石油管材螺纹检测研究

苏君东 张保军 王静静

摘要：石油管材螺纹检测采用三角镭射影像量测，透过CCD镜头取样图像进行实验与探讨，于影像量测部分，首要条件是分割出影像中选定区域（简称ROI），采用形态学方式对影像进行膨胀或侵蚀方式，达到过滤噪声的效果，之后再用二值影像定位区域的磨损变形等状况。

关键词：石油管材;螺纹;镭射;检测研究

1整体架构

系统架构主要可区分为四个阶段，分别为石油管材螺纹影像屏蔽生成阶段、影像分割阶段、单一螺牙影像量测阶段、螺牙实际值换算阶段[1]，基于以上四个阶段的结果，本文系统主要有两个不同的应用，能够对不同尺寸螺纹镭射影像进行分割成为单一螺牙影像，而后再针对单一螺牙影像进行量测。

2石油管材螺纹屏蔽影像生成

利用影像分割模型的相关以往研究[2]，虽然所使用的技术背景完整，但对于不同的资料，还是会有许多问题需要克服，才能有良好的检测成果，所以需要详细从影像前处理至训练阶段到测试阶段，依序讲解改进之处与核心方法。将影像分割程序分为影像前处理、脱机训练和测试三个阶段。

2.1影像前处理

使用的石油管材螺纹主要有牙峰间距2.0mm、1.5mm、1.25mm、1.0mm等多种不同规格石油管材螺纹，而螺纹影像分辨率为1600×1200像素，于训练前会先制作卷标图片，将螺纹影像及其卷标图片两两计为一组。全部数据集中包含训练数据共有17287组、验证数据2732组。

影像前处理程序有数据扩增、影像缩放、影像归一化，使用的数据扩增方式主要有两种：（1）随机旋转图片，将选用5到10度内的角度旋转，因经由所有训练数据观察，整体数据若有角度变化皆在这个区间内，（2）随机改变图片色相明亮度饱和度，改变色相为0.4到1.6的随机倍率缩放;改变色相为0.4到1.6的随机倍率缩放;改变饱和度为0.4到1.6的随机倍率缩放，改变明亮度为0.9到1.1的随机倍率缩放。

接着会进行影像的缩放，缩放至模型窗口的输入大小，采用的是双线性插值法，将影像缩放至深度学习模型输入大小，最后进行影像归一化，影像归一化将会利于影像分割网络的训练，而归一化需要用到数据集的平均值与标准偏差，则是先行利用整个训練数据集进行计算。

2.2训练影像分割模型

采用Enet分割网路架构，而在训练过程中网路架构超参数的设计会直接影响最后训练的成果[3]，采用交叉熵函数做为训练用的损失函数，优化器采用加入动量的SGD优化器，动量超参数设定为0.9;而学习率的超参数，选择使用周期性学习率，初始设定为0.001，而周期性学习率会随着训练周期而下降至0.000001，使得整体学习曲线平滑，且能增加收敛速度，而批次量与最高迭代次数，则会受限于硬件，则分别设定为12组数据与20次。

研究采用k折交叉验证，选用k值为5，于是将数据集分为5组，当用其中一组验证时采用其余4组进行训练，经由交叉验证能使确保我们训练出稳定的模型。

然而模型在经由第一次训练后，其检测结果不尽理想，经过分析后发现是标记的二值化图片中的目标白色区域占图片比例过少，造成整体训练用的标记影像前景与背景样本是不均匀的，所以需要修改损失的函数，使得在计算目标白色区域的损失时经过加权，会促使模型更加注重目标区域的分割，藉此方式提升分割准确度。

经过修改损失函数后，由表1可看到误差下降了许多，在镭射区块的定位上更加准确，在修改损失函数前虽然镭射区块的大小正确，但位置不够准确，单一螺牙目标分割可能没有太大差异，在多目标的镭射区块分割上，分割准确率明显的提升，结果图片右下角有些微错误分割的情况，但我们能透过影像分割程序来过滤多余分割的部分，进而得到分割定位准的单一螺牙图片。

2.3 剪枝影像分割模型

用Enet作为影像分割模型，虽然其性能优异，但影像分割模型参数量较多，以类神经算法的角度而言则是神经元数量较多[3]，但并非每个神经元皆能够对输出结果产生影响，将深度压缩的概念应用于系统中，来删减过多的神经元，在不影响类神经网络精确度的条件下，进行模型剪枝，提升整体运行速度。Enet整体架构，可以得知瓶颈模块为Enet最主体架构且使用频率最高，所以对瓶颈模块的部分进行模型删减，但并不会删减瓶颈模块的层数，因实验发现若删减瓶颈模块的层数将会影响模型分割的精确度。然而选择删减瓶颈模块的信道数量，将瓶颈模块的信道数量删减，表2将会展示参数数量的删减数量。

从表2中可以看出我们约删除原Enet模型中37%、65%、83%、90%的参数量产生多种不同剪枝模型，这将会使得整体系统运行更快，且可以利用更少的储存空间运行系统，但也会造成影像分割准确率下降，因此必须经由实验选择出速度与分割准确率中优化的结果。

3 影像分割处理程序

在藉由分割模型获得螺纹屏蔽影像，我们需要利用此屏蔽来获得单一螺牙影像的位置，藉由此坐标位置去分割原始影像及分割屏蔽影像，以供之后单一螺牙影像量测程序使用[3]。整体影像分割处理程序，首先将屏蔽影像进行连通区域标记，接着计算出各个标记所占的面积，将面积过小的标记删除，即可保留含有螺牙位置的标记，再将剩余的标记进行坐标计算，接着系统会判断坐标的组数，若为多个坐标需要进行排序，接着利用排序过的坐标，来分割原图与屏蔽图，最终输出两者合并的结果。

3.1 过滤多余噪声

在图像处理问题中，倘若主要对象是同一区域，则可利用连通区域标记，将各个区域进行标记并统计该区域的面积大小，再利用面积大小将主要对象筛选。

对螺纹屏蔽影像而言，因我们主对象为螺牙区块，若为单个螺牙，该区域面积会是各个区域面积中最大的，因此我们可利用连通区域标记方法，将外围的噪声消除。

3.2 螺牙坐标计算

过滤多余噪声后的连通区域标记图，我们会对此图进行搜索，找寻螺牙的坐标位置，因为是仰赖前景进行搜索，所以将搜索的分割结果与原图分割结果相对应，然而经实验过后，我们发现原图分割结果的信息稍嫌不够，影响了最终的量测结果，经过分析后得知原图中尚有些图片信息被分割掉，出螺牙中牙峰牙底的相对位置，若是我们将此信息也纳入考虑，将有助于我们提升量测准确度。

为了将螺牙相对位置信息纳入考虑，我们将原始的坐标向外扩张由原本的位置加上自定义的扩张值来取得新的影像分割坐標，藉此获得更多背景信息，但自定义的扩张值也不能过多，因增加扩张值也等同加入了许多噪声，且做完扩张后会检查坐标是否超出原图，若超出原图则会对坐标进行二次修正，将超出边界的坐标修正至原图边界上，若在边界值超出范围则取边界值为新的坐标值。

3.3 螺牙排序

使用连通区域标记进行搜索，依照卷标去获得的最大面积的螺牙位置坐标，所获得的多个螺牙坐标可能是乱序的，因此我们需要将螺牙坐标进行排序进行量测，因为此实验所用到螺纹镭射影像，因三角量测的关系，会呈现一定角度倾斜，也造成了螺牙是倾斜排列的，因此我们可以利用影像分割坐标中左上角的点与原点距离，即能进行排序，（x2，y2）坐标相较于（x1，y1）坐标离原点距离更远，因此我们排序属于（x1，y1）坐标组的为1号螺牙;属于（x2，y2）坐标组的为2号螺牙，之后就能依照此顺序作为量测的顺序，即不会产生量测顺序错乱的问题。

4 总结

通过影像回归模型的相关背景知识的运用所使用的技术背景完整，但对于不同的资料，还是会有许多问题需要克服，才能有良好的检测成果，所以从影像前处理至训练阶段到测试阶段，依序讲解改进之处与核心方法。单一螺牙影像回归程序分为影像前处理、脱机训练和测试三个阶段，先透过影像前处理将影像扩增和处理，再透过脱机训练建构影像分割模型，再使用深度压缩、整体学习技术，整并出最好的模型，最后进入测试阶段，要和训练阶段一样，将检测影像缩放至与训练模型窗口的大小相同并归一化，最终会输出螺牙坐标预测，以供螺牙实际值计算阶段使用。

参考文献：

[1]王琼，赵世龙，孟昭.石油管材连接螺纹的无污染零排放表面处理研究[J].钢管，2019（3）：63-67.

[2]刘庆.石油套管质量控制要点浅析[J].中国设备工程，2017（9）：34-36.

[3]闫凯，杨生斌，杨红兵，等.煤层气开发用加厚油管螺纹接头损伤失效分析[J].理化检验-物理分册，2017（4）：280-283.