1、第 51 卷第 2 期2023 年 1 月广 州 化 工Guangzhou Chemical IndustryVol.51 No.2Jan.2023AI 智能辅助评片系统在 RT 检测中的应用陈俊仰,邓 聪,李绪丰,郑俊辉,李明飞(广东省特种设备检测研究院,广东 佛山 528251)摘 要:针对射线检测人工评片方式主观性强、效率低、稳定性差,以及底片资料不易保存、信息管理工作较落后等缺点,本文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
2、告的自动生成保管工作,对提高特种设备行业无损检测的安全性和可靠性具有重要意义。关键词:射线检测;人工智能;底片识别;信息化中图分类号:TG115.28 文献标志码:B文章编号:1001-9677(2023)02-0019-04 基金项目:国家市场监督管理总局科技计划项目(2021MK087)。第一作者:陈俊仰(1992-),男,硕士,工程师,主要研究方向为特种设备检验检测及风险评估。Application of AI Intelligent Assisted Film Evaluation System in RT DetectionCHEN Jun-yang,DENG Cong,LI Xu-
3、feng,ZHENG Jun-hui,LI Ming-fei(Guangdong Special Equipment Inspection and Research Institute,Guangdong Foshan 528251,China)Abstract:In view of the shortcomings of the manual evaluation method for ray detection,such as strong subjectivity,low efficiency,poor stability,as well as the difficulty in sto
4、ring negative data,and backward information management,thedeep learning method of artificial intelligence was used to automatically extract the characteristics of deep information inimages,a radiographic testing negative recognition system based on large data was developed,a new mode of non-destruct
5、ive testing information big data was opened,and the screening of invalid and duplicate negative iden Intelligentfilm evaluation functions was realized,Intelligent film evaluation functions such as screening invalid and duplicate negativefilms,and identifying the location of weld defects,as well as c
6、ompleting the automatic generation and storage of negativemanagement information reports,which was of great significance for improving the safety and reliability of non-destructivetesting in the special equipment industry.Key words:ray detection;artificial intelligent;negative identification;informa
7、tion目前,我国大部分公司的射线检测信息管理工作较落后,还停留在人工评定,采用人眼探伤的方式,信息保存多为纸质信息载体,存在主观性强、效率低、稳定性差、底片资料不易保存等缺点1。AI 智能技术具有远胜于人类的工作速度、工作精度、工作强度和耐力等操作能力,已经在编辑、自动驾驶、图像识别等方面取得了长足的进步2。在这种形势下,尝试将机器学习应用于无损检测技术的研究工作越来越活跃,并已在检测的多个环节取得不俗的成果3-6。将底片评定工作交由人工智能完成,可大大减轻检验检测人员的工作量,对提高检验的质量及提高检验的效率具有积极意义。本文运用一种基于大数据的人工智能射线检测底片评定系统,采用人工智能的
8、深度学习方法自动提取射线检测胶片图像深层信息的特质,实现对数字化底片中无效底片与重复底片的智能筛选和对焊缝缺陷的自动识别。同时,系统将集成有远程评片模块和网络数据库,实现胶片扫描到检测报告生成的自动化流程,有效改善传统方法的不足,并通过共享优质专家资源,切实提升无损检测项目质量。1 AI 智能辅助评片系统的算法介绍1.1 AI 智能学习算法介绍图 1 AI 深度学习的技术路线Fig.1 The technical route of AI deep learning该系统人工智能的深度学习算法采用深度神经网络(Deep20 广 州 化 工2023 年 1 月Neural Networks,DNN
9、s)机器学习算法7-8。DNNs 一般限制在三层,即输入层、隐含层和输出层。在输入层和输出层之间隐含层通过建立有效联系,从而最终提升分类或预测的准确性。隐含层可增强网络的训练与预测能力,使其能够通过训练过程以更复杂的方式将输入数据转换为目标输出。DNNs 具有从海量数据或图像集中挖出隐藏特征,实现复杂函数逼近的能力,适合处理具有大规模数据的复杂无损检测信号,以实现多种类型缺陷识别9。AI 深度学习的技术路线详见图 1。基于针对性设计的 DNNs 算法,通过对大量底片样本的学习训练,提取相对完备的焊缝图像特征,进而进行缺陷识别和同口片识别1.2 同口片识别的算法介绍同口片识别的算法流程主要包括焊
10、缝有效区域提取、焊缝特征图片构建和机器学习同口片判别三个部分,详见图 2。焊缝底片的原始图像具有灰度区间较窄、缺陷边缘模糊、图像噪声多、亮度弱等特点,传统图像处理方法与人工评片方法难以满足识别要求10。该系统焊缝区域的提取采用深度学习技术对底片信息进行深层信息的自动学习与提取,完成智能评片的功能需求。由于焊接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11。系统对焊缝区域特征图点位进行构建,采用 PANet 进行处理12。该方法不仅能有效解决底片焊缝图像中部分缺陷不够明晰、缺陷和背景融合度较高等问题,还能加强信息传播,具有准
11、确保留空间信息的能力,有助于对缺陷进行定位和识别。使用图像处理技术对母材噪点坐标信息、焊缝位置信息、焊缝灰度最值信息、底片质量信息等进行检测,计算特征点,基于深度学习技术对缺陷特征提取后做进一步量化计算,并对上述信息进行存储。通过计算两张底片相似的特征点,经同口片分类器判定两张底片是否为同口片。图 2 同口片识别的算法流程图Fig.2 Flow chart of the algorithm for the same identification1.3 焊缝缺陷检测的算法介绍焊缝缺陷检测的算法主要包括图像预处理子算法和缺陷检测与定位子算法两大部分,详见图 3。前者包括对已提取焊缝区域的原始图像去
12、噪与增强,采用双边滤波算法,该算法能够更好地保留图像的边缘信息,其原理为一个与空间距离相关的高斯核函数与一个灰度距离相关的高斯函数相乘,并加入对灰度信息的权重。后者缺陷检测与基于深度学习技术对缺陷特征提取后做进一步量化计算,采用 FPN+PANet 结构进行处理。特证提取出来以后,FPN 将上一步生成的不同分辨率特征作为输入,输出经过融合后的特征,均是只有从上向下的融合,PANet 在 FPN的基础上,增了从下而上的融合路径13。图 3 焊缝缺陷检测算法流程图Fig.3 Flow chart of weld defect detection algorithm2 AI 智能辅助评片系统的功能介
13、绍AI 智能辅助评片系统主要包含系统管理、底片管理和模板管理三大功能模块。2.1 系统管理系统管理包含用户管理、角色管理、部门管理、操作日志和登录日志。用户管理可以添加用户的账号选择部门点击新增,录入用户昵称,名称,密码,角色,详见图 4。图 4 用户管理功能界面Fig.4 User management function interface2.2 底片管理图 5 缺陷和同口片识别功能界面Fig.5 Defect and same-port chip identification function interface底片管理包含新增修改复制、导入导出、批量上传底片、第 51 卷第 2 期陈俊仰
14、,等:AI 智能辅助评片系统在 RT 检测中的应用21 缺陷和同口片识别、评片、复核和生成报告功能。其中缺陷和同口片识别功能通过单张勾选或按批次勾选需要识别的缺陷和同口片进行识别,详见图 5。评片功能可以通过使用评片工具,对底片进行注释,测量,放大,导出标注(在线评片需有 dcm文件),详见图 6。复核功能可对系统 AI 识别出的数据、录入的台账信息进行修改复核。图 6 评片功能界面Fig.6 Review function interface2.3 模板管理模板管理可根据用户自身需求对生成报告的模板进行修改、编辑和保存。3 AI 智能辅助评片系统的应用开发 AI 智能辅助评片系统是为了帮助无
15、损检测技术人员进行底片评定工作,实现焊接质量检验环节自动化、信息化。使用深度学习算法对该系统进行有效训练,评片数量达到4500 张。通过测试,评定系统的缺陷识别准确率达到 92%以上。将工程项目中的待评定底片进行扫描上传,接着系统进行焊缝和缺陷的自动边缘提取。在完成焊缝和缺陷边界提取时,系统也自动完成了相关特征参数的提取,并将每个缺陷特征参数存储在内存中。此时,可以点击每个缺陷查看特征参数。通过使用评片工具,对底片中的缺陷进行注释,测量,放大和导出标注。为了保证缺陷提取的准确性,运用复核功能对系统的评定结果进行校对,在此过程中可人工参与缺陷修正,进行缺陷的重新提取和根据评定人的判断进行缺陷误提
16、取的删除。致此,完成了射线底片的评定工作。在此,以 X 射线底片为例,分别测试评定系统对工业管道、长输管道 RT 检测底片缺陷的准确率以及同口片识别的准确率,系统评定缺陷定位详见图 7 图 9。图 7 工业管道缺陷定位Fig.7 Pipeline defect localization图 8 长输管道缺陷定位Fig.8 Defect positioning of long transmission pipeline从图 7 和图 8 的 X 射线底片可知,该工业管道和长输管道的焊缝部位分别存在气孔和裂纹缺陷。将底片扫描后倒入 AI智能辅助评片系统,系统通过图像预处理技术从底片中提取出焊缝区域的原始图像,经神经网络深度学习发现气孔和裂纹的存在并进行缺陷定位,再通过评片工具对缺陷部位进行局部放大。图 7 和图 8 中系统定位的缺陷部位和数量与实际一致,能正确识别出 X 射线底片上存在气孔和裂纹缺陷。图 9 同口可视化匹配效果Fig.9 Visual matching effect从图 9 的两组 X 射线底片可知,该底片为同口片。AI 智能辅助评片系统通过提取底片焊缝,进而提取焊缝区域的特
