CN103323526A - 一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法 - Google Patents

Abstract

一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法，涉及一种焊缝缺陷识别方法，属于焊接缺陷识别技术领域。解决了厚板电子束焊缝缺陷无损检测与识别问题。采用超声相控阵扇形扫描方法检测焊缝，获取缺陷扇形扫描图像，基于主成分分析法提取缺陷图像主成分，建立缺陷特征表达函数，采用支持向量机二叉决策树法构造缺陷分类模型的结构，构造三个基于支持向量机子模型，子模型I首先将气孔缺陷识别出来，子模型II将裂纹缺陷识别出来，子模型III将未熔合缺陷和未焊透缺陷区分开来。子模型采用径向基核函数，采用网格搜索法优化子模型参数。实现厚板电子束焊缝气孔、裂纹、未熔合和未焊透缺陷的检测与智能识别，四种缺陷正确识别率分别为94.5％、92.5％、95％和93.5％。

Description

一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法

技术领域

本发明涉及一种焊缝缺陷识别方法，属于焊接缺陷识别技术领域。

背景技术

随着我国航空、航天、能源和船舶等重工业的发展，许多领域涉及厚板材料、大型结构的焊接问题。对于大型结构及厚板材料的焊接而言，焊接变形和缺陷控制及高效快速制造是关键技术。解决该类问题，需要采用能量密度高、加热速度快、焊接热影响区小、焊接变形小、参数稳定再现性好及易于控制的真空电子束焊接技术。

电子束焊接过程中由于表面处理和焊接工艺等问题，焊缝中常常会出现气孔、裂纹和未焊透等缺陷，对接头的力学性能有着很大的影响，尤其是接头的冲击韧性和抗疲劳性能明显下降。因此，在不破坏焊接结构的条件下，采用无损检测手段，掌握缺陷的类型、大小和位置，对保证焊接结构的性能和使用寿命具有十分重要的意义。

焊缝的无损检测最常用的是超声波斜角探伤法，采用斜探头使波束倾斜入射到试样检测面，探头在试样的表面沿试样宽度方向移动，当试样中存在缺陷，声波会被反射回来。要保证斜角探伤法的检测灵敏度，应使声束尽可能垂直于主要缺陷，因此对试样的宽度有一定的要求。当试样的宽度有限时，斜角探伤法的应用将受到限制。

超声相控阵法的特点在于通过调整换能器每个阵元发射/接收的时间延迟，产生具有不同相位的超声子波束，子波束在空间叠加干涉，达到波束聚焦和偏转的效果。将波束偏转与波束聚焦结合起来，可以实现超声波束在一个扇形区域内的扫描。采用超声相控阵扇形扫描检测方法，可以解决宽度有限厚板焊缝的检测。

焊接缺陷识别是无损评价中的重要环节，主要依靠有经验的专业检测人员通过目测观察判定缺陷，工作效率较低，并且缺陷的识别结果受检测人员主观因素的影响，误判率较高，结果的可靠性无法得到充分保证。为了提高工作效率和缺陷判断的准确率，研究焊缝缺陷的智能识别十分必要。现有技术中没有给出焊缝超声相控阵检测方法缺陷智能识别的技术方案。

焊缝缺陷的分类识别属于小样本和非线性识别问题，本发明将支持向量机技术应用到焊缝缺陷的分类识别研究中。支持向量机是建立在统计学习理论基础上的一种新的机器学习方法，它是针对两类识别问题提出的，采用结构风险最小化原则代替经验风险最小化原则，较好地解决了小样本情况下的学习问题；由于采用了核函数，把非线性问题转化为线性问题来解决，保证了收敛速度，而且不存在局部极小值问题。

发明内容

本发明为了解决厚板电子束焊缝缺陷无损检测与识别问题，进而提供一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法。

本发明为解决上述技术问题采取的技术方案是：

一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法，所述方法的具体实现过程为：

步骤A、基于支持向量机的缺陷分类模型训练过程，包括：样本的选择、焊缝缺陷超声相控阵扇形扫描图像特征提取、焊缝缺陷分类模型结构构造、核函数的选取、基于支持向量机子模型的参数优化、基于支持向量机子模型的学习与测试；

步骤B、焊缝缺陷识别过程：

步骤B1、采用主成分析方法提取焊缝超声相控阵扇形扫描图像的前几个成分作为缺陷识别的特征值；

步骤B2、对特征值进行归一化处理；

步骤B3、将特征值输入分类子模型I进行识别；

步骤B4、判断输出是否为“+1”，如果是则判断为气孔缺陷，否则执行步骤B5；

步骤B5、再将特征值输入分类子模型II进行识别；

步骤B6、判断输出是否为“+1”，如果是则判断为裂纹缺陷，否则执行步骤B7；

步骤B7、再将特征值输入分类子模型III进行识别；

步骤B8、判断输出是否为“+1”，如果是则判断为未熔合缺陷，否则执行步骤B9；

步骤B9、判断输出是否为“-1”，如果是则判断为未焊透缺陷，否则执行步骤B10；

步骤B10、判断焊缝无缺陷。

上述方案中，基于支持向量机的分类模型训练的具体过程为：

步骤A1、样本的选择：

采用超声相控阵成像检测系统对焊缝缺陷进行扇形扫描检测获得缺陷图像，在典型的气孔、裂纹、未熔合和未焊透缺陷的超声相控阵扇形扫描图像中随机选取样本，每种缺陷选取的样本数相同；

步骤A2、焊缝缺陷超声相控阵扇形扫描图像特征提取：

对焊缝缺陷扇形扫描图像做主成分分析，提取前几个主成分，建立缺陷特征表达函数，作为基于支持向量机缺陷识别的特征值；前几个主成分的累计贡献率需要达85％以上；

步骤A3、焊缝缺陷分类模型结构构造过程为：

采用支持向量机二叉决策树方法构造焊缝中气孔、裂纹、未熔合和未焊透四类缺陷的分类模型结构(如图1所示)，需要构造三个基于支持向量机分类子模型(如图2所示)，子模型I用于首先将气孔缺陷识别出来，子模型II用于将裂纹缺陷识别出来，子模型III用于将未熔合缺陷和未焊透缺陷区分开来；

步骤A4、核函数的选取：

采用径向基核函数进行缺陷分类子模型的构造，径向基核函数如下：

$K(x,y)=\exp (-\frac{{|x-y|}^2}{{\mathrm{\γ}}^2})$

式中x——表示学习样本；

y——表示学习样本对应的类别；

γ——核函数的参数；

步骤A5、基于支持向量机子模型的参数优化

采用网格搜索法确定子模型I、子模型II、子模型III的惩罚参数C和核函数的参数γ；

将C和γ分别取M个值和N个值，对M×N个(C，γ)的组合，进行分类子模型学习，再估计分类子模型的学习误差，在M×N个(C，γ)的组合中得到误差最小的一个组合作为最优参数；为了进一步提高搜索速度，在参数的指数空间中进行搜索，首先采用粗略的网格进行搜索，得到性能较优的(C，γ)的组合；然后在这个组合两边一定范围内进行精细的网格搜索，找到分类子模型性能最优的(C，γ)的组合；在每次的搜索过程中，网格的数目保持不变；

步骤A6、子模型I、子模型II、子模型III的学习；

焊缝中气孔、裂纹、未熔合和未焊透四类缺陷分类识别需要构造三个基于支持向量机子模型，对每个子模型要分别进行学习，每个子模型的惩罚参数C和核函数参数γ均采用网格搜索法优化；

子模型I首先将气孔缺陷从其它缺陷中识别出来，将气孔缺陷样本设定为正样本，用“+1”表示，数量为200，其它缺陷样本设定为负样本，用“-1”表示，样本数量为600；当子模型I的学习误差小于10％时，完成模型的学习，否则重新执行步骤A1至A5；

子模型II将裂纹缺陷从未熔合和未焊透缺陷中识别开来，将裂纹缺陷样本设定为正样本，用“+1”表示，数量为200个，其它两种缺陷样本设定为负样本，用“-1”表示，样本数量为400；当子模型II的学习误差小于10％时，完成模型的学习，否则重新执行步骤A1至A5；

子模型III将未熔合缺陷和未焊透缺陷区分开来，将未熔合缺陷样本设定为正样本，用“+1”表示，未焊透缺陷样本设定为负样本，用“-1”表示，两种样本的数量均为200；当子模型III的学习误差小于10％时，完成模型的学习，否则重新执行步骤A1至A5；

步骤A7、子模型I、子模型II、子模型III的性能测试；

选取气孔、裂纹、未熔合和未焊透四种缺陷样本各200个，采用主成分分析法提取特征后进行子模型性能的测试；当四种缺陷的正确识别率达到90％以上时，结束对子模型的测试，否则重新执行步骤A1至A6。

本发明的有益效果是：采用超声相控阵扇形扫描方法检测焊缝，获取缺陷扇形扫描图像，基于主成分分析法提取缺陷图像主成分，建立缺陷特征表达函数，采用支持向量机二叉决策树法构造缺陷分类模型的结构，构造三个基于支持向量机子模型，子模型I首先将气孔缺陷识别出来，子模型II将裂纹缺陷识别出来，子模型III将未熔合缺陷和未焊透缺陷区分开来。子模型采用径向基核函数，并采用网格搜索法优化子模型参数，当子模型的学习误差小于10％时，完成子模型的学习。当缺陷的正确识别率达到90％以上时，完成子模型的测试。本发明实现了厚板电子束焊缝气孔、裂纹、未熔合和未焊透缺陷的检测与智能识别，四种缺陷正确识别率分别为94.5％、92.5％、95％和93.5％。

附图说明

图1为焊缝缺陷分类模型结构；图2为分类模型学习结果图(图中：a)子模型I、b)子模型II、c)子模型III)；图3为分类模型性能测试图(图中：a)气孔、b)裂纹、c)未熔合、d)未焊透)；图4为焊缝缺陷识别过程的流程框图。

具体实施例(参见图1至图4)：

1、焊缝的超声相控阵检测

实验采用超声相控阵成像检测系统，相控阵换能器为一维线形阵列，频率为5MHz，阵元数量为32个。

超声相控阵检测采用扇形扫描方式，聚焦深度为焊缝厚度+10mm。扇形扫描初始角度为30°，结束角度为70°，扫描步长为0.25°。缺陷扇形扫描图像提取的初始位置为换能器模块前沿，结束位置为聚焦深度位置。

2、样本的选择

在典型的气孔、裂纹、未熔合和未焊透缺陷的超声相控阵扇形扫描图像中随机选取样本，每种缺陷选取的样本数为200，四种缺陷共800个样本。

3、焊缝缺陷超声相控阵扇形扫描图像特征提取

对焊缝缺陷超声相控阵扇形扫描图像做主成分分析，提取前几个主成分(前几个主成分的累计贡献率需要达85％以上)，建立缺陷特征表达函数(称之为特征1，特征2，…)，作为基于支持向量机的缺陷分类模型的特征值。

4、基于支持向量机二叉决策树的焊缝缺陷分类模型结构构造

焊缝中包含气孔、裂纹、未熔合和未焊透缺陷，缺陷的识别属于四类分类问题。本发明中采用支持向量机二叉决策树方法构造四类缺陷分类模型结构，方法如图1所示，构造三个基于支持向量机分类子模型，子模型I首先将气孔缺陷识别出来，子模型II将裂纹缺陷识别出来，子模型III将未熔合缺陷和未焊透缺陷区分开来。

5、核函数选择

如果样本在其定义的空间中不是线性可分的，需要通过非线性变换将原空间变换到高维空间，在新空间采用线性判别函数求取最优分类面，这种变换就是通过核函数来实现的。本发明中采用径向基核函数进行缺陷分类子模型的构造。

径向基核函数如下：

$K(x,y)=\exp (-\frac{{|x-y|}^2}{{\mathrm{\γ}}^2})$

式中x——表示学习样本；

y——表示学习样本对应的类别；

γ——核函数的参数。

6、子模型的参数优化

支持向量机的参数对分类模型的性能起着决定性的作用。本研究中需要确定的参数包括惩罚参数C和径向基核函数的参数γ。惩罚参数C控制对错分样本的惩罚程度，如果C无穷大，则所有的约束条件都必须满足，意味着所有样本都要准确地识别。但这样导致分类面复杂，算法复杂度高。因此对C值的选取要结合实际应用，在满足识别准确率的情况下取尽可能小的值来获得比较简单的判决函数。核函数K决定所选择的特征空间，而核函数又是由它本身的参数γ来决定的。本发明采用网格搜索法确定子模型的参数。

网格搜索法是将C和γ分别取M个值和N个值，对M×N个(C，γ)的组合，进行分类模型学习，再估计分类模型的学习误差，从而在M×N个(C，γ)的组合中得到误差最小的一个组合作为最优参数。当M和N的取值较大时，完成一个完全的网格搜索是非常费时的，作为网格搜索法的一种改进方法，在参数的指数空间中进行搜索。为了进一步提高搜索速度，首先采用粗略的网格进行搜索，得到性能较优的(C，γ)的组合。然后在这个组合两边一定范围内进行精细的网格搜索，找到分类模型性能最优的(C，γ)的组合。在每次的搜索过程中，网格的数目保持不变。

7、子模型的学习与测试

焊缝中气孔、裂纹、未熔合和未焊透四类缺陷分类识别需要构造三个基于支持向量机子模型，对每个子模型要分别进行学习，每个子模型的惩罚参数C和核函数参数γ均采用网格搜索法优化。

子模型I首先将气孔缺陷从其它缺陷中识别出来，因此将气孔缺陷样本设定为正样本，用“+1”表示，数量为200，其它缺陷样本设定为负样本，用“-1”表示，样本数量为600。图2a)为子模型I学习结果，图中蓝色区域表示气孔缺陷分类区域，红色区域表示其它缺陷分类区域，蓝色至红色的渐变区表示两类之间的分类面，气孔缺陷样本用‘○’表示，其它缺陷样本用‘△’表示。从子模型学习结果可以看出，气孔缺陷与其它缺陷被很好地区分开来，错分样本的数目很少，子模型的学习误差为5.38％。

子模型II是将裂纹缺陷从未熔合和未焊透缺陷中识别开来，将裂纹缺陷样本设定为正样本，用“+1”表示，数量为200个，其它两种缺陷样本设定为负样本，用“-1”表示，样本数量为400。图2b)为子模型II学习结果，图中蓝色区域表示裂纹缺陷分类区域，红色区域表示其它两类缺陷分类区域，蓝色至红色的渐变区表示两类之间的分类面，裂纹缺陷样本用‘○’表示，其它两类缺陷样本用‘△’表示。从子模型学习结果可以看出，裂纹缺陷与其它两类缺陷被很好地区分开来，子模型的学习误差为6.67％。

子模型III是将未熔合缺陷和未焊透缺陷区分开来，将未熔合缺陷样本设定为正样本，用“+1”表示，未焊透缺陷样本设定为负样本，用“-1”表示，两种样本的数量均为200。图2c)为子模型III学习结果，图中蓝色区域表示未熔合缺陷分类区域，红色区域表示未焊透缺陷分类区域，蓝色至红色的渐变线表示两类之间的分类面，未熔合缺陷样本用‘○’表示，未焊透缺陷样本用‘△’表示。从子模型学习结果可以看出，未熔合缺陷与未焊透缺陷被很好地区分开来，子模型的学习误差为7.5％。

另外选取气孔、裂纹、未熔合和未焊透四种缺陷样本各200个，采用主成分分析法提取特征后进行子模型性能的测试，结果如图3所示。图中蓝色至红色的渐变线表示分类面，缺陷样本用‘○’表示。在气孔、裂纹和未熔合缺陷的测试结果中，如果缺陷被正确识别，样本将落入图中蓝色区域，错分的样本将落入红色区域；未焊透缺陷的测试结果恰恰相反，如缺陷正确识别，样本将落入图中红色区域，错分的样本将落入蓝色区域。四种缺陷的正确识别率分别为94.5％、92.5％、95％和93.5％。

8、焊缝缺陷智能识别

对焊缝进行超声相控阵扇形扫描检测后，按图4所示流程进行缺陷的识别。

Claims (2)

1.一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法，其特征在于：所述方法的具体实现过程为：

步骤A、基于支持向量机的缺陷分类模型训练过程，包括：样本的选择、焊缝缺陷超声相控阵扇形扫描图像特征提取、焊缝缺陷分类模型结构构造、核函数的选取、基于支持向量机子模型的参数优化、基于支持向量机子模型的学习与测试；

步骤B、焊缝缺陷识别过程：

步骤B1、采用主成分析方法提取焊缝超声相控阵扇形扫描图像的前几个成分作为缺陷识别的特征值；

步骤B2、对特征值进行归一化处理；

步骤B3、将特征值输入分类子模型I进行识别；

步骤B4、判断输出是否为“+1”，如果是则判断为气孔缺陷，否则执行步骤B5；

步骤B5、再将特征值输入分类子模型II进行识别；

步骤B6、判断输出是否为“+1”，如果是则判断为裂纹缺陷，否则执行步骤B7；

步骤B7、再将特征值输入分类子模型III进行识别；

步骤B8、判断输出是否为“+1”，如果是则判断为未熔合缺陷，否则执行步骤B9；

步骤B9、判断输出是否为“-1”，如果是则判断为未焊透缺陷，否则执行步骤B10；

步骤B10、判断焊缝无缺陷。

2.根据权利要求1所述的一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法，其特征在于：基于支持向量机的分类模型训练的具体过程为：

步骤A1、样本的选择：

采用超声相控阵成像检测系统对焊缝缺陷进行扇形扫描检测获得缺陷图像，在典型的气孔、裂纹、未熔合和未焊透缺陷的超声相控阵扇形扫描图像中随机选取样本，每种缺陷选取的样本数相同；

步骤A2、焊缝缺陷超声相控阵扇形扫描图像特征提取：

对焊缝缺陷扇形扫描图像做主成分分析，提取前几个主成分，建立缺陷特征表达函数，作为基于支持向量机缺陷识别的特征值；前几个主成分的累计贡献率需要达85％以上；

步骤A3、焊缝缺陷分类模型结构构造过程为：

采用支持向量机二叉决策树方法构造焊缝中气孔、裂纹、未熔合和未焊透四类缺陷的分类模型结构，需要构造三个基于支持向量机分类子模型，子模型I用于首先将气孔缺陷识别出来，子模型II用于将裂纹缺陷识别出来，子模型III用于将未熔合缺陷和未焊透缺陷区分开来；

步骤A4、核函数的选取：

采用径向基核函数进行缺陷分类子模型的构造，径向基核函数如下：

$K(x,y)=\exp (-\frac{{|x-y|}^2}{{\mathrm{\γ}}^2})$

式中x——表示学习样本；

y——表示学习样本对应的类别；

γ——核函数的参数；

步骤A5、基于支持向量机子模型的参数优化：

采用网格搜索法确定子模型I、子模型II、子模型III的惩罚参数C和核函数的参数γ；

将C和γ分别取M个值和N个值，对M×N个(C，γ)的组合，进行分类子模型学习，再估计分类子模型的学习误差，在M×N个(C，γ)的组合中得到误差最小的一个组合作为最优参数；为了进一步提高搜索速度，在参数的指数空间中进行搜索，首先采用粗略的网格进行搜索，得到性能较优的(C，γ)的组合；然后在这个组合两边一定范围内进行精细的网格搜索，找到分类子模型性能最优的(C，γ)的组合；在每次的搜索过程中，网格的数目保持不变；

步骤A6、子模型I、子模型II、子模型III的学习：

焊缝中气孔、裂纹、未熔合和未焊透四类缺陷分类识别需要构造三个基于支持向量机子模型，对每个子模型要分别进行学习，每个子模型的惩罚参数C和核函数参数γ均采用网格搜索法优化；

子模型I首先将气孔缺陷从其它缺陷中识别出来，将气孔缺陷样本设定为正样本，用“+1”表示，数量为200，其它缺陷样本设定为负样本，用“-1”表示，样本数量为600；当子模型I的学习误差小于10％时，完成模型的学习，否则重新执行步骤A1至A5；

子模型II将裂纹缺陷从未熔合和未焊透缺陷中识别开来，将裂纹缺陷样本设定为正样本，用“+1”表示，数量为200个，其它两种缺陷样本设定为负样本，用“-1”表示，样本数量为400；当子模型II的学习误差小于10％时，完成模型的学习，否则重新执行步骤A1至A5；

子模型III将未熔合缺陷和未焊透缺陷区分开来，将未熔合缺陷样本设定为正样本，用“+1”表示，未焊透缺陷样本设定为负样本，用“-1”表示，两种样本的数量均为200；当子模型III的学习误差小于10％时，完成模型的学习，否则重新执行步骤A1至A5；

步骤A7、子模型I、子模型II、子模型III的性能测试：

选取气孔、裂纹、未熔合和未焊透四种缺陷样本各200个，采用主成分分析法提取特征后进行子模型性能的测试；当四种缺陷的正确识别率达到90％以上时，结束对子模型的测试，否则重新执行步骤A1至A6。

Images