[发明专利]一种焊缝底片缺陷识别方法及系统

说明书

本发明提供了一种焊缝底片缺陷识别方法及系统，所述方法包含：通过射线成像技术获得焊缝的焊缝底片；利用图像识别技术获取焊缝底片的焊缝图像纹理特征数据；根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型；获得待检测焊缝底片的焊缝图像纹理特征数据；根据所述待检测焊缝底片的焊缝图像纹理特征数据与所述识别模型，计算获得待检测焊缝底片的缺陷类别。以此，有效解决了焊接底片识别的纹理精度和特征判断不准问题，使焊接底片图像边缘检测和缺陷跟踪识别精度大大提高，为焊缝特征识别技术的发展打下基础。

技术领域

本发明涉及油气管道安全检测领域，尤指一种焊缝底片缺陷识别方法及系统。

背景技术

焊接作为连接构件的一种基本工艺方法，在我国工业领域的生产和日常维护中都起到了重要作用。由于焊接施工中会产生各种各样的缺陷，受焊接过程中各种参数稳定性的影响，焊缝难免会出现夹渣、裂纹、气孔等各类缺陷，为了确保焊接构件的品质，所以有必要对焊缝缺陷进行详细的检测和合理的评价。常规无损检测方法主要有超声波检测法、X射线检测法等。X射线检测方式以其灵敏度高、直观可靠、而且重复性好等特点为后续焊接工作做出了可靠性的指导，从而在油气管道和石油化工领域应用普遍。以往对于焊缝内缺陷的具体位置及类别的判定多采用人工审阅评定，但该方法存在劳动强度大、效率低下、主观性强等缺点，同时容易受到影响质量的影响。

X射线数字化实时成像检测技术其图像存在噪声大、对比度不高、焊缝边缘模糊且纹理较多的特点，质量难以达到规定的衡量标准，为了改善检测对象的质量，开展后续计算机图像处理是必要的，并结合计算机评片的形式完成对焊缝内缺陷的自动识别。但由于实际检测工段出现的诸多问题，如运动导致的图像抓取模糊(边缘及缺陷部分模糊粗糙)等多方面带来的噪声被夹入待检测样本中，导致识别过程耗时长、准确率低，严重限制了图像处理技术在该领域的应用；此外，对于同一个工件，检测时射线照射的角度不同，获得图像的质量也存在较大差异。针对以上问题，有以下几种方法对焊片缺陷进行提取与识别分类。

1、王鹏[1]提出的基于模糊理论的焊缝缺陷图像识别算法研究，该方法基于自动选择阈值，使用模糊集合进行灰度变换以增强图像对比度；利用最大类间方差算法(0TSu)求解自适应阈值，检测并提取焊缝边缘；依据缺陷几何特征识别不同缺陷。该方案对于一些面积较小的缺陷，二值图像细化后仅为一点，去噪后被删除。因此，对于部分缺陷使用文中方法存在较为严重的过分割现象，技术方法还有待提高与改进。

2、唐国维提出基于模糊神经网络对焊缝缺陷进行研究，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；该方案对于特征集合交叉比较大的类别识别率较低。例如未焊透与未熔合缺陷,识别率分别为92.30％、88.46％。焊缝缺陷的错误识别还与特征选取的准确程度,训练样本的多少相关。焊缝纹理特征提取涉及边界清晰度、局部信息细化程度，传统方法使用二值法LTP、LBP,CLBP纹理特征描述方法，但纹理描述的精度受到影响。同时也影响焊缝内缺陷的判断。

发明内容

本发明目的在于提供一种克服了幅度、方向的精度不足，在分类准确率上优于单纯的形状特征轮廓直接判断法和传统的LTP、LBP,CLBP纹理特征方法的焊缝底片缺陷识别方法及系统。

为达上述目的，本发明所提供的焊缝底片缺陷识别方法，具体包含：通过射线成像技术获得焊缝的焊缝底片；利用图像识别技术获取焊缝底片的焊缝图像纹理特征数据；根据所述焊缝图像纹理特征数据与焊缝底片的缺陷类别通过机器学习算法建立识别模型；获得待检测焊缝底片的焊缝图像纹理特征数据；根据所述待检测焊缝底片的焊缝图像纹理特征数据与所述识别模型，计算获得待检测焊缝底片的缺陷类别。