基于机器学习方法的管材缺陷识别方法研究
发布时间：2021-03-29 22:36
在埋弧焊石油输送钢管的制造过程中,由于生产工艺和生产环境的制约,焊缝中常会产生损害管材质量的各式焊接缺陷,而现有人工X射线图像焊缝缺陷检测识别方法效率较低且准确率不高,本文基于石油管材焊缝的X射线图像,对焊缝缺陷的检测和识别方法进行研究,旨在提出一种能够实现更优识别指标的焊缝缺陷识别算法,从而提高焊缝缺陷识别的准确率并提升识别过程的自动化程度。在缺陷检测过程,首先基于整幅X射线石油钢管焊缝图像,对其使用小波滤波滤除噪声、使用图像增强操作以消除对比度不同图像对缺陷检测的影响、再用最大类间方差法分割出焊缝区域、最后采用Prewitt边缘检测和霍夫变换等数字图像处理技术检测拟合出焊缝区域,并验证了咬边缺陷的存在不影响焊缝边缘的提取。其次,针对常用阈值分割方法不适于小面积区域缺陷分割的局限,用基于排序点的聚类结构算法（OPTICS）对区域内任意大小的缺陷和噪声伪缺陷进行分割,然后对缺陷、噪声和无缺陷正常图像进行提取并进行数据增强及尺寸归一化操作,从而完成焊缝图像的预处理以构建出样本图库。在缺陷识别过程,首先采用传统“人工特征提取+机器学习”的方法进行缺陷识别,根据缺陷和噪声的外部几何特征计算出...
【文章来源】：西安理工大学陕西省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
X射线实时成像缺陷检测识别现场作业图
ial Neutral Network,ANN），实现了对 4 种典，设计出经过优化并拥有更好性能的分类器缺陷分割任务中将缺陷分割识别变为解决优术，成功对焊缝图像中的气孔缺陷实现准确待证实[21]。形态学填充和 SUSAN 算法修正缺陷，然后得特征参数进行识别，实现了较好识别效果缺陷很难选出优质的形状特征对其自身进行较高的识别准确率[22]。于特征工程的识别方法，而准确有效的特征、纹理特征等众多特征类型的难以确定，也质量表征，这就导致识别准确率无法获得进特征，这需要大量的人工工作，从而大幅降颈就对我们突破传统方法，找到新的缺陷识
石油钢管焊缝 X 射线图像在形成过程中不可避免的受到噪声干工件厚度不同，所产生的 X 射线图像其对比度也不尽相同，这就处理，并将低对比度图像的对比度，以使焊缝区域和待检缺陷在图续对焊缝区域进行拟合，从而为管材焊缝识别奠定良好基础。且由大小各异，故其在 X 射线图像上的影像也各不相同，因此，本章射线影像特征进行简要分析，后对所设计采用的数字图像预处理技缺陷的 X 射线影像特征分析油钢管焊缝缺陷类型与缺陷形态等相关知识是对管材缺陷做出正类石油钢管焊缝缺陷有其不同的形成机理，因此在 X 射线检测图各异，依照《金属熔化焊焊缝缺陷分类及说明》[27]对主要缺陷及裂纹：裂纹是焊接接头内的焊缝金属在结晶过程中或冷却后产生的上的表现为形状、粗细不规则的白色线条，按形状分为横向或纵向 2-1 中（a）、（b）所示。
【参考文献】：
期刊论文
[1]集箱管接头内焊缝表面缺陷识别方法研究[J]. 焦敬品,李思源,常予,吴斌,何存富. 仪器仪表学报. 2017(12)
[2]自适应粒子群集优化二维OSTU的图像阈值分割算法[J]. 于洋,孔琳,虞闯. 电子测量与仪器学报. 2017(06)
[3]X射线焊缝图像的缺陷检测与识别技术[J]. 刘辉,万文,熊震宇. 电焊机. 2017(04)
[4]基于X射线图像的厚钢管焊缝中气孔缺陷的自动检测[J]. 陈本智,方志宏,夏勇,张灵,兰守忍,王利生. 计算机应用. 2017(03)
[5]基于BP神经网络的管道泄漏声信号识别方法研究[J]. 焦敬品,李勇强,吴斌,何存富. 仪器仪表学报. 2016(11)
[6]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[7]人工神经网络和支持向量机性能比较及其在DMD疾病识别中的应用[J]. 章鸣嬛,陈瑛,沈瑛,马军山. 上海理工大学学报. 2016(04)
[8]基于模糊模式识别的焊缝缺陷图像检测[J]. 王欣,高炜欣,武晓朦,王征,李华. 西安石油大学学报(自然科学版). 2016(04)
[9]基于稀疏主成分分析和自适应阈值选择的图像分割算法[J]. 卢涛,万永静,杨威. 计算机科学. 2016(07)
[10]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
硕士论文
[1]基于BP神经网络的焊缝缺陷建模及其识别算法研究[D]. 黄晔.西安石油大学 2016
[2]输油管道锻制管件漏磁检测与典型缺陷识别研究[D]. 王海兰.西南石油大学 2015
[3]埋弧焊管缺陷X射线图像处理及其自动识别技术研究[D]. 李勇.西安石油大学 2013
[4]X射线数字图像焊接缺陷检测研究[D]. 董明训.山东大学 2011
[5]焊缝图像缺陷提取与识别系统研究[D]. 宋庆国.武汉理工大学 2008
[6]超声相控阵焊缝探伤系统的数据采集和处理方法的研究[D]. 王宁.天津大学 2006
本文编号：3108317
【文章来源】：西安理工大学陕西省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
X射线实时成像缺陷检测识别现场作业图
ial Neutral Network,ANN），实现了对 4 种典，设计出经过优化并拥有更好性能的分类器缺陷分割任务中将缺陷分割识别变为解决优术，成功对焊缝图像中的气孔缺陷实现准确待证实[21]。形态学填充和 SUSAN 算法修正缺陷，然后得特征参数进行识别，实现了较好识别效果缺陷很难选出优质的形状特征对其自身进行较高的识别准确率[22]。于特征工程的识别方法，而准确有效的特征、纹理特征等众多特征类型的难以确定，也质量表征，这就导致识别准确率无法获得进特征，这需要大量的人工工作，从而大幅降颈就对我们突破传统方法，找到新的缺陷识
石油钢管焊缝 X 射线图像在形成过程中不可避免的受到噪声干工件厚度不同，所产生的 X 射线图像其对比度也不尽相同，这就处理，并将低对比度图像的对比度，以使焊缝区域和待检缺陷在图续对焊缝区域进行拟合，从而为管材焊缝识别奠定良好基础。且由大小各异，故其在 X 射线图像上的影像也各不相同，因此，本章射线影像特征进行简要分析，后对所设计采用的数字图像预处理技缺陷的 X 射线影像特征分析油钢管焊缝缺陷类型与缺陷形态等相关知识是对管材缺陷做出正类石油钢管焊缝缺陷有其不同的形成机理，因此在 X 射线检测图各异，依照《金属熔化焊焊缝缺陷分类及说明》[27]对主要缺陷及裂纹：裂纹是焊接接头内的焊缝金属在结晶过程中或冷却后产生的上的表现为形状、粗细不规则的白色线条，按形状分为横向或纵向 2-1 中（a）、（b）所示。
【参考文献】：
期刊论文
[1]集箱管接头内焊缝表面缺陷识别方法研究[J]. 焦敬品,李思源,常予,吴斌,何存富. 仪器仪表学报. 2017(12)
[2]自适应粒子群集优化二维OSTU的图像阈值分割算法[J]. 于洋,孔琳,虞闯. 电子测量与仪器学报. 2017(06)
[3]X射线焊缝图像的缺陷检测与识别技术[J]. 刘辉,万文,熊震宇. 电焊机. 2017(04)
[4]基于X射线图像的厚钢管焊缝中气孔缺陷的自动检测[J]. 陈本智,方志宏,夏勇,张灵,兰守忍,王利生. 计算机应用. 2017(03)
[5]基于BP神经网络的管道泄漏声信号识别方法研究[J]. 焦敬品,李勇强,吴斌,何存富. 仪器仪表学报. 2016(11)
[6]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[7]人工神经网络和支持向量机性能比较及其在DMD疾病识别中的应用[J]. 章鸣嬛,陈瑛,沈瑛,马军山. 上海理工大学学报. 2016(04)
[8]基于模糊模式识别的焊缝缺陷图像检测[J]. 王欣,高炜欣,武晓朦,王征,李华. 西安石油大学学报(自然科学版). 2016(04)
[9]基于稀疏主成分分析和自适应阈值选择的图像分割算法[J]. 卢涛,万永静,杨威. 计算机科学. 2016(07)
[10]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
硕士论文
[1]基于BP神经网络的焊缝缺陷建模及其识别算法研究[D]. 黄晔.西安石油大学 2016
[2]输油管道锻制管件漏磁检测与典型缺陷识别研究[D]. 王海兰.西南石油大学 2015
[3]埋弧焊管缺陷X射线图像处理及其自动识别技术研究[D]. 李勇.西安石油大学 2013
[4]X射线数字图像焊接缺陷检测研究[D]. 董明训.山东大学 2011
[5]焊缝图像缺陷提取与识别系统研究[D]. 宋庆国.武汉理工大学 2008
[6]超声相控阵焊缝探伤系统的数据采集和处理方法的研究[D]. 王宁.天津大学 2006
本文编号：3108317
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3108317.html
