实时射线检测焊缝缺陷的模糊神经网络识别方法

通过对射线检测焊缝缺陷特征的分析，提出了用于焊缝缺陷识别的模糊神经网络模型，介绍了隶属度的构造和BP网络学习算法。实验表明，该方法对于焊缝缺陷的识别是有效的。     

基于模糊神经网络的焊缝缺陷识别的研究

焊缝缺陷在X射线设备下成像转成数字图像后,分析其图像的特点,进行缺陷的定位与边缘检测,结合人工识别焊缝缺陷的经验选取对焊缝缺陷分类影响因子较大的特征参数。用模糊集合的概念描述特征参数,建立特征参数的模糊规则库,构建以模糊化后的特征参数为输入层,以模糊规则为隐含层,缺陷预知识别分类为输出的模糊神经网络模型。分析实验结果,成功定位缺陷在数字图像中的大概位置与边缘检测。该方法提高了集合交叉较大的焊缝缺陷的识别率,能有效地对缺陷进行识别分类。     

基于AlexNet的焊缝缺陷分类方法

X射线检测作为一种实用的无损检测（NDT）方法，在压力容器的焊缝缺陷检测中得到了广泛的应用。基于X射线图像的自动缺陷识别技术也随着人工智能（AI）的发展取得了飞速发展。本文将焊缝缺陷裁剪成像素小块作为神经网络的输入，并在AlexNet的基础上通过添加BN层改进了原网络，而后又选取了最优α值的LeakyReLU层代替了原有的ReLU层，使最终的AlexNet-BN-L模型取得了高达88.80%的5折交叉验证平均准确率。     

融合迁移学习的AlexNet神经网络不锈钢焊缝缺陷分类

针对不锈钢焊缝缺陷特征提取存在主观单一性和客观不充分性等问题,提出一种融合迁移学习的AlexNet卷积神经网络模型,用于不锈钢焊缝缺陷的自动分类。首先,由于不锈钢焊缝缺陷数据较为缺乏,通过采用迁移学习对网络前3层冻结,减少网络对输入数据量的要求;对后2层卷积层提取的特征信息批量归一化(batch normalization, BN),以加快网络的收敛速度;并使用带泄露线性整流(leaky rectified linear unit, LeakyReLU)函数对抑制神经元进行激活,从而提高模型的鲁棒性和特征提取能力。结果表明,该模型最终达到了95.12%的准确率, 相比原结构识别精度提高了9.8%。验证了改进后方法能够对裂纹、气孔、夹渣、未熔合和未焊透5类不锈钢焊缝缺陷实现高精度分类。相比现有方法,其识别面更广,精度更高,具有一定的工程实践意义。     

基于决策树的焊缝缺陷类型识别研究

自动对射线底片图像进行分析和缺陷类型识别是无损探伤研究领域的一个热点。在对焊缝射线底片进行图像去噪和图像增强的基础上,对焊缝底片图像进行二值化处理,进而提取焊缝缺陷图像及其特征,再采用决策树方法建立焊缝缺陷特征的分类规则,并用这些规则对二值化后的焊缝缺陷图像进行分类识别。实验结果表明,基于决策树方法对焊缝缺陷图像识别的准确率高,而且所表达的知识易于理解。     

基于机器视觉方法的焊缝缺陷检测及分类算法

对于在工业生产中如何有效地识别薄壁金属罐焊缝的缺陷及其类型判别的问题,提出了一种基于机器视觉技术的自动化焊缝缺陷检测及分类算法。利用混合高斯模型,提出了一种改进的背景差分法,主要用来提取焊缝缺陷的特征区域。在此基础上,以不同缺陷类型的缺陷面积、亮度及波形特征等差别作为依据,对焊缝缺陷进行了分类。实验检测结果表明,算法可以对主流的薄壁金属制罐焊缝缺陷类型进行准确的识别和归类,达到了96%以上的精确度。同时,算法的运算时间也能够满足在实际生产中的高实时性需求。     

基于旋转不变HOG特征的焊缝缺陷类型识别算法

根据某钢管厂实际采集到的X射线焊缝图像,并通过对焊缝缺陷多样性和形态多变性特点的研究,给出一种基于旋转不变HOG特征提取的焊缝缺陷类型识别算法. 首先,将项目前期已经检测到的多种缺陷进行分类和统计,截取每幅焊缝图像的ROI部分,构成实验所需的缺陷样本. 通过尺度变换和圆形细胞划分方式,得到具有尺度不变性和旋转不变性的HOG特征,将所有样本特征进行PCA降维,维数由贡献度决定. 最后使用LSSVM模型对缺陷进行类型识别. 通过研究block块重叠范围对识别正确率的影响,发现在一定范围内,重叠范围越大,识别正确率越高. 该算法通过改进传统HOG特征提取方式,提高了缺陷识别的正确率.     

基于模糊分析的焊缝图象的缺陷提取

在X射线检测焊缝缺陷过程中,至关重要的一步就是图象中缺陷的提取和分割,其处理效果直接影响到后续缺陷识别的正确性.本文先进行了焊缝背景去除,然后针对焊缝图象对比度差的特点以及其固有的模糊性,设计了基于直方图的模糊增强算法,以及基于直方图的模糊C-均值聚类分割算法.实验表明,本文提出的方法不仅能大大减少图象处理工作量,还能有效地提取出缺陷,为后续正确识别缺陷打下良好基础.     

焊缝缺陷识别系统实现

文章提出了一种对金属构件焊缝缺陷识别和分类的方法，该方法在实现图像预处理时利用中值滤波有效地消除了图像随机噪声，并用边缘检测法进行图像分割，在此基础上进行特征提取，达到了比较好的识别效果。     

深度卷积神经网络的X射线焊缝缺陷研究

针对X射线焊缝的缺陷识别难度较高且难以分类这一问题,在典型CUDA-CONVNET卷积神经网络(CNN)的基础上,改进并设计了一种深度CNN结构.以图像预处理作为基础,在保证最大限度提取原始图像的焊缝特征的前提下,对CNN的层次架构及参数设定开展了研究;通过与支持向量机(SVM)识别算法对比,进一步评估提出的深度学习方式,研究结果表明:改进后的深度CNN结构及其算法对于大样本的图像特征表达与识别能力有一定的优势,运算样本与错误率成反比,网络结构具有较高的图像分类识别正确率.     

机器人摆动弧焊纠偏的模糊神经网络控制系统

讨论了机器人摆动弧焊的视觉跟踪控制系统。由CCD摄像机通过特殊设计的复合滤光系统摄取近弧区图象。图象处理后计算焊枪和焊缝之间的偏差。模糊神经网络用于控制纠偏机构的运动。实验结果证明了此方法的可行性。     

Magneto-optical imaging deviation model of micro-gap weld joint

Seam tracking is important for butt joint laser welding. A magneto-optical imaging approach is proposed to detect the micro-gap weld whose width is less than 0.2 mm. The symmetry of the magnetic field above the weld joint is an important precondition to ensure the detection accuracy of the magneto-optical imaging method. However, in actual complex industrial scene, it is difficult to guarantee complete symmetry of the magnetic field. This paper proposes an effective method for solving the problem of magneto-optical imaging deviation under an asymmetric magnetic field. Two possible factors causing the asymmetry of magnetic field above weld joint are firstly investigated using finite element analysis. By analyzing the characteristics of the magneto-optic medium used in the sensor and measuring the magnetic field distribution of weld joint at different lift-off height and different excitation voltage, the prediction model of deviation between the weld position detected by magneto-optical imaging and the actual weld position is built by back propagation (BP) neural network. The experimental result of weld seam tracking based on magneto-optical imaging shows that the change of the lift-off height will affect the detection accuracy of the weld position, and sufficient accuracy can be ensured after correcting the deviation according to the prediction model of magneto-optical imaging deviation.     

基于卷积神经网络的焊缝表面缺陷检测方法

针对工业激光焊接中,采用传统方法进行焊缝质量检测效率低下的问题,提出了一种基于卷积神经网络的工业钢板表面焊缝缺陷检测方法;首先基于卷积神经网络,搭建了一个多分类模型框架,并分析了各层中所用到的函数及相关参数;然后基于工业数控机床和工业相机进行了焊缝数据采集,并对这些数据进行了分类、增强、扩增等前期预处理;最后基于数控机器轴,采用滑动窗口检测的形式采集实际待测图像,并通过实验对比了传统的机器学习算法在该类图像数据中的性能评估;经实验证实,通过卷积神经网络训练得到的多分类模型,焊缝缺陷检测精度能达到97%以上,且每张待测图像的测试时间均在300 ms左右,远超机器学习算法,在准确性和实时性上均能达到实际工业要求。     

图像处理技术在焊缝跟踪中的应用

随着焊接过程自动化和智能化的发展,基于图像处理技术的焊缝位置检测和焊接缺陷检测过程越来越受到国内外学者的重视.本文对焊缝自动跟踪系统中有关图像处理方面的研究内容作了一些介绍,详细分析了图像处理技术在焊缝跟踪过程中的应用,其中包括图像预处理,图像分割,边缘检测和特征点提取等图像处理过程,总结了一些传统和新型的图像处理算法,并讨论了各自的优缺点.     

高清晰超声微扫描成像无损检测系统*

设计了一种高清晰焊缝超声成像无损检测方法及检测系统。该系统基于超声无损检测原理和超分辨率图像处理方法,采用水浸聚焦探头对焊缝进行逐点扫描,对每一点的超声反射回波信号进行采样,组成焊缝截面的超声扫描图像,在通过微扫描成像技术获取多帧关于同一场景的互有位移的降质图像后,重建高分辨率高质量图像。设计的检测系统除了具有常规的扫描超声成像功能外,还具有超分辨率成像功能,可突破现有超声成像设备的分辨率限制,大大提高超声成像设备对焊缝中细微缺陷的识别能力,适合于一些需大规模、高质量生产的质量控制单位或制造领域的汽车、造船、集装箱等重要行业使用。     

高清晰超声微扫描成像无损检测系统

设计了一种高清晰焊缝超声成像无损检测方法及检测系统。该系统基于超声无损检测原理和超分辨率图像处理方法,采用水浸聚焦探头对焊缝进行逐点扫描,对每一点的超声反射回波信号进行采样,组成焊缝截面的超声扫描图像,在通过微扫描成像技术获取多帧关于同一场景的互有位移的降质图像后,重建高分辨率高质量图像。设计的检测系统除了具有常规的扫描超声成像功能外,还具有超分辨率成像功能,可突破现有超声成像设备的分辨率限制,大大提高超声成像设备对焊缝中细微缺陷的识别能力,适合于一些需大规模、高质量生产的质量控制单位或制造领域的汽车、造船、集装箱等重要行业使用。     

卡尔曼滤波焊缝跟踪控制

在视觉传感的电弧自动焊接过程中,需要根据视觉信息来控制电弧准确地跟踪焊缝.由于强烈的弧光干扰,使得从焊接区图像中直接提取电弧与焊缝的偏差信息十分困难.为此提出一种利用熔池图像质心和卡尔曼滤波来间接获取电弧与焊缝偏差的方法.选择熔池图像质心作为状态向量,建立基于图像质心的状态方程和焊缝位置测量方程.利用卡尔曼滤波消除过程噪声和测量噪声的影响,通过对熔池图像质心的状态估计,准确获取焊缝位置以及电弧与焊缝之间的偏差量,为自动焊接过程的焊缝跟踪控制提供准确信息.焊接试验结果表明,利用卡尔曼滤波方法可有效降低过程噪声和测量噪声的影响,从而提高焊缝跟踪控制精度.