X射线检测焊缝的图像处理与缺陷识别

根据射线检测焊缝图像的特点,设计了图像去噪、增强的算法;针对焊缝缺陷对比度差、光照不均、纹理较多等不利因素,在去除焊缝背景情况下,设计了动态划分焊缝区域算法,利用局域阈值法分割提取出对比度不均的缺陷;通过对焊缝缺陷特征分析,选取缺陷识别的特征参数;建立了用于焊缝缺陷识别的模糊神经网络模型。试验结果表明,图像预处理和缺陷提取是成功的,提出的识别算法能够提高介于模糊边界模式分类时的识别率,对焊缝缺陷识别的效果优于分类识别法。     

基于深度学习One-stage方法的焊缝缺陷智能识别研究

目前基于深度学习的卷积神经网络在对焊缝缺陷射线图像进行智能识别时,多采用基于候选区域的two-stage方法,检测速度难以满足实时性要求。针对该问题,提出基于深度卷积神经网络的one-stage焊缝缺陷识别定位算法,将整张图像输入网络,并直接在输出图像上标定目标缺陷位置及类别。通过采用特征金字塔、减小网络深度、引入跳跃连接卷积块和K-means算法等方法对YOLO网络进行改进,提高了网络对焊缝缺陷识别定位的准确率和速度。实验结果表明:该方法比two-stage识别定位算法和YOLO原网络在检测速度和检测精度方面都有所提升,单个图像的平均识别准确率为94.9%,召回率为94.1%,处理时间为19.58 ms,具备焊缝缺陷在线实时识别的工程应用价值。     

SVMs在油气管道焊缝缺陷检测中的应用

提出了基于支持向量机的焊管焊缝缺陷识别方法和步骤.对焊缝图像采用了图像增强、形态学处理、边缘检测等操作,解决焊缝图像在输入时受到外界干扰带来的图片噪声过多、缺陷边缘模糊和对比度低等问题,便于对焊缝图像进行特征提取.结合焊缝缺陷样本多分类的特点,对焊缝图像进行分类时使用SVM"一对一"聚类结构并对样本进行识别.实验结果表明,该模型具有识别精度高、速度快、容易实现等优点,适合对焊管焊缝缺陷的识别.     

基于分离程度的二叉树的多类SVM在焊接缺陷分类和识别中的应用

本文提出了基于分离程度的SVM决策树的焊缝缺陷分类识别方法。首先对X射线焊缝图像进行缺陷特征提取,然后结合聚类的思想,定义了分离程度,每次将分离程度最大的缺陷类分离出来,成功解决了传统欧氏距离不能处理的类交叉分类情况,得到了累积误差更小的决策树。将基于分离程度的二叉树的多类SVM算法运用于X射线焊接缺陷图像的分类识别,通过计算机仿真,表明该方法比其它SVM多分类算法在分类精度和识别效果方面有明显的提高。     

基于背景差分法在焊缝缺陷检测中的应用

现代工业对于焊接技术的使用越来越多,如何保证焊件质量是焊缝技术的重要环节。在机器视觉中,背景差分法是一种重要的运动检测方法。基于背景像素点在图像序列中被观测到的概率是最大的前提假设,并结合背景像素点可以看作高斯分布的加权的前提假设,提出了一种实时焊缝检测算法。该算法在准确检测焊缝缺陷的同时,能够在一定程度上对焊缝缺陷类别进行分类;既能提高产品的合格率,有通过反馈焊缝缺陷的分类,对焊缝生产线的调节提供帮助。实验结果证实了所提算法的有效性和实时性。     

基于多类支持向量机的X射线焊缝图像缺陷类型识别方法

压力容器的焊缝结构多变,纹路复杂,这增加了压力容器检测时焊缝缺陷定级的难度,提出一种基于多类支持向量机的X射线焊缝图像缺陷类型识别方法。首先通过对X射线焊缝图像进行预处理及缺陷轮廓检测,提取表征焊缝缺陷的状态特征,以构造特征向量,然后基于多类支持向量机建立焊缝缺陷识别模型,对产品的焊缝缺陷进行分类识别。实验结果表明了该方法的有效性。     

基于多类支持向量机的X射线焊缝图像缺陷类型识别方法

压力容器的焊缝结构多变,纹路复杂,增加了压力容器检测焊缝缺陷时定级的难度.提出一种基于多类支持向量机的X射线焊缝图像缺陷类型识别方法.首先通过对X射线焊缝图像进行预处理及缺陷轮廓检测,提取表征焊缝缺陷的状态特征,以构造特征向量;然后基于多类支持向量机建立焊缝缺陷识别模型,对产品的焊缝缺陷进行分类识别.实验结果表明了该方法的有效性.     

基于形态学的焊缝X射线图像缺陷检测

通过对焊缝X射线图像进行垂直扫描,提取扫描线的线灰度曲线,提出了焊缝缺陷位置的检测算法.应用形态学滤波和分水岭变换对缺陷轮廓进行提取,实现了焊缝X射线图像缺陷的检测.对图像的实测结果表明,该方法能有效地对焊缝缺陷位置进行检测.     

基于厚壁工件X射线实时成像的焊缝缺陷自动检测

基于X射线成像的焊缝缺陷自动检测技术对提高工业射线检测的自动化水平具有重要意义。焊缝缺陷在线连续检测的实时性要求较高,随着工件厚度的增加,其焊缝X射线实时图像的信噪比变得很低,使得已有的处理算法难以在满足实时性的同时,有效处理缺陷误检与漏检之间的矛盾。针对这些问题,在分析了传统方法在厚壁工件X射线图像焊缝缺陷自动检测中存在的问题基础上,对传统方法进行了改进,提出了双阈值背景消除法和平行焊接方向波形分析法,然后利用所提出算法之间的冗余性和互补性,融合多种分割结果以解决缺陷误检与漏检之间的矛盾。试验结果表明:所提出的缺陷自动检测方法能够在满足实时性要求的同时,实现缺陷检出,有效避免误检。     

基于粗糙-模糊神经网络的焊接图像缺陷识别

针对焊接图像缺陷识别中提取的特征受噪声干扰比较严重以及现有的识别算法准确率低的问题,提出了一种基于粗糙模糊神经网络的缺陷识别算法。该算法充分利用了粗糙集的属性约简、模糊集的处理不精确数据以及神经网络的自学习、对任意函数逼近的优点,有效地解决了不确定建模过程中样本数据受到噪声干扰、模型结构难以确定的问题。仿真结果表明:该算法能有效地提高焊缝图像的缺陷识别能力。