超聲波相控陣探傷中焊縫缺陷辨識研究.pdf

《超聲波相控陣探傷中焊縫缺陷辨識研究.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、292化工機械2016年超聲波相控陣探傷中焊縫缺陷辨識研究?121謝研楊天雪林春深(1.福州大學(xué)石油化工學(xué)院;2.福建省特種設(shè)備檢驗研究院)摘要根據(jù)超聲波相控陣檢測在不同的典型缺陷下所呈現(xiàn)出的圖像,提出一種基于灰度共生矩陣(GLCM)的灰色關(guān)聯(lián)為評價標(biāo)準(zhǔn)的缺陷識別方法,并以夾渣、氣孔、裂紋、未焊透和未熔合5種焊縫常見缺陷為對象進行缺陷辨識。利用GLCM提取出圖像4個生成方向上(0、45、90、135°)的4個特征值(角二階距、對比度、熵值、相關(guān)性)求出平均灰色關(guān)聯(lián)度,并與超聲檢測結(jié)果進行對比。實驗結(jié)果表明:該方法正確率達到80%以上,識別效果較好。關(guān)鍵詞超聲波相控陣檢測缺陷圖像辨識圖像特征提取

2、灰度共生矩陣灰色關(guān)聯(lián)度中圖分類號TQ050.7文獻標(biāo)識碼A文章編號0254-6094(2016)03-0292-05超聲波相控陣技術(shù)是較為新型的無損檢測技關(guān)聯(lián)程度。灰色關(guān)聯(lián)分析法是多因子分析,即使術(shù),是一種重要的定量檢測手段,它能夠更為直接只有較少樣本,也可在這些規(guī)律未知的、殘缺的數(shù)[1~4]地描述焊接構(gòu)件里的缺陷分布,提高檢測準(zhǔn)據(jù)信息中提取主要因子,因此該方法為缺陷的辨[6~8]確性。然而在提取和評價紋理特征方面尚處于研識提供了依據(jù)。究階段,如何實現(xiàn)缺陷類型的辨識是超聲波相控假設(shè)存在一序列:X(K)=(X(1),X(2),iii[5]研究領(lǐng)域的難點之一。目前關(guān)于焊縫缺陷識X(3),…,X(K

3、))。式中:i=1,2,...,n;每個樣ii別的方法種類有很多,例如主要成分分析、模糊識本有K個紋理特征參數(shù)。由于文中各個數(shù)列對別分析及BP識別等。然而,這些方法大都應(yīng)用應(yīng)的紋理特征參數(shù)的單位相同,所以不需進行預(yù)在射線檢測、超聲波A掃等無損檢測領(lǐng)域,而超處理。聲波相控陣B掃檢測缺陷圖像識別在板板對接假設(shè)參考數(shù)列(參考缺陷)為{X(k)}、比較0焊縫上的應(yīng)用至今還沒有一種有效且通用的方數(shù)列(測試缺陷)為{X(k)},則{X(k)}與i0法。筆者提取超聲波相控陣檢測焊接缺陷圖像的{X(k)}的關(guān)聯(lián)系數(shù)為:i角二階距、對比度、熵值和相關(guān)性4個紋理特征,Δ+θ·Δminmaxγ(X(k),X(k))

4、=(1)0iΔ(k)+θ·Δ將灰色關(guān)聯(lián)度引入到缺陷類別辨識中,提出了一0imax其中:Δ=‖X(k)-X(k)‖為X(k)與種在超聲波相控陣對接焊縫檢測領(lǐng)域中有效的缺0i0i0陷識別方法。Xi(k)兩個比較數(shù)列的絕對差;Δmin和Δmax分別表1灰色關(guān)聯(lián)分析法示比較數(shù)列與參考數(shù)列的各特征參量絕對差的最對相控陣B掃缺陷圖像而言,要先從圖像特小值和最大值;θ為分辨系數(shù),目的是減少最大絕征中提煉出所需要的關(guān)鍵信息,然后辨識其類型。對差數(shù)值過大所引起的誤差,取值一般在0~1之可該缺陷圖像特征屬于信息殘缺、關(guān)系不明顯的間,本例取0.5。信息系統(tǒng),所以在超聲B掃識別領(lǐng)域,缺陷的定關(guān)聯(lián)度是指比較數(shù)列和參考數(shù)

5、列之間關(guān)于各性分析還比較困難。不過灰色關(guān)聯(lián)分析法為識別特征參量的關(guān)聯(lián)程度。兩數(shù)列的關(guān)聯(lián)度又由它們提供了一種新方案,該方案的思路是:以未知缺陷各特征參量的關(guān)聯(lián)系數(shù)的平均值求得,其計算式和參考缺陷的差異程度作為基準(zhǔn),計算出它們的為:?謝研,男,1988年8月生,碩士研究生。福建省福州市,350108。第43卷第3期化工機械2931nH描述圖像紋理的復(fù)雜程度或者均勻程度的γ(X,X)=∑γ(X(k),X(k))(2)0i0ink=1情況,可以衡量圖像信息量大小。所涵蓋的圖像筆者提出了平均關(guān)聯(lián)度的識別方法,把計算信息越多,則H越大;反之信息越少,則H越小。出的4種紋理參數(shù)關(guān)聯(lián)度再進行平均,這樣能夠相關(guān)

6、性COR:綜合各特征因子,對未知缺陷進行有效地判定?！啤苂gp(g,g)-μμ1212xyg1g22灰度共生矩陣的特征參數(shù)COR=(6)σσxy基于灰度共生矩陣(GLCM)提取紋理特征的式中μ=∑g∑p(g,g);x112方法是一種典型的統(tǒng)計分析方法,焊縫的B掃圖g1g2μ=∑g∑p(g,g);像紋理是由超聲回波反饋不同的組織結(jié)構(gòu)形成yg12g21222的,可利用這種特性來識別焊縫的缺陷類型。σ=∑(g-μ)∑p(g,g);x1x12g1g2GLCM紋理提取方法具有較廣的適用范圍,用于22σ=∑(g-μ)∑p(g,g)。y2y12[9~11]g2g1圖像檢測和分類的研究越來越活躍。COR描述的

7、是矩陣中行或者列方向上的相為了描述紋理的主要特征,需要引入能給出似程度,如果在某個方向上的COR值較高,那么較高分類精度的、合適的GLCM特征參數(shù),依據(jù)說明在這個方向上有紋理圖像。UlabyFT等的研究發(fā)現(xiàn),GLCM有4個特征參數(shù)[12]3不同類型缺陷圖像及其特征分析比較適合,下面逐一介紹這4種特征值。掃描缺陷試塊,采集了各類型缺陷的二維圖能量(角二階矩)ASM:2像。其中一組缺陷圖像如圖1所示,