LNG接收站焊縫射線智能檢測算法優(yōu)化研究

0 引言

近年來，現(xiàn)代工業(yè)、制造業(yè)的水平不斷提高，焊接技術(shù)也在不斷進步，已成為工業(yè)制造領(lǐng)域不可或缺的技術(shù)，并且在廣泛地應(yīng)用于各類細分領(lǐng)域，如石油天然氣、核工業(yè)、建筑等，擁有巨大的工程量及測量。對于焊接構(gòu)件來說，它的焊接質(zhì)量決定了工件的安全性與其有效年限。為了確保焊接工件在如此眾多的應(yīng)用領(lǐng)域的質(zhì)量以及安全性，防止意外情況產(chǎn)生，對焊接工件進行缺陷檢測，尤其是自動檢測就具有很大的研究價值與意義。

1 問題分析

在焊接過程中，由于物理環(huán)境或人為失誤的原因，焊接接頭在焊縫處形成的缺陷稱之為焊縫缺陷。在LNG站等焊接缺陷檢測領(lǐng)域，膠片X射線成像檢測是常規(guī)無損檢測常用的重要方法之一，這種方法穩(wěn)定性較高，采集圖片的尺寸大，易于檢測判斷。在目前實際生產(chǎn)中，主要采取的審核方式是人工分析焊縫圖像，憑經(jīng)驗確定有無缺陷及缺陷的類型、位置、尺寸等，由此評定焊接質(zhì)量并給出相應(yīng)的評級。這種傳統(tǒng)方法不可避免地要經(jīng)歷人工選取特征的過程，耗時費力，而且特征的選取是否合理具有很大的主觀性，一定程度上影響了識別的正確率，容易影響缺陷的判別與定級的預(yù)測，無法滿足現(xiàn)代制造業(yè)對于焊接精度的需求。

隨著人工智能中計算機視覺的興起，使得圖像處理領(lǐng)域內(nèi)有了很大的進步。利用計算機對焊縫圖像進行缺陷檢測，不僅可以有效地克服人工評定過程中主觀因素的影響，使最終的結(jié)果更客觀、準(zhǔn)確，而且對于推動工業(yè)無損檢測的數(shù)字化具有重要的促進作用。

本文所提出的基于X射線圖像的焊縫缺陷檢測算法，就是替代傳統(tǒng)焊縫探傷檢測中人工閱片識別的步驟，消除其所帶來的弊端，提高效率和準(zhǔn)確率。

2 算法研究

近年來，基于X射線圖像的焊縫缺陷檢測一直受到國內(nèi)外研究者的關(guān)注，同時也取得了積極進展，目前的方法主要分為圖像處理和神經(jīng)網(wǎng)絡(luò)兩大類型，簡析如下。

在傳統(tǒng)的圖像處理領(lǐng)域內(nèi)，Ping Kuang提出了PCA構(gòu)建模板算法，再通過匹配思路來提取焊縫缺陷，在模板與圖像中獲得相似性高的ROI區(qū)域，但由于缺陷的種類繁多，這種匹配的方法比較受限。Hassan提出高頻增強再濾波算法，通過改善圖像的對比度，突出缺陷區(qū)域，進而將缺陷提取

。上述的方法基本思路都是基于傳統(tǒng)的圖像處理方法，通過濾波或閾值調(diào)整的方式，來提取缺陷區(qū)域，但這種做法缺乏普適性，針對明顯缺陷的提取確實效果不錯，但實際應(yīng)用中X射線的焊縫圖像灰度值高、特征不明顯，較難通過手動設(shè)置的方法得到不錯的性能。

本項目采用的目標(biāo)檢測模型是基于Faster RCNN架構(gòu)的優(yōu)化模型。Faster RCNN是一個兩階段的模型，第一個階段是經(jīng)過RPN結(jié)構(gòu)提取目標(biāo)物體的候選區(qū)域。第二個階段是將第一個階段得到的候選區(qū)域特征圖，經(jīng)過兩個分支（分類和回歸缺陷區(qū)域框）得到最終的精調(diào)結(jié)果（分類和缺陷區(qū)域框）。骨干網(wǎng)絡(luò)特征提取的深度卷積層采用的是ResNet18+FPN的結(jié)構(gòu)，此處引入FPN（Feature Pyramid Networks）的目的是為了增強對小物體檢測的性能，有助于在大圖中獲取小的圓形缺陷。根據(jù)數(shù)據(jù)的分布，首先用圓形缺陷的數(shù)據(jù)進行訓(xùn)練，在調(diào)參訓(xùn)練優(yōu)化完畢后，切換到條形缺陷分支，將圓形缺陷得到最優(yōu)模型的骨干網(wǎng)絡(luò)權(quán)重作為預(yù)訓(xùn)練模型引入到條形缺陷進行訓(xùn)練調(diào)優(yōu)，再按照相同的步驟引入到嚴(yán)重缺陷的訓(xùn)練調(diào)優(yōu)中，多次迭代后即可獲得各自任務(wù)網(wǎng)絡(luò)的權(quán)重。

深度學(xué)習(xí)的概念由Hinton提出，Lecun等人提出了卷積神經(jīng)網(wǎng)絡(luò)，通過多層網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法解決了“手寫數(shù)字識別”問題，再到Alexnet橫空出世，在圖像分類任務(wù)上有著質(zhì)的飛躍。其中，物體檢測問題是計算機視覺中極為重要的基礎(chǔ)問題，也是解決場景理解、圖像描述、實例分割、物體跟蹤等問題的基礎(chǔ)。許多深受研究者追捧的網(wǎng)絡(luò)框架也相繼問世，如Faster-RCNN第一次做到了實時的物體檢測，具有里程碑的意義。隨后Kaiming He又提出了實例分割領(lǐng)域的重要成果Mask-RCNN

，大大促進該領(lǐng)域的發(fā)展。

基于上述研究基礎(chǔ)，本文認(rèn)為借鑒計算機視覺領(lǐng)域的最新成果去解決LNG站點X射線焊縫缺陷檢測是個新的思路。

3 行業(yè)標(biāo)準(zhǔn)

3.1 缺陷檢測行業(yè)標(biāo)準(zhǔn)

在射線檢測領(lǐng)域有專門的行業(yè)標(biāo)準(zhǔn)來規(guī)范國內(nèi)外的射線檢測任務(wù)，如國標(biāo)與歐標(biāo)。表1所示就是缺陷檢測中國標(biāo)與歐標(biāo)的對比，在本文中選用國標(biāo)作為檢測與定級任務(wù)的標(biāo)準(zhǔn)。國標(biāo)將缺陷類型分成了五類，但在實際應(yīng)用中通常會分成圓形缺陷、條形缺陷、嚴(yán)重缺陷（裂紋、未熔合、未焊透）三大類。

“你們?nèi)フ疑扯嗬锼股闲??！?沙多里斯上校死了將近十年了。)“我在杰弗生無稅可納。托比!”黑人應(yīng)聲而來。“把這些先生們請出去。”

當(dāng)實踐美學(xué)代替反應(yīng)論美學(xué)的優(yōu)勢在21世紀(jì)逐漸淡化時，和諧美學(xué)、超越美學(xué)、生活美學(xué)從人與他者的關(guān)系、人與現(xiàn)實的關(guān)系、人與自身的關(guān)系出發(fā)觸動社會實踐，引起社會實踐變革，更具有時代意義。這三類美學(xué)的成功說明，美學(xué)與實踐密切相關(guān)，將美學(xué)理論細致化、現(xiàn)實化，直接參與到社會現(xiàn)象的指引中，會更有益于美學(xué)教育的社會導(dǎo)向性。

圖1展示了四種典型焊縫缺陷的成像特點，分別是裂紋、未焊透、未熔合、氣泡缺陷。

3.2 缺陷定級行業(yè)標(biāo)準(zhǔn)

LNG站點主要用的九鎳鋼焊縫缺陷定級有嚴(yán)格的標(biāo)準(zhǔn)，在國標(biāo)中共有四種質(zhì)量等級，如表2所示。其中嚴(yán)重缺陷（裂紋、未熔合、未焊透）一經(jīng)發(fā)現(xiàn)，即判定為最嚴(yán)重的IV級；圓形缺陷的評級根據(jù)板厚、評定區(qū)大小、評定區(qū)內(nèi)缺陷點數(shù)決定；條形缺陷根據(jù)板厚與長徑?jīng)Q定。

此外，還要引入評定區(qū)的概念。它指的是在焊縫圖像中，找尋缺陷最密集的區(qū)域來作為整張圖像的定級區(qū)域，通常是一個可旋轉(zhuǎn)的矩形區(qū)域。評定區(qū)的大小根據(jù)板厚所決定，板材越厚則定級框尺寸越大。圓形缺陷的定級跟板厚、評定區(qū)、缺陷點數(shù)目有關(guān)，條形缺陷的定級跟板厚、長徑有關(guān)。

4 算法優(yōu)化與實現(xiàn)

4.1 總體設(shè)計

在研究好行業(yè)標(biāo)準(zhǔn)，確定好缺陷檢測目標(biāo)，并明確使用基于深度學(xué)習(xí)的檢測方法后，確立并設(shè)計檢測模塊的系統(tǒng)架構(gòu)，如圖2所示。

高原牦牛大多生活在氣候嚴(yán)寒、地域復(fù)雜的缺氧地區(qū)，近些年隨著牦牛養(yǎng)殖規(guī)模的不斷擴大，出血性敗血癥的感染幾率也在升高。出現(xiàn)出血性敗血癥的主要原因包括以下幾種。

4.2 數(shù)據(jù)集準(zhǔn)備

在決定使用基于計算機視覺的檢測算法作為解決方案后，著手進行數(shù)據(jù)準(zhǔn)備，最終收集到上海某LNG項目公司提供的三批共560張九鎳鋼焊縫X射線數(shù)字化圖像。

缺陷檢測模塊的輸入為LNG儲罐焊縫區(qū)域探傷照片，輸出為缺陷類型與位置。這個模塊是該算法的核心，由于目標(biāo)檢測算法可以識別物體的位置、類型，因此目標(biāo)檢測滿足了本項目的算法目標(biāo)需求。為了達到最優(yōu)的檢測性能，將研究兩種不同的方案，設(shè)計、實現(xiàn)、訓(xùn)練、測試這兩種方案，最終選擇性能最優(yōu)的模型作為最終應(yīng)用的檢測模塊算法。研究設(shè)定的指標(biāo)是整體的檢測性能大于召回率80%。

3）如果圖中不存在缺陷且檢測出有缺陷，則此圖precision為0，recall不計算。

具體的網(wǎng)絡(luò)結(jié)構(gòu)生成圖如圖4所示。

第一，朗讀屬于“閱讀”的目標(biāo)和內(nèi)容范疇。因此，我們不能狹隘地理解“朗讀”要求，必須將“朗讀”置于整個閱讀語境和情境中加以把握。

5例硬膜下積液自行吸收，7例演變?yōu)槁杂材は卵[；前者的積液量少于后者[(26.4±14.6)mL vs(80.0±52.3)mL, P=0.002]。演變?yōu)槁杂材は卵[的7例患者中，5例因血腫厚度>1.5 cm、出現(xiàn)顱高壓或神經(jīng)功能障礙而進一步行鉆孔引流術(shù)；鉆孔手術(shù)平均于夾閉術(shù)后(9.1±3.8)個月(4～20個月)進行。進一步分析發(fā)現(xiàn)，硬膜下積液量越大，其演變?yōu)槁杂材は卵[的比例越高，慢性硬膜下血腫后須行鉆孔引流手術(shù)治療的比例也越高(表2)。

4.3 Weld-SSD單階段檢測算法

目前，基于深度學(xué)習(xí)的物體檢測算法大致分為一步法檢測器和二步法檢測器兩類。一步法檢測器在原圖上鋪設(shè)一系列錨點框，利用一個全卷積網(wǎng)絡(luò)，對這些錨點框進行一次分類和一次回歸，得到檢測結(jié)果。一步法檢測器則有YOLO、SSD、RetinaNet等，其中SSD（Single Shot MultiBox Detector）是一步法檢測器的集大成者。

由于在焊縫缺陷數(shù)據(jù)中，圓形缺陷占比最高，對圓形缺陷的研究更具有普適性，因此本算法模型主要研究焊縫圓形缺陷的識別。對于圓形缺陷，不同個體的大小變化較大，SSD的先驗框選擇就顯得尤為重要。因此，對于SSD模型需要進行一系列改進與優(yōu)化，得到性能更好的Weld-SSD算法模型，主要改進點包括數(shù)據(jù)預(yù)處理與數(shù)據(jù)增強、用于檢測的特征圖選擇、先驗框的設(shè)計、損失函數(shù)設(shè)計等。

算法優(yōu)化后，通過多輪測試，發(fā)現(xiàn)改進之后的Weld-SSD算法模型在裁剪圖上可以測得較好的結(jié)果，但在整圖上的結(jié)果卻不太理想，這與圖像本身的質(zhì)量也有一定的關(guān)系。下文將嘗試?yán)秒p階段的網(wǎng)絡(luò)來進一步優(yōu)化算法。

4.4 Weld-RCNN雙階段檢測算法

相對于一步法檢測器，二步法檢測器多了額外的第二步。若在相同的條件下，如輸入、錨點框、機器等，一步法一般勝在高效率，而二步法則有更高的精度。現(xiàn)在各個檢測庫上排名靠前的算法，基本都是二步法。代表性的二步法檢測器有Faster R-CNN、R-FCN、FPN等，其中Faster R-CNN是奠基性工作，所有的檢測算法都是在它的基礎(chǔ)上改進的。二步法相對于一步法，多了后面摳特征并進一步分類和回歸，這一步一般比較耗時，但能顯著提升精度。

依托鄉(xiāng)土體育資源開展的陽光體育活動，改變了以往學(xué)生疲于應(yīng)付，被動活動的局面，變“要我運動”為“我要運動”，使學(xué)生在文明和諧的氛圍中陶冶情操，鍛煉身體，讓學(xué)生轉(zhuǎn)瞬即逝的青春留下照亮終生的火花，讓學(xué)生的人生充滿了陽光，使他們無論是處于順境還是逆境，都能樂觀而不消極。

雖然有成熟的目標(biāo)檢測框架可以使用，但LNG儲罐九鎳鋼焊縫缺陷檢測需要解決的問題與傳統(tǒng)圖片任務(wù)還是有區(qū)別。焊縫X射線圖像的灰度值很大、缺陷與背景的區(qū)分度不高，這會導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時的難度增加。另外，一張缺陷圖片中，正負(fù)樣本比例不均衡，缺陷區(qū)域往往很少而背景區(qū)域卻很大。同時，在標(biāo)注數(shù)據(jù)中缺陷類型的比重不同，圓形缺陷的數(shù)目極多，而條形缺陷卻很少，嚴(yán)重缺陷的數(shù)目更是降低了兩個量級。此外，圓形缺陷的尺寸相對較小、條形缺陷的尺寸相對很大，導(dǎo)致基于錨點（Anchor）機制的模型在尺度變換上容易出問題。上述的諸多問題均需要在網(wǎng)絡(luò)結(jié)構(gòu)上進行優(yōu)化設(shè)計，經(jīng)過一系列的改進與優(yōu)化，得到最終的設(shè)計算法方案，主要包括四個模塊，具體如下：

1)主干網(wǎng)絡(luò)設(shè)計

至于收獲，則是一位夢幻般的女子出現(xiàn)在了畫家的生活當(dāng)中，她的名字叫伊麗莎白·埃莉諾·希達爾。羅塞蒂驚異于她天使般的容貌與冰清玉潔的氣質(zhì)，將其視作自己的比阿特麗絲，并將她陸續(xù)幻化成眾多浸沐在中世紀(jì)圣潔光輝下的女性。羅塞蒂的奇特在于其從身到心都沉浸在了藝術(shù)中，他無法像其他人一樣，將生活和夢幻彼此分開，故而他對希達爾傾注的愛也異常奇特：他將心中的“利茲”(羅塞蒂對希達爾的昵稱)完全地理想化了，圣靈化了。而這位戀人的順從也使她像極了皮革馬利翁雕刻的加拉太。如此，他們的愛情竟罩上了一層超世俗的、唯靈的色彩。這兩件事情共同催化，遂使羅塞蒂的畫風(fēng)一意朝著現(xiàn)實的反方向前行，終于徹底走進了神秘的詩性境界。

近些年，深度學(xué)習(xí)正在飛速發(fā)展，許多研究者引入神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來替代傳統(tǒng)處理方法的局部模塊來提升性能。通過視覺掃描、區(qū)域差運算、焦點搜索后確定可疑區(qū)域，再通過深度學(xué)習(xí)網(wǎng)絡(luò)來提取特征識別，雖然引入了深度學(xué)習(xí)的思想，但未做到端到端的訓(xùn)練，不利于模型的訓(xùn)練

。有研究將整圖切分成若干等寬高的圖片，再利用深度神經(jīng)網(wǎng)絡(luò)來提取特征最后進行分類，除最初始的切分都采用了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

。上述應(yīng)用到神經(jīng)網(wǎng)絡(luò)的研究均局限于部分模塊，這樣造成了應(yīng)用場景的局限以及性能提升不明顯，另外也沒有引入最先進的計算機視覺領(lǐng)域的任務(wù)手段來解決缺陷檢測與分類，因此還有較大的性能提升與算法優(yōu)化的空間。

2)錨點機制優(yōu)化

錨點機制是兩階段目標(biāo)檢測網(wǎng)絡(luò)中常用的提取目標(biāo)區(qū)域的處理算法，預(yù)設(shè)不同大小與尺度的錨點框，通過選中特征圖的中心點利用滑動窗口進行滑動，通過錨點框的相應(yīng)逆向推導(dǎo)在原圖上的目標(biāo)物體的區(qū)域。由于算法模型采用了多任務(wù)網(wǎng)絡(luò)，因而每個任務(wù)上預(yù)測的物體已經(jīng)確定，那么相應(yīng)其大小與尺度也確定。本項目無需再使用預(yù)設(shè)多類尺度大小的框來進行每個分支單獨的預(yù)測，只需在特定的分值設(shè)置特定大小的錨點框即可。錨點的選擇要根據(jù)所要識別的目標(biāo)大小而定，在統(tǒng)計出各類缺陷數(shù)據(jù)大小與尺度的分布，即可根據(jù)此來設(shè)計錨點的參數(shù)。氣孔缺陷的大小普遍較小，且長寬比變化不大，所以最終使用的錨點大小為[8，16，32，64]，錨點尺度采用[0．5，1，2]。條形缺陷與嚴(yán)重缺陷的大小普遍較大，且長寬比變化明顯，所以算法模型最終使用的錨點大小為[24，48，64，96]，錨點尺度采用[3，5，7，9]。

3)損失函數(shù)的設(shè)計與優(yōu)化

藻細胞周邊的水分由于受到藻細胞的束縛，其性質(zhì)和未受到束縛作用的自由水有差別。藻泥中的水可被分為2種：由于藻細胞固體物質(zhì)的存在導(dǎo)致其性質(zhì)發(fā)生變化的束縛水和性質(zhì)不受固體物質(zhì)影響的自由水［12］。含水物質(zhì)（如市政污泥）中的束縛水不能通過傳統(tǒng)的脫水方法（如離心、絮凝或過濾）被脫除。

9.價值觀等方面的認(rèn)知錯亂。多元文化使學(xué)生價值觀形成多元化，在面對價值觀的判斷和選擇時，統(tǒng)一的標(biāo)準(zhǔn)難以形成，引起在價值觀等方面的認(rèn)知錯亂。

在損失函數(shù)上進行一定的調(diào)整，第一階段，RPN的分類采用的是二類交叉熵?fù)p失，RPN的缺陷框回歸損失采用的是Smooth L1 Loss。第二階段，分類分支采用的是二類交叉熵?fù)p失，缺陷框回歸分支采用的是Smooth L1 loss。針對正負(fù)樣本不均衡的問題，在計算損失函數(shù)時使用了在線難例挖掘（Online Hard Example Mining）。在線難例挖掘是指在訓(xùn)練過程中，針對難區(qū)分的樣本將它們抽出來再次回傳訓(xùn)練，通過不斷增強網(wǎng)絡(luò)對這類樣本的訓(xùn)練會提升處理難例的性能。

在標(biāo)注數(shù)據(jù)完畢后，將圖片按照4:1:1的比例劃分為訓(xùn)練集、驗證集、測試集。訓(xùn)練集指用于訓(xùn)練模型與確定模型權(quán)重的數(shù)據(jù)，驗證集用于確定網(wǎng)絡(luò)結(jié)構(gòu)以及調(diào)整模型的超參數(shù)，測試集用于測試模型的泛化能力。本項目在訓(xùn)練集、驗證集中進行訓(xùn)練與驗證，在測試集中來模擬真實檢測場景，輸入整張片后檢測與測量缺陷，給出最終的定級。

LNG儲罐九鎳鋼板的X射線圖尺寸均在2 000×8 000左右，如此大的圖片無法直接用于訓(xùn)練。另外，標(biāo)注信息與圖片數(shù)目均不夠（缺陷圖片僅有560張），因此數(shù)據(jù)增強必不可少。通過在原圖上平行滑動裁剪，以一定的尺寸均勻向右、向下進行滑動窗口式的切分（步長為50像素，窗口大小為512×512像素）；平移，對圖片進行上下左右的平移；翻轉(zhuǎn)，對圖片進行上下的翻轉(zhuǎn)；旋轉(zhuǎn)，對圖片進行0～180°的旋轉(zhuǎn)；噪聲，對圖片加入隨機噪聲等，通過上述數(shù)據(jù)增強方式，將數(shù)據(jù)量擴增160倍，應(yīng)用于模型訓(xùn)練的數(shù)據(jù)量為90 000張。

優(yōu)化后的Weld-Faster-RCNN的深度學(xué)習(xí)框架實現(xiàn)工具主要包括Tensorflow，Keras，Python。數(shù)據(jù)集需要準(zhǔn)備每張原始圖片與對應(yīng)的邊界框標(biāo)注文件(．xml)文件，圖3為示例。

數(shù)字化焊縫圖片不具有標(biāo)注信息，按照數(shù)據(jù)準(zhǔn)備的設(shè)計方案，聘請了焊縫缺陷識別領(lǐng)域的專家給焊縫圖像進行缺陷標(biāo)注。為了方便標(biāo)注人員標(biāo)注并提升效率，在進行標(biāo)注時只是將缺陷用矩形框標(biāo)出，在X射線焊縫圖像中缺陷位置畫外接矩形，并將缺陷類型和外接矩形左上角和右下角坐標(biāo)（Xmin，Ymin，Xmax，Ymax）寫入xml文件中。

評測方法：

1）對于測試集中的每張圖片單獨計算Precision和Recall（IOU=0．3）。

2）如果圖中存在缺陷且檢測出缺陷為0，則此圖precision不計算，recall為0。

糖尿病腎病和其他的慢性并發(fā)癥一樣,缺乏有效的治療手段,見對患者及家庭和社會均構(gòu)成嚴(yán)重的損害,同樣以預(yù)防為主。從預(yù)防糖尿病的發(fā)生開始,早期發(fā)現(xiàn)血糖升高,早期控制,同樣強調(diào)綜合的糖尿病管理對于預(yù)防糖尿病腎病至關(guān)重要。

4）如果圖中不存在缺陷且檢測出缺陷為0，則此圖precision為1，recall不計算。

5）最終的結(jié)果為所有圖precison和recall的均值。

通過對目標(biāo)算法進行充分測試，并根據(jù)不同的優(yōu)化方式設(shè)置對照實驗，實驗結(jié)果如表3所示。

（1）廣州市湖泊、河涌、航道與入海口地表水體溶解相中合成麝香濃度較高，HHCB、AHTN、MK的質(zhì)量濃度分別為0.72~3051.36、0.51~569.43、0.05~382.61 ng·L-1；而顆粒相中的濃度相對較低，HHCB、AHTN、MK的質(zhì)量濃度分別為0.24~115.40、0.12~22.40、0.02~2.15 ng·L-1；無論是溶解相還是顆粒相，HHCB的濃度均遠高于AHTN和MK。與國內(nèi)外河流相比，廣州地表水的合成麝香濃度偏高，可能與廣州臨近入?？?，人口密集，城市水體污染嚴(yán)重有關(guān)。

通過上述測試結(jié)果，可以看出基于目標(biāo)檢測算法的最優(yōu)模型是以Faster-RCNN為架構(gòu)，再引入在線難例挖掘機制以及改進了錨點機制和骨干網(wǎng)絡(luò)后得到的模型，此模型在氣孔上可以達到RC=88．5%，PR=80．3%。

在當(dāng)下，部分參與工程投標(biāo)的企業(yè)為了能夠在招投標(biāo)中增加自身企業(yè)的競爭以及優(yōu)勢，沒有對項目進項詳細的成本運算以及對施工現(xiàn)場進行勘察的基礎(chǔ)上就盲目地對油田項目進行報價，而且為了能夠?qū)㈨椖空莆赵谧陨砥髽I(yè)中，將投標(biāo)的報價進行無底線的壓縮，導(dǎo)致工程項目即使中標(biāo)其建設(shè)的效益也不會很高，對于這種方式的競標(biāo)還有一種弊端就是，盲目的報價中標(biāo)之對工程的建設(shè)質(zhì)量也缺乏保障，因為企業(yè)所看中的是其中的經(jīng)濟利益，所以，往往會對中標(biāo)的項目在施工中出現(xiàn)偷工減料的現(xiàn)象，導(dǎo)致工程的質(zhì)量以及工程項目的使用壽命得不到保障，嚴(yán)重時更會造成倒塌等安全事故。投標(biāo)單位盲目報價還會造成投標(biāo)企業(yè)互相報復(fù)性惡性報價的不良后果，對招標(biāo)活動危害甚大。

臨床藥師主導(dǎo)的慢性病管理在提高老年高血壓患者對藥物了解程度方面的作用 ………………………… 武丹威等（23）：3251

算法測試過程中，針對LNG儲罐九鎳鋼焊縫數(shù)據(jù)的特點，還進行過以下嘗試：

1)對輸入圖像進行預(yù)處理讓缺陷部位更加明顯，例如直方圖均衡化、線性變換、對數(shù)變換等。

2)針對數(shù)據(jù)的規(guī)模對網(wǎng)絡(luò)模型的大小進行調(diào)整，例如對主干網(wǎng)絡(luò)的通道數(shù)、第二階段網(wǎng)絡(luò)的參數(shù)量等進行調(diào)整。

3)兩階段分開訓(xùn)練。

4)在主干網(wǎng)絡(luò)使用FPN的前提下，第二階段從同一特征圖中提取特征。這些嘗試對最終結(jié)果均沒有改善。

5 結(jié)論

通過對經(jīng)典目標(biāo)檢測算法進行優(yōu)化研究，經(jīng)過數(shù)據(jù)增強、修改骨干網(wǎng)絡(luò)、添加FPN、改進錨點機制以及采用OHNM均能對算法性能有所改善。后續(xù)在LNG等工程應(yīng)用領(lǐng)域，通過計算機對焊縫圖像進行缺陷檢測，不僅可以有效克服人工評定過程中主觀因素的影響，確保最終檢測結(jié)果更客觀、準(zhǔn)確，還有助于推動工業(yè)無損檢測業(yè)務(wù)的在線化、協(xié)同化和數(shù)字化，對檢測機構(gòu)、業(yè)主單位等都能起到提質(zhì)增效的積極作用。

［1］Win M，Bushroa A R，Hassan M A，et al.A contrast adjustment thresholding method for surface defect detection based on mesoscopy［J］.IEEE Transactions on Industrial Informatics，2015，11（3）:642-649.

［2］王欣，高煒欣，武曉朦，王征，李華.基于模糊模式識別的焊縫缺陷圖像檢測［J］.西安石油大學(xué)學(xué)報（自然科學(xué)版），2016（4）.

［3］張盼，陳志東，李曉旭，李鵬程，洪戈，付饒，李琳，張寧.基于小波變換的X射線數(shù)字圖像焊縫缺陷邊緣檢測［J］.管道技術(shù)與設(shè)備，2016（3）.

［4］He K，Gkioxari G，Dollar P，et al.Mask r-cnn［C］//Proceedings of the IEEE international conference on computer vision.2017:2961-2969.