SVMs在油气管道焊缝缺陷检测中的应用.pdf

2011年11月
西安石油大学学报(自然科学版
Nov. 201]
第26卷第6期
Journal of Xi'an Shiyou University(Natural Science Edition
Vol 26 No 6
文章编号:1673064X(2011)06-0097-05
SVMs在油气管道焊缝缺陷检測中的应用
',高欣',袁2,刻畅
(1.西安石油大学陕西省钻机控制重点实验室,陕西西安710065
2.巴陵石化环氧树脂事业部电气车间,湖南岳阳4140
3.西安航空动力股份有限公司无损检测中心,陕西西安710021)
摘要: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,解决焊鏠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,适合对焊管焊鏠缺陷的识别
关键词:油气管道;焊鏠缺陷;缺陷检测;图像分割;特征提取;模式识别;支持向量机
中图分类号:TE973.6文献标识码:A
常用的无损检测方法有射线检测法2、超声(即无错误辨别任意样本的能力)之间寻求最佳折
检测法、磁力检测法、涡流检测法、渗透检测中,以期获得最好的推广能力,来解决X底片焊缝
法?等.在各种无损检测技术中,基于x射线焊缝图缺陷的识别问题
像的检测是大多数埋弧焊管生产企业采用的方法
近年来,随着现代计算机技术和数字图像技术1支持向量机
的飞跃发展,一些新兴的基于机器学习和智能算法
的焊缝缺陷检测方法也悄然兴起.文献[7]利用神
支持向量机是 Vapnik等人提出的一种新的通
经网络质量监测模型预测焊点抗剪强度,准确率达用学习方法,建立在VC维理论和结构风险最小化
到9.6%:文献[8]利用神经网络模型对车身镀锌原理基础上,较好地解决了小样本非线性、高维数和
板点焊性能进行预测;文献[9]利用神经网络模型局部极小点等实际问题.支持向量机算法在
进行焊点质量检测等
MATLAB环境下易于实现,得到较广泛的应
为了解决传统的焊缝缺陷检测存在的一些问用(143]
题,也为了更好地修正和改进一些智能算法所存在
SVM的基本思想可由图1说明,在二维两类线
的一些缺点,本文将基于数理统计方法一一支持向性可分情况下,有很多可能的线性分类器可以把这
量机( The Support Vector Machines,YMs)理论引人组数据分割开,但只有一个使两类的分类间隔mar
焊缝缺陷识别问题中,根据有限的样本信息,在模型
in最大,即图中的H,这个线性分类器就是最优分
的复杂性(即对特定样本的学习精度)和学习能力类超平面,与其他分类器相比,具有更好的泛化性
收稿日期;2011-02-15
甚金项目:陕西省自然科学基础研究计划(编号:2010J08033);陕西省教育厅专项科研计划项目(编号:09JK699);西安
市科技计划项目(编号:YPO7033);中石油科技创新基金研究项目(编号:2010D-5006-0601)
作者简介:武晓朦(1974-),女,副教授,主要从事自动控制方面的研究,E- mail: xmwudz@xsyu,edu.cr
98
西安石油大学学报(自然科学版
g(x)=sgn(f(x))=:a'(x,)+b”)
式中,b”是分类的域值,可以通过两类中任意
对支持向量取中值求得.对于空间R中任意样本
=(x1,x2,…,a),当f(x)<1时,表示此时x
Margin
在超平面的分类间隔内,f(x)越趋于0,则当前分
图1最优分类超平面
类超平面对于x的区分能力越差.而Jf(x)≥1时x
Fig 1 Optimal class hyperplane
能被超平面正确分类.对于线性不可分的问题,可以
若样本集Q=(x,)1=1,2,,n,xe∈通过引人松弛变量的方法推广最优分类超平面的概
R4,ye[-1,1]是线性可分的,则存在分类超平面念,更一般的方法是用满足 Mercer条件的核函数
a"?x=0,x∈R,对样本集Q中任一(x2,y)都满
K(x;,x)代替式(10)中的内积,就是通过一个非线
足
性映射,在一个高维特征空间中给出一个最优分类
w"x;+b≥+1,当y,=+1时;
超平面
w"x+b≤-1,当y;=-1时
空间R“中样本x=(x1,…,)'到分类超平面
2SVMs在焊管焊缝缺陷在线检测
的距离d={wx+b/Ilw1,其中:
中的应用
2.1选取特征参数
当存在x使得w'x;+b=±1,则图1中超平面
根据CB6417-86《金属熔化焊鏠缺陷分类和说
的分类间隔
明》,结合焊缝常见情况,将焊缝中缺陷粗略分为:
margin =2/a
(3)裂纹、未焊透、未熔合、气孔、夹渣、形状缺陷6大类.
使分类间隔 margin最大的超平面即为最优分由于形状缺陷易于辨认,故本文只讨论其他5种缺
类超平面.寻找最优分类超平面的问题将转化为求陷的识别与分类
如下一个二次规划问题:
影像的几何形状、黑度及黑度分布,以及缺陷在
底片上的位置是识别缺陷的3个重要方面.通过选
min
(4.
择正确的特征量提取特征参数,对焊缝缺陷正确的
满足约束条件
别与分类.决定缺陷类别的特征参数主要包括以
y:(o?x1+b)≥1,i=1,2,,L
5)下6个因素:长宽比L4/L2、圆形度e、等效面积S/C、
采用 Lagrange乘子转换为ー个对偶问题,形式缺陷与背景的灰度差△h、缺陷自身灰度偏差δ及缺
如下
陷的相对位置d
mx。=a-∑ya(s,),(6)2題像处理技
在对焊缝图像进行特征参数进行提取之前,由
满足约束条件:
于图片中噪声的存在,必须对图片进行前期处理,使
0≤1,i=1,2,…,L;
(7)得特征参数的提取更为精确和容易.这些图像处理
c;,=0.
8
技术主要包括图像增强、边缘检测、形态学处理
值化等
其中2为每一个样本对应的 Lagrange乘子,根据
Matab在数据处理与图像处理方面有着很强的
Kuhn- Tucker条件,这个优化的解必须满足:
优势,本文借助其图像处理函数完成上述几项处理
a:(y[o?ェ:+b]-1)=0,i=1,2,…,L.2.3特征参数提取
焊图像在进行初步的图像处理以后,接下来
多数样本对应2将为0,少部分不为0的a,对就是对其6个参数进行特征提取
应的样本就是支持向量.最后得到分类判别函数为
长宽比L1/2是被检测缺陷的长径和短径