一种焊缝底片缺陷识别方法及系统技术方案

本发明专利技术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。

A Method and System for Defect Recognition of Weld Negative

The invention provides a method and system for defect recognition of weld seam negative, which includes: obtaining weld seam negative by ray imaging technology; obtaining weld seam image texture feature data by image recognition technology; establishing recognition model by machine learning algorithm according to the weld image texture feature data and defect category of weld seam negative; According to the weld image texture feature data and the recognition model, the defect types of the weld negative to be detected are calculated. In this way, the problem of texture accuracy and inaccurate feature judgment of welding negative recognition is effectively solved, and the accuracy of edge detection and defect tracking recognition of welding negative image is greatly improved, which lays a foundation for the development of welding seam feature recognition technology.

【技术实现步骤摘要】
一种焊缝底片缺陷识别方法及系统
本专利技术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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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。在上述焊缝底片缺陷识别方法中，优选的，所述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包含：利用图像识别技术获取焊缝底片的大小信息、符号信息以及中心区域信息，根据所述大小信息、所述符号信息以及所述中心区域信息获得焊缝底片的焊缝图像纹理特征数据。在上述焊缝底片缺陷识别方法中，优选的，利用图像识别技术获取焊缝底片的大小信息包含：通过以下公式计算获得焊缝底片的大小信息；在上式中，a,b为自定义常量，TH为预定阈值，p为像素点个数。在上述焊缝底片缺陷识别方法中，优选的，利用图像识别技术获取焊缝底片的符号信息包含：通过以下公式计算获得焊缝底片的符号信息；在上式中，CLTP_S*为符号信息，TH为预定阈值，p为像素点个数。在上述焊缝底片缺陷识别方法中，优选的，利用图像识别技术获取焊缝底片的中心区域信息包含：通过以下公式计算获得焊缝底片的中心区域信息；在上式中，CLTP_C*为中心区域信息，TH1为图像像素均值。在上述焊缝底片缺陷识别方法中，优选的，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还包含：利用缺陷边缘检测和跟踪处理技术获得所述焊缝图像纹理特征数据中预定类别的特征参数；根据所述特征参数与焊缝底片的缺陷类别建立缺陷特征数据库；根据所述缺陷特征数据库通过机器学习算法建立识别模型。在上述焊缝底片缺陷识别方法中，优选的，所述特征参数包含：焊片编号、图像长度像素、图像宽度像素、缺陷与背景的灰度差、缺陷的相对位置、缺陷自身灰度偏差、缺陷长宽比、等效面积、圆形度、熵、相关度、惯性矩、能量。在上述焊缝底片缺陷识别方法中，优选的，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包含：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SVM(支持向量机)分类算法建立SVM模型。在上述焊缝底片缺陷识别方法中，优选的，所述通过SVM分类算法建立SVM模型还包含：通过全局优化方法获得所述SVM模型中分类器的类别数量；根据类别差异性排除法构建各类别的所述分类器；所述分类器的类别包含：裂纹、圆形夹渣、条形夹渣、气孔、未焊透、未熔合。本专利技术还提供一种焊缝底片缺陷识别系统，所述系统包含数据获取单元、模型构造单元和识别单元；所述数据获取单元用于通过射线成像技术获得焊缝的焊缝底片；以及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；所述模型构造单元用于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；所述识别单元用于获得待检测焊缝底片的焊缝图像纹理特征数据；以及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。本专利技术所提供的焊缝底片缺陷识别方法及系统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。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。在附图中：图1为本专利技术一实施例所提供的焊缝底片缺陷识别方法的流程示意图；图2为本专利技术一实施例所提供的完全局部三值模式(CLTP)计算示意图；图3为本专利技术一实施例所提供的SVM多类分类器构造示意图；图4A至图4K为本专利技术一实施例所提供的焊缝底片缺陷识别方法的检测结果示意图；图5为本专利技术一实施例所提供的焊缝底片缺陷识别系统的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本专利技术做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。在本说明书的描述中，参考术语“一实施例”、“一具体实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述本文档来自技高网...

【技术保护点】
1.一种焊缝底片缺陷识别方法，其特征在于，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。

【技术特征摘要】
1.一种焊缝底片缺陷识别方法，其特征在于，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。2.根据权利要求1所述的焊缝底片缺陷识别方法，其特征在于，所述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包含：利用图像识别技术获取焊缝底片的大小信息、符号信息以及中心区域信息，根据所述大小信息、所述符号信息以及所述中心区域信息获得焊缝底片的焊缝图像纹理特征数据。3.根据权利要求2所述的焊缝底片缺陷识别方法，其特征在于，利用图像识别技术获取焊缝底片的大小信息包含：通过以下公式计算获得焊缝底片的大小信息；在上式中，a,b为自定义常量，TH为预定阈值，p为像素点个数。4.根据权利要求2所述的焊缝底片缺陷识别方法，其特征在于，利用图像识别技术获取焊缝底片的符号信息包含：通过以下公式计算获得焊缝底片的符号信息；在上式中，CLTP_S*为符号信息，TH为预定阈值，p为像素点个数。5.根据权利要求2所述的焊缝底片缺陷识别方法，其特征在于，利用图像识别技术获取焊缝底片的中心区域信息包含：通过以下公式计算获得焊缝底片的中心区域信息；在上式中，CLTP_C*为中心区域信息，TH1为图像像素均值。6.根据权利要求1所述的焊缝底片缺陷识别方法，其特征在于，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...

【专利技术属性】
技术研发人员：董绍华，谢书懿，孙玄，张河苇，张来斌，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：北京,11