基于改正二维主成分分析的焊缝表面缺陷检测

机器人焊接因零件形状不规则和焊接工艺复杂不可避免带来各种焊缝缺陷. 针对二维主成分分析应用于焊缝表面缺陷检测时面临计算复杂度高、分类准确率低及无法进行增量学习等问题,提出了一种基于均值更新的增量二维主成分分析(mean updated incremental two-dimensional principal component analysis,MUI2DPCA)算法,并将MUI2DPCA和前馈神经网络( feedforward neural network,FNN)相结合进行焊缝表面缺陷在线检测. 首先,对相机捕获的视频帧图像进行预处理得到焊缝局部块图像. 然后,利用MUI2DPCA在线提取局部块图像的模式特征. MUI2DPCA对图像的特征主成分进行增量迭代估计,降低计算复杂度,并且能够增量更新当前的样本均值,减少无关特征变化对主成分收敛性的影响. 最后,利用FNN建立提取的模式特征与焊缝类别之间的联系,实时返回焊缝表面缺陷的检测信息. 试验结果表明,该检测方法平均分类准确率为95.40%,平均处理速度可达29帧/s,能够满足焊缝在线检测的实时性要求.     

焊缝表面缺陷激光视觉传感HOG-SVM的检测方法

为了实现对焊缝表面缺陷的自动检测与分类,研究一种有效识别焊缝表面缺陷的激光视觉检测方法.通过激光视觉传感器采集焊缝图像并进行预处理,包括图像分割,灰度化,平滑去噪以及焊缝轮廓提取.采用方向梯度直方图(Histogram of Oriented Gradient, HOG)提取焊缝激光条纹轮廓图像的特征向量.其次,基于5折-交叉验证网格搜索方法进行模型参数寻优,最终建立了支持向量机(Support Vector Machine, SVM)智能模型识别与分类焊缝表面缺陷.通过调整焊缝轮廓提取算法、HOG特征维度得到不同特征数据并进行对比、分析焊缝缺陷的识别效果.在相同试验条件下,发现支持向量机比随机森林分类器、K最近邻分类器以及朴素贝叶斯分类器的识别率更高,达到97.86%.基于HOG-SVM的焊缝表面缺陷智能识别方法可有效提高焊缝缺陷(气孔、凹陷、咬边)及无缺陷的分类精度.     

基于二元函数拟合的X射线焊缝图像缺陷分割方法

由于存在焊缝图像噪声强、不清晰、对比度低的问题,导致图像分割效果差,文中提出一种基于二元函数拟合的X射线焊缝图像缺陷分割方法。通过正弦变换函数对原始焊缝图像增强处理,使用B样条曲线拟合图像内的灰度曲线,计算高斯曲率与平均曲率得到焊缝表面图像边缘特征,通过二元函数得到不同类型的焊缝边缘数据,结合焊缝图像的表决图,完成对焊缝图像缺陷完美分割。试验结果表明,该方法分割精度高,且在缺陷类别识别和检测效果图上都要高于卷积神经网络算法、目标检测算法、多视觉成像算法的,证明所提方法分割效果好,有实际的应用价值。     

焊接缺陷磁光成像纹理特征GLCM-Gabor识别方法

一种基于磁光图像纹理特征的焊接缺陷无损检测方法,首先用法拉第磁致旋光效应,结合漏磁场及磁畴理论分析焊接缺陷与磁光图像关系.针对缺陷磁光图像特点,通过灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取磁光图像纹理特征.由于裂纹和凹坑的GLCM纹理特征参数区分度不高,提出用Gabor变换法进一步提取磁光图像纹理特征.将GLCM-Gabor纹理特征作为输入量,用支持向量机(support vector machine,SVM)构造缺陷分类模型.结果表明,该方法可有效识别焊缝表面及亚表面特征(凹坑、裂纹、未熔透、无缺陷),分类模型整体识别率可达89.7%.     

焊缝缺陷磁光成像模糊聚类识别方法

以激光焊接高强钢(HSS)为对象,研究基于法拉第磁旋光效应的焊缝缺陷磁光成像检测方法.通过施加交变磁场改变焊缝处磁感应大小,利用磁光传感器获取焊缝缺陷磁光图像,选定特定区域提取灰度共生矩阵(GLCM)特征,并进行分析.为准确识别和分类焊缝缺陷类型,建立焊缝缺陷模糊聚类识别模型.通过调整模糊C-均值聚类(FCM)的模糊指...     

基于视觉传感的焊缝中心检测技术研究

通过视觉传感器获取焊缝图像，采用多种去噪技术对焊缝图像中的噪声进行滤波试验。针对焯缝图像中的干扰噪声特性，对各种滤波方法进行了分析和比较，并对滤波效果较好的焊缝图像进行边缘检测计算。提出3种识别焊缝特征的组合图像处理方法，并研究提取焊缝中心特征信息的效果和精度。试验结果表明，对焊缝图像采用Wiener滤波与Robert边缘检测算法能较好地提取焊缝中心位置的特征信息。     

高强钢焊接缺陷磁光成像分形特征检测

研究一种基于磁光成像原理的焊接缺陷无损检测新方法.以高强钢表面微小焊接缺陷为例,采用分形维数对焊缝磁光图像进行特征识别并估计最优尺度,根据Adabost分类算法对提取的焊接缺陷特征进行分析和训练,构建焊接缺陷特征量并对高强钢表面缺陷磁光图像进行自动识别.结果表明,运用磁光成像方法可以获取高强钢焊接缺陷特征,并通过图像分形维数分析可识别焊缝缺陷的位置、形状和类别.     

基于机器视觉的金属板材表面缺陷光学检测技术

为了解决传统金属表面质量检测技术的缺陷检测精度不高、缺陷检测识别率不高、缺陷分类不准确的难题,搭建了一套基于机器视觉的金属板材表面检测系统。基于偏微分方程,利用图像等照度线改进中值滤波算法,对图像进行预处理,显著地抑制了图像的噪声。利用最大类间方差算法(OTSU)自适应确定一图像双阈值,改进了Canny算法中高斯滤波器对图像的灰度分布特征提取,使其不受亮度和对比度的影响。最后,利用SIFT(Scale-invariant Feature Transform)算法提取缺陷特征点,提出一种BP(Back Propagation)神经网络和SVM(Support Vector Machine)向量机结合分类器的检测方法,缺陷检出率为926.8%,单幅图像检测仅需498.ms,该缺陷检测系统对金属板材表面缺陷能有效提取与识别,满足金属板材表面在线检测的要求。     

升船机轮毂焊缝未焊透缺陷超声波无损检测技术

为了有效提高焊缝未焊透缺陷检测结果的准确性,提出一种升船机轮毂焊缝未焊透缺陷超声波无损检测方法。利用改进的粒子群算法(PSO)搜索隶属函数的最优参数,对含有噪声的升船机轮毂焊缝图像展开模糊中值滤波处理,复原被噪声污染的像素点灰度值。经去噪处理后,采用一维局部二元模式算法(1-D LBP)提取升船机轮毂焊缝未焊透缺陷特征,对缺陷特征主成分分析和聚类处理,获取各个特征的权重和取值特点,将检测到的特征值和历史数据集比对,获取和不同缺陷特征的匹配结果,进而实现升船机轮毂焊缝未焊透缺陷超声波无损检测。试验结果表明,采用所提方法可以精准检测焊缝未焊透缺陷。     

焊缝缺陷图像特征提取的研究

由于焊缝缺陷图像存在噪声多、对比度不高、图像边缘模糊等缺点,从而影响到焊缝缺陷区域特征的提取,不利于焊缝缺陷的分类和识别。文中针对焊缝缺陷图像的复杂性,提出了一种有效提取焊缝缺陷区域特征的方法。首先对焊缝图像进行图像预处理、图像分割、缺陷图像背景去除,提取到焊缝缺陷区域;然后采用8连通区域标记的方法对处理之后的二值化缺陷图像进行标记;最后对每一个标记后的缺陷区域的周长、面积、圆形度等几何参数进行提取。试验结果表明,这种图像处理的方法能较准确地提取出焊缝缺陷图像的特征,具有良好的适应性与实用性。     

基于线结构光的铝合金对接焊缝特征提取方法研究

在对接焊缝的焊后质量检测中,由于环境干扰、材质反射程度及激光功率等因素的影响,造成焊缝表面信息的提取困难。针对上述问题,提出了一种基于线结构光的铝合金对接焊缝特征提取方法,设计了一种基于线结构光的视觉检测系统,实现焊缝表面激光条纹图像的快速采集。针对复杂环境下激光条纹图像的几何分布以及灰度特征,采用直线重投影、图像滤波、连通域分析等图像预处理操作,实现焊缝图像的ROI提取以及噪声滤波;采用加权灰度重心法提取激光条纹的中心线,并通过插值平滑算法得到连通性、拟合程度高的中心线;最后采用最大距离法得到对接焊缝特征点,并计算所需焊缝成形尺寸参数。试验结果表明,该方法能够有效提高图像检测效率及精度,满足工业检测标准。     

基于超声信号和图像融合的焊缝缺陷识别

超声无损检测已被广泛用来检测材料内部的缺陷,然而对缺陷性质的识别始终是检测的难点,为此研究了一种基于超声信号和图像融合的焊缝缺陷识别新方法.该方法充分利用检测数据,通过对缺陷回波信号特征与缺陷形态特征的数据融合,实现了焊缝缺陷的有效识别.利用自主研制的超声成像手动检测系统对含有气孔、夹渣、裂纹、未焊透和未熔合五类典型焊接缺陷的焊件进行了检测,分别提取缺陷的超声回波信号特征和缺陷图像的形态特征,构建神经网络实现超声信号和图像特征的数据融合.结果表明,该方法实现了多类缺陷的识别,提高了缺陷识别率,有助于焊缝质量评定.     

管屏拼焊焊缝表面缺陷的激光视觉检测方法

针对管屏多道焊缝表面缺陷存在焊缝定位困难、计算量过大的问题,文中提出一种管屏拼焊焊缝表面缺陷激光视觉检测方法,建立基于激光视觉的管屏焊缝检测系统,并基于激光视觉相机拍摄管屏图像。分析管屏特征并结合形态学操作定位焊缝,使用高维多项式拟合解决焊缝缺陷快速检测问题,实现了对管屏拼焊表面缺陷的快速检测。结果表明,该检测方案能识别的最小缺陷为1 mm2,检测速度为0.438 m/s,提升了管屏焊缝表面缺陷的检测效率,解决了曲面焊缝定位难、数据量大的难题,实现快速对大量焊缝轮廓进行检测,并符合应用要求。 创新点： (1)提出了一种管屏拼焊焊缝表面缺陷激光视觉检测方案,提升管屏焊缝表面缺陷检测效率。 (2)提出了基于高阶曲面的焊缝缺陷检测方法,实现快速对大量焊缝轮廓进行检测。 (3)管屏拼焊焊缝表面缺陷激光视觉检测方法经过数据集验证,效率和精度均满足应用要求。     

图像降维下的埋弧焊缺陷自动识别算法及框架

针对埋弧焊管焊缝的缺陷,应用X射线成像并检测,设计了自动化的缺陷识别框架与算法。首先对焊缝图像进行预处理,在中值滤波去除噪声后,选取sin函数变换为图像增强的工具,使得对象对比度得到了很大提升。然后采用OSTU算法进行ROI(Region of Interest)区域的提取,获得焊缝区域并且定位缺陷部位,如此实现焊缝缺陷自动化的获取。对建立的数据库里应用PCA进行像素矩阵降维,不仅去除噪声,减小数据量,同时还提取出像素矩阵的参数特征。对提取的焊缝缺陷进行识别,选取三种模式识别的方法进行比对,试验结果显示SVM的效果最好,两种缺陷正确识别率都达到了90%,而神经网络的方法则在80%左右。     

一种基于结构光的V型焊缝实时图像处理方法

在焊缝跟踪系统中,需要实时准确获得焊缝中心线的位置,就必须设计一种基于结构光的V型焊缝中心线的提取方法。对焊缝进行中值滤波去除图像噪声,采用自适应阈值分割的方法对图像进行二值分割,采用二值形态学的边缘检测方法对二值后的图像进行孤点滤波和边缘检测,采用对边缘上下边界点求取平均值方法提取结构光的中心线,采用基于斜率分析和最小二乘法相结合的检测的方法对图像进行特征检测获得图像的特征信息。通过实践表明,所采用的方法能够正确地提取焊缝特征信息,具有很强的抗干扰性能,能够满足焊缝跟踪系统的实时性要求。     

射线检测图像中焊缝和缺陷的提取方法

针对射线检测图像中焊缝和缺陷难于准确检测提取问题,基于逐级局部化处理,提出了一种实用的检测方法.方法充分利用了图像本身已包含的信息,首先通过条带区域特征检测确定焊缝区域在原始图像中的大致位置,然后通过列灰度波形分析确定焊缝边界和缺陷所在的局部区域,并粗分标记区域类型为非裂纹类和裂纹类,最后分别采用基于分水岭变换和Bea...     

基于神经网络和形态学的钢表面缺陷识别

钢表面图像的信噪比很低,探测目标很小,形状也不规则,因此钢材表面缺陷难于识别.引进基于神经网络和形态学的图像识别方法检测钢表面的各种缺陷,简述图像的预处理和BP神经网络建立的基本过程.通过对比BP神经和RGB阈值方法对钢表面图像的分割结果,表明BP神经网络方法优于RGB阈值方法.利用形态学处理方法过滤噪声,使结果更清晰.此方法能检测出不同类型的缺陷,且具有很强的鲁棒性.     

基于区域的快速卷积神经网络的焊缝TOFD检测缺陷识别

受扫查图像效果和检测人员能力与主观因素的影响,检测人员在使用超声衍射时差法(TOFD)的D扫描图像判断焊缝缺陷类型时,存在可靠性低、争议大、速度慢的问题。为了提高缺陷类型识别的准确性及效率,分析了焊缝缺陷的TOFD-D扫描图像特征,构建了一种基于区域的卷积神经网络(Faster RCNN),对焊缝缺陷D扫描图像中的缺陷类型进行自动识别;在网络训练过程中,提出了采用样本扩展及建议框优化方法以提高网络训练的稳定性及效率。结果表明:缺陷的TOFD-D扫描图像的轮廓与缺陷几何形状密切相关,可用于判断缺陷类型;Faster RCNN网络虽然可能对界面波及噪声造成误判,但对缺陷类型的识别率可达到97%以上,可实现缺陷类型的自动识别,并具有高识别率、鲁棒性和抗干扰能力。     

基于数字射线成像的焊缝缺陷检测

提出了一种基于数字射线成像（DR)的焊缝图像的处理方法。依据射线衰减的指数规律和体现缺陷特征的处理原理，建立了提取、放大焊缝中缺陷信息的数学模型，在这些数学模型的指导下改进获取的焊缝图像，便可清晰准确地辨别出缺陷，达到检测目的。     

基于机器视觉的升船机凸齿焊缝检测方法

为了获取精准的焊缝检测结果,文中提出一种基于机器视觉的升船机凸齿焊缝检测方法。建立基于机器视觉的X射线焊缝底片采集平台,通过需求确定采集方案进行图像采集。将采集的底片作为研究对象,以广义交叉验证准则为优化目标,通过序列二次规划算法优化处理非降采样轮廓波变换(NSCT)域的去噪阈值,获取最优去噪阈值。在确定阈值后,采用非线性阈值函数处理Contourlet系数,获取去噪后的图像。引入梯度方向直方图算法提取升船机凸齿焊缝图像特征,将二叉树支持向量机(SVM)作为分类模型完成特征学习及升船机凸齿焊缝检测。试验结果表明,文中方法不仅可以获取精准的焊缝检测结果,同时还能够提高焊缝检测效率。