CC BY
71
Жизняков А.Л. ИСПОЛЬЗОВАНИЕ ВЕЙВЛЕТ-АНАЛИЗА В ПРОМЫШЛЕННЫХ СИСТЕМАХ НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ
Аннотация В статье представлены результаты исследований, связанных с использованием многомасштабных методов для обработки и анализа дефектоскопических изображений в системах неразрушающего контроля. Приведены результаты работы разработанных алгоритмов для тестовых и реальных изображений рентгеновских снимков сварных швов.
Постоянно растущие потребности народного хозяйства в энергоресурсах, таких как нефть и газ, требуют наличия или создания новых надежных и безопасных систем транспортировки и доставки энергоресурсов конечному пользователю. Одно из ведущих мест при обеспечении надежности и безопасности эксплуатации трубопроводов занимает проблема недопущения снижения прочности стыковых сварных соединений до некоторого критического уровня, определяющего работоспособность конструкции. При определении работоспособности соединений и оценке вероятности аварийной ситуации основной является информация о наличии в сварных соединениях дефектов, их количества, типа и геометрических характеристик. Для получения подобной информации чаще всего используются методы неразрушающего контроля сварных соединений, в частности, методы рентгенографического контроля [1]. Сегодня расшифровка снимков часто осуществляется операторами - дефектоскопистами с использованием негатоскопов (например, НГС-1 или НС 85x400), денситометров (например, ДД 5005-220), специализированных луп и линеек. При этом скорость расшифровки остается относительно низкой, точность расшифровки ограничена погрешностями средств измерения, а качество расшифровки подвержено влиянию человеческого фактора.
В условиях современного развития компьютерных технологий и методов цифровой обработки и анализа изображений очевидным путем решения задачи повышения качества, точности и скорости проведения контроля сварных соединений является создание автоматизированных систем расшифровки рентгенографических снимков.
Процесс расшифровки рентгенографических снимков можно разделить на три этапа: обнаружение дефектов (дефектоскопия), определение характеристик дефектов, их распознавание и классификация (дефекто-метрия), протоколирование результатов экспертизы и генерация заключения о работоспособности сварного соединения. В конечном итоге решающую роль при получении заключения эксперта о пригодности изделия к эксплуатации играет качество решения задачи дефектоскопии, т. е. верность и точность обнаружения дефектов.
В этой связи наиболее важным элементом системы автоматизированного контроля сварных соединений является подсистема обнаружения дефектов. От качества используемых алгоритмов идентификации дефектов зависит весь дальнейший процесс расшифровки рентгенограмм.
При обнаружении дефектов необходимо выполнение ряда дополнительных операций. Необходимо проведение предобработки рентгенографических снимков для повышения их качества, т. к. на точность обнаружения дефектов существенное влияние может оказывать низкое качество рентгенограмм (низкие яркость и контраст, наличие шумов). Также, необходимо представление результата обнаружения дефектов в виде, удобном для решения задач дефектометрии. С точки зрения методов цифровой обработки изображений дефекты сварных соединений являются объектами изображений. Анализ методов определения характеристик объектов и их распознавания, используемых в системах технического зрения, показал, что распространенным способом описания объектов изображений является их контурное представление. Подобное представление не содержит избыточной информации об объектах (например, информации о цвете), но содержит описание формы и размеров объектов [2, 3], что является основным при решении задач дефектометрии.
Таким образом, подсистема обнаружения дефектов сварных соединений должна выполнять, как минимум, следующие операции: повышение яркости и контраста снимков, оценка и подавление шумов, обнаружение
дефектов, выделение и обработка контуров объектов.
Кроме приведенных, предлагаемая система выполняет еще ряд сервисных функций по визуализации анализируемых данных и результатов проведения экспертизы, архивированию данных и взаимодействию с другими системами, посредством импорта и экспорта данных.
Предлагаемая система включает в себя комплекс аппаратно-программных средств, предназначенных для проведения спектра работ по обработке и анализу рентгенографических снимков, генерации протоколов экспертизы и предварительных заключений о пригодности изделий к эксплуатации.
Система состоит из трех подсистем. Основное назначение подсистемы регистрации и оцифровки снимков заключается в преобразовании рентгенограмм в цифровую форму и ввод их в систему. Подсистема обработки снимков выполняет функции оценки и фильтрации шумов рентгенограмм, обнаружения дефектов, выделения и сглаживания контуров обнаруженных дефектов, а также функции определения параметров дефектов по полученным контурным представлениям. Функции классификации дефектов, генерации актов экспертизы, архивирования, импорта и экспорта данных, а также выдачи рекомендаций и справочной информации выполняет подсистема работы со снимками.
Работа каждой подсистемы полностью контролируется пользователем. Это обусловлено следующими причинами. Во-первых, создание автоматических систем расшифровки рентгенограмм - задача весьма трудоемкая. А, во-вторых, решение о пригодности изделия к эксплуатации (т. е. о безопасности использования трубопровода) очень ответственное и принятие его целесообразно поручить человеку - эксперту. Исходя из этого, основным назначением системы автоматизированной обработки и анализа рентгенограмм является помощь оператору - дефектоскописту в принятии решений о наличии дефектов в сварных соединениях и пригодности изделий к эксплуатации на основе данных получаемых в результате работы системы.
Как было сказано, наиболее важным элементом системы является подсистема обработки рентгенограмм, решающая задачи дефектоскопии. Рентгенограммы являются двумерными нестационарными стохастическими сигналами конечных размеров. Среди многочисленных методов обработки подобных сигналов перспективным подходом является использование теории кратномасштабного анализа и вейвлет-преобразования. Вейвлет-преобразование позволяет получать частотно-пространственное представление изображений в виде наборов вейвлет-коэффициентов: аппроксимирующие (низкочастотные) коэффициенты преобразования содержат огруб-
ленную (сглаженную) версию анализируемого сигнала, а детализирующие (высокочастотные) коэффициенты содержат информацию о резких изменениях сигнала (резких перепадах яркости на изображениях) [4, 5].
Выбор вейвлет-преобразования в качестве основы алгоритмов обработки рентгенограмм обусловлен рядом причин. Переход к частотному представлению изображений исключает влияние низкой яркости и контраста на процедуру обнаружения дефектов [5]. Применение вейвлет-преобразования для фильтрации изображений привело к появлению эффективных алгоритмов подавления шумов. Эквивалентность вейвлет-преобразования свертке сигнала с фильтром позволяет обнаруживать объекты изображений по максимальным откликам используемых вейвлетов [4]. И, наконец, некоторые вейвлеты (например, производные функции Гаусса) являются аналогами дифференцирующих масок (Собела, Превитт и др.) и могут быть использованы для выделения контуров объектов изображений и формирования набора признаков дефектов [6]. Например, на основе контурных представлений дефектов могут быть рассчитаны такие характеристики как длина,
ширина, площадь, периметр контура, центр тяжести и др. Возможно использование векторов признаков для решения задач дефектометрии. Например, длина, ширина и центр тяжести могут использоваться для классификации дефектов (распознавания цепочек и скопления пор или включений).
Другими словами весь спектр задач по обнаружению дефектов сварных соединений может быть решен с использованием единого математического аппарата, что очень удобно с точки зрения разработки алгоритмов и программной реализации системы.
Обычно масштабирующий коэффициент вейвлет-преобразования равен степени двух, т. е. на каждом шаге вейвлет-разложения полоса пропускания фильтра уменьшается вдвое. Это упрощает программную реализацию, но в то же время снижает точность проводимых вычислений. В этой связи интерес представляют алгоритмы вейвлет-обработки изображений, использующие произвольный масштабирующий коэффициент.
В предлагаемой системе алгоритмы обработки и анализа рентгенограмм построены на основе адаптивного к характеристикам изображения выбора масштабирующего коэффициента вейвлет-преобразования [7, 8].
С целью исследования работоспособности алгоритмов обнаружения дефектов сварных соединений, была подготовлена серия из 50 реальных и 50 искусственно сгенерированных тестовых изображений. Реальные изображения были получены в результате проведения рентгенографического контроля сварных соединений газопровода с диаметром труб 1020 мм и толщиной стенок труб 12,5 мм. Контроль осуществлялся с использованием рентгеновского аппарата АРИНА-3 с регистрацией излучения на рентгенографическую пленку AGFA STRUCTURIX D7. Оцифровка снимков производилась на специализированном сканере для рентгеновских изображений иМАХ POWERLOOK 2100 XL со слайд адаптером иТА-2100 ХЬ.
Для реальных снимков было определено количество и размеры включений, средняя яркость и контраст изображений. Искусственные снимки были сгенерированы в соответствии с результатами измерения характеристик реальных рентгенограмм (рассчитанные характеристики изображений приведены в таблице 1) .
Далее анализ работоспособности системы проводился в три этапа. Вначале реализованный алгоритм обнаружения дефектов сравнивался с классическими методами обнаружения объектов, такими как пороговая бинаризация, поиск по шаблонам, выделение контуров и использование масок. Для их сравнения определялось количество обнаруженных дефектов и сравнивалось с их реальным числом (таблица 2).
Таблица 1. Характеристики тестовых изображений.
Реальные изображения Искусственно сгенерированные изображения
Количество дефектов 1 - 12 1 - 12
Общее количество дефектов 172 194
Длина дефекта, мм 1 - 7 1 - 7
Ширина дефекта, мм 1 - 7 1 - 7
Яркость изображения сварного шва 131 - 192 130 - 196
Яркость изображений дефектов 109 - 118 103 - 121
Яркость изображения околошовной зоны 53 - 95 50 - 93
Контраст изображения 1.4 - 3.6 1.4 - 3.9
Таблица 2. Результаты обнаружения дефектов различными методами.
Алгоритм обнаружения дефектов Обнаруженные дефекты Ложные срабатывания
Пороговая бинаризация 82 136
Поиск по шаблонам 112 75
Выделение контуров 157 97
Использование масок 302 52
Алгоритм на основе вейвлетов 358 34
Следующим этапом исследований являлось определение размеров обнаруженных дефектов и их сравнение с истинными значениями.
На заключительном этапе исследований определялись граничные значения контраста рентгенограмм, при которых надежно обнаруживается большая часть включений. Контраст определялся как отношение средней яркости объектов изображения к средней яркости фона, при этом под объектами понималось изображение сварного шва, а под фоном - изображение околошовной зоны. Снижение контраста рентгенограмм приводит к снижению количества обнаруживаемых дефектов. Было установлено, что контраст снимков, допускаемых к расшифровке в соответствии с требованиями, примерно равен двум. С учетом этого, реализованный в системе алгоритм дает удовлетворительные результаты при обнаружении дефектов сварных соединений. При контрасте рентгенограмм большем двух, количество обнаруживаемых дефектов превышает 90% от общего их количества.
Таким образом, использование вейвлет-преобразования в задачах обнаружения локальных неоднородностей двумерных сигналов на фоне помех, позволяет, за счет перехода к частотно-пространственному представлению, проводить процедуру поиска без предобработки изображений, направленной на улучшение качества изображений и, возможно, приводящей к искажению информации об особенностях.
Реализованный в системе алгоритм выделения дефектов превосходит рассмотренные классические методы обнаружения объектов на изображениях с точки зрения количества обнаруживаемых объектов и сохранения их размеров. Контраст рентгенограмм влияет на количество обнаруживаемых объектов только при значительном его уменьшении.
Важным является то, что результаты обнаружения дефектов могут быть в дальнейшем использованы для решения задач более высокого уровня - задач распознавания дефектов, определения их характеристик и принятия решения о возможности эксплуатации изделия.
Следует отметить, что задача полной автоматизации процесса обнаружения и классификации дефектов является весьма сложной. Предложенная система может быть использована как отдельный инструмент, предназначенный для частичной автоматизации работы и поддержки принятия решений оператором-дефектоскопистом, так и в составе комплекса аппаратно-программных средств расшифровки рентгенограмм.
ЛИТЕРАТУРА
1. Неразрушающий контроль и диагностика. Справочник / В. В. Клюев, Ф. Р. Соснин, В. Н. Филинов и
др.; Под ред. В. В. Клюева - М.: Машиностроение. 1995. - 488 с.
2. Прэтт У. Цифровая обработка изображений: Пер. с англ. - М.: Мир. 1982. - Кн. 1 - 312 с., ил.
3. Шапиро Л., Стокман Дж. Компьютерное зрение: Пер. с англ. - М.: Бином. Лаборатория знаний.
2006. - 7 52 с., ил.
4. Малла С. Вэйвлеты в обработке сигналов: Пер. с англ. - М.: Мир. 2005. - 671 с., ил.
5. Добеши И. Десять лекций по вейвлетам. - Ижевск: НИЦ "Регулярная и хаотическая динамика". 2001.
- 4 64 с.
6. Li J. A wavelet approach to edge detection. - Huntsville, Texas: Sam Houston state university,
2003. - 80 p.
7. Жизняков А.Л., Вакунов Н.В. Вейвлет - преобразование в анализе и обработке изображений. М.: Государственный научный центр Российской федерации -ВНИИ геосистем, 2004 г. - 102 с.
8. Многомасштабные методы обработки цифровых изображений: учеб. пособие / А. Л. Жизняков, В. Е. Гай, А. А. Фомин; Владим. гос. ун-т.- Владимир: Изд-во Владим. гос. ун-та, 2008. - 102 с.
