随着图像处理技术和模式识别技术的发展,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。然而,传统的智能识别方法需要大量的样本作为支持,从而导致识别过程实时性不佳的问题。对此,研究采用了一种小样本的训练方法应用于石油焊管焊缝的缺陷识别,在判断有无缺陷的同时实现了缺陷种类的划分,应用到工业现场可以更好的指导后续的焊接工艺。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圆形和线形缺陷,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、Ostu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,从而实现焊缝区域(region of interest,ROI)的分割。随后,通过比较Ostu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,分别采用传统的提取几何特征参数的方法和提取像素灰度特征描述的方法对焊缝的圆形缺陷和线形缺陷进行描述,建立相应的特征描述向量,并采用PCA方法对其进行主元分析,确定了使用像素灰度特征进行描述。最后,以得到的主元特征量为系统输入,先经过模糊C均值聚类算法对样本点进行聚类分析,随后将隶属度接近难以准确识别的样本提取出来,再通过SMO-SVM对其进行二次识别,最终根据实验结果建立模型并基于RAD Studio开发了一套焊缝缺陷自动检测系统,实现了对焊缝缺陷较为精确的识别。针对识别过程中实时性不足的问题,结合多核并行编程技术提高算法效率,最终基本满足了工业现场对于检测实时性的要求。