论文部分内容阅读
随着机器视觉和模式识别技术的发展,采用智能化的方法对缺陷进行识别已成为无损检测领域的研究热点。然而,传统的识别方法要求较多的训练样本,而且当样本的维数和类别数目增多时,会出现识别过程的实时性和准确性不理想的问题。对此,本研究采用了一种小样本的训练方法并将其应用到石油焊管焊缝的缺陷识别中,在对疑似点有无缺陷判断的同时实现了缺陷类别的划分,应用到生产现场将有助于提高检验效率、控制焊管质量。研究以埋弧焊管焊缝的X射线检测图像为对象,针对焊缝中可能存在的气孔、裂纹等缺陷,通过缺陷分割、特征参数提取和分类判别三个步骤实现焊缝中的缺陷识别。首先,在整幅检测图像中,利用均值滤波、sin增强、ostu分割和边缘检测等方法检测出焊缝边缘,并通过Hough变换计算出焊缝边界直线的表达式,确定出焊接区域。其次,通过比较ostu和灰度密度聚类法对缺陷的分割效果,选用后者在焊接区域内进行缺陷和噪声干扰点的分割。再次,采用6组特征值分别描述分割后的各类缺陷和噪声对象,从形态学角度对缺陷进行建模,并利用主成分分析法对相应的特征向量进行主元分析。最后,以得到的主元特征量为输入,分别实现了经典支持向量机(support vector machine,SVM)算法下焊缝缺陷和噪声干扰的二类识别以及包含缺陷种类划分的多类识别。针对经典SVM算法在识别过程中实时性不足的问题,分别研究了PSO-SVM(ParticleSwarm Optimized SVM), GA-SVM (Genetic Algorithm based SVM)以及LS-SVM(LeastSquare Support Vector Machine)算法下的焊缝缺陷识别。实验结果表明,基于LS-SVM的识别方法平均识别准确率为92.8287%,运行时间为0.394559s,相对于经典SVM解法,其准确率提高了1.6%,运行时间缩短了72%,可实现快速准确的焊缝缺陷识别。