Identificação da região central de cordões de solda em imagens radiográficas de tubulações de petróleo do tipo parede dupla vista dupla

Transcrição

1 Identificação da região central de cordões de solda em imagens radiográficas de tubulações de petróleo do tipo parede dupla vista dupla Fernando M. Suyama 1, Andriy Krefer 1, Alex R. Faria 1, Tania M. Centeno 1 1 Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial (CPGEI) - Universidade Tecnológica Federal do Paraná (UTFPR) Av. 7 de Setembro, 3165, CEP: , Curitiba, PR, Brasil {fernandomoreirasuyama, andriy.krefer}@gmail.com, alex@alexfaria.eti.br, mezzadri@utfpr.edu.br Abstract. This paper presents a methodology for the detection of central weld beads of oil pipelines in double wall double view radiographic images. The method is based on three steps: pre-processing (to isolate selected areas), optimization (to define the ellipse that best fits each selected area), decision (choosing the best selected area). The results show that the Particle Swarm Optimization algorithm converges satisfactorily for the selection of the polygon that is most similar to the central region of the weld. The scientific contribution of this research is the new method applied in the search of candidate regions through ellipse s similarity analysis independent of pipeline detection. Resumo. Este artigo apresenta uma metodologia para a detecção da região central de cordões de solda de tubulações de petróleo em imagens radiográficas parede dupla vista dupla. O método é baseado em três etapas: préprocessamento (para isolar as regiões candidatas), otimização (para definir a elipse que melhor se inscreve em cada região candidata), decisão (escolha da melhor região candidata). Os resultados obtidos mostram que o algoritmo Particle Swarm Optimization converge de maneira satisfatória para a seleção do polígono que mais se assemelha à região central do cordão de solda. A contribuição científica dessa pesquisa consiste no novo método empregado na busca da região de regiões candidatas por análise de similaridade de elipse independente da detecção da tubulação. 1. Introdução Em instalações petroquímicas, redes de tubulações condutoras de fluidos são construídas através da união de tubos, conexões e diversos tipos de componentes, por meio de juntas soldadas [Telles 2001]. Estas instalações são projetadas para suportar condições críticas de temperatura e pressão. Mesmo assim ocorrem falhas, que, quando não são solucionadas a tempo, podem resultar em vazamentos, paradas não programadas, perdas de produção, incêndios ou mesmo acidentes com sérios danos ambientais. Entretanto, programas de inspeção periódica através de Ensaios Não destrutivos (END) contribuem para evitar a ocorrência de tais falhas. O termo Ensaio Não-Destrutivo (Nondestructive Test/Evaluation), compreende métodos e procedimentos utilizados para examinar materiais e produtos sem interferir ou alterar a sua funcionalidade [Kroetz 2012].

2 A inspeção de estruturas soldadas é essencial para assegurar sua qualidade, de maneira a garantir sua segurança e confiabilidade [Wang e Liao 2002]. Atualmente, a inspeção radiográfica de juntas soldadas de tubulações de petróleo é realizada por especialistas e constitui a única forma reconhecida legalmente pelas instituições normalizadoras e certificadoras [Kroetz 2012]. Entretanto, está sujeita a erros relacionados à visão, experiência e fadiga do inspetor especialista, afetando a repetitividade e reprodutibilidade do processo. Nesse contexto, a inspeção radiográfica computadorizada apresenta-se como um recurso interessante a ser explorado. O desenvolvimento de uma ferramenta de apoio à tomada de decisão de inspetores pode auxiliar na minimização do erro humano na inspeção. Técnicas de visão computacional e inteligência artificial foram amplamente exploradas em pesquisas relacionadas à detecção de juntas soldadas [Liao e Ni 1996; Liao e Tang 1997; Liao e Li (1998); Wang e Liao 2002; Padua et al. 2004; Kroetz 2012]. O objetivo principal desta pesquisa é a identificação da região central de cordões de solda em imagens radiográficas de tubulações de petróleo do tipo parede dupla vista dupla (PDVD). Para isso, é adotado o algoritmo Particle Swarm Optimization (PSO). O problema abordado nesta pesquisa não está relacionado com situações apresentadas na literatura, pois possui este objetivo específico e aplica o algoritmo PSO de maneira em que a busca não depende da detecção inicial da tubulação na imagem. O documento está organizado da seguinte forma: a seção 2 apresenta uma breve revisão bibliográfica sobre estudos e técnicas já empregadas para a detecção de cordões de soldas em imagens radiográficas e o modelo clássico do PSO. A seção 3 apresenta os materiais e métodos utilizados: pré-processamento (para isolar as regiões candidatas), otimização (para definir a elipse que melhor se inscreve em cada região candidata através do algoritmo PSO), decisão (escolha da melhor região candidata). A seção 4 apresenta os resultados obtidos e a discussão. Por fim, na seção 5 são apresentadas as considerações finais do trabalho. 2. Revisão da Literatura A análise e interpretação de radiografias de soldas é uma tema de grande interesse da comunidade científica. Em Liao e Ni (1996), é proposta uma metodologia de digitalização de imagens radiográficas. O método é baseado na observação da intensidade dos pixels na área de soldas. Este método mostrou-se eficiente apenas na utilização de segmentos lineares. Para a identificação de segmentos curvos, Liao e Tang (1997) utilizaram redes neurais artificiais MultiLayer Perceptron (MLP) e classificadores Fuzzy. Wang e Liao (2002) apresentam um método automático baseado em classificadores Fuzzy e redes neurais artificiais MultiLayer Perceptron (MLP) que possibilitam o reconhecimento de diferentes tipos de cordões de soldas em imagens radiográficas. A detecção do cordão de solda é realizada pela subtração da imagem de fundo. Liao e Li (1998) apresentam uma metodologia composta por duas etapas: extração da solda e detecção do defeito. A detecção de falhas de solda, de um universo de 24 perfis de imagens radiográficas representativas, foi efetuada com acerto 93.3%, apresentando detecção de falso alarme em 4.2%. Os falsos alarmes de detecção foram origi-

3 nados, principalmente, pela falta de fusão ou perfis com muitos ruídos e que apresentam características não gaussianas. No trabalho realizado por Padua et al. (2004) de detecção e classificação de defeitos de soldagem em radiografias utilizando perfil transversal ao cordão de solda foram usadas redes neurais supervisionadas para classificação de defeitos com acerto de 98%. As classes classificadas como defeitos e não defeitos foram geradas a partir de redes semisupervisionadas. Kroetz (2012) usa a redução do espaço de busca através do algoritmo Particle swarm optimization (PSO) para a detecção dos cordões de solda em tubulações de petróleo nas imagens radiográficas através de máscaras adaptativas com a imagem radiográfica inteira. E, para isso, realiza uma busca para determinar o que é tubulação na imagem, para depois buscar neste espaço delimitado o cordão de solda Particle Swarm Optimization (PSO) A técnica de otimização conhecida como Particle Swarm Optimization (PSO), ou em português otimização por enxame de partículas, é uma abordagem estocástica baseada em população, que simula o processo comportamental de interação entre indivíduos (partículas) de um grupo [Kennedy e Eberhart 1995]. No modelo clássico do PSO, um enxame de partículas é gerado de forma aleatória para um determinado espaço de busca. Dentro do espaço de busca, cada partícula representa uma possível solução de acordo com a sua posição. Em cada partícula são armazenadas as informações sobre a sua posição no espaço de busca, sua velocidade e a melhor posição alcançada pela partícula até o momento. Globalmente, também é armazenada a posição da melhor solução encontrada pelo enxame. Com base nestas informações, as partículas são deslocadas durante o processo de busca. O vetor de velocidade pode ser iniciado de forma aleatória. A inicialização aleatória do vetor de posição garante uma boa dispersão das partículas no espaço de busca [Siciliano 2007]. Após a inicialização das partículas, ocorre o processo de avaliação e atualização das velocidades e posições. Este processo é realizado de forma iterativa até que o critério de parada seja atendido. Os critérios de parada mais comuns empregados são: número de iterações e valor de fitness atingido. A avaliação de cada partícula é realizada através dos valores calculados de fitness, onde armazena-se o melhor valor encontrado até o momento. A velocidade de cada partícula é atualizada conforme a equação 1, em seguida atualiza-se a posição das partículas no espaço de busca utilizando a equação 2 [Kennedy e Eberhart 1995]. v i k+1 = w.v i k + c 1.r 1 (p i x i k) + c 2.r 2 (p s k x i k) (1) vk i é a velocidade atual da i-ésima partícula, pi é a melhor posição (pelo valor de fitness) encontrada pela partícula i, p s k é a melhor posição dentre todas as partículas na k-ésima iteração, w é um parâmetro que representa a inércia da partícula e, na prática, controla a sua capacidade de exploração do espaço de soluções. Quando utilizado um valor alto para inércia, assume-se uma busca preferencialmente global, que um valor baixo determina uma busca mais localizada, usualmente estes valores oscilam entre 0,4 e 1,4 [Siciliano 2007]. c 1 e c 2 são os chamados parâmetros de confiança e definem o

4 quanto uma partícula confia em si (c 1 ) ou no enxame (c 2 ). r 1 e r 2 são números aleatórios compreendidos entre zero e um. x i k+1 é a posição de cada partícula i na iteração k + 1; e a velocidade da i-ésima partícula na k-ésima iteração. v i k+1 3. Materiais e métodos x i k+1 = x i k + v i k+1 (2) Para a realização deste estudo foram utilizadas imagens radiográficas de soldas de tubulações de petróleo do tipo parede dupla vista dupla (PDVD) fornecidas pelo Centro de Pesquisas e Desenvolvimento da Petrobras (CENPES). A Figura 1 apresenta um exemplo de radiografia PDVD de uma tubulação de petróleo. Radiografias do tipo PDVD são obtidas através da captura da parede externa e interna do tubo simultaneamente e são empregadas quando não há possibilidade de adotar o filme radiográfico na parte interior de uma tubulação devido às dimensões reduzidas da tubulação. Figura 1. Exemplo de radiografia PDVD de uma tubulação de petróleo O método empregado compreende três etapas: pré-processamento que identifica as regiões candidatas a serem classificadas na imagem (subseção 3.1), otimização que emprega o algoritmo PSO para realizar uma busca em um espaço de cinco dimensões para tentar obter a maior elipse inscrita nas regiões candidatas (subseção 3.2) e, por fim, a etapa de decisão de regiões candidatas que define qual das elipses encontradas é uma região central de um cordão de solda (subseção 3.3) Pré-processamento Nesta etapa foram aplicadas diferentes técnicas de processamento de imagens com o objetivo de facilitar a busca pelo algoritmo PSO. A Figura 2 mostra a sequência de técnicas utilizadas. Primeiramente, foi aplicada uma transformação na escala de cinza para que toda a faixa de níveis de cinza pudesse ser utilizada [Figura 2(a)], em seguida aplicou-se uma equalização para melhorar o contraste [Figura 2(b)]. Os níveis de cinza foram invertidos para tornar escura a região do cordão de solda [Figura2(c)] e sobre essa imagem foi aplicada uma limiarização [Figura 2(d)]. A abertura morfológica permitiu realizar a correção de distorções abrindo as cavidades e separando as componentes próximas [Figura 2(e)]. Para a redução do espaço de busca, a área externa ao cano foi eliminada através de preenchimento com a cor branca de regiões contíguas pretas [Figura 2(f)] através dos pixels posicionados nas bordas da imagem. Em seguida a técnica de labelling foi utilizada para identificar as diferentes regiões. As regiões candidatas identificadas pelo processo de labelling são exibidas na Figura 3.

5 (a) Escala de Cinza (b) Equalização (c) Inversão (d) Limiarização (e) Abert. Morf. (f) Preenchimento Figura 2. Etapas do pré-processamento (a) (b) Figura 3. Regiões candidatas identificadas pelo processo de labelling 3.2. Otimização Em cada região candidata procura-se inscrever a elipse de maior área possível. A tarefa de encontrar a melhor elipse é feita através do algoritmo PSO. A função que executa o PSO recebe como parâmetro de entrada uma região candidata e retorna a melhor elipse encontrada dentro do número máximo de iterações definido. A Figura 4 exemplifica uma região candidata com várias possibilidades de elipses inscritas. Figura 4. Possíveis soluções

6 Modelagem das partículas Cada partícula no algoritmo PSO representa uma solução possível para o problema. Para a caracterização de uma elipse foram utilizados os seguintes atributos: centro da elipse no eixo x; centro da elipse no eixo y; escala da elipse em x; escala da elipse em y; rotação da elipse. Cada atributo é associado a uma dimensão no PSO. Dessa maneira, as partículas percorrem um espaço R 5 em busca da solução. Um ponto no espaço de cinco dimensões caracteriza uma solução, pois representa uma elipse descrita pelos atributos citados Função de Custo Nessa abordagem, o algoritmo PSO busca minimizar o custo (erro), aumentando o fitness (custo 1 ). O objetivo da função de custo desenvolvida é a minimização do valor de erro calculado entre a área da imagem e área da elipse inscrita. A função procura obter a maior área percentual da elipse inscrita. A avaliação é realizada de acordo com a área ocupada e a área total de uma determinada região candidata. Quando a elipse está totalmente inscrita na região (no caso da Figura 5) o cálculo do custo é realizado pela equação 3, A im representa a área da imagem e A el a área da elipse. Nesse caso o valor do custo é sempre menor ou igual a 1. Figura 5. Elipse totalmente inscrita custo = A im A el A im (3) Caso a elipse solução extrapole a região candidata (como na Figura 6), a solução não é descartada, porém sofre uma penalização, com a atribuição de um alto valor de custo. Esse custo é também proporcional à área extrapolada e é definido através da equação 4, Qtd ex é a área que extrapola a região e A el é a área total da elipse. Nessa situação o custo tem sempre um valor maior que 1. A razão que levou à opção de não descartar as elipses que extrapolam a região é que algoritmo PSO executa esta tarefa ao decorrer das iterações. custo = 1 + Qtd ex A el (4)

7 Figura 6. Elipse extrapolando a região A partir da função de custo descrita, pode-se saber pelo seu valor de retorno se a solução analisada está ou não completamente inscrita na região candidata. No caso de valores menores ou iguais a 1, a solução está inscrita, do contrário, a elipse possui pontos extrapolando a região Outros parâmetros do algoritmo PSO Após o processamento da imagem, cada região identificada é avaliada pelo algoritmo PSO até o critério de parada ser atendido. Definiu-se como critério de parada o número de 30 iterações, porque foi observada a estabilização e a convergência com este valor (Figuras 7, 8 e 9). Na implementação do algoritmo, o enxame de partículas é gerado com 32 partículas para um espaço de busca de cinco dimensões. Para uma melhor convergência da solução, as partículas foram distribuídas próximas ao centroide da região candidata. Para a atualização das velocidades são assumidos os seguintes valores: para w o valor 1,0, c 1 e c 2 igual a 2,0. A cada iteração do algoritmo as posições das partículas são atualizadas e avaliadas de acordo com o fitness, calculado através da função de custo Decisão de regiões candidatas Entre as regiões candidatas, deve-se escolher a que realmente corresponde ao cordão de solda. A similaridade das regiões com elipses é a principal característica extraída, porém não é a única utilizada nessa avaliação. Outro parâmetro levado em conta é a distância focal, pois a região do cordão de solda costuma ter uma maior distância focal. A classificação das regiões candidatas é baseada na equação 5. Ep = P f.f(k) + P Df.Df(k) (5) f(k) é o valor de fitness normalizado para a região k. Df(k) é o valor da distância focal da região k. P f é o peso atribuído ao parâmetro de fitness e P Df é o peso atribuído ao parâmetro de distância focal. Os pesos foram encontrados empiricamente para melhor se adequar ao conjunto de imagens analisadas. Dessa maneira, foram encontrados os valores de P f = 5 e P Df = 1. Quanto maior o fitness e a distância focal, maior a probabilidade da região ser a corresponder a um cordão de solda.

8 4. Resultados e Discussão 4.1. Variação do parâmetro de inércia do PSO As Figuras 7, 8 e 9 ilustram o comportamento do algoritmo ao utilizar os valores (0,4, 1 e 1,4) para o parâmetro de inércia na atualização das velocidades da partículas. Elas representam o melhor valor e o valor médio de custo através das iterações. Em geral, com um valor mais baixo, o algoritmo tende a estabilizar em mínimos locais, enquanto que valores mais altos ajudam o enxame a escapar desses mínimos. Os valores de inércia 0,4 e 1,4 servem para ilustrar o comportamento do PSO com valores abaixo e acima de 1. Foi possível analisar pela Figura 7 que a estabilização é mais rápida e em um valor não-ótimo (próximo a 1), a estabilização é tanto do melhor indivíduo quanto da média da população. Por outro lado, observa-se na Figura 8, que, ao utilizar o valor 1 para o parâmetro de inércia, há variações do custo médio, mesmo após a estabilização do valor mínimo. Ao utilizar o valor 1,4 para o parâmetro de inércia há uma grande movimentação de partículas ao variar o número de iterações (Figura 9). A partir destes testes concluiu-se que o valor 1 para o parâmetro de inércia apresentou o resultado com convergência equilibrada para obter uma partícula no espaço R 5 que se aproxima da maior elipse inscrita, pois não acumula em mínimos locais e não movimenta excessivamente as partículas. Figura 7. Gráfico do custo x Número de iterações: inércia 0,4 Figura 8. Gráfico do custo x Número de iterações: inércia 1,0

9 Figura 9. Gráfico do custo x Número de iterações: inércia 1,4 Tabela 1. Classificação de regiões candidatas Imagem 1 T T k=1 fitness(k) Desvio Padrão (σ) Acerto (%) 1 0,80 0,04 60,00 2 0,83 0,00 100,00 3 0,79 0,05 60,00 4 0,90 0,01 100,00 5 0,92 0,00 100,00 6 0,74 0,07 100,00 7 0,81 0,02 100,00 8 0,80 0,04 70,00 9 0, ,00 MÉDIA 76, Classificação de regiões candidatas e outras considerações A taxa de média de acerto na classificação das regiões candidatas para 30 iterações em 9 imagens (cada uma testada T vezes, sendo T = 10) no PSO, especificada na Tabela 1, foi de 76,67% aproximadamente. Dessa forma, o somatório da Tabela 1 significa a média aritmética dos valores de fitness obtidos de cada imagem em T execuções independentes do algoritmo PSO. A falha em uma delas foi total devido a equação ponderada final (Equação 5) não considerar a rotação para os cálculos (erro de aproximadamente 11% do total). É importante ressaltar que o algoritmo de PSO cumpriu o seu papel de maneira eficaz ao tentar fixar a maior elipse inscrita, os fatores de erro da classificação foram causados por fatores externos (ajuste dos pesos da equação ponderada final). Apesar de Kroetz (2012) adotar o PSO na detecção do cordão de solda há a necessidade de executar uma busca na imagem para delimitar a área que representa a tubulação através de máscaras adaptativas em imagens padronizadas. Enquanto que o método aqui apresentado adota uma busca sem a necessidade da detecção da tubulação na imagem. São adotadas transformações na imagem para gerar regiões candidatas a serem classificadas como região central de cordões de solda em imagens radiográficas de tubulações de petróleo do tipo parede dupla vista dupla. O PSO é aplicado nessas regiões candidatas para gerar valores por similaridade de elipse que auxiliam no cálculo

10 da classificação final. 5. Conclusão A contribuição científica do trabalho desenvolvido consiste em uma nova abordagem na identificação da região central de cordões de solda em imagens radiográficas de tubulações de petróleo do tipo parede dupla vista dupla. Essa nova abordagem executa uma classificação de regiões candidatas por análise de similaridade de elipse através do algoritmo PSO e é independente da detecção da tubulação. O PSO convergiu, com 30 iterações aproximadamente, para o resultado próximo ao esperado (fixar a maior elipse inscrita na região candidata). As partículas inicializadas próximo ao centroide da região candidata reduziram a quantidade de iterações necessárias do PSO. Foi adotado o mesmo valor (2,0) para o fator de confiança da melhor posição da própria partícula e para a melhor posição global e o valor 1,0 para o parâmetro de inércia foi definido empiricamente. A função de custo que gera o valor de fitness para as partículas possui um alto custo computacional por executar operações com imagens, cerca de 2 minutos por imagem. Para trabalhos futuros, propõe-se a melhoria da equação final ponderada através do uso da rotação da elipse e a melhoria do desempenho do cálculo do fitness. Reconhecimento Agradecimentos à Universidade Tecnológica Federal do Paraná (UTFPR) pela estrutura, ao Centro de Pesquisas e Desenvolvimento da Petrobras (CENPES) pelas imagens, à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) e ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pelo auxílio financeiro processo e bolsa de pesquisa processo Referências Kennedy, J. and Eberhart, R. (1995). Particle swarm optimization. In Neural Networks, Proceedings., IEEE International Conference on, volume 4, pages vol.4. Kroetz, M. G. (2012). Sistema de apoio na inspeção radiográfica computadorizada de juntas soldadas de tubulações de petróleo. Master s thesis, Federal Technological University of Paraná, CPGEI. Liao, T. and Ni, J. (1996). An automated radiographic ndt system for weld inspection: Parti weld extraction. NDT E International, 29(3): Liao, T. and Tang, K. (1997). Automated extraction of welds from digitized radiographic images based on mlp neural networks. Applied Artificial Intelligence, 11(3). Liao, T. W. and Li, Y. (1998). An automated radiographic ndt system for weld inspection: Part ii flaw detection. NDT & E International, 31(3): Padua, G. (2004). Detecção e classificação de defeitos de soldagem em radiografias utilizando perfil transversal ao cordão. In Ph.D. dissertation, Federal University of Rio de Janeiro, COPPE.

11 Siciliano, A. d. V. (2007). Algoritmos genéticos e particle swarm optimization e suas aplicações problemas de guerra eletrônica. In Anais do IX Simpósio de Guerra Eletrônica. Telles, P. C. S. (2001). Tubulações Industriais - Materiais, Projeto e Montagem. LTC, Rio de Janeiro. Wang, G. and Liao, T. W. (2002). Automatic identification of different types of welding defects in radiographic images. NDT & E International, 35(8):