TÉCNICAS PARA ANÁLISE AUTOMÁTICA DE IMAGENS RADIOGRÁFICAS

APLICADAS À INSPEÇÃO NÃO-DESTRUTIVA DE TUBULAÇÕES

AUTOMATIC RADIOGRAPHIC IMAGE ANALYSIS TECHNIQUES

APPLIED ON PIPELINE NONDESTRUCTIVE INSPECTION

Resumo. Este artigo apresenta um levantamento bibliográfico de técnicas para a automação do

processo de análise de imagens radiográficas em inspeção não-destrutiva de tubulações.
Atualmente, o uso de recursos da radiografia digital tem favorecido a visualização de defeitos
internos em peças, equipamentos e juntas soldadas em tarefas de inspeção industrial. No entanto, a
análise de tais imagens ainda é feita manualmente e o desenvolvimento e implementação de uma
ferramenta autônoma aparecem como necessidade para conferir maior agilidade e confiabilidade
ao processo de inspeção. Neste sentido, o levantamento bibliográfico aqui apresentado visa prover
informações atualizadas sobre técnicas empregadas por diversos autores, bem como prover
suporte ao desenvolvimento de uma ferramenta adequada à inspeção não-destrutiva de tubulações
em instalações de petróleo e gás.

Palavras-chave: análise de imagens radiográficas, inspeção automática, inspeção não-destrutiva.

Abstract. This paper is concerned with the recent advances and researches in automatic techniques
for radiographic image analysis applied on pipeline nondestructive inspection processes. In the
recent years, modern digital radiographic equipments have supported industrial inspection tasks,
enhancing image visualization aspects for the detection of internal defects in mechanical parts,
equipments and welds joints. However, the radiographic image analysis process is still performed
by human inspectors and the development and construction of an automatic radiographic image
analysis tool is necessary in order to improve the inspection process velocity and reliability. This
work is a technical survey that intends to provide current references, from several authors, about
developed techniques for automatic analyses of radiographic images and to support the
development and implementation of a suitable tool for nondestructive inspection of pipelines in the
petroleum and gas industry.

Keywords: radiographic image analysis, automatic inspection, non-destructive inspection.

1. INTRODUÇÃO

A verificação da integridade das tubulações e outros componentes na indústria petroquímica é

de fundamental importância por razões econômicas e de segurança (Baldev & Jayakumar, 1997).
Neste sentido, a inspeção radiográfica vem sendo, já há muito tempo, utilizada como meio de teste
não destrutivo para inspeção e caracterização de estruturas internas de tubulações e outros
componentes em instalações de petróleo e gás natural e oferecendo diversas vantagens em relação a
outras técnicas de ensaios não destrutivos (Telles, 1994).
Atualmente, com o desenvolvimento de novas tecnologias aplicadas à digitalização de imagens
radiográficas (radiografia digital - DR), imagens de alta resolução espacial podem ser adquiridas e
armazenadas instantaneamente em um computador, eliminando a necessidade da manipulação de
filmes radiográficos e proporcionando imagens de melhor qualidade (Andreucci, 2002).
Por outro lado, as imagens obtidas, mesmo através de DR, devem ser interpretadas para que
defeitos internos sejam detectados, classificados e avaliados segundo critérios de aceitação
estabelecidos pela norma ou código de projeto de construção (Telles, 1994). Basicamente, tal
avaliação ocorre de forma manual, levando a uma situação crítica toda vez que uma pilha de filmes
ou arquivos de imagens radiográficas necessitam ser analisados. Dependendo do volume desta
informação, o tempo e a qualidade do processo de inspeção ficam comprometidos, tendo em vista o
caráter subjetivo desta tarefa, que depende essencialmente da experiência e acuidade do examinador
que a executa (Wang & Liao, 2002).
Uma vez que as dificuldades relacionadas à utilização das técnicas de inspeção radiográfica
concentram-se principalmente na atividade de análise das imagens adquiridas, a automatização
desta tarefa é almejada, na busca de se conferir maior qualidade e agilidade ao processo de inspeção
e maior segurança na tomada de decisões (Da Silva, 1999).
O presente trabalho apresenta um levantamento bibliográfico de técnicas inteligentes para a
identificar e classificar, de forma automática, possíveis falhas que possam ser encontradas em
instalações de petróleo e gás natural através de inspeção radiográfica. O objetivo principal desta
pesquisa é prover conhecimento tecnológico para o desenvolvimento de um trabalho, cujo produto
final deverá ser a criação de ferramentas computacionais de análise de imagens radiográficas para a
inspeção automática de componentes e instalações de petróleo e gás natural.

2. METODOLOGIAS

Diversas metodologias vêm sendo desenvolvidas em diferentes países voltadas à análise de

imagens radiográficas em ensaios não destrutivos para caracterização e avaliação de defeitos em
instalações industriais. Dentro deste contexto pode-se destacar muitos trabalhos direcionados a
identificação de defeitos em juntas soldadas (Bonser & Lawson, 1998; Lawson & Parker, 1994; Da
Silva, 1999; Da Silva, 2001; Liao & Ni, 1996; Liao & Ni, 1998; Wang & Liao, 2002; Cherfa, 1998;
Lashkia, 2001), identificação de pontos afetados por corrosão (Gibson & Wysnewski, 2002;
Willems et al., 1999; Zscherpel et al., 2002) e inspeção interna de peças fundidas (Shashishekhar,
2000) e materiais compostos (Crane, 2000; Hsu et al., 2002).
Os trabalhos desenvolvidos ao longo dos últimos dez anos sugerem diferentes soluções para as
etapas do processamento e análise de imagens aplicadas à inspeção radiográfica não-destrutiva. De
acordo com Rosenfeld (2001), todo problema de análise de imagens envolve basicamente três
estágios:
1. Segmentação: significa distinguir regiões de interesse na imagem.
2. Extração de Características: envolve mensurar propriedades das regiões segmentadas ou, se
for o caso, estabelecer relações entre estas propriedades.
3. Classificação: utilizar os valores obtidos através da extração de características para
classificar ou descrever as regiões segmentadas ou a própria imagem como um todo.
Assim, o diagrama da “Fig. 1” ilustra de forma simplificada as etapa de identificação e
classificação de defeitos em imagens radiográficas. Cada uma destas etapas será considerada
individualmente nas próximas secções.

Figura 1- Estágios da detecção e classificação automática de defeitos.

2.1 Segmentação

Algoritmos de segmentação para imagens monocromáticas são geralmente baseados em uma

das seguintes propriedades básicas dos valores de níveis de cinza: descontinuidade e similaridade
(Da Silva, 1999). Na primeira categoria, uma aproximação é a partição da imagem com base na
mudança abrupta de tom de cinza. Nesta categoria enquadram-se diversas técnicas para detecção de
bordas. As principais aproximações na segunda categoria são baseadas em limiarização,
crescimento de região e divisão e junção de região (Gonzalez & Wintz, 1987).
Existem diversas técnicas de segmentação que podem ser empregadas em imagens
radiográficas tanto para a identificação de defeitos quanto para a identificação de componentes
(objetos) da imagem. Mas, a escolha de uma técnica adequada deve levar em consideração o que,
realmente precisa ser identificado. Por exemplo, com a finalidade de se realizar a inspeção da
imagem da “Fig. 2”, pode ser necessário identificar regiões da imagem correspondentes aos
componentes da tubulação, as juntas soldadas e regiões correspondentes a espessura da parede dos
tubos.
Os critérios utilizados para se selecionar técnicas de segmentação apropriadas concentram-se
não só no tipo de imagem, mas nos objetivos da segmentação. Tais objetivos podem variar,
dependendo do que se deseja identificar, por exemplo: o posicionamento do cordão de solda numa
radiografia, a seção longitudinal da parede de uma tubulação ou diferentes tipos de defeitos,
conforme ilustra a “Fig. 3”.
Para facilitar a segmentação, a imagem deve ser submetida a um pré-processamento cujo
objetivo é aprimorar aspectos visuais. No caso de imagens radiográficas, este pré-processamento
geralmente envolve técnicas para eliminação de ruído e aprimoramento do contraste (Wang & Liao,
2002).

Figura 2- Identificação de regiões de interesse em uma imagem radiográfica de uma tubulação.

Figura 3- A imagem (b) é o resultado do método de segmentação empregado à imagem (a) para
identificar a região correspondente ao cordão de solda (Lawson & Parker, 1994). A imagem (d) é o
resultado de outro método de segmentação empregado à imagem (c) para identificar uma trinca
interna (Lashkia, 2001).

2.2 Extração de Características

A extração de características consiste em extrair da imagem informações relevantes

(propriedades ou descritores) para caracterizar as diferentes regiões segmentadas. Por exemplo, uma
das técnicas para detectar pontos afetados por corrosão ao longo de uma tubulação é medir a
distância correspondente a espessura do tubo em vários pontos da região segmentada. Variações
nesta espessura podem indicar pontos afetados por corrosão (Zscherpel,2002).
Desta forma a extração de características envolve mensurar propriedades das regiões
segmentadas (ex.: área, perímetro, coordenadas), estabelecer relações entre os valores encontrados
para estas propriedades (ex.: razão entre área e perímetro), estabelecer relações com outras regiões
da mesma imagem (ex.: posições relativas), e/ou ainda comparar os valores obtidos com
características globais da imagem original (ex.: tamanho, área, histograma) (Rosenfeld, 2001).
As propriedades mensuradas são chamadas descritores e podem ser classificadas segundo
diferentes critérios. O presente trabalho usa uma classificação dos descritores baseada na função
que desempenham:
 Descritores de tamanho (ex.: área, perímetro)
 Descritores de forma (ex.: momento, relações entre descritores de tamanho)
 Descritores de localização (ex.: coordenadas do centróide, posicionamento em relação a
outras regiões segmentadas)
 Propriedades estatísticas (ex.: valor médio dos pixels, valor predominante, variância,
histogramas, curvas de níveis de cinza).
 Descritores de comportamento (ex.: relações entre propriedades estatísticas e outros
descritores)
Os valores calculados devem ser agrupados e armazenados segundo uma estrutura de dados
conveniente (vetor de características), com o objetivo de facilitar a classificação e interpretação dos
resultados através de técnicas inteligentes para reconhecimento de padrões (Felisberto, 2002).
Vários exemplos de descritores podem ser encontrados em publicações voltadas ao
reconhecimento de padrões, como no caso de reconhecimento de logomarcas (Zafar & Mohamad,
2002) ou mesmo em aplicações especificamente voltadas à caracterização de defeitos em juntas
soldadas (Da Silva, 1999; Wang & Liao, 2002).

2.3 Classificação

A interpretação dos resultados com base na classificação dos vetores de características

levantados na etapa anterior é possível através de técnicas de aprendizagem de máquina, oriundas
da pesquisa voltada ao reconhecimento automático de padrões e inteligência artificial (Mitchell,
1987). Dentre estas técnicas, pode-se destacar o uso de árvores de decisão, redes neurais artificiais,
classificadores bayesianos, algoritmos genéticos, sistemas fuzzy e sistemas neuro-fuzzy (Mitchell,
1987; Zhang, 2000; Fausett, 1994; Skapura, 1996; Ripley, 1996; Gonzalez & Tou, 1974; Jain et al.,
1995; Goldberg, 1989; Rao & Rao, 1995).
Da Silva et al. (2001) desenvolveram um método, cuja classificação dos defeitos é realizada
através de discriminadores lineares. O processamento das imagens radiográficas envolve a
aplicação de um filtro passa-baixas (filtro da mediana) e técnicas para aprimorar o contraste. Seis
descritores: contraste, posição, razão de aspecto, razão entre área e espessura, razão entre
comprimento e área, e redondeza, são utilizados para caracterizar 5 tipos diferentes de defeitos:
porosidade, falta de penetração, mordedura, inclusões de escória lineares e não lineares. Neste
trabalho é feita uma comparação entre dois classificadores lineares, um hierárquico e o outro não,
para classificação dos defeitos detectados. Os resultados melhores foram obtidos com o
classificador hierárquico, alcançando-se 85% em testes realizados com cerca de 90 radiografias de
defeitos em soldas (Da Silva et al., 2001).
Wang e Liao [2002] desenvolveram um sistema computacional capaz de reconhecer 6 tipos
diferentes de defeitos em juntas soldadas: trincas, bolhas, inclusões de hidrogênio, falta de fusão,
falta de penetração e porosidade. A princípio, a imagem é submetida a um processo baseado no
filtro da mediana para eliminação de ruídos. Depois, através da equalização baseada no histograma
da imagem, consegue-se melhorar o contraste. A informação de fundo é eliminada através de uma
subtração da imagem original com a do fundo estimado. A segmentação da imagem é concluída
com uma limiarização baseada no histograma. Os defeitos são caracterizados através de 12
descritores diferentes relacionados com o formato, a localização, o tamanho e níveis de cinza das
regiões segmentadas. Neste trabalho são testados dois métodos para de classificação de padrões
para a identificação dos defeitos: fuzzy k-NN (vizinho mais próximo) e uma rede neural MLP
(Multi Layer Perceptron). Como resultado, em testes realizados com 147 imagens, foram obtidos
92,39 % de acertos com a rede neural implementada e 91,57% como o classificador fuzzy k-NN
(Wang & Liao, 2002).

3. CONCLUSÕES

O levantamento bibliográfico realizado revelou que, nos últimos dez anos, ocorreu um grande
avanço no desenvolvimento de metodologias voltadas ao reconhecimento automático de defeitos
em juntas soldadas, através de imagens radiográficas digitais.
As técnicas desenvolvidas e testadas em diversos dos trabalhos aqui referenciados sugerem
várias alternativas para os diferentes estágios do processo de análise de imagens radiográficas.
Além disso, percebeu-se que tais alternativas têm acompanhado avanços em outras áreas do
conhecimento, permitindo, por exemplo, avaliar a aplicação de técnicas inteligentes, como a
utilização de redes neurais e sistemas fuzzy, para resolver problemas relacionados à segmentação de
imagens radiográficas. Entretanto, em toda bibliografia pesquisada, não foi encontrado nenhum
sistema de inspeção que tenha sido desenvolvido para realizar a inspeção automática completa. Isto,
na realidade envolveria 3 etapas:
1. identificar, através da imagem, o que está sendo inspecionado,
2. identificar e caracterizar não só defeitos em juntas soldadas, mas também pontos afetados
por corrosão e defeitos internos no material, e
3. apresentar uma avaliação do equipamento inspecionado com base nas normas vigentes.
Atualmente, a contribuição dos trabalhos aqui referenciados apresenta-se mais intensamente no
sentido de direcionar a pesquisa voltada ao desenvolvimento de uma ferramenta computacional para
a inspeção radiográfica mais completa, a ser empregada em diversas situações de inspeção na
indústria de refino de petróleo e gás natural. O desenvolvimento e a implementação deste projeto
fazem parte de um plano de trabalho que vem sendo posto em prática desde novembro de 2002.
Quando o projeto for concluído pretende-se viabilizar à indústria petroquímica o uso das
ferramentas desenvolvidas tornando o processo de inspeção mais ágil, confiável e menos
dispendioso. Isto, por sua vez, favorecerá obtenção de resultados mais confiáveis, tendo em vista
diminuir os riscos de acidentes e como conseqüência, oferecer maior segurança não só às
instalações e funcionários, mas também à comunidade, levando-se em consideração o porte das
indústrias deste segmento.

Agradecimentos

“Apoio financeiro da Agência Nacional do Petróleo - ANP - e da Financiadora de Estudos

e Projetos - FINEP - por meio do Programa de Recursos Humanos da ANP para o Setor
Petróleo e Gás - PRH-ANP/MCT (PRH10-CEFET-PR).”

REFERÊNCIAS
Andreucci, R.,A Radiologia Industrial,5ª. edição, São Paulo: ABENDE, 2002.
Baldev, R., Jayakumar, T.,NDE Metodologies for Characterisation of Defects, Stresses and
Microstructures in Pressure Vessels and Pipes, International Journal of Pressure Vessels &
Piping, vol. 73 No. 10, pp. 133-146, 1997.
Bonser, G.R., Lawson, S.W. Defect detection in partially complete SAW and TIG welds using on-
line radioscopy and image processing, Proceedings of SPIE Process Control and Sensors for
Manufacturing Conf, San Antonio, Texas, March 1998, Proc. of SPIE, vol. 3399, pp. 161-172,
1998.
Cherfa, Y., Kabir, Y., Drai, R.,X-Rays Image Segmentation for NDT of Welding Defects, In: anais
do 7 Th congresso ECNDT, Copenhagen, May, 1998.
Crane, R., Hagemaier, D., Fassbender, R. Radiographic Inspection of Composites, Comprehensive
Composite Materials, vol 5, pp. 231-344, Eselvier Science, 2000.
Da Silva, R. R. Processamento de Imagens Radiográficas e Analise de Defeitos em Cordões-de-
Solda,Dissertação de Mestrado, UFRJ, Rio de Janeiro, 1999.
Da Silva, R. R. Siqueira, M. H. S., Caloba, L. P., Rebello, J. M. A. Radiographic Pattern
Recognition of Welding Defects Using Linear Classifiers, INSIGHT, vol. 43 No. 10, pp. 635 –
637, October 2001.
Fausett, L. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications, Upper
Saddle River: Prentice-Hall, 1994.
Felisberto, M. K. Sistema para Reconhecimento de Objetos com base em Redes Neurais Artificiais
e Técnicas de Indexação de Imagens, Dissertação de Mestrado, CPGEI CEFET-PR, Curitiba,
2002.
Gibson, J., Wysnewski, D. Inspection of Pipe for Erosion/Corrosion Using Digital Radiography,
AGFA Technical Papers, 2002.
http://ndt.agfa.com/bu/ndt/index.nsf/EN/rvproductliterature.htm
Goldberg, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-
Wesley, 1989.
Gonzalez, R. C., Tou, J. T. Pattern Recognition Principles, Massachusetts: Addison-Wesley, 1974.
Gonzalez, R.C., Wintz, P. Digital Image Processing, 2nd. Edition, Addison-Wesley, 1987
Hsu, D. J., Barnard, D. J., Peters, J. J., Dayal, V., Kommareddy, V. Nondestructive Inspection of
Composites and Repairs, 6th Joint FAA/DoD/NASA Aging Aircraft Conference, Sept, 2002.
Jain, R., Kasturi, R., Schunck, B. G. Machine Vision, New York: McGraw-Hill and MIT Press,
1995.
Lashkia, V. Defect Detection in X-ray Images Using Fuzzy Reasoning, Image and Vision
Computing. , New York, Elsevier, n. 19, p.261-269, 2001
Lawson, S. E., Parker, G. A. Inteligent Segmentation of Industrial Radiographic Images Using
Neural Networks, Machine Vision Applications, Architectures and Systems Integration III,
Proc of SPIE, vol. 2347, pp. 245-255, 1994.
Liao, T. W., Ni, J. An Automated Radiographic NDT System for Weld Inspection: Part I – Weld
Extraction, NDT&E International, vol. 29, N. 3 , pp.157-162, 1996.
Liao, T. W., Ni, J. An Automated Radiographic NDT System for Weld Inspection: Part II – Flaw
Detection, NDT&E International, vol. 31, N. 3 , pp.183-192, 1998.
Mitchell, T. M. Machine Learning, New York: WCB/McGraw-Hill, 1997
Rao, V., Rao, H. C++ Neural Networks and Fuzzy Logic, 2 ed. New York: MIS:Press, 1995.
Ripley, B. D. Pattern Recognition and Neural Networks, Cambridge University Press, 1996.
Rosenfeld, A. From Image Analysis to Computer Vision: An Annotated Bibliography, 1955-1979,
Computer Vision and Image Understanding. Academic Press, n. 84, p.298-324, Seattle,
2001.
Sezgin, M., Sankur, B. Selection of Thresholding Metholds for Non-Destructive Testing Aplication,
ICIP, Thessaloniki, 2001.
Sezgin, M., Sankur, B. Image Multi-Thresholding Based on Sample Moment Function, ICIP,
Barcelona, 2003.
Shashishekhar, N. A Survey of Automated X-Ray Inspection, V. J. Technologies – Technical
Papers, 2000.
http://www.vjt.com
Skapura, D. M. ,Building Neural Networks, New York: ACM, 1996
Telles, P. C. S. ,Tubulações Industriais - Materiais, Projeto e Montagem,8a. edição, Rio de Janeiro:
LTC, 1994.
Wang, G., Liao, T. W. Automatic Identification of Different Types of Welding Defects in
Radiographic Images, NDT&E International, vol. 35 , pp.519-528, May 2002.
Willems, P., Vaessen, B., Hueck, W., Ewert, U. ,Applicability of computer radiography for
corrosion and wall thickness measurements, INSIGHT, vol. 41 No. 10, pp. 635 - 637, October
1999.
Zafar, M. F., Mohamad, D. Size, Scale and Rotation Invariant Proposed Feature Vectors for
Trademark Recognition, International Technical Conference On Circuits/Systems, Computers
and Communications, Phuket, Thailand, 2002.
Zhang, G. P. Neural Networks for Classification: A Survey, IEEE Transactions on Systems, Man,
and Cybernetics - part C: Applications and Reviews, v.30, n.4, pp. 451-462, November, 2002.
Zscherpel, U., Onel, Y., Ewert, U. Corrosion Inspection of Pipelines by Digital Industrial Radiology
(DIR), NDT.net, Vol. 7 N. 02, February 2002.
http://www.ndt.net/article/v07n02/zscherp/zscherp.htm