【专题报道】管道环焊缝DR图像典型缺陷的智能识别

随着管道建设向数字化方向发展，X射线数字成像（DR）技术具有实时成像、自动化程度高、检测结果能够数字化保存等优点，正在逐步取代胶片成像。

然而，DR技术的推广应用导致大量图谱需要人工评判，不仅工作效率低，而且评判结果易受人员主观因素影响，难以避免缺陷的误检漏检。

人工智能（AI）技术能够对DR图像中的缺陷进行自动识别，从而提高评判效率，并保证评判结果的一致性。但是DR图像缺陷的智能识别工作具有专业性强、缺陷所在区域小、缺陷特征提取困难等特点。

基于此，国家石油天然气管网集团有限公司建设项目管理分公司联合中国石油天然气管道科学研究院有限公司的技术人员对DR图像特点进行分析，提出了可有效提高智能识别模型对圆形缺陷和未熔合缺陷识别能力的图像处理方法，以保障AI检测结果的可靠性，推进DR缺陷智能评判技术在长输管道环焊缝无损检测领域的应用。

管道环焊缝DR检测图像特点

管道环焊缝的DR检测图像示例如图1所示。该图像为DICONDE格式，包含了大量信息，如果不采用专业的图像处理软件，则需解析图像信息才能实现图像的显示。

图1 管道环焊缝DR检测图像示例

由图1可知，管道环焊缝的DR检测图像具有长宽比大（约为37），缺陷所占面积小（缺陷面积与总面积的比值约为1×10-5），重点关注区域小（约为总面积的1/5）等不利于缺陷智能识别的特点。上述特点会使计算机在原图长度方向上的运算权重较大，AI模型对缺陷长度方向的特征识别能力强，而对缺陷宽度方向的特征识别能力不强。

此外，射线源定位不准确或探测器像元响应不一致等因素会使部分图像出现灰度不均匀现象，如图2所示。由于计算机对原图的预处理是根据灰度值进行的，因此该现象会影响图像的预处理。

图2 灰度不均匀的图像

对DR图像中的圆形缺陷和未熔合缺陷进行放大，如图3所示。可见圆形缺陷相较于背景区域偏黑，显示为类似圆形的黑点；未熔合缺陷相较于背景区域偏黑，显示为一条连续的黑线。圆形缺陷和未熔合缺陷的灰度及形貌特征相对明显，有利于实现计算机对缺陷的智能识别。

图3 未熔合缺陷和圆形缺陷在图像上的显示

缺陷智能识别网络搭建

卷积神经网络在目标检测方面具有突出优势，能够自动提取特征，并具有泛化能力强、精度高、实时性好等优点。以卷积神经网络为基础，采用YOLO算法搭建缺陷智能识别网络，针对管道环焊缝DR图像中圆形和未熔合两类缺陷的特征进行算法优化，从而实现AI模型对缺陷的精准识别。

针对管道环焊缝DR检测图像中不利于缺陷智能识别的因素，对原图像进行预处理，可使缺陷特征更容易被自动提取和识别。预处理过程包括图像的横向分割和纵向分割。

横向分割

缺陷一般存在于焊缝区域和热影响区（距焊缝边缘约5 mm），焊缝区域的图像特点为灰度值低。因此，对原图进行横向分割，提取出可能存在缺陷的区域，如图4所示。

图4 灰度分布均匀与否的梯度折算图

纵向分割

进行横向分割后，图像仍存在长宽比过大的问题，因此对横向分割后的图像进行纵向分割。为了均衡AI模型对图像长度和宽度方向的学习权重，以当前图像的宽度为分割距离，将图像分割为多个正方形图像，结果如图5所示。

图5 分割后的图像示例

缺陷训练与模型识别能力验证

采用同一探测器（RAPIXX 2NDT WIFI型）采集的焊接工艺相同的428张管道环焊缝图像进行训练，其中包含圆形缺陷2016个，未熔合缺陷817个。

有效成像尺寸为160 mm×130 mm，像素尺寸为0.125 mm，管道直径1219 mm，壁厚18.4 mm，坡口为双V形，上坡口40°，下坡口50°，采用双面埋弧焊进行焊接。

对图像进行预处理后，将图像输入到计算机中进行卷积计算。预先设置训练参数，采用YOLO数据训练算法实现AI模型对缺陷特征的学习。调节训练参数，提高AI模型对缺陷的识别能力。

当输入图像尺寸为1024×1024、样本数量为32、迭代次数为600、初始学习率为0.001、IOU阈值为0.5时，得到圆形缺陷和未熔合缺陷的识别准确率矩阵如图6所示，可得圆形缺陷的识别准确率为94%，未熔合缺陷的识别准确率为92%。

图6 圆形和未熔合缺陷的识别准确率矩阵

采用3条由上述探测器采集的工程现场焊接的管道环焊缝的DR检测图像来验证智能识别模型的识别效果，AI模型对3条焊缝中的缺陷识别情况如图7所示。

图7 AI对焊缝中缺陷的识别情况

将AI模型对焊缝的自动识别结果与人工评图结果进行对比发现，在识别准确率方面，人工和AI模型均能识别图像中的明显缺陷，且识别结果一致，但对于图像中尺寸较小的圆形缺陷，人工评判时一般不对其进行标注，原因是标准要求小于0.5 mm的圆形缺陷不予标记；在识别效率方面，AI模型自动识别缺陷所需时间大约为10 s，人工的缺陷识别时间大约为40 s。

综上所述，AI智能识别模型能够有效辅助工人进行圆形缺陷和未熔合缺陷的识别工作，提高DR图像缺陷评判的智能化水平。

结语

通过对管道环焊缝的DR检测图像进行预处理，运用YOLO算法实现了AI对圆形缺陷和未熔合缺陷的识别。

AI模型对同一焊接工艺下同种探测器采集的DR图像中圆形缺陷的识别准确率达94%，未熔合缺陷的识别准确率达92%。

将人工评判结果与AI识别效果进行对比，测试了AI对缺陷识别的准确性和识别效率。结果显示，AI模型能够有效辅助工人进行缺陷的识别工作。

作者：罗志立1，郝维康2，王鹏宇1，皮亚东2，王岳1，赵丹丹2，周广言2

工作单位：1. 国家石油天然气管网集团有限公司建设项目管理分公司

2. 中国石油天然气管道科学研究院有限公司

第一作者简介：罗志立，硕士，高级工程师，主要从事油气储运工程建设等工作。

来源：《无损检测》2025年7期

阅读或下载论文原文请扫描以下二维码

数字X射线检测技术发展与应用

专题推荐阅读