，因而每个任务上预测的物体已经确定，那么相应其大小与尺度也确定。本项目无需再使用预设多类尺度大小的框来进行每个分支单独的预测，只需在特定的分值设置特定大小的锚点框即可。锚点的选择要根据所要识别的目标大小而定，在统计出各类缺陷数据大小与尺度的分布，即可根据此来设计锚点的参数。气孔缺陷的大小普遍较小，且长宽比变化不大，所以最终使用的锚点大小为[8，16，32，64]，锚点尺度采用[0．5，1，2]。条形缺陷与严重缺陷的大小普遍较大，且长宽比变化明显，所以算法模型最终使用的锚点大小为[24，48，64，96]，锚点尺度采用[3，5，7，9]。

3)损失函数的设计与优化

藻细胞周边的水分由于受到藻细胞的束缚，其性质和未受到束缚作用的自由水有差别。藻泥中的水可被分为2种：由于藻细胞固体物质的存在导致其性质发生变化的束缚水和性质不受固体物质影响的自由水［12］。含水物质（如市政污泥）中的束缚水不能通过传统的脱水方法（如离心、絮凝或过滤）被脱除。

9.价值观等方面的认知错乱。多元文化使学生价值观形成多元化，在面对价值观的判断和选择时，统一的标准难以形成，引起在价值观等方面的认知错乱。

在损失函数上进行一定的调整，第一阶段，RPN的分类采用的是二类交叉熵损失，RPN的缺陷框回归损失采用的是Smooth L1 Loss。第二阶段，分类分支采用的是二类交叉熵损失，缺陷框回归分支采用的是Smooth L1 loss。针对正负样本不均衡的问题，在计算损失函数时使用了在线难例挖掘（Online Hard Example Mining）。在线难例挖掘是指在训练过程中，针对难区分的样本将它们抽出来再次回传训练，通过不断增强网络对这类样本的训练会提升处理难例的性能。

在标注数据完毕后，将图片按照4:1:1的比例划分为训练集、验证集、测试集。训练集指用于训练模型与确定模型权重的数据，验证集用于确定网络结构以及调整模型的超参数，测试集用于测试模型的泛化能力。本项目在训练集、验证集中进行训练与验证，在测试集中来模拟真实检测场景，输入整张片后检测与测量缺陷，给出最终的定级。

LNG储罐九镍钢板的X射线图尺寸均在2 000×8 000左右，如此大的图片无法直接用于训练。另外，标注信息与图片数目均不够（缺陷图片仅有560张），因此数据增强必不可少。通过在原图上平行滑动裁剪，以一定的尺寸均匀向右、向下进行滑动窗口式的切分（步长为50像素，窗口大小为512×512像素）；平移，对图片进行上下左右的平移；翻转，对图片进行上下的翻转；旋转，对图片进行0～180°的旋转；噪声，对图片加入随机噪声等，通过上述数据增强方式，将数据量扩增160倍，应用于模型训练的数据量为90 000张。

优化后的Weld-Faster-RCNN的深度学习框架实现工具主要包括Tensorflow，Keras，Python。数据集需要准备每张原始图片与对应的边界框标注文件(．xml)文件，图3为示例。

数字化焊缝图片不具有标注信息，按照数据准备的设计方案，聘请了焊缝缺陷识别领域的专家给焊缝图像进行缺陷标注。为了方便标注人员标注并提升效率，在进行标注时只是将缺陷用矩形框标出，在X射线焊缝图像中缺陷位置画外接矩形，并将缺陷类型和外接矩形左上角和右下角坐标（Xmin，Ymin，Xmax，Ymax）写入xml文件中。

评测方法：

1）对于测试集中的每张图片单独计算Precision和Recall（IOU=0．3）。

2）如果图中存在缺陷且检测出缺陷为0，则此图precision不计算，recall为0。

糖尿病肾病和其他的慢性并发症一样,缺乏有效的治疗手段,见对患者及家庭和社会均构成严重的损害,同样以预防为主。从预防糖尿病的发生开始,早期发现血糖升高,早期控制,同样强调综合的糖尿病管理对于预防糖尿病肾病至关重要。

4）如果图中不存在缺陷且检测出缺陷为0，则此图precision为1，recall不计算。

5）最终的结果为所有图precison和recall的均值。

通过对目标算法进行充分测试，并根据不同的优化方式设置对照实验，实验结果如表3所示。

（1）广州市湖泊、河涌、航道与入海口地表水体溶解相中合成麝香浓度较高，HHCB、AHTN、MK的质量浓度分别为0.72~3051.36、0.51~569.43、0.05~382.61 ng·L-1；而颗粒相中的浓度相对较低，HHCB、AHTN、MK的质量浓度分别为0.24~115.40、0.12~22.40、0.02~2.15 ng·L-1；无论是溶解相还是颗粒相，HHCB的浓度均远高于AHTN和MK。与国内外河流相比，广州地表水的合成麝香浓度偏高，可能与广州临近入海口，人口密集，城市水体污染严重有关。

通过上述测试结果，可以看出基于目标检测算法的最优模型是以Faster-RCNN为架构，再引入在线难例挖掘机制以及改进了锚点机制和骨干网络后得到的模型，此模型在气孔上可以达到RC=88．5%，PR=80．3%。

在当下，部分参与工程投标的企业为了能够在招投标中增加自身企业的竞争以及优势，没有对项目进项详细的成本运算以及对施工现场进行勘察的基础上就盲目地对油田项目进行报价，而且为了能够将项目掌握在自身企业中，将投标的报价进行无底线的压缩，导致工程项目即使中标其建设的效益也不会很高，对于这种方式的竞标还有一种弊端就是，盲目的报价中标之对工程的建设质量也缺乏保障，因为企业所看中的是其中的经济利益，所以，往往会对中标的项目在施工中出现偷工减料的现象，导致工程的质量以及工程项目的使用寿命得不到保障，严重时更会造成倒塌等安全事故。投标单位盲目报价还会造成投标企业互相报复性恶性报价的不良后果，对招标活动危害甚大。

临床药师主导的慢性病管理在提高老年高血压患者对药物了解程度方面的作用 ………………………… 武丹威等（23）：3251

算法测试过程中，针对LNG储罐九镍钢焊缝数据的特点，还进行过以下尝试：

1)对输入图像进行预处理让缺陷部位更加明显，例如直方图均衡化、线性变换、对数变换等。

2)针对数据的规模对网络模型的大小进行调整，例如对主干网络的通道数、第二阶段网络的参数量等进行调整。

3)两阶段分开训练。

4)在主干网络使用FPN的前提下，第二阶段从同一特征图中提取特征。这些尝试对最终结果均没有改善。

5 结论

通过对经典目标检测算法进行优化研究，经过数据增强、修改骨干网络、添加FPN、改进锚点机制以及采用OHNM均能对算法性能有所改善。后续在LNG等工程应用领域，通过计算机对焊缝图像进行缺陷检测，不仅可以有效克服人工评定过程中主观因素的影响，确保最终检测结果更客观、准确，还有助于推动工业无损检测业务的在线化、协同化和数字化，对检测机构、业主单位等都能起到提质增效的积极作用。

［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，高炜欣，武晓朦，王征，李华.基于模糊模式识别的焊缝缺陷图像检测［J］.西安石油大学学报（自然科学版），2016（4）.

［3］张盼，陈志东，李晓旭，李鹏程，洪戈，付饶，李琳，张宁.基于小波变换的X射线数字图像焊缝缺陷边缘检测［J］.管道技术与设备，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.