基于CNN的聚乙烯燃气管道缺陷分类.pdf

检验检测48基于 CN N 的聚乙烯燃气管道缺陷分类符前坤 王 洋 李 萌（新疆大学 机械工程学院 乌鲁木齐 830017）摘 要：本文首先对采集到的图像进行初步筛选，提升了缺陷图像获取的速度。对于有缺陷的 PE 输气管道图像，先使用加权平均法对图像进行灰度处理，再使用自适应直方图法增强对比度，最后使用均值滤波法去除噪声。用 CNN 对获得的图像进行训练，通过选择合适的参数，完成了分类器的设计。实验结果表明，本文采用的方法平均准确率达到 94.82%，能够实现对地下 PE 输气管道缺陷类型的识别。关键词：管道缺陷 图像处理 图像增强 CNN 网络Classification of Polyethylene Gas Pipeline Defects Based on CNNFu Qiankun Wang Yang Li Meng(School of Mechanical Engineering,Xinjiang University Urumqi 830017)Abstract In this paper,the acquired images are initially screened to improve the speed of defect image acquisition.For the defective PE gas pipeline image,the weighted average method is used to process the gray level of the image,then the adaptive histogram method is used to enhance the contrast,and the mean filtering method is used to remove the noise.The obtained images are trained by CNN,and the classifier is designed by selecting appropriate parameters.The experimental results show that the average accuracy rate of the method adopted in this paper is 94.82%,which can identify the defect types of underground PE gas transmission pipeline.Keywords Pipeline defects Image processing Image enhancement CNN network中图分类号：X933.4 文献标志码：B文章编号：1673-257X(2023)S2-0048-04 DOI:10.3969/j.issn.1673-257X.2023.S2.009作者简介：符前坤（1993 )，男，硕士，从事无损检测、图像处理工作。通讯作者：符前坤，E-mail:。（收稿日期：2022-10-24）1 引言聚乙烯（PE）管广泛用于城市天然气系统。中国大中型城市的 PE 天然气管道的利用率已达到 90以上1，管道的内部检查可以保证基础设施的正常运作，并防止事故的发生。传统上图像的自动分类是使用提取的图像特征完成的，用这些提取的特征来表示原始像素值中不清晰的信息。最近几年，这种方法被卷积神经网络（CNN）所取代2。CNN 通常使用图像预处理技术来提高图像质量或提取缺陷区域，以便为管道缺陷的后续识别和分类做好准备3。常见的图像处理技术主要涉及图像去噪4、图像增强4、图像分割5等。Li 等提出了一种高效的 3-D 守护算法，可以用尽可能少的点覆盖一个给定的复杂环境，不仅有利于和视觉机器人的结合，还能够提升视觉机器人识别的准确性6。Piciarelli 等提出了一种基于视觉的软件方法，通过图像展开模块、图像镶嵌模块、缺陷辨识模块更加直观地显示所获取的数据，帮助人工操作7。Chen 等提出了一种基于卷积神经网络的检测方法，管道检测分为视频帧异常检测和异常帧缺陷检测，利用改进的光流算法监测摄像机的运动变化，对视频进行智能分析8。随着 CNN 技术的发展，目前已经提出了几种基于原始 CNN 结构的框架来提高目标检测和分类的性能，如 R-CNN（region-based CNN），Fast R-CNN，SPP-net，SSD(Single Shot Detector),YOLO系列，Mask R-CNN 等。本文提出了一种基于卷积神经网络（CNN）的下水道缺陷分类框架，用于检测 3 种类型的缺陷，包括裂缝、断裂、孔洞，该框架可以自动提取缺陷的抽象特征对 3 种缺陷进行精确分类，通过混淆矩阵来判断模型框架的准确率。本文框架如图1所示。第 39 卷 增刊 2 检验检测49图 1 论文整体框架?2 图像预处理管道图像的预处理不仅可以消除噪声，还可以增强管道背景与缺陷之间的对比度，从而更有效地识别和分类缺陷9。本文中的图像预处理过程如图 2 所示。2.1 缺陷图像的获取缺陷在整个 PE 管道系统中所占比例是很低的。因此为了提高检测效率，要先筛选出缺陷图片。经过对采集的 PE 输气管道图像进行对比分析后发现，没有缺陷的待检测图像与 2 个相邻图像之间的亮度分布具有均匀性。如果相邻图像中的亮度有明显变化，则很可能存在缺陷。2.2 缺陷图像的灰度处理在 RGB 模型中灰度是当 R=G=B 时，彩色表示一种灰度颜色，其中 R=G=B 的值叫灰度值，因此，灰度图像每个像素只需 1 个字节存放灰度值，灰度值的范围为 0 255。灰度化相较于彩色图像所占用的内存更小，计算机运算速度更快，对图像进行灰度处理后，可以在视觉上增加对比，突出目标区域10。本文选择加权平均法对图像进行灰度化。图 2 图像预处理过程(a)原始图像(b)灰度图像(c)图像增强(d)图像降噪2.3 管道缺陷的图像增强图像增强是指通过某种图像处理方法对退化的某些图像特征，如边缘、轮廓、对比度等进行处理，以改善图像的视觉效果，提高图像的清晰度，或是突出图像中的某些“有用”，压缩其他“无用”信息，将图像转换为更适合人或计算机分析处理的形式11。本文使用自适应直方图均衡化对图像进行增强。2.4 管道缺陷的图像滤波与去噪在图像传输过程中，由于环境干扰或者设备限制，往往最终接收得到的图片带有很多噪声，导致图像变得很模糊等情况出现。因此需要各种图像处理方法来解决此问题，提高图像质量，一些传统的图像处理方法如图像去噪、滤波可大致分为空间域（包括双边滤波、高斯滤波、均值滤波、中值滤波图等）与频率域（FFT 去噪、小波去噪等）两类，它们各有优缺点12。本文使用均值滤波对缺陷图像进行降噪。3 基于 CNN 的图像缺陷分类卷积神经网络（CNN）由于其强大的特征提取能力，近年来被广泛用于计算机视觉领域，由于深度学习和卷积网络的发展和进步，基于图像的目标检测和分类能力已经大大提高13。本文使用原始CNN 网络对图像进行分类。3.1 分类模型原始 CNN 网络共有 6 层，即 4 个卷积层和 2 个全连接层，第 1 次经过 32 个卷积核的 2 次卷积后，采用检验检测50一次Maxpooling，第2次经过2次64个卷积核卷积后，再采用 Maxpooling，最后经过 2 次全连接。CNN 框架如图 3 所示。图 3 CNN 框架CNNImput image224*224*3Conv 32Conv 32MaxpoolMaxpoolConv 64Conv 64Fc1000Fc10003.2 分类结果本项目是使用 TensorFlow API 开发的。训练、验证、测试使用的显卡是 NVIDIA 2080TI，运行内存为32GB DDR4。每次训练跑100个Epoch（如图4所示）,每个 Epoch 大概需要 40 s。本文使用混淆矩阵中的精准度（Precision）和召回率（Recall）来评估分类模型的分类效果。其定义在式（1）和式（2）中给出。(1)Precision=TPTPFP+(2)RTPTPFNecall=+式中：TP 表示真阳性，FP 表示假阳性，FN 表示假阴性。按照不同缺陷数量的不同，随机抽取对应比例的数据再作为测试集，从表 1 可以看出，本文所用算法的识别精度已经达到了较高的水平，对于管体的裂纹和断裂，准确率平均可以达到 95.8%和 89.7%；孔洞的识别精度较高，平均可以达到 98.1%左右；本文采用的方法分类平均准确率为 94.82%。从图 5 的混淆矩阵来看，本文提出的分类算法能够满足系统的精度要求，可以应用于工程实践。图 4 CNN 损失函数和准确率?1.00.90.80.70.60.50.40.30.20255075100?1.41.21.00.80.60.40.200255075100迭代?缺陷类型图片数量真阳性假阳性假阴性精准度/%召回率/%裂纹24231295.892孔洞56521498.192.8断裂36354089.7100表 1 CNN 缺陷分类结果图 5 CNN 混淆矩阵?预测标签?23111335520010203040500?4 结论本文提出了一套适用于地下 PE 输气管道缺陷分类的框架。通过实验验证，实现了 PE 管道内部缺陷的非接触快速分类。本次实验主要成果如下：1）针对连续管道内图像的相似性，对采集到的图像进行初步筛选，提升了缺陷图像的获取速度。对于有缺陷的 PE 输气管道图像，先使用加权平均法对图像进行灰度处理，再使用自适应直方图校正增强对比度，最后使用均值滤波法去除噪声。结果表明，该预处理方法具有较好的滤波效果，可以在保留大量原始图像细节的同时加快计算机的处理速度。2）使用 CNN 对获得的缺陷图像进行训练，通过选择合适的参数，完成了分类器的设计，以对 PE 输第 39 卷 增刊 2 检验检测51气管道图像中的不同缺陷进行分类。通过实验获得的测试结果表明，本文采用的方法分类平均准确率为94.82%，能够实现对地下PE输气管道缺陷类型的识别。本文所使用的 CNN 网络卷积层数相对较少，后续会继续增加卷积层数，优化预处理过程，进一步提高模型的准确率。参考文献1 Li C,Lan H Q,Sun Y N,et al.Detection algorithm of defects on polyethylene gas pipe using image recognitionJ.International Journal of Pressure Vessels and Piping,2021,191:104 381.2 Zuo X,Dai B,Shan Y,et al.Classifying cracks at sub-class level in closed circuit television sewer inspection videosJ.Automation in Construction,2020,118:103 289.3 Wang Y,Song X,Gong G,et al.A multi-scale feature extraction-based normalized attention neural network for image denoisingJ.Electronics,2021,10(03):319.4 Liu H,Hou L,Luo Z,et al.Image recovery with data missing in the presence of salt-and-pepper noiseJ.Applied Sciences,2019,9(07):1 426.5 Hosseinzadeh S,Jackson W,Zhang D,et al.A novel centralization method for pipe image stitchingJ.IEEE Sensors Journal,2020,21(10):118 89.6 Li X,Yu W,Lin X,et al.On optimizing autonomous pipeline lnspectionJ.IEEE Trans.Robotics,2012,28(01):223-233.7 Piciarelli C,Avola D,Pannone D,et al.A vision-based system for internal pipeline inspectionJ.IEEE Trans.Industrial Informatics,2019,15(06):3 289-3 299.8 Chen K,Hu H,Chen C,et al.An intelligent sewer defect detection method based on convolutional neural networkC./2018 IEEE international Conference on Information and Automation(ICIA).IEEE,2018.9 Zhang Y.The design of glass crack detection system based on image preprocessing technologyC./Proceedings of 2014 IEEE 7th Joint International Information Technology and Artificial Intelligence Conference,2014:40-43.10 Kanan C,Cottrell G W.Color-to-grayscale:does the method matter in image recognition?J.PloS one,2012,7(01):e29740.11 Zhang X,Wu H,Zhou Z.Partial color photo processing method for components based on image enhancement technologyJ.Wireless Communications and Mobile Computing,2021,2021:1-9.12 Lei M,Liu L,Shi C,et al.A novel tunnel-lining crack recognition system based on digital image technologyJ.Tunnelling and Underground Space Technology,2021,108:103 724.13 Wu C,Li Y,Zhao Z,et al.Research on image classification method of features of combinatorial convolutionJ.Journal of Ambient Intelligence and Humanized Computing,2020,11(07):2 913-2 923.在下风方向和垂直风向的方向的影响半径分别是 35 m和 38 m。由此可见，随着泄漏孔径增大，发生喷射火和爆炸产生的后果也更严重。3）由于场站内设备设施的间距较近，一旦发生孔径较大的泄漏事故，会对设备本体和邻近设备造成影响，也会造成一定的人员伤亡，如果发生连锁反应，失效后果会比计算结果更严重。建议管理单位重视设备设施的本质安全，加强检验和日常巡检，降低失效可能性，减少事故发生。并做好对设备管理人员的安全教育工作，定期开展泄漏事故应急预案演练，以减少发生事故的经济财产损失和人员伤亡。参考文献1 张桂瑞,王慧,纪蕻,等.事故后果分析软件(PHAST)在天然气管道泄漏评价中的应用 J.油气田环境保护,2016,26(05):51-54+62.2 AQ 80012007 安全评价通则 S.3 韦善阳,胡庆革,孙英 峰,等.基于 PHAST的池火灾安全距离与影响因素研究 J.消防科学与技术,2015,34(03):300-302+306.4 蒋 立 军,刘 峰,高 震,等.PHAST 软 件 在 输气站场泄漏事故 后果评估中的应用 J.当代化工,2015,44(02):292-294+297.（上接第 37 页）