埋弧焊X射线焊缝缺陷图像分类算法研究
发布时间：2021-04-16 06:23
对埋弧焊X射线焊缝圆形和线形缺陷图像进行分析,针对焊缝缺陷局部图像强噪声、弱对比度和常规方法不易区分类型的特点,将主成成分分析的思想引入焊缝圆形和线形缺陷类型分类。分析缺陷疑似局部图像自相关矩阵特征值发现,圆形线形焊缝缺陷疑似局部图像分类问题可降维为一维问题,极大地简化计算和提高运算速度。基于此给出圆形和线性缺陷分类算法,由于将缺陷图像分类问题降维,使得分类算法对模板的选择具有较强的鲁棒性。通过现场超过400张焊缝缺陷局部图像的实验表明,无论如何选取模板,线性缺陷的识别率均在98%以上,圆形缺陷的识别率在89%98.8%之间,且在16次模板更换实验中,4次圆形缺陷识别率达到98.8%。
【文章来源】：仪器仪表学报. 2016,37(03)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
射线焊缝图像
able特征名称符号特征公式长宽比G1L/e长度面积比G2e/A面积外切矩形比G3A/Ar圆形度G4p2/4πA矩形度G5W/H*海伍德直径G6dH角度G7Θ表中，L为长轴，e为短轴，A为缺陷面积，Ar为外切矩形面积，p为缺陷周长，W/H*为缺陷外切矩形宽和高之比，dH为与缺陷有相同面积的圆的直径，θ为缺陷轴对焊缝法线的角度。求取上述缺陷的几何特征值需要对缺陷进行准确的分割。实际计算中，需先计算感兴趣区域(ROI)，然后提取疑似局部图像，最后分割疑似局部图像获得几何特征值。首先给出疑似局部图像的定义。图2中外切矩形为分割出的疑似缺陷外切矩形，扩展5个像素点后的区域为疑似局部图像(suspecteddefectregion，SDR)。图2疑似局部图像定义Fig．2Definitionofsuspecteddefectregion
520仪器仪表学报第37卷图3所示是提取的部分圆形和线性缺陷的疑似局部图像，两种缺陷在视觉上有差别。但准确分割图3中的所有缺陷显然是十分困难的，分割后通过统计圆形和线形缺陷的几何特征值发现，由于焊缝图像中噪声的存在，试图通过分割后的任何一个几何特征值去区分缺陷类型都是不现实的。因此本文提出一种新的实时线形和圆形缺陷分类方法。图3缺陷疑似局部图像Fig．3Suspecteddefectregionsofdefects3缺陷的数学描述为了便于分析描述，图3所示的缺陷图像被归一化为25+25的大小，部分图像如图4所示。图4缺陷归一化图像Fig．4Normalizeddefectimages从图4看出，不同类型缺陷图像在视觉上有一定的规律性，而非随机散乱的。用向量f来表示大小为h×w的灰度图像，有:f∈Rm(1)式中:m=h×w。为了书写和计算方便，f向量可以通过将图像的像素点按照行优先的原则逐个排列予以生成。按同样的排列方式将n个样本图像构成矩阵S=［f1，f2，…，fn］∈Rm×n。矩阵S中每一列代表一幅缺陷图像，缺陷的平均图像就可依下式给出:ψ=1n∑ni=1fi(2)从识别的角度出发，设缺陷图像的特征是由缺陷图像和均值图像之差而得，这一差值称之为缺陷特征图像，有:di=fi－ψ(3)式中:di为fi的缺陷特征图像，缺陷特征图像可构成缺陷特征矩阵S－=d1，…d[]n。S－不仅维度较高，而且各样本特征图像间可能存在数据冗余，增加计算量。从图3也可知，实际X射线焊缝缺陷疑似局部图像的噪声较大，反映在di中会影响识别的准确性。为提高计算效率，需将噪声和冗余数据的维度滤去。首先考虑，若样本中的某些维度，在所有样本上的变化不明显，该维度对识别显然不起
【参考文献】：
期刊论文
[1]基于深度学习网络的射线图像缺陷识别方法[J]. 余永维,殷国富,殷鹰,杜柳青. 仪器仪表学报. 2014(09)
[2]基于能量分析的激光超声波缺陷检测研究[J]. 曾伟,王海涛,田贵云,方凌,汪文,万敏,杨先明. 仪器仪表学报. 2014(03)
[3]基于X射线图像序列的焊缝缺陷自动检测方法[J]. 田原,都东,侯润石,高志凌,申立群. 清华大学学报(自然科学版). 2007(08)
[4]改进的分水岭算法在焊接图像中的应用[J]. 王明泉,柴黎. 焊接学报. 2007(07)
[5]X射线线阵实时成像焊缝缺陷检测方法[J]. 陈明,马跃洲,陈光. 焊接学报. 2007(06)
[6]超声相控阵在管道缺陷检测中的优化设计[J]. 詹湘琳,陈世利,张宇,李健,曾周末,靳世久. 仪器仪表学报. 2006(S2)
[7]基于灰关联分析的焊缝超声检测缺陷类型识别[J]. 于润桥,党蕾,卢超,徐炼新. 仪器仪表学报. 2006(10)
[8]一种低剂量X射线探伤仪研制[J]. 阮林波,郭明安,李斌康,孙凤荣,郝文析. 仪器仪表学报. 2005(02)
本文编号：3140917
【文章来源】：仪器仪表学报. 2016,37(03)北大核心EICSCD
【文章页数】：7 页
【部分图文】：
射线焊缝图像
able特征名称符号特征公式长宽比G1L/e长度面积比G2e/A面积外切矩形比G3A/Ar圆形度G4p2/4πA矩形度G5W/H*海伍德直径G6dH角度G7Θ表中，L为长轴，e为短轴，A为缺陷面积，Ar为外切矩形面积，p为缺陷周长，W/H*为缺陷外切矩形宽和高之比，dH为与缺陷有相同面积的圆的直径，θ为缺陷轴对焊缝法线的角度。求取上述缺陷的几何特征值需要对缺陷进行准确的分割。实际计算中，需先计算感兴趣区域(ROI)，然后提取疑似局部图像，最后分割疑似局部图像获得几何特征值。首先给出疑似局部图像的定义。图2中外切矩形为分割出的疑似缺陷外切矩形，扩展5个像素点后的区域为疑似局部图像(suspecteddefectregion，SDR)。图2疑似局部图像定义Fig．2Definitionofsuspecteddefectregion
520仪器仪表学报第37卷图3所示是提取的部分圆形和线性缺陷的疑似局部图像，两种缺陷在视觉上有差别。但准确分割图3中的所有缺陷显然是十分困难的，分割后通过统计圆形和线形缺陷的几何特征值发现，由于焊缝图像中噪声的存在，试图通过分割后的任何一个几何特征值去区分缺陷类型都是不现实的。因此本文提出一种新的实时线形和圆形缺陷分类方法。图3缺陷疑似局部图像Fig．3Suspecteddefectregionsofdefects3缺陷的数学描述为了便于分析描述，图3所示的缺陷图像被归一化为25+25的大小，部分图像如图4所示。图4缺陷归一化图像Fig．4Normalizeddefectimages从图4看出，不同类型缺陷图像在视觉上有一定的规律性，而非随机散乱的。用向量f来表示大小为h×w的灰度图像，有:f∈Rm(1)式中:m=h×w。为了书写和计算方便，f向量可以通过将图像的像素点按照行优先的原则逐个排列予以生成。按同样的排列方式将n个样本图像构成矩阵S=［f1，f2，…，fn］∈Rm×n。矩阵S中每一列代表一幅缺陷图像，缺陷的平均图像就可依下式给出:ψ=1n∑ni=1fi(2)从识别的角度出发，设缺陷图像的特征是由缺陷图像和均值图像之差而得，这一差值称之为缺陷特征图像，有:di=fi－ψ(3)式中:di为fi的缺陷特征图像，缺陷特征图像可构成缺陷特征矩阵S－=d1，…d[]n。S－不仅维度较高，而且各样本特征图像间可能存在数据冗余，增加计算量。从图3也可知，实际X射线焊缝缺陷疑似局部图像的噪声较大，反映在di中会影响识别的准确性。为提高计算效率，需将噪声和冗余数据的维度滤去。首先考虑，若样本中的某些维度，在所有样本上的变化不明显，该维度对识别显然不起
【参考文献】：
期刊论文
[1]基于深度学习网络的射线图像缺陷识别方法[J]. 余永维,殷国富,殷鹰,杜柳青. 仪器仪表学报. 2014(09)
[2]基于能量分析的激光超声波缺陷检测研究[J]. 曾伟,王海涛,田贵云,方凌,汪文,万敏,杨先明. 仪器仪表学报. 2014(03)
[3]基于X射线图像序列的焊缝缺陷自动检测方法[J]. 田原,都东,侯润石,高志凌,申立群. 清华大学学报(自然科学版). 2007(08)
[4]改进的分水岭算法在焊接图像中的应用[J]. 王明泉,柴黎. 焊接学报. 2007(07)
[5]X射线线阵实时成像焊缝缺陷检测方法[J]. 陈明,马跃洲,陈光. 焊接学报. 2007(06)
[6]超声相控阵在管道缺陷检测中的优化设计[J]. 詹湘琳,陈世利,张宇,李健,曾周末,靳世久. 仪器仪表学报. 2006(S2)
[7]基于灰关联分析的焊缝超声检测缺陷类型识别[J]. 于润桥,党蕾,卢超,徐炼新. 仪器仪表学报. 2006(10)
[8]一种低剂量X射线探伤仪研制[J]. 阮林波,郭明安,李斌康,孙凤荣,郝文析. 仪器仪表学报. 2005(02)
本文编号：3140917
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3140917.html
