论文部分内容阅读
焊缝缺陷的识别是检测焊件质量的关键环节,有效地检测出焊缝缺陷保证焊缝的质量,对于安全生产具有十分重大的意义。传统的缺陷检测,主要依靠人工评片,该方法主观性强,受检测人员的专业素质影响较大,自动化水平低,易产生较多的误判和漏判;随着计算机技术以及电子技术的迅速发展,使得基于图像处理的计算机辅助评片技术成为可能,计算机评片技术则大大减轻了评片人员的工作量,提高了工作效率,使评片过程更加科学和规范,但是,由于焊缝图像在输入计算机时噪声过多、缺陷边缘模糊和对比度低等缺点,给缺陷信息的正确提取、分割和识别带来了很大的困难。研究以埋弧焊焊缝的X射线检测图像为对象,针对焊缝区域中可能存在的气孔、裂纹等缺陷,通过图像处理、特征提取和神经网络识别完成了焊缝缺陷识别。首先,通过图像去噪、图像增强、图像分割和图像边缘检测算法在整幅图像中找到焊缝边界。其次通过分析行列灰度曲线的分布情况对焊缝缺陷的位置进行定位。再次,采用7类几何特征和形状特征对缺陷进行描述,建立相应的特征描述向量,并采用主成分分析(Principal Component Analysis,PCA)和核主成分分析(Kernel Principal Component Analysis,KPCA)方法对其进行主元分析。最后,分别以原始数据和得到的主元特征量为系统输入,针对气孔和裂纹2类缺陷,研究了基于神经网络的焊缝缺陷识别算法。研究表明,对特征选择后的数据利用主成分分析和核主成分分析进行特征提取,可将数据投影到一个更低维的特征空间,实现分类器性能的提高。仿真结果,在对数据进行特征提取的能力上,核主成分分析提取的主元比主成分分析提取的主元减少1个,显示核主成分分析优于主成分分析;在对焊缝缺陷识别的效果上,RBF神经网络的分类正确率比BP神经网络高于0.72个百分点,显示RBF神经网络优于BP神经网络。