利用计算机视觉检测和分类腐蚀

通过Rajesh Rajendran,克里斯汀•卡尔霍恩 2019年6月|文章| 11分钟阅读|本文的电子邮件|下载

识别腐蚀是一项劳动密集型和昂贵的工作。如果不确定，最终可能造成更多的生命损失和环境破坏。计算机视觉可以帮助取代昂贵的，每年认证的检查，以负担得起的，快速和按需腐蚀检查。

利用计算机视觉对腐蚀进行检测和分类

腐蚀是一个严重的安全问题。严重的腐蚀会导致危险的泄漏或破坏大型结构的稳定。2013年，中国东部东黄二号输油管道发生爆炸，造成62人死亡，136人受伤。2009年，伊利诺斯州贝尔维德尔市的一个50英尺高的高压水晶生产容器发生爆炸，造成旁观者受伤，一名卡车司机死亡。2000年，埃尔帕索天然气公司的一条30英寸的天然气管道发生爆炸，造成12人死亡。所有这些事故都是由于未检测到的腐蚀造成的管道或结构失效造成的。

标准化的结果

目前，腐蚀检测由认证检验员负责。它是人为驱动的，这意味着结果是不一致的和主观的。一名认证检查员可能将其归类为严重腐蚀，另一名可能将其归类为中度腐蚀。这种基本的人类差异使其难以标准化，也难以决定在哪里花钱进行维修或重新粉刷。技术可以通过统一公司识别和分类腐蚀的方式来解决这个问题。让同一个检查员检查大公司所有的每个工厂是不现实的。使用计算机视觉，结果基于相同的数据，很容易标准化。这种方法可以在所有公司设施中创建标准结果。

应用人工智能和机器学习

2018年，印孚瑟斯开始与一家矿业客户进行概念验证(PoC)。其目标是建立一个人工智能和机器学习(AI-ML)系统，以提高腐蚀检测的质量、一致性和可预测性。印孚瑟斯的工程师们利用了密集神经网络、超参数、二值分类问题和卷积，设计出了一个人工智能原型。

目前，预防性维护过程只包括有资格的检查员，他们在设施周围走动，评估腐蚀表面。矿业公司、电力和公用事业公司、石油和天然气公司和化学公司都有大型钢结构，必须检查其腐蚀情况。根据设施的大小，这种腐蚀检查可能需要数周时间。PoC开始证明，机器学习计算机视觉技术将全年提供一致、更快、更便宜的腐蚀检测。

不同程度的腐蚀

第一步是了解腐蚀是如何发生的(图1)。大多数外部钢表面都有一层保护涂层来防止腐蚀。腐蚀被称为“涂层损失”，因为这正是腐蚀开始的时候。表面的灰尘颗粒和污渍逐渐破坏了涂层。随着裂纹的发展，涂层将剥落，暴露下表面。当该表面暴露时，涂层损失被认为是严重的。

概念证明解决了两个分类问题

1.机器怎么能从图像中看到腐蚀呢?

这是一个生锈与不生锈的问题。它是用一个二元分类问题完成的。目的是识别图像显示涂层丢失或涂层正常。标注为P1、P2、P3的标注图像为涂层丢失。分类为良好的图像被标记为涂层正常。

2.机器能判断腐蚀有多严重吗?

这是一个多类别的严重程度分类。机器不仅要识别腐蚀，还要对腐蚀的严重程度进行分类。

用于证明计算机视觉能够识别和分级腐蚀的技术:

机器学习引擎

机器学习引擎是腐蚀检测解决方案的基础。从数据收集和准备到数据解释，机器学习工作流程有很多步骤。机器学习(dnn和卷积神经网络)广泛应用于深度学习、自然语言处理和认知计算。实际上，这款发动机变得越来越聪明，不断学习如何在腐蚀程度上做出更好的决策。

图像注释

机器学习从输入数据集开始。这是整个过程中最重要的部分之一。当您有非结构化数据(如图片)时，数据集准备尤其复杂。图片有各种大小和分辨率。我们如何使用图片来创建数据集?在这种情况下，Infosys使用了一个名为Labellmg的免费工具，以70%的测试/训练分割创建了3000个图像注释。

Labellmg让用户能够标记图像的一部分并给它们贴上标签。

这个工具很容易在本地或基于云的机器上安装，数据集不需要被移出安全范围，并且它支持Yolo和PascalVOC格式。

工程特性

特征工程是选择数据的关键方面以产生结构化结果的能力。这个过程将数据经过几次转换，生成有意义的、统一的数据，以供机器学习引擎使用。对于这个项目，我们使用的是从一个大图像中注释的图像部分。每个标注的图像将被分为P1、P2、P3或good。分类标签和带注释的图像用于创建输入向量。从技术上讲，机器学习可以从最小的数据集开始。但是，机器学习模型的结果可能并不准确。投入越多，结果越好，投入的数量没有限制。

图2是一个带注释的图像示例。它是由三个颜色像素编码来表示真实的图像。当你在看机器学习数据集中的输入向量时，每一行都代表一个带注释的图像。最后一个步骤是数据工程(图3)。这是每个带注释的图像经过几个转换步骤的时候:

大小的图像
提取颜色通道
规模的颜色代码
平的数据
将它们添加到机器学习数据集

在PoC中，2340条记录用于训练，1004条记录用于测试(图4)。

应用卷积神经网络

cnn可以产生更准确的计算机视觉结果。卷积是基于人类大脑视觉皮层的组织方式。信息的处理方式与视觉皮层记录数据的方式相同。在DNN中，一层神经元接收来自前一层的所有神经元的输入。然后，一个神经元的输出被连接到下一层的所有神经元，以此类推。在这种情况下，图像中的像素与相邻像素的连接更紧密。这些像素在生成一个完整的形状时更有意义。卷积将边缘和角识别为较小的形状。然后它们一起被解释为更大的或完整的形状。卷积的数量取决于被解释的形状。 That means convolution can identify a shape that is a combination of smaller shapes.

在腐蚀的情况下，涂层损失没有任何形状和大小。薄片可能来自涂层的损失，但它们的形状和大小都不同。CNN可以用来识别特定物体上的腐蚀，如管道、传输结构或阀门。这些物体有明确的形状和大小。下面的工作流程(图5)可以用于更有效地识别涂层损失问题，并减少误报。

为什么假阳性如此重要?

暴露在恶劣环境和阴凉处的设施可以有几种红色色调。那些红色的背景会被误认为是腐蚀物。误报可能会导致在试图修复未被腐蚀的设备时浪费人力时间，并可能导致对系统的不信任，导致恢复原状进行维护和维修。解决方案是通过颜色分割对图像进行分类。

涂层脱落或锈蚀外露一般呈淡红色。锈迹上出现的红色哑光色调越多，涂层损失越严重。CNN可以通过提取和分析图像中有意义的物体来避免这个问题。

CNN到DNN的工作流模型可以潜在地减少误报。该技术已产生了令人印象深刻的结果，模型识别90%的涂层损失和分级精度70%。模型使用具有不同超参数的dnn进行训练。有一些误报，这可以减少使用联合CNN和DNN工作流方法。模型是基于3500个基本注释开发的。随着更多注释的添加，准确性会随着时间的推移而提高。