Page 115 - 无损检测2022年第四期

雷铮强,等:
中俄东线管道射线检测底片图像的智能识别

表 1 环焊缝及主要缺陷特征样本智能识别结果
目标类型 预处理后样本 / 张 训练集 / 张 验证集 / 张 测试集 / 张 缺陷查准率 / % 缺陷查全率 / %
环焊缝 7317 4390 1463 1464 99.9 99.9
圆形缺陷 7427 5942 743 742 86.9 97.8
未熔合 989 707 140 142 86.6 93.9
条形缺陷 525 430 48 47 90.9 95.1

陷不同, 未熔合及条形缺陷图像的形态相似性更大,
为提高这两类缺陷的识别分类准确性, 采用同一个
YOLO 深度学习算法进行智能识别模型的开发和
调试。该做法引入了一种竞争机制, 将未熔合和条
形缺陷图像的细微差异嵌入到训练智能识别模型
中, 并最终在两类缺陷的分类准确性方面体现出来。
由表 1 可见, 未熔合缺陷的查准率和查全率较低, 存
图 6 焊缝图像的智能识别效果示例
在较多的误判和漏判问题。这主要是中俄东线管道
( 上: 焊缝标注区域; 下: 焊缝智能识别区域)
环焊缝的厚度大, 单个未熔合缺陷的自身高度低于
缺陷图像的 人工 标 注 和 智 能 识 别 效 果 对 比 如 图 7 一个焊层厚度, 在 X 射线底片上未熔合缺陷影像的
所示。 黑度和对比度偏低, 导致未熔合缺陷图像的智能识

( 1 )圆形缺陷的智能识别。设 置 IoU 阈 值 为 别更加困难。
0.5 及置信度阈值设为 0.8 情况下, 焊缝图像的查准 ( 3 )裂纹缺陷的智能识别。由于裂纹缺陷数量

率和查全率分别为 86.9% 和 97.8% 。对不 同尺寸 较少, 未单独进行裂纹缺陷的智能识别算法模型开
圆形缺陷, 其智能识别效果有所差异, 对于面积小于 发。采用上述圆形缺陷、 未熔合及条形缺陷的智能
32 像素的圆形缺陷, 缺陷图像的形态变化很小且 算法模型, 测试了中俄东线北段的 19 处裂纹缺陷底
2
对比度较明显, 样本标注较为精确; 圆形缺陷面积为 片图像。裂纹缺陷的智能识别算法测试结果如表 2
32 ~96 像素时( 样本中该尺寸缺陷占比极大), 其 所示, 现有智能检测模型共报告 30 处缺陷, 其中 15
2
2
主要由单个缺陷、 小范围聚集状缺陷及小区域的微 处识别为未熔合缺陷, 且其置信度大多在 0.5 以上,
弱缺陷组成, 缺陷形态跨度较大, 检测指标降低; 圆 高于真实未熔合缺陷的平均值。裂纹缺陷检测效果
形缺陷面积大于 96 像素时, 该类缺陷主要是聚集 如图 8 所示, 图 8 ( a ),( b ) 两个裂纹缺陷识别结果为
2
状缺陷, 由于标注为一个整体时会包含大量的背景 未熔合, 图 8 ( c ) 裂纹识别为条形缺陷。初步分析,
区域, 实际模型检测时可能将缺陷逐个检出, 而非整 裂纹缺陷智能识别的置信度偏高, 其主要原因与裂
体检出, 计算得到的交并比降低至阈值以下, 最终导 纹缺陷的黑度和对比度偏高有关。可见, 智能识别
致对标注为大缺陷的圆形缺陷的查准率和查全率指 算法模型对于裂纹缺陷有较好的识别作用, 且多数
标偏低。此外, 面积大于 96 像素的圆形缺陷训练 分类为未熔合, 尽管有 4 处识别为条形缺陷及 11 处
2
样本比例较低, 可能是导致指标值降低的另一方面 非裂纹缺陷误判为未熔合和条形缺陷, 结合缺陷智
原因。 能识别分类的置信度排序, 仍有望提升裂纹、 未熔合
( 2 )未熔合及条形缺陷的智能识别。与圆形缺 等危害性缺陷的排查效率。

表 2 裂纹缺陷的智能识别算法测试结果
缺陷 智能 正确
缺陷类别 误判数量 漏判数量
总数 检测结果 检出数量
未熔合 15 7 0
裂纹 19
条形缺陷 4 4 0
4 缺陷图像智能识别技术的应用展望

当前, 基于 X 射线检测底片图像的缺陷智能识
图 7 圆形、 条形及未熔合缺陷图像的人工标注和
别技术, 可用于辅助评片和环焊缝质量排查, 及时减
智能识别效果对比示例
少漏判、 误判, 提高危害性缺陷排查的技术水平和
7
7
2022 年 第 44 卷 第 4 期
无损检测