基于几何和纹理特征对焊接射线成像图的缺陷检测和分类外文翻译资料

 2022-08-10 16:32:57

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

基于几何和纹理特征对焊接射线成像图的缺陷检测和分类

摘要

本文提出了一种运用于焊缝射线成像的缺陷检测和分类方式，该方式已应用于检测和区分焊接图像中的不连续性，这些不连续性对应于错误的警报或者例如虫孔，孔隙，线性夹渣，气孔，熔断或裂纹等缺陷。给每个分割对象提供关于纹理测量和几何特征的一组四十三个描述符，并作为分类器的输入。将每个对象分类为一个缺陷类或者描述其为无缺陷用来训练分类器。使用了三重交叉验证，并报告了三种不同的分类器的结果(支持向量机，神经网络，k-NN)

1、介绍

焊缝检查是确保船舶、航空等工业部门的安全和可靠的一项重要任务。为此采用了无损检测技术来检测材料表面或者内部缺陷而不会以任何方式影响其适应性。这些方式包括声发射、磁共振、涡流、超声波检测、热检测等。这些的、技术的基础是观察到焊缝缺陷会对测试型号产生一定程度的不连续性，然后识别出这些信号。，然而，每种方式都只适用于一些特殊的缺陷。

相反，射线成像（X射线或者伽马射线）似乎是最有效的方式，专家们能够从射线成像的图中识别出大部分的缺陷种类。这种方式是基于一种缺陷区域会吸收更多的能量，因此缺陷在图片中比其它地方更暗的原理。一些能够在射线成像中被识别出的常见焊接缺陷为虫孔（虫状的腔）、夹渣（焊接过程中的渣和其它异物）、线性孔（由于夹带气体产生的线性腔）、气孔（由于夹带气体产生的球形孔）、熔断（焊缝和母材未结合）、裂纹（金属断裂引起的不连续性），在图1中给出了每种缺陷的示例图。

甚至经验丰富的检测员也可以理解焊接射线成像，但是这样比较依赖主观意识而且耗时，会导致一些缺陷因为缺少时间而未被发现。即使是同一个人也可能对相同的图片做出自相矛盾的评判，这取决于他们的精神状态。因此，有些研究者们已经尝试了使用图像处理和模式识别的方式将检测过程变得更自动化。这种方式的目标是提供一个连续的，客观的，可靠的结果。

在我们所了解的相关文献中，所使用的特征并未结合所有可利用的信息（强度、几何形状、纹理）来解决一般的多类缺陷检测和分类问题。很明显这是由于缺乏能够捕捉每种缺陷类型的属性的合适的特征。我们的工作是尝试填满这个空缺而不牺牲表现。本文的创新之处在于以下几点

·使用强度纹理和几何特征的多模态特征定义，从而捕捉所有视觉属性。

·特征选择，为了避免信息冗余将处理限制在几个对每一种不同类都很重要的类。

·缺陷检测和分类分为七种不同类别（包括无缺陷分割对象），比较了一些最新的多类别分类方式（支持向量机和神经网络）

相关工作将在下一个章节介绍。然后焊接成像图和缺陷检测和分类的方法论将会在第三章节和第四章节介绍，实验结果将会在第五章介绍，第六章会总结这篇文章

2、相关工作

焊接缺陷检测和评估系统潜在的优势已经引起了相关领域大量的研究，目前所曾现的系统或多或少都遵循图二所示的过程。数字图像采集完成之后，仅对感兴趣的区域（ROI）进行进一步的处理，可能会进行一些预处理，例如降噪（高斯或者中值滤波）和增强对比度（灰度图均衡化）来帮助缺陷分割。

然后对可能代表缺陷的区域进行分割，下面是缺陷分割的几种方式，检测图片上的缺陷从简单的分割方式（例如阈值）到更高级的差影法，如下所述，在Nacereddine，Tridi，Hamami和ziou（2006）的文献中，在焊缝缺陷检测方面比较性的评估了Otsu，Niblack和Sauvola直方图阈值方式然后提出了Sauvola方式。Sofia和Redouane（2002）描述了一种基于分水岭算法的缺陷分割方式和形态学操作（腐蚀和膨胀）。Carrasco和Mery提出了一套强大的图像处理技术（底部帽子过滤器，形态学操作和分水岭算法）将这些方式恰当组合来分割缺陷。差影法是先构建一个相关的无缺陷的图像（被称为黄金图像），然后从原始的缺陷图像中减去这个图像，但是这个黄金图像的制作是正常而又不简单的。

描述

焊缝截面

放射线图

虫孔

线性夹渣

气孔

线性隙孔

侧壁融断

（底部融断）

内部融断

纵向裂纹

横向裂纹

辐射裂纹

图1 横截面中的焊接缺陷类型和他在射线图像中出现的样子：虫孔，线性夹渣，气 孔，线性隙孔，融断，不同种类的裂纹。来源：British Standard，1998

图2 基于射线成像的焊接缺陷自动识别系统的一般工艺流程

一旦使用了上述的方式分割除了缺陷，就能够特区特征，然后将其作为输入给分类器用以检测可能的缺陷类型，最后识别异常的缺陷种类。任选缺陷尺寸与一些专家或者国家标准规定的检验标准作比较，然后决定其是否是检验焊接时可接受的。

2、1特征定义

文献中使用了几种特征类型，这其中最简单的一个是几何特征，在Da Silva, Siqueira,

De Souza, Rebello, and Caloba (2005)中，使用了位置、长宽比、圆度、面积/矩形、矩形等特征。在Wang and Lia（2002）文献中定义了像焊缝中心距离、平均半径、半径标准差、圆度、致密性、长轴、宽度、长度、延伸率、海伍德直径。在其它工作做也能发现类似的特征，像（Warren Liao，2008；Liao，2003）。在Shafeek, Gadelmawla, Abdel Shafy, and Elewa (2004)中也用了像形状因子、矩形因子，位置和方向的类似特征。

常见的强度特征是强度值的平均值和标准差，在Liao and Li (1998)文献中运用了每个像素之间的巅峰强度值和均方误差以及高斯缺陷模型。

另一种特征是基于矩的特征，他们同时提供形状信息和强度信息，例如在

Nacereddine et al. (2006) 中，Hu矩阵被用来模拟缺陷。然而这样的特征是非常占性能，有非常多的信息冗余。

纹理是另一种特征，因为他能够提供非常有用的视觉提示。例如在Mery and Berti (2003)中，Haralick纹理特征和基于评估Gabor函数纹理特征。这种类型的特征需要很强的处理能力，尤其在处理大图像的时候要谨慎使用。

很明显当使用大量特征时我们是希望信息冗余的，在这种情况下增加特征数量不能提供更好的性能，并且系统的性能将会下降，尤其是对于射线成像图这种高分辨率图像。在一些文献中证明了这个问题。例如在Hernandez et al. (2006)文献中，其使用了自组织图进行降维处理，在Nacereddine et al.(2006) 和 Vilar et al. (2009)中使用了简单的PCA。在Liao(2003)中描述了根据相关性选择的特征。在Mery and Berti (2003)中使用了顺序选择方式。在Warren Liao (2009)中使用了一种蚁群优化方式。

本文和上述文献不同因为我们也使用了几何和纹理特征，能够更好的模拟各种缺陷。我们也使用了一种特征选择方式，这能够估算预期的性能，从而在性能和效率之间进行合理的权衡。

2、2分类

分类是一个与特征定义和提取相分离的步骤。任何文献中提及过的分类器均可用于缺陷的分类，这个领域显然更受益于更先进的分类器。这里最主要的分类法是将任务视为二值化（缺陷，非缺陷）和将它视为多类问题。

二值化问题的例子是(Hernandez et al., 2006)，他使用了神经网络为代表的模糊推理系统。在Mery and Berti (2003)的文献中使用了多项式、马哈拉若比斯和最近邻分类器。在

Lashkia (2001)文献中提出了一种模糊算法进行检测。

在Liao（2003）的文献中给出了一个多类别分类的例子，作者提出了针对六种缺陷的一种模糊K邻域分类法。Wang and Liao (2002)文中使用了一种多层感知器神经网络和一种模糊专家系统对六种缺陷类型进行焊接缺陷分类。Da Silva et al. (2005)使用了双层神经网络来识别六种缺陷。在Mirapeix, Garcia-Allende, Cobo, Conde, andLspez-Higuera (2007)的文献中使用了神经网络来区分三个缺陷但是只给了定性的结果。在Vilar, Zapata, and Ruiz (2009)使用了神经网络区分五种缺陷和误报。

一般情况下，有一些缺陷类别比其它类别更加平凡的出现，分类器会在分类过程中会更偏向于数据量比较大的类别。在一些研究中已经强调过这些问题。像随机复制(e.g., Da Silva et al.2005)或者其它实践（Warren Liao, 2008)被证明是有价值的。

我们首先通过使用定义良好的特征向量来解决多类分类问题，从而增加先前的分类方法。我们考虑到在训练样本中的最好的避免少数群体类别的错误分类，并且我们采用了三重交叉验证的重采样技术。我们也比较了最先进的支持向量机和神经网络分类器。另外，与文献中介绍的大多数工作相比，我们在测试中将误报类别作为多类别分类问题的一部分，因为在这里完美的分割缺陷在全自动化系统中是不可能的，即使假设使用初始化二进制步骤。

3、缺陷检测

3.1局部阈值

缺陷检测被分为两个步骤进行：Sauvola局部阈值和基于直方图的分割方式。Sauvola是一种比较受欢迎的局部阈值分割方式，他已经被用在了一些图像处理的应用上，例如在光学特征识别中。在Nacereddine, Zelmat, Belaifa, and Tridi (2005)中使用它进行焊接缺陷检测，并且它表现出比OTSU局部阈值法和Niblack局部阈值法更好的效果。将阈值T与以NxN窗口为中心的像素的灰度值进行比较的公式为。

其中M和s是窗口中像素的平均值和标准差，R是在图片所有窗口中灰度级的最大标准差，K是使用者定义的参数。N应该要能够小到能够保留图像的细节，但是必须大到能够降低噪声。在局部二值化后，使用形态学操作来移除一些二值化图像的噪点，得到一张平滑的二值化图像。此图像包含白色的可疑物体，而其它区域数与黑色背景，可疑对象对应于缺陷或者错误报警。

<strong

剩余内容已隐藏，支付完成后下载完整资料</strong

资料编号：[238277]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章