随着图像处理技术和模式识别技术的不断发展,计算机智能评片以其高效性、客观性和经济性等方面的优势,被广泛应用到油气管道焊缝缺陷检测领域中。传统的缺陷检测方法,首先提取感兴趣区域,然后对感兴趣区域进行分割。对分割出来的疑似局部图像,通过各种特征值判断是否为真实缺陷。然而,实际的焊缝缺陷有多种形式,通过分割出来的形状等特征值来判断分割的正确与否不仅计算量大,准确率也受到图像质量的影响。卷积神经网络是将人工神经网络和深度学习技术结合而产生的一个新型人工神经网络方法,具有局部感知区域、层次结构化、特征提取和分类过程结合的全局训练等特点,同时避免了传统分类算法中复杂的特征提取和数据重构过程,因此在图像识别领域获得了广泛的应用。本文采用教研室自主研发的焊缝缺陷检测平台对焊缝图像内可能存在的主要缺陷类型通过图像处理、特征描述和分类识别3个步骤实现了对焊缝缺陷的识别。首先,经过图像滤波的实验结果分析焊缝图像内噪声的类型并选择合适的图像处理算法对图像去噪,再通过sin函数增强、Otsu分割和Sobel边缘检测等一系列方法在整幅图像中找到焊缝边界,并通过Hough变换提取出焊缝边界直线的相关参数,从而实现ROI区域的分割。随后,通过比较Otsu算法和基于灰度密度聚类算法对于焊缝区域内缺陷和图像噪声的分割效果,进而选择后者对其进行分割。其次,采用提取几何特征参数的方法并通过拉普拉斯特征映射的方法进行降维处理。最后,分别采用BP神经网络和支持向量机依据特征参数进行建模并实现对焊缝缺陷的识别。在基于支持向量机的缺陷识别系统取得较高识别率的前提下,由于在图像的预处理过程中,焊缝缺陷图像本身很难做到精确分割这一特点导致求得的特征值也无法保证精确,避免不了对最终的识别结果产生影响。鉴于此问题,本文进一步采用基于卷积神经网络的识别系统实现对焊缝缺陷的识别,有效地避免了计算误差并达到了更高的识别率。