基于人工智能的射线检测底片评定系统的研究与开发

罗伟坚，李绪丰，郭晋，邓聪

（广东省特种设备检测研究院，广东 佛山 528251）

1 前言

射线检测具有记录真实、直观、全面以及缺陷可追踪性的优点，在特种设备的检验检测领域中具有广泛的运用。就目前而言，射线检测底片仍主要采用传统的人工评定方法，具有主观性强、效率低、稳定性差、检测过程不宜实现自动化、胶片资料不易保存等多种缺点。

近年来，随着计算机技术和人工智能技术的飞速发展，在此背景下，越来越多的学者尝试采用人工智能的方法实现射线检测底片的自动评定。如李晓宾研究了一套智能的焊缝缺陷测量与评级系统，可实现对焊缝的识别以及缺陷的识别与评级，可提高检测工作的标准化、规范化、可追溯化。王鹏等根据数字化底片的缺陷的特征，提出了一种基于神经网络的底片焊缝缺陷的识别方法，并建立了缺陷信息库，该方法能实现了底片的数字化以及缺陷定位和识别。迄今为止，尚未有射线检测底片智能评片系统实现大规模商业应用。大部分射线检测底片智能评片系统由于普遍缺乏检验检测的实践经验，对一些实际问题考虑不足，导致应用过程中出现各种问题，难以在实际工作中发挥作用。本文将基于神经网络的机器学习工具，根据承压类特种设备检验检测的实际需求，研究与开发了一套基于人工智能的射线检测底片评定系统，实现对无效底片、造假片、重复底片的筛选，焊缝缺陷定位和识别，以及底片报告自动生成及保管等功能，具有很强的市场应用前景和推广价值。

2 系统方案设计

2.1 总体方案

系统总体设计方案如图1所示。从图1可知，经扫描仪获得的数字化底片，首先，要经过相似度判别，通过判定的底片则被称为有效评片，才会进入AI智能辅助评片模块，不通过相似度判定的底片则被称为同口片或造假片。进入AI智能辅助评片模块的有效片，系统将自动获底片质量信息和焊缝边界信息。同时，AI智能自动评片模块将对底片中的缺陷进行智能识别与评定。最终全部信息将存储进底片数字化数据库，并根据需要自动生成评片报告。

图1 系统总体设计方案

2.2 AI智能辅助评片模块

AI智能辅助评片模块将基于机器视觉与图像处理算法，从底片中提取焊缝边界信息，自动抓取焊缝区域内灰度值的极值点位置以及周围母材的噪点坐标信息。同时，模块还能实现对像质计型号和灵敏度智能识别，并将按照NB/T 47013.2《承压设备无损检测 第2部分：射线检测》中有关条款的要求，根据事先确定的透照方式、像质计位置、技术等级以及公称厚度等信息，对底片质量进行判定，并自动生成底片信息质量报告。

2.3 AI智能自动评片模块

由于加工环境及工艺参数等原因，焊缝中会存在气孔、夹渣、未焊透、未熔合、裂纹等多种缺陷，以及压痕、折痕、静电斑纹等多种伪缺陷。AI智能自动评片模块，将基于深度学习技术，通过卷积神经网络方法，对焊缝区域缺陷类型、位置、尺寸等信息的识别与学习，实现对焊缝图像的预处理、缺陷特征值的自动提取，以及对缺陷定性分析和定量计算，并将按照NB/T 47013.2 《承压设备无损检测 第2部分：射线检测》中的有关条款，对给底片进行智能评级。

3 关键算法

3.1 特征提取子算法（Backbone）

特征提取子算法的主要功能在于对经过预处理的底片图像进行多层的特征抽象，在不同粒度上表达图像信息，包括正常区域和缺陷区域，然后馈送到后续模型做进一步计算。其关键结构包括Focus模块和Bottlenneck CSP模块。

Bottlenneck CSP原理是将原输入分成两个分支，分别进行卷积操作使得通道数减半，然后分支一进行Bottlenneck x N操作，随后Cat分支一和分支二，从而使得Bottlenneck CSP的输入与输出是一样的大小，目的是为了让模型学习到更多的特征。

3.2 缺陷检测及定位

为解决缺陷特征提取信息的融合，将采用PANet方式进行处理。该方法不仅将有效解决底片焊缝图像中的部分缺陷不够明晰、缺陷和背景融合度较高等问题，还将加强信息传播，具有准确保留空间信息的能力，有助于对缺陷进行定位和识别。

4 系统的GUI设计与实现

本系统开发工具有IntelliJ IDEA以及Visual Studio Code，并使用Java作为后端语言开发，JavaScript作为前端语言开发，Python作为人工智能模块开发。系统的整体界面大致包括系统管理、数据管理、缺陷评定及审核、评定报告等几个部分。

4.1 系统管理模块

系统管理模块有登录和主界面，并可实现用户管理、角色管理以及权限管理。在登陆界面中输入用户名、密码和验证码后，经验证无误后即进入主界面。

图2左侧有系统管理选项卡，点击即可进入系统管理界面后。系统管理员可以在该界面查看、添加、删除用户账号信息，同时定义用户账号的身份以及权限情况。

图2 系统主界面

用户身份主要有评片人员、审核人员以及系统管理员3种，评片人员使用数据管理、缺陷评定、评定报告模块，将底片按项目和批次进行上传，并对评定情况进行复核，出具评片报告。审核人员主要使用评定报告模块，对报告进行审核。系统管理员能够使用所有模块，并通过系统管理模块来定义用户账号角色以及菜单权限，未赋予的菜单权限，用户登录后无法看到该菜单。

4.2 数据管理模块

图3为底片导入界面图。通过点击导入按钮，系统将弹出导入界面，根据实际情况选择项目和装置后，将底片按批次上传至系统。针对单张的底片，可以通过新增按钮，单独添加。另外，该模块还支持导出功能，可以实现按条件搜索，并导出查询结果台账。

图3 底片导入界面

在图3左侧有项目列表，可以根据项目情况，对项目进行新增。这里需要强调的是，评片人员仅能添加和修改项目和装置信息和数据，但不能删除，因此，评片人员只有部分的数据管理权限。

4.3 缺陷评定及审核模块

图4为人工复核的界面。从图可发现，经过人工智能识别，发现了2处圆形缺陷和1处未焊透缺陷，评定等级为Ⅳ级，结果为不合格。当系统发现不合格底片或评片人员和审核人员对系统评片结果有怀疑时，可以在复核界面点击在线评片按钮，即可进入在线评片工具。在人工复核的界面下部，还会出现同口片的识别结果，若发现可疑的底片，系统将会进行提示。另外，系统还将根据识别的黑度和像质计信息，对底片质量进行判定。

图4 人工复核界面

4.4 评定报告模块

经审核后的底片，可按日期或底片批次生成底片评定报告。由于检验检测单位报告格式存在差异，为更好满足使用需求，系统提供了可编辑的评定报告模块，项目管理人员可以对评定报告格式进行编辑，如图5所示。

图5 评定报告模版编辑界面

5 结语

本研究通过利用人工智能的深度学习方法自动提取图像深层信息的特质，基于大数据开发射线检测底片识别系统，开启无损检测信息化大数据新模式，实现筛选无效底片与造重复底片、焊缝缺陷位置识别等智能评片功能，完成底片管理信息报告的自动生成保管工作。

基于人工智能的评片系统不仅能有效改善传统检测方法的不足，提高有限资源的评片专家的工作效率，还将切实提升无损检测项目质量和现场管理水平，提高整个无损检测行业的安全性和可靠性，对特种设备行业的发展具有重要意义。

目前，该系统成果已在华南地区某大型石化项目承压设备监督检验项目中进行管理示范应用，经过在实际工程项目中进行测试，评定系统对缺陷识别的准确率达到了95%以上，为该系统后续大规模商业应用奠定了基础。