论文部分内容阅读
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其海伍德直径等6种形状特征参数,对特征参数进行主成分分析降维,从而完成焊缝缺陷的特征提取,再分别利用最小二乘支持向量机(LS-SVM)和基于遗传算法优化的神经网络(GA-BP)实现基于人工特征提取的焊缝缺陷识别,验证方法有效性时得到的识别准确率分别为96.33%和95.33%。其次,采用深度学习技术,用卷积神经网络(CNN)与Softmax分类器相结合的算法,以缺陷和噪声为输入样本训练CNN模型,经测试得到所设计CNN模型不仅可靠性强,对位置紧邻的缺陷也能够准确识别,且省去了人工特征提取的繁琐,并实现了 97.44%的高识别准确率。最后,训练三个CNN以构建焊缝缺陷识别模型并进行实际应用实验,实验达成的较优识别指标验证了本方法的有效性,方法在提高识别准确率的同时能够减少人工劳动量,从而提升检测识别的自动化程度。