基于支持向量机的焊缝缺陷类型识别研究.doc

1、基于支持向量机的焊缝缺陷类型识别研究 李宁 卢子广 广西机电职业技术学院电气工程系 广西大学电气工程学院 摘 要： 针对焊缝的线形和圆形两种主要缺陷, 提出了一种基于支持向量机的焊缝缺陷种类识别算法。首先, 对焊缝 X 射线图像运用模糊 C 均值聚类、区域填充、均值滤波、边缘检测、大津阈值及谷发现图像预处理算法, 获取焊缝缺陷的位置, 然后通过逆表面阈值算法将缺陷从焊缝中分割出来;利用基于分段分形纹理分析算法提取焊缝缺陷的特征值;最后将特征值输入到基于支持向量机的焊缝缺陷分类器中, 识别出焊缝缺陷种类。试验结果表明, 通过对 150 张焊缝 X 射线图像进行训练, 对 80 张焊缝 X 射线图

2、像进行测试, 平均正确识别焊缝缺陷种类的准确率达 97.5%, 满足工业要求。关键词： 焊缝; 缺陷; 图像处理; 支持向量机; 作者简介：李宁, 副教授, 硕士, 研究方向为焊缝跟踪系统、工业机器人控制。E-mail:li_ning_作者简介：卢子广, 教授, 博士, 研究方向为智能控制, 无线传感器网络。lu_收稿日期：2016-08-26基金：广西高等学校优秀中青年骨干教师培养工程资助项目Type recognition of weld defects based on support vector machinesLi Ning Lu Ziguang Department of Ele

3、ctrical Engineering, Guangxi Technological College of Machinery and Electricity; College of Electrical Engineering, Guangxi University; Abstract： For linear and circular two kinds of weld defects, proposed a method of weld defect type recognition algorithms based on Support Vector Machine ( SVM) . F

4、irst of all, some image pre-processing algorithms such as fuzzy C means clustering, region filling algorithm, average filtering, edge detection, Otsu thresholding and inverse thresholding, to get the approximate location of weld defects. The information of the particular region will be extracted usi

5、ng segmentation based fractal texture analysis, SVM is used to classify the segmented defect as line or circular defects based on the extracted features lastly. The results showed that, the average accuracy rate is 97. 5% for correcting identification of the type of weld defects, by 150 weld X-ray i

6、mage is trained and 80 X-ray image weld test, which can meet industrial requirements.Keyword： weld; defect; image processing; Support Vector Machine (SVM) ; Received： 2016-08-260 引言焊缝缺陷的无损检测对于确保焊缝质量尤其是关键零/部件缺陷检测至关重要。基于焊缝 X 射线图像的缺陷检测技术, 在焊缝的无损检测中应用最为广泛1-3。通过对焊缝 X 射线图像进行相关图像预处理, 分割出包含焊缝缺陷的特定区域, 再通过对含缺

7、陷区域进一步分析识别出焊缝缺陷的具体种类。然而, 通过人工识别焊缝 X 射线图像, 寻找焊缝中潜在的缺陷, 不仅工作量大、效率低下, 更难以确保判别的准确率4。随着人工智能算法和图像处理技术的发展, 国内外学者对焊缝 X 射线图像的缺陷自动检测技术进行了大量研究。文献5提出一种基于人工神经网络的焊缝缺陷识别方法, 其通过对焊缝 X 射线图像进行图像预处理, 获取焊缝缺陷的特征值, 再利用人工神经网络分类器对焊缝缺陷的特征值分类, 从而识别出焊缝缺陷种类。文献6提出一种基于多类别支持向量机的缺陷分类方法。文献7提出一种基于时频判别特征的焊缝超声检测缺陷分类方法, 该方法根据超声检测信号的瞬变特性

8、, 针对焊缝检测的缺陷分类问题, 用判别追踪算法提取缺陷信号的局部时频判别特征, 并结合概率神经网络实现了焊缝超声检测信号的缺陷分类。本文提出了一种基于支持向量机的焊缝缺陷种类识别算法。通过对焊缝 X 射线图像应用模糊 C 均值聚类、区域填充、均值滤波、边缘检测、大津阈值及谷发现图像预处理算法, 获取焊缝缺陷的位置, 再通过逆表面阈值算法将缺陷从焊缝中分割出来;利用基于分段分形纹理分析算法提取焊缝缺陷的特征值;最后将特征值输入到基于支持向量机的焊缝缺陷分类器中, 识别出焊缝缺陷种类, 焊缝缺陷识别流程如图 1 所示。图 1 焊缝缺陷识别流程 下载原图1 焊缝 X 射线图像预处理1.1 图像降噪

9、利用无损检测 X 射线技术对焊缝进行无损检测, 获取到焊缝 X 射线图像。由于焊缝图像在拍摄和传输过程中, 往往受到高斯噪声与椒盐噪声的同时干扰, 如果直接对焊缝 X 射线图像进行缺陷检测易导致漏检、错检现象的发生8。本文采用形态学自适应滤波对存在缺陷的焊缝 X 射线图像进行去噪处理。图 2 所示为焊缝 X 射线图像降噪处理前后对比。图 2 焊缝 X 射线图像降噪处理前后对比 下载原图1.2 模糊 C 均值聚类在对降噪后的焊缝 X 射线缺陷区域图像进行提取和分类之前, 需要将焊缝缺陷从 X 射线图像中识别和分离出来。本文采用模糊 C 均值聚类方法对焊缝 X 射线图像中的缺陷区域进行分离操作。传

10、统的聚类方法, 只是将每个像素聚集到一类或唯一簇, 而模糊聚类方法将每一个像素分到不同的几个簇。模糊 C 均值聚类算法具体操作如下:首先输入图像 I (i, j) 被无重叠地划分为 33, 然后利用式 (1) 9计算每一个 33 区域的平均值 M (i, j) 为:式中:sx (i, j) 为由一些列点组成的 mn 大小矩形的中心点;A (a, b) 为输入图像。最后, 通过优化目标函数得到每个样本点对所有类中心的隶属度, 从而决定样本点的类属以达到自动对样本数据进行分类的目的。图 3 所示为焊缝 X 射线图像进行模糊 C 均值聚类以及最基本的区域填充处理后的效果。图 3 焊缝 X 射线图像模

11、糊 C 均值聚类和区域填充处理效果 下载原图1.3 边缘检测本文采用普鲁伊特边缘检测算法 (Prewitt edge detection) 来检测焊缝缺陷的边缘轮廓信息, 该算法在检测图像边缘轮廓方面被视为具有简单易于操作的优点。该边缘检测算法主要通过对图像的水平 (horizontal, h) 、垂直 (vertical, v) 、对角 (diagonal, d) 和反对角线 (anti-diagonal, a-d) 方向进行检测, 通过计算上述 4 个方向矩阵的绝对值大小, 最大值被认为是边界信息10, 其计算方法如式 (2) :1.4 大津阈值为了能够将焊缝缺陷的边界信息, 更加清晰地在

12、 X 射线图像中分割出来, 本文采用大津阈值算法提取焊缝缺陷边界信息。大津阈值法能够在图像边界处自动选取适当的阈值对图像进行分割。大津阈值算法具体操作过程如下, 将图像边界像素信息划分为两组, 将边界较高像素值保留, 非边界较低像素值点置为 0, 重复上述操作后, 图像边界信息被保留, 其余信息弱化。图 4 所示为焊缝 X 射线图像大津阈值处理效果。图 4 焊缝 X 射线图像大津阈值处理效果 下载原图1.5 逆阈值运算通过上述一系列图像预处理, 已经将焊缝 X 射线图像中的缺陷检测处理。为了提高后续焊缝缺陷种类的识别准确率, 需要将焊缝 X 射线图像的背景去除, 只保留焊缝的缺陷图像信息。逆阈

13、值运算核心运算思想就是将背景图像像素值与检测目标图像的像素值进行置换, 限于篇幅, 具体操作步骤请参照文献11。图 5 所示为焊缝 X 射线图像逆阈值运算处理效果。图 5 焊缝 X 射线图像逆阈值运算处理效果 下载原图2 焊缝 X 射线图像特征提取在对焊缝 X 射线图像缺陷类别进行识别前, 需要提取焊缝缺陷的特征值。本文采用文献12提出的, 基于分段分形纹理分析算法提取焊缝缺陷的特征值。基于分段分形纹理分析算法运算过程主要由两部分组成, 首先应用两阈二进制分解算法, 将输入的灰度图像转换成二进制图像, 然后应用分形维数提取特征值。在应用分形维数提取特征值时, 首先将图像分解成 mm 大小的正方

14、形网格, 在计算正方形网格数量 N (m) 时, 应确保每一个网格中至少包含一个像素;然后, 随着 m 数值的变化, 创建关于 log N (m) 与 logm 的曲线;最后应用最小二乘法拟合出这条曲线, 分形维数 D 对应于该直线的斜率, 分形维数 D 的计算方法如式 (3) :3 焊缝 X 射线图像缺陷类型识别3.1 支持向量机支持向量机是由文献13提出的一类人工智能算法, 其基本原理是在给定两类不同数据间通过建立最优分类线来划分两类数据。所谓最优分类线, 就是要求分类线不但能将两类数据分开, 还要使得分类间隔最大。对于线性可分的情况, 假设有 H 个焊缝缺陷类型样本, 每个样本的分形维数

15、 D 用向量 hi (i=1, 2, H) 表示。且 H 个样本对应两种不同的焊缝缺陷类型 yi-1, +1。两类线性可分样本集合为: (h iyi) , i=1, 2, H;yi-1, +1, 其分类方程如公式 (4) :式中:w 为最优分类线的法线;b 为分类阈值, 且 b 必须满足式 (5) :如果线性可分方程 f (hi) 0, 则输入的样本属于种类 yi=+1, 反之, y i=-1。3.2 焊缝缺陷类型识别由于本文研究的焊缝缺陷类型只有线形和圆形两种不同类型, 因此采用支持向量机中如式 (4) 所示的最为基础的线性可分支持向量机分类器即可。在利用支持向量机对焊缝缺陷类型进行分类前,

16、 需要建立一个基于支持向量机的二类分类器, 其分类示意如图 6 所示。图 6 基于支持向量机的焊缝缺陷种类识别 下载原图为了验证支持向量机在焊缝缺陷类型识别中的有效性, 在利用基于支持向量机的焊缝缺陷类型识别器, 对焊缝缺陷进行分类前, 需要对分类器进行训练。试验过程中, 获取到 230 张焊缝缺陷 X 射线图像, 其中 150 张 (包含线形缺陷 80个, 圆形缺陷 90 个) 作为训练样本, 80 张 (包含线形缺陷 60 个, 圆形缺陷 80个) 为测试样本。基于支持向量机的焊缝缺陷种类识别结果如表 1 所示。表 1 基于支持向量机的焊缝缺陷种类识别结果 下载原表 4 结语针对人工识别焊

17、缝 X 射线图像缺陷类型效率低下等问题, 本文提出了一种基于支持向量机的焊缝缺陷类型识别算法。通过对获取的焊缝 X 射线图像, 进行模糊 C 均值聚类、区域填充、均值滤波、边缘检测、大津阈值等相关图像预处理操作, 并利用分段分形纹理分析算法提取焊缝缺陷的特征值, 最后利用基于支持向量机的焊缝缺陷类型识别器, 通过对提取的焊缝缺陷特征值分类, 识别出具体焊缝的缺陷类型, 平均焊缝缺陷类型正确识别率达 97.5%, 圆形焊缝缺陷识别准确率达 100%, 满足工业对焊缝缺陷类型识别准确率 95%的要求。参考文献1高炜欣, 胡玉衡, 穆向阳, 等.埋弧焊 X 射线焊缝图像缺陷分割检测技术J.仪器仪表学

18、报, 2011, 32 (6) :1215-1224. 2邵家鑫, 都东, 石涵, 等.基于厚壁工件 X 射线实时成像的焊缝缺陷自动检测J.清华大学学报 (自然科学版) , 2013, 53 (2) :150-154. 3高炜欣, 胡玉衡, 武晓萌, 等.埋弧焊 X 射线焊缝缺陷图像分类算法研究J.仪器仪表学报, 2016, 37 (3) :518-524. 4VALAVANIS I, KOSMOPOULOS D.Multiclass defect detection and classification in weld radiographic images using geometric

19、and texture featuresJ.Expert Systems with Applications, 2010, 37 (12) :6706-7614. 5SENTHIL Kumar G, NATARAJAN U, ANANTHAN S S.Vision inspection system for the identification and classification of defects in MIG welding jointsJ.International Journal of Advanced Manufacturing Technology, 2011, 61 (9-1

20、2) :923-933. 6MUHTADAN R, WIDYAWAN R H, Amhar F.Weld defect classification in radiographic film using statistical texture and support vector machineJ.Advanced Materials Research, 2014, 89 (6) :695-700. 7杜秀丽, 沈毅, 王艳.基于时频判别特征的焊缝超声检测缺陷分类J.焊接学报, 2008, 29 (2) :89-92. 8张晓光, 林家骏.X 射线检测焊缝的图像处理与缺陷识别J.华东理工大学学

21、报 (自然科学版) , 2004, 30 (2) . 9AREE C, LURSINSAP S, SOPHATSATHIT C, et al.Fuzzy CMean:A statistical feature classification of text and image segmentation method.Proceeding of international conference on Intelligent technology, Thailand, Assumption University Bangkok, ThailandC.S.l.:s.n., 2000:279-284. 10GONZALEZ R C, WOODS R E.Digital Image ProcessingM.New York:Prentice Hall, 2000. 12COSTA A F, HUMPIRE-Mamani G, TRAINA A J M.An efficient algorithm for fractal analysis of textures.25th international conference on graphics, patterns and imagesC.S.l.:s.n., 2012:39-46.