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.     

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%.     

X射线焊缝图像的缺陷检测与识别技术

针对目前无损检测主要采用人工方式存在的主观不一致、检测效率低、操作复杂等问题,设计了一套焊缝缺陷自动检测系统。提出基于Otsu双阈值分割的缺陷区域自动提取、图像的降噪和灰度增强的图像预处理方法;通过SUSAN算法检测焊缝缺陷目标,并结合形态学孔洞填充算法修正缺陷目标;计算焊缝缺陷目标特征参数,并结合所设计的深度为4的二叉树分类识别逻辑流程,实现了较好的焊缝缺陷的检测结果。     

小径管X射线焊缝图像缺陷识别算法

针对小径管X射线焊缝图像缺陷检测精确率低的现状,通过对图像进行特征分析并结合稀疏字典学习,提出一种基于图像分割的小径管焊缝图像缺陷检测算法.首先,对小径管焊缝图像进行两步图像分割获得感兴趣区域;其次,提取焊缝缺陷,得到缺陷疑似局部图像;最后,提出以不同类型原子间相关性最小为目标的小径管焊缝缺陷字典矩阵数学模型并使用K-SVD算法进行求解,利用该字典矩阵实现圆形缺陷、线形缺陷和噪声的分类鉴别.为提高系统实时性,使用并行编程对图像分割算法进行加速.结果表明,改进后缺陷字典矩阵对圆形缺陷识别成功率为0.974,线形缺陷识别成功率为0.967,且具有较快的识别速度,实现了小径管焊缝图像缺陷的有效识别.     

基于PSO-SVM的FPC焊盘表面缺陷检测研究

针对柔性线路板(FPC)焊盘表面的缺陷检测,建立了一种利用粒子群算法(PSO)进行参数寻优的PSO-SVM分类识别模型。首先通过OTSU法将焊盘从原始图像中分割出来,然后对其5种表面缺陷从形状、灰度、纹理三个方面提取了14维特征,接着用粒子群算法方法对支持向量机的参数优化以获得较高的识别准确率,最后对缺陷样本进行分类识别,并将其与GS-SVM和BP神经网络分类性能进行对比。实验证明了该方法可以对焊盘缺陷进行准确的分类识别。     

计算机辅助铝合金焊缝X射线底片的缺陷检测与分类

X射线底片缺陷计算机辅助分类是目前无损检测领域的研究热点之一,主要包括:底片信息的数字化获取、缺陷区域提取、特征参数设计与计算、缺陷分类和底片评定等内容.针对铝合金构件焊缝射线图像对比度低、边缘模糊、背景起伏等特点导致传统边缘提取及图像分割方法不能有效提取缺陷的现实,在图像处理时用背景相减、数学形态学等方法对缺陷进行了有效地提取,并根据缺陷特征参数进行缺陷的分类.对于线型缺陷(如裂纹)检测问题,由于其特殊的难度,对其检测问题进行了专门的研究和探讨.     

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.     

DR图像中气孔缺陷的自动检测与识别

焊接缺陷的自动检测与识别是无损检测领域的研究热点之一。首先构造了一个平滑模板,对原始图像进行中值滤波,得到理想焊缝图像。其次进行图像减影操作,当灰度连通性超过给定的阈值T时,当前位置被标志为可疑缺陷,从而实现焊缝图像中可疑缺陷的自动检测;自动检测后得到4个可疑缺陷,计算所有可疑缺陷的特征参数,定性分析后均判定为气孔;最后得到了缺陷列表,缺陷列表与气孔缺陷二值图像之间建立了一一对应关系。     

升降船船板钢大热输入焊接接头裂纹缺陷图像检测

为提高船体结构的可靠性，避免事故发生，提出升降船船板钢大热输入焊接接头裂纹缺陷图像检测研究。利用相机与镜头、光源等部件组成图像采集平台，通过中值滤波算法设置滑动窗口，更新像素值，去除图像噪声，结合暗通道理论，使用去雾技术增强图像细节信息；将长宽比、圆度和等效面积作为特征参数；构建支持向量机超分类平面，引入二叉树算法提高支持向量机的检测能力，结合特征参数，建立二叉树支持向量机下的裂纹缺陷图像检测模型。试验结果表明，所提方法能够增强图像对比度和纹理特征，同时保证平衡准确率高且准确偏离率低。     

基于局部特征和深度神经网络的人脸性别判别模型研究

深度学习方法可以自动发现更佳数据以改善分类器性能。然而,在计算机视觉任务中,比如性别识别问题,有时候很难直接从整个图像进行学习。因此,提出一种新的基于局部特征和深度神经网络的人脸性别识别模型。首先,该模型从输入图像中提取数个局部特征,并将这些特征反馈给判别图像的深度神经网络,然后根据图像所属标签将每个局部特征分类。最后,使用简单的投票方案对整体图像进行判决。在FERET和CAS-PEAL-R1两个人脸图像资料库上进行了人脸性别分类实验,结果显示提出的方法优于其他深度学习方法,具有较好的准确性和稳定性。     

基于局部特征和深度神经网络的人脸性别判别模型研究（英文）

深度学习方法可以自动发现更佳数据以改善分类器性能。然而,在计算机视觉任务中,比如性别识别问题,有时候很难直接从整个图像进行学习。因此,提出一种新的基于局部特征和深度神经网络的人脸性别识别模型。首先,该模型从输入图像中提取数个局部特征,并将这些特征反馈给判别图像的深度神经网络,然后根据图像所属标签将每个局部特征分类。最后,使用简单的投票方案对整体图像进行判决。在FERET和CAS-PEAL-R1两个人脸图像资料库上进行了人脸性别分类实验,结果显示提出的方法优于其他深度学习方法,具有较好的准确性和稳定性。     

钢制对接焊缝内部缺陷类型的超声TOFD-D扫描图像表征

本研究针对对接焊缝常见缺陷的超声TOFD-D扫描图像,通过对比分析获得可用于识别缺陷类型的图像特征;结合检测信号特征,识别焊缝常见缺陷的类型。研究结果表明:超声TOFD-D扫描图像与缺陷几何形状密切相关,可用于表征缺陷类型;焊缝常见缺陷如侧壁未熔合、根部未焊透、气孔、裂纹的D扫描图像特征体现在条纹现状、抛物线开口方向及端部曲率,基于这些图像特征可识别缺陷类型;此外,将超声TOFD-D扫描图像特征与超声TOFD检测信号特征相结合可进一步提高对缺陷类型的识别能力。     

基于EC双流模型的焊接缺陷图像识别

由于焊缝缺陷X射线图像背景较为复杂,造成识别准确率及效率低.为提高缺陷识别准确率,提出一个由并行EfficientNet网络为基本框架的粗-细两阶段EC双流模型.该模型通过CBAM注意力机制提高网络的局部特征注意力,获取更加丰富的焊接缺陷细特征信息,并将其与提取原始粗特征结合输入全连接层,以更加精确实现焊接缺陷的分类;...     

444铁磁性不锈钢焊管缺陷的识别与分类

基于涡流检测技术,提出一种针对444铁磁性不锈钢焊管的缺陷识别与分类方法。首先采集经过磁饱和处理后的钢管涡流信号,通过经验模态分解(EMD)进一步对涡流信号进行降噪,提取到最能代表原始信号特征的内涵模态分量(IMF),对所选取的IMF提取时频域特征参数;为了提高模型识别效率,通过主成分分析(PCA)对特征向量集降维;最后使用支持向量机(SVM)对焊缝缺陷进行识别与分类。试验结果表明,该方法对444不锈钢焊管各缺陷的识别准确率较高,生产中可将含有特定缺陷的产品自动筛选出来,提高了生产效率。     

基于深度学习的大规模图像高效识别算法研究（英文）

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS-PEAL-R1大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于图像处理的油气站场管道完整性检测方法

结合图像处理技术,提出了一种油气站场管道完整性检测方法。检测时通过管道机器人采集油气站场管道图像。为提高图像质量,需对采集到的原始图像进行处理。针对预处理好的图像,标记图像缺陷区域,提取缺陷面积、周长、圆形度、长轴与短轴之比、梯度等5个几何特征参数。以这5个几何特征参数为输入,通过DBN(深度置信网络)构建分类器进行油气站场管道完整性检测。结果显示缺陷识别质量指数均大于8.0,说明该方法的检测结果较为准确,可以用于实际油气站场管道的完整性检测。     

基于自适应SVM决策树的焊缝缺陷类型识别

针对传统X射线焊缝缺陷检测方法普遍存在分类识别精度不高的问题,提出了一种基于分离程度的自适应SVM决策树算法。首先对滤波后的X-Ray焊缝缺陷图像进行数学形态学重建,然后根据分离程度,每次将分离程度最大的缺陷类别首先分离出来,构造自适应二叉树的SVM分类器,从而达到了减小二叉树的累积误差,得到了分类性能优良的的SVM决策树,并用其对X-Ray焊缝缺陷图像进行分类识别。实验结果表明,该算法取得了好的分类精度和识别效果。     

基于深度学习的大规模图像高效识别算法研究

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS PEAL R1 大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于机器视觉的枪弹外观缺陷检测系统研究

为了实现枪弹外观缺陷自动检测,研究了基于机器视觉技术的枪弹外观缺陷检测系统.首先针对枪弹外观缺陷图像特点,分析了采用灰度阈值及单一颜色模型分割缺陷的局限性,提出基于混合颜色模型的缺陷图像分割方法,实现了枪弹外观缺陷快速、准确分割;然后通过分析枪弹外观缺陷特点,分别从形状、颜色和纹理共选取了12个类别差异明显的特征参数,提取了枪弹外观缺陷特征;最后选择BP神经网络作为缺陷分类器,根据经验和实验确定了神经网络结构及参数,并分析了传统BP算法在枪弹外观缺陷分类应用中的不足,通过改变收敛标准、自适应调整步长和引入动量项以优化BP算法,改善了神经网络分类效果.实验表明,枪弹外观缺陷检测系统能够实现缺陷自动分割、识别与分类,正确识别率达91.7％,表现出较好的准确性和鲁棒性.     

基于局部二值模式的射线图像增强算法

基于图像分析的射线照相缺陷识别技术在无损检测领域被越来越广泛的使用。其一般步骤是:首先通过高分辨率摄像机拍摄被测焊缝的底片,然后对采集到的图像进行图像去噪和增强等预处理操作,再利用模式识别等手段识别其中的主要缺陷。可见,图像增强是其中一种非常有用的图像处理工具。在焊缝图像中,图像增强的主要目的是增强焊缝缺陷和灰度背景之间的对比度,以便于后续的分割和模式识别。研究了一种基于局部二值特征焊缝图像增强算法,并应用于焊缝图像的缺陷识别系统中。试验结果表明使经过增强处理后的图像,缺陷特征明显,非常有利于进一步的缺陷提取和识别。