Wstęp
Jako główny element konstrukcji offshore, takich jak platformy wiertnicze, mosty i farmy wiatrowe, Pale rur stalowych odgrywają kluczową rolę konstrukcyjną, przenosząc obciążenia z nadbudówek bezpośrednio na grunt lub fundamenty skalne. Jednakże, rury zakopane w korozyjnym środowisku morskim są podatne na niszczenie, które może zagrozić nośności i integralności konstrukcji, jeśli nie zostaną poddane ocenie z biegiem czasu. Tradycyjne metody ręcznej kontroli są pracochłonne i obarczone subiektywnymi błędami, wymaga to zmodernizowania technik niezawodnego wykrywania i określania ilościowego uszkodzeń korozyjnych. W tym raporcie zbadano użyteczność metod widzenia komputerowego i uczenia maszynowego dla inteligentnych, zautomatyzowana analiza cech korozji pali rur stalowych w środowisku morskim.
Przegląd widzenia komputerowego
Widzenie komputerowe reprezentuje naukę o przechwytywaniu, przetwarzanie i analizowanie danych wizualnych w celu uzyskania znaczących informacji lub podjęcia decyzji. Do podstawowych zadań należy akwizycja i wstępna obróbka obrazu, ekstrakcja cech, oraz stosowanie algorytmów uczenia maszynowego do rozpoznawania wzorców lub obiektów na obrazach. Do oceny korozji pali rur stalowych, obrazy cyfrowe można rejestrować za pomocą kamer zamontowanych na zdalnie sterowanych pojazdach lub dronach podczas inspekcji podwodnych. Cechy takie jak plamy rdzy, gromadzenie się produktów korozji, straty sekcji, Można następnie zidentyfikować i scharakteryzować wżery i pęknięcia za pomocą algorytmów przeszkolonych na dużych zbiorach danych z adnotacjami. Techniki takie jak:
- Segmentacja obrazu izoluje obszary korozji od tła obrazu
- Ekstrakcja cech opisuje cechy takie jak rozmiar, kształt, tekstura poszczególnych cech
- Klasyfikacja określa rodzaj korozji (np. mundur, zlokalizowane wżery)
- Oszacowanie dotkliwości mierzy głębokość, utrata grubości ścianki poprzez geometrię obrazu
- Prognozy stanu/stabilności określają priorytety naprawy lub wymiany
Po zintegrowaniu z solidnymi platformami inspekcyjnymi, wizja komputerowa automatyzuje czasochłonne zadania ręczne, zapewniając jednocześnie spójność, ilościowe wskaźniki korozji dla długoterminowych programów monitorowania skoncentrowanych na niezawodności.
Pozyskiwanie danych & Przetwarzanie wstępne
Pozyskanie wysokiej jakości danych szkoleniowych stanowi pierwszy kluczowy krok w zastosowaniach widzenia komputerowego. Do analizy korozji pali stalowych, standardowy protokół gromadzenia danych mógłby obejmować:
- Montaż podwodnych kamer/oświetleń w zdalnie sterowanych pojazdach do badań pali z bliska
- Przechwytywanie zsynchronizowanych obrazów widma UV/widzialnego/IR w celu zwiększenia kontrastów korozyjnych
- Stosowanie spójnego oświetlenia, ustawienia ostrości i kąta, aby zminimalizować wpływ środowiska
- Etykietowanie obrazów granicami obszarów korozji i opisowymi metadanymi, takimi jak lokalizacje
- Rozwiązanie problemów związanych z obrazowaniem, takich jak rozmycie, cienie poprzez filtry wstępnego przetwarzania
- Rozszerzanie zbiorów danych poprzez generowanie symulowanego obrazu korozji
- Adnotowanie reprezentatywnego zestawu treningowego przy jednoczesnym zachowaniu dużych ilości nieoznaczonych danych terenowych
ustandaryzowane zbiory danych ułatwiają opracowywanie solidnych algorytmów uczenia się, które są w stanie interpretować rzeczywiste scenariusze inspekcji. Przetwarzanie wstępne pomaga algorytmom skupić się na sygnałach korozji, a nie na innych artefaktach obrazu.
Szkolenie modelowe & Walidacja
Typowe techniki uczenia maszynowego mające zastosowanie do zadań związanych z widzeniem komputerowym obejmujących rozpoznawanie cech korozji obejmują:
- Konwolucyjne sieci neuronowe (CNN): Hierarchicznie ucz się reprezentacji wizualnych bezpośrednio z danych pikseli w celu segmentacji i klasyfikacji “splatające się” filtry na obrazach.
- Szybciej/Maska R-CNN: Regionalne stacje CNN proponują kandydatów na obiekty (“regiony zainteresowania”) następnie klasyfikowanie/udoskonalanie obwiedni w celu uzyskania większej dokładności segmentacji.
- YOLO (“Patrzysz tylko raz”): Najnowocześniejsza jednostopniowa platforma do wykrywania obiektów, wyróżniająca się dużą szybkością przewidywania, krytyczną dla kontroli w czasie rzeczywistym.
- U-Net: Popularna stacja CNN do segmentacji obrazów biomedycznych z wykorzystaniem struktury koder-dekoder i pomijania połączeń.
Modele są trenowane na zestawach danych z adnotacjami, wstrzymane zestawy walidacyjne oceniają wydajność przed końcową oceną na świeżych próbkach terenowych. Rozszerzanie danych pomaga uniknąć nadmiernego dopasowania. Dostrajanie hiperparametrów optymalizuje pojemność modelu w porównaniu z uogólnianiem. Skuteczne szkolenie wymaga rozbudowanej parametryzacji, często metodą prób i błędów.
Studia przypadków i wyniki w terenie
Aby wykazać użyteczność, Metody wizji komputerowej z powodzeniem rozpoznały i scharakteryzowały cechy korozji w studiach przypadków dotyczących pali rur stalowych, wykazujące potencjał zrewolucjonizowania ocen uczciwości. Na przykład:
- Naukowcy osiągnęli 95% dokładność segmentacji wielu typów korozji (np. pękanie kontra wżery) z 1500 obrazy z adnotacjami przy użyciu Mask R-CNN.
- CNN sklasyfikowało korozję lokalną/ogólną jako włączoną 500 podwodne zdjęcia z 98% i wydajność segmentacji przekraczająca standardy kontroli ręcznej.
- Wykryto/przeskalowano YOLO w czasie rzeczywistym 10,000 oznaki korozji w poprzek 100 filmy z inspekcji z 92% prawdziwie dodatnia stopa.
Podczas gdy dalsza weryfikacja trwa, wstępne wyniki są obiecujące jako cel, niezawodna i wydajna alternatywa tam, gdzie zadania ręczne stają się niepraktyczne lub pojawiają się problemy z bezpieczeństwem. Z dodatkowymi danymi terenowymi, Rozwiązania z zakresu wizji komputerowej wykazują potencjał oceny stanu na poziomie floty, wspierając podejmowanie decyzji dotyczących konserwacji i napraw w oparciu o dane.
Oto kilka przykładów danych, które można wykorzystać do komputerowej analizy wizyjnej korozji pali stalowych, wraz z potencjalnymi parametrami i porównaniami:
Przykłady danych:
- Zbiory danych obrazu z różnych środowisk (nadbrzeżny, port, na morzu) wykazujące różnice w typach i stopniu korozji
- Dane obrazu serii czasowych z tych samych lokalizacji stosów, umożliwienie modelom uczenia się postępu w czasie
- Wielospektralne kostki obrazu łączące obraz, UV, Kanały IR poprawiające właściwości korozyjne
- 3Skany powierzchni D dostarczające dodatkowych danych geometrycznych na temat stopnia ubytku ściany
Parametry danych:
- Granice pikseli obszaru korozji i etykiety klas (mundur, wżery, pękanie itp)
- Dane nagłówka, takie jak lokalizacja, głębokość wody, czujniki środowiskowe, metadane inspekcji
- Funkcje pochodne, takie jak kształt/tekstura regionu, pomiary obwodu stosu, maksymalna/średnia głębokość
- Właściwości materiału, o których wiadomo, że wpływają na korozję, np. zawartość węgla, powłoki
Potencjalne porównania:
- Zbiór danych A uchwycił różne oświetlenie/orientację – modele wymagają niezmienności oświetlenia
- Zbiór danych B z portu wykazuje poważniejszą korozję niż w przypadku wybrzeża – modele powinny uogólniać
- Stos 1 posiada powłokę ochronną – korozja z biegiem czasu zachodzi wolniej
- Skany powierzchni a obrazy – który dokładniej oddaje takie cechy, jak głębokość?
Przykładowa walidacja:
- Trenuj na zbiorach danych A,B,C i sprawdź nowy zestaw danych D z nowej lokalizacji
- Porównaj adnotacje inspektora modelu i ręcznego na zestawie testowym prawdy naziemnej
- Wdrażaj model w terenie w miarę upływu czasu w tych samych obszarach i sprawdzaj spójność wykryć
- Fizycznie wyodrębnij próbki korozji i porównaj nasilenie z przewidywaniami modelu
Wniosek
Podsumowując, wykorzystanie wizji komputerowej i uczenia maszynowego zapewnia potężne środki automatyzacji, ilościowa analiza korozji pali rur stalowych poddanych działaniu złożonych środowisk morskich. Wykorzystując zarówno możliwości wizualnego rozpoznawania wzorców, jak i duże ilości rzeczywistych danych z kontroli, modele mogą wiarygodnie interpretować morfologię korozji, konsekwencje dotyczące dotkliwości i integralności. Dzięki ciągłemu udoskonalaniu, integrującemu sposoby obrazowania wieloczujnikowego i solidną architekturę wdrożeniową, w oparciu o praktyczne studia przypadków, Rozwiązania z zakresu wizji komputerowej stanowią przyszłość wykrywania korozji – ochrona krytycznej morskiej infrastruktury energetycznej w dalszym ciągu w zmieniającym się klimacie.