CN108008006B - 一种焊缝缺陷检测方法、装置、设备及系统 - Google Patents
一种焊缝缺陷检测方法、装置、设备及系统 Download PDFInfo
- Publication number
- CN108008006B CN108008006B CN201711282920.7A CN201711282920A CN108008006B CN 108008006 B CN108008006 B CN 108008006B CN 201711282920 A CN201711282920 A CN 201711282920A CN 108008006 B CN108008006 B CN 108008006B
- Authority
- CN
- China
- Prior art keywords
- clustering
- magneto
- weldment
- sample
- fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 153
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 239000013598 vector Substances 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 230000006870 function Effects 0.000 claims description 35
- 238000003466 welding Methods 0.000 claims description 34
- 230000002950 deficient Effects 0.000 claims description 12
- 230000035515 penetration Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000009659 non-destructive testing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 101100496169 Arabidopsis thaliana CLH1 gene Proteins 0.000 description 1
- 101100340331 Arabidopsis thaliana IDM1 gene Proteins 0.000 description 1
- 101100436077 Caenorhabditis elegans asm-1 gene Proteins 0.000 description 1
- 102100021469 Equilibrative nucleoside transporter 1 Human genes 0.000 description 1
- 102100036908 Equilibrative nucleoside transporter 4 Human genes 0.000 description 1
- 101100295741 Gallus gallus COR4 gene Proteins 0.000 description 1
- 101000822020 Homo sapiens Equilibrative nucleoside transporter 1 Proteins 0.000 description 1
- 101000713320 Homo sapiens Equilibrative nucleoside transporter 4 Proteins 0.000 description 1
- 101100044057 Mesocricetus auratus SYCP3 gene Proteins 0.000 description 1
- 101100204282 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) Asm-1 gene Proteins 0.000 description 1
- 101100406056 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) ASM4 gene Proteins 0.000 description 1
- 101100080600 Schizosaccharomyces pombe (strain 972 / ATCC 24843) nse6 gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 101150111293 cor-1 gene Proteins 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
- G01N27/85—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields using magnetographic methods
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明实施例公开了一种焊缝缺陷检测方法、装置、设备及系统。其中，方法包括提取待测焊件磁光图像的灰度共生矩阵的多个特征，并分别计算各特征的平均值和标准差，以作为磁光图像的识别特征向量；根据各特征确定聚类数目以选取已知缺陷类别的样本图像，并计算各样本图像与磁光图像相同类型特征的样本特征向量；将识别特征向量、各样本特征向量输入模糊聚类识别模型，并为模糊聚类识别模型配置参数，初始化模糊聚类识别模型的聚类中心；利用模糊聚类识别模型，迭代计算识别特征向量与各样本特征向量的隶属度函数与聚类中心，直至满足预设迭代结束条件，输出磁光图像对应的待测焊件的缺陷类别。本申请提供的技术方案提高了焊件缺陷的检测精度。
Description
技术领域
本发明实施例涉及焊件检测技术领域，特别是涉及一种焊缝缺陷检测方法、装置、设备及系统。
背景技术
随着我国航空、航天、能源和船舶等重工业的发展，焊接技术已经成为制造业中必不可少的材料成型和加工技术之一。由于焊接工艺在加工过程中易受到来自外部环境等因素的影响，如焊接速度、焊接功率、保护气体流量、焊接环境以及工件表面状况等，焊件不可避免地会产生裂纹、未焊透、未熔合、气孔、凹坑、夹渣等焊缝缺陷。为了保证焊件的产品质量，必须及时有效地检测出焊缝缺陷。在实际生产过程中，除了目测焊接表面缺陷与成型缺陷外，对于一些小于0.1mm焊缝缺陷，一般无法但靠目测进行有效识别。
现有技术中，一般采用的金属缺陷无损检测技术为射线检测方法，具体为利用射线(例如x射线、γ射线等)在穿过待测焊件过程中具有一定的衰减规律，然后根据通过穿过的待测焊件的各部位衰减后的射线强度来检测该焊件内部缺陷的一种方法。不同物体的衰减程度不同，衰减的程度由物体的厚度、物体的材料种类以及射线的种类而决定。
射线检测方法主要用于检测工件内部体积型缺陷，且工件的厚度不易超过80mm，可根据材料的衰减系数做相应的加厚或者减薄。该方法检测成本高，检测设备较大，产生的射线辐射对人体伤害极大，对微裂纹缺陷的检测灵敏度较低。
鉴于此，如何在不破坏焊件结构的条件下，采用低成本的无损检测手段，提高焊件焊缝的检测精度，是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种焊缝缺陷检测方法、装置、设备及系统，提高了焊件缺陷的检测精度。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种焊缝缺陷检测方法，包括：
提取待测焊件磁光图像的灰度共生矩阵的多个特征，并分别计算各特征的平均值和标准差，以作为所述磁光图像的识别特征向量；
根据各特征确定预先构建的模糊聚类识别模型的聚类数目，选取多张已知缺陷类别的样本图像，并计算各样本图像与所述磁光图像相同类型特征的样本特征向量，缺陷类别的种类数为所述聚类数目；
将所述识别特征向量、各样本特征向量输入所述模糊聚类识别模型，并为所述模糊聚类识别模型配置参数，初始化所述模糊聚类识别模型的聚类中心；
利用所述模糊聚类识别模型，迭代计算所述识别特征向量与各样本特征向量的隶属度函数与聚类中心，直至满足预设迭代结束条件，输出所述磁光图像对应的待测焊件的缺陷类别；
其中，所述参数包括目标函数精度值、模糊指数、聚类数目及最大迭代次数。
可选的，所述利用所述模糊聚类识别模型，迭代计算所述识别特征向量与各样本特征向量的隶属度函数与聚类中心，直至满足预设迭代结束条件，输出所述磁光图像的缺陷类别包括：
S1：计算所述识别特征向量与各样本特征向量的隶属度函数及聚类中心；
S2：判断所述识别特征向量与所述聚类中心的欧氏距离是否超过所述目标函数精度值；若是，则执行S4；若否，则执行S3；
S3：判断当前迭代次数是否达到所述最大迭代次数；若是，则执行S4；若否，则返回S1；
S4：输出所述磁光图像的缺陷类别。
可选的，所述提取所述磁光图像的灰度共生矩阵的多个特征，并分别计算各特征的平均值和标准差包括：
提取所述磁光图像的灰度共生矩阵的ASM能量、熵、逆矩阵及自相关，并分别计算ASM能量、熵、逆矩阵及自相关的平均值和标准差。
可选的，所述模糊指数为利用网格搜索法选取满足条件的参数。
可选的，所述聚类数目为2，所述待测焊件的缺陷类别为有缺陷或无缺陷；
所述聚类数据为4，所述待测焊件的缺陷类别为裂纹、凹坑、未熔合或未焊透。
可选的，所述初始化所述模糊聚类识别模型的聚类中心为：
将所述模糊聚类识别模型的聚类中心设置为0-1之间的任意数。
可选的，所述目标函数精度值为10-5。
本发明实施例另一方面提供了一种焊缝缺陷检测装置，包括：
特征提取模块，用于提取待测焊件磁光图像的灰度共生矩阵的多个特征，并分别计算各特征的平均值和标准差，以作为所述磁光图像的识别特征向量；
样本特征向量提取模块，用于根据各特征确定预先构建的模糊聚类识别模型的聚类数目，选取多张已知缺陷类别的样本图像，并计算各样本图像与所述磁光图像相同类型特征的样本特征向量，缺陷类别的种类数为所述聚类数目；
模型参数配置模块，用于将所述识别特征向量、各样本特征向量输入所述模糊聚类识别模型，并为所述模糊聚类识别模型配置参数，初始化所述模糊聚类识别模型的聚类中心；其中，所述参数包括目标函数精度值、模糊指数、聚类数目及最大迭代次数；
缺陷类别输出模块，用于利用所述模糊聚类识别模型，迭代计算所述识别特征向量与各样本特征向量的隶属度函数与聚类中心，直至满足预设迭代结束条件，输出所述磁光图像对应的待测焊件的缺陷类别。
本发明实施例另一方面提供了一种焊缝缺陷检测设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述焊缝缺陷检测方法的步骤。
本发明实施例还提供了一种焊缝缺陷检测系统，包括：
磁场发生器、交变磁光传感器、电源及如前所述焊缝缺陷检测设备；
所述磁场发生器与所述电源相连，用于为待测焊件施加预设磁感应强度的外加磁场；
所述交变磁光传感器与所述焊缝缺陷检测设备相连，用于采集所述待测焊件的磁光图像，并发送至所述焊缝缺陷检测设备。
本发明实施例提供了一种焊缝缺陷检测方法，提取待测焊件磁光图像的灰度共生矩阵的多个特征，并分别计算各特征的平均值和标准差，以作为磁光图像的识别特征向量；根据各特征确定预先构建的模糊聚类识别模型的聚类数目，选取多张已知缺陷类别的样本图像，并计算各样本图像与磁光图像相同类型特征的样本特征向量，缺陷类别的种类数为聚类数目；将识别特征向量、各样本特征向量输入模糊聚类识别模型，并为模糊聚类识别模型配置参数，初始化模糊聚类识别模型的聚类中心；利用模糊聚类识别模型，迭代计算识别特征向量与各样本特征向量的隶属度函数与聚类中心，直至满足预设迭代结束条件，最后输出磁光图像对应的待测焊件的缺陷类别。
本申请提供的技术方案的优点在于，利用交变磁光传感器获取包含焊件焊缝缺陷的磁光图像，通过图像处理的方法对焊缝缺陷的特征进行提取，然后通过模糊聚类识别模型对焊缝缺陷进行检测和分类，以实现焊缝缺陷的检测识别。在不破坏焊件结构条件下，采用无损检测手段，有效的解决了射线检测方法的缺陷，不仅降低了检测成本，还对人体无害；利用模糊聚类识别模型对焊缝缺陷进行智能识别，改变了传统的人工检测，提高了焊件缺陷的检测精度，运行可靠，简单易用，对保证焊件结构的性能和使用寿命具有十分重要的意义。
此外，本发明实施例还针对焊缝缺陷检测方法提供了相应的实现装置、设备及系统，进一步使得所述方法更具有实用性，所述装置、设备及系统具有相应的优点。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种焊缝缺陷检测方法的流程示意图；
图2为本发明实施例提供的另一种焊缝缺陷检测方法的流程示意图；
图3为本发明实施例提供的焊缝缺陷检测装置的一种具体实施方式结构图；
图4为本发明实施例提供的焊缝缺陷检测系统的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。
首先参见图1，图1为本发明实施例提供的一种焊缝缺陷检测方法的流程示意图，本发明实施例可包括以下内容：
S101：提取待测焊件磁光图像的灰度共生矩阵的多个特征，并分别计算各特征的平均值和标准差，以作为磁光图像的识别特征向量。
待测焊件的磁光图像利用交变磁光传感器进行采集，当施加不同方向的外加磁场时,磁光传感器采集的磁光图像呈现的特征有所差异。焊件在外加磁场的作用下，由于缺陷存在空气间隙，磁场分布在缺陷处将发生变化，引起该处垂直磁场分量变化，磁光传感器可将磁场的变化转换成相应的光强变化，实现焊缝区域的实时成像。
灰度共生矩阵为一种通过研究灰度的空间相关特性来描述纹理的常用方法。如果图像的是由具有相似灰度值的像素块构成，则灰度共生矩阵的对角元素会有比较大的值：如果图像像素灰度值在局部有变化，那么偏离对角线的元素会有比较大的值。通常可以用一些标量来表征灰度共生矩阵的特征，例如ASM能量、熵、逆矩阵及自相关。
可提取磁光图像的灰度共生矩阵的ASM能量、熵、逆矩阵及自相关，并分别计算ASM能量、熵、逆矩阵及自相关的平均值和标准差。
ASM能量(angular second moment)即为每个矩阵元素的平方和。如果灰度共生矩阵中的值集中在某一块(比如对连续灰度值图像，值集中在对角线；对结构化的图像，值集中在偏离对角线的位置)，则ASM有较大值，若灰度共生矩阵中的值分布较均匀(如噪声严重的图像)，则ASM有较小的值。
能量是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则ASM值小；相反，如果其中一些值大而其它值小，则ASM值大。当共生矩阵中元素集中分布时，此时ASM值大。ASM值大表明一种较均一和规则变化的纹理模式。
如果灰度共生矩阵对角元素有较大值，逆差矩IDM就会取较大的值。因此连续灰度的图像会有较大逆差矩IDM值。
逆差矩IDM反映图像纹理的同质性，度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化，局部非常均匀。
若灰度共生矩阵值分布均匀，也即图像近于随机或噪声很大，熵ENT会有较大值。
熵ENT是图像所具有的信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度或复杂程度。
自相关COR反应了图像纹理的一致性。如果图像中有水平方向纹理，则水平方向矩阵的COR大于其余矩阵的COR值。它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵像元值相差很大则相关值小。
可以用一个向量将以上特征综合在一起。例如，当距离差分值(a，b)取四种值的时候，可以综合得到向量：
h＝[ASM1，IDM1，ENT1，COR1，…，ASM4，IDM4，ENT4，COR4]。
综合后的向量就可以看作是对图像纹理的一种描述，可以进一步用来分类、识别、检索等。
S102：根据各特征确定预先构建的模糊聚类识别模型的聚类数目，选取多张已知缺陷类别的样本图像，并计算各样本图像与磁光图像相同类型特征的样本特征向量，缺陷类别的种类数为聚类数目。
模糊聚类FCM算法为一种无监督学习模式识别方法，可直接通过机器学习达到自动分类的目的，主要思想是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小，采用隶属度确定每个数据点属于某个聚类的程度，根据划分矩阵按照模糊集合中的最大隶属度原则能够确定每个样本点归为哪个类，并且对正太分布的数据聚类效果很好。
聚类数目控制模糊聚类分类的数目，根据分类的需求选取聚类数目可为2和为4两种情况，或者也可为其他数目，例如5。聚类数目为2，待测焊件的缺陷类别为有缺陷或无缺陷；聚类数据为4，待测焊件的缺陷类别为裂纹、凹坑、未熔合或未焊透。
故需要根据聚类数目来选取样本图像的类别，缺陷类别的种类数为聚类数目，聚类数目为2，待测焊件的缺陷类别为有缺陷或无缺陷，相应的样本图像的类别可为有缺陷的样本图像及没有缺陷的样本图像，每一类别的样本图像的个数可根据具体情况进行选取，例如各为400张。
聚类数据为4，待测焊件的缺陷类别为裂纹、凹坑、未熔合或未焊透，相应的样本图像的类别可为焊缝中存在凹坑的样本图像、焊缝中包含裂纹的样本图像、未熔合的样本图像及未焊透的样本图像，每一类别的样本图像的个数可根据具体情况进行选取，例如各为400张。
聚类数据为5，待测焊件的缺陷类别为凹坑、裂纹、未熔合、未焊透及无缺陷，相应的样本图像的类别可为焊缝中存在凹坑的样本图像、焊缝中包含裂纹的样本图像、未熔合的样本图像、未焊透的样本图像及没有缺陷的样本图像，每一类别的样本图像的个数可根据具体情况进行选取，例如各为400张。
分别提取各样本图像与待测焊件磁光图像相同的特征，并分别计算这些特征的平均值和标准差，作为样本特征向量。举例来说，当提取待测焊件磁光图像的灰度共生矩阵的ASM能量、熵、逆矩阵及自相关特征时，并分别计算这4个特征的平均值和标准差；则在提取样本图像的特征时，同样提取各样本图像的灰度共生矩阵的ASM能量、熵、逆矩阵及自相关特征特征，并分别计算各特征的平均值和标准差。
S103：将识别特征向量、各样本特征向量输入模糊聚类识别模型，并为模糊聚类识别模型配置参数，初始化模糊聚类识别模型的聚类中心。
模糊聚类识别模型的参数可包括目标函数精度值、模糊指数、聚类数目及最大迭代次数。例如，聚类数目为2，最大迭代次数可为100次，模糊指数可为4，目标函数精度值可设置为10-5。
模糊指数为模糊c-均值聚类(FCM)中一个重要参数，用来决定聚类结果模糊度的权重指数，如果m过大，则聚类效果会很次，如果m过小则算法会接近硬c-均值(HCM)聚类算法。
可采用网络搜索法确定模糊聚类识别模型的参数。网格搜索法为将c和m分别M个值和N个值，对M×N个(c，m)的组合，进行分类模型学习，再估计分类模型的识别率，从而在M×N个(c，m)的组合中得到识别效果较好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，首先根据分类的需求和粗略的网格进行搜索，得到性能较优的(c，m)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，m)的组合。在每次的搜索过程中，网格的数目保持不变。
根据分类目的的需求和粗略的网格搜索法，选取性能较优的参数可以提高工作效率和缺陷判断的准确率。
初始化模糊聚类识别模型的聚类中心矩阵和隶属度中的元素的初始值设置在0-1中任意数。
S104：利用模糊聚类识别模型，迭代计算识别特征向量与各样本特征向量的隶属度函数与聚类中心，直至满足预设迭代结束条件，输出磁光图像对应的待测焊件的缺陷类别。
数据点xj对每个聚类中心都有隶属程度，根据公式(1)可计算聚类中心，根据公式(2)可计算隶属度矩阵，即使是远离数据区的聚类中心都有隶属程度。
式中，式中，xj为待测焊件的识别特征向量；vi为聚类中心；d(xj,vi)为待测焊件的识别特征向量与聚类中心之间的欧式距离；uij为第i个聚类样本图像的隶属程度。
计算识别特征向量与各样本特征向量的隶属度函数及聚类中心；判断识别特征向量与聚类中心的欧氏距离是否超过目标函数精度值；若是，则输出磁光图像的缺陷类别；若否，则重复执行计算识别特征向量与各样本特征向量的隶属度函数及聚类中心；判断当前迭代次数是否达到最大迭代次数；若是，则输出磁光图像的缺陷类别；若否，则重复执行计算识别特征向量与各样本特征向量的隶属度函数及聚类中心。
当然，还可先判断迭代次数是否达到最大值，达到迭代次数最大值，直接输出焊缝缺陷效果，没有达到迭代次数最大值，根据公式(2)计算隶属度矩阵，根据公式(1)计算聚类中心，通过隶属度对焊缝缺陷聚类进行分类，看是否达到识别效果，没有达到识别效果，再根据公式(1)优化聚类中心，达到识别效果，输出不同类型焊缝缺陷的效果。
磁光图像对应的待测焊件的缺陷类别，与预先设置的聚类数目对应的类别相同，举例来说，聚类数目为2，输出待测焊件的缺陷类别为有缺陷或无缺陷；聚类数据为4，输出的待测焊件的缺陷类别为裂纹、凹坑、未熔合或未焊透。
对聚类中心和隶属度函数不断优化和更新，焊缝缺陷样本通过每个聚类中心的隶属度程度的调整，即使是远离数据区的聚类中心也能在聚类过程中得到调整，可以达到较好的聚类效果，从而在焊接技术中保证了焊缝成型的质量和工件加工的质量。
在本发明实施例提供的技术方案中，利用交变磁光传感器获取包含焊件焊缝缺陷的磁光图像，通过图像处理的方法对焊缝缺陷的特征进行提取，然后通过模糊聚类识别模型对焊缝缺陷进行检测和分类，以实现焊缝缺陷的检测识别。在不破坏焊件结构条件下，采用无损检测手段，有效的解决了射线检测方法的缺陷，不仅降低了检测成本，还对人体无害；利用模糊聚类识别模型对焊缝缺陷进行智能识别，改变了传统的人工检测，提高了焊件缺陷的检测精度，运行可靠，简单易用，对保证焊件结构的性能和使用寿命具有十分重要的意义。
在一种具体的方式中，本发明实施例还提供了另外一个实施例，请参阅图2，具体可包括：
S201：获取交变磁光传感器采集的待测焊件的磁光图像。
S202：根据各特征确定预先构建的模糊聚类识别模型的聚类数目，选取多张已知缺陷类别的样本图像，并计算各样本图像与磁光图像相同类型特征的样本特征向量，缺陷类别的种类数为聚类数目。
S203：将识别特征向量、各样本特征向量输入模糊聚类识别模型，并为模糊聚类识别模型配置参数，初始化模糊聚类识别模型的聚类中心。
S204：计算识别特征向量与各样本特征向量的隶属度函数及聚类中心。
S205：判断识别特征向量与聚类中心的欧氏距离是否超过目标函数精度值；若是，则执行S207；若否，则执行S206。
S206：判断当前迭代次数是否达到最大迭代次数；若是，则执行S207；若否，则返回S204。
S207：输出磁光图像的缺陷类别。
具体的，可参阅上述实施例中所述，此处不再赘述。
由上可知，本发明实施例在不破坏焊件结构条件下，采用无损检测手段，有效的解决了射线检测方法的缺陷，不仅降低了检测成本，还对人体无害，提高了焊件缺陷的检测精度，运行可靠，简单易用，对保证焊件结构的性能和使用寿命具有十分重要的意义。
本发明实施例还针对焊缝缺陷检测方法提供了相应的实现装置，进一步使得方法更具有实用性。下面对本发明实施例提供的焊缝缺陷检测装置进行介绍，下文描述的焊缝缺陷检测装置与上文描述的焊缝缺陷检测方法可相互对应参照。
参见图3，图3为本发明实施例提供的焊缝缺陷检测装置在一种具体实施方式下的结构图，该装置可包括：
特征提取模块301，用于提取待测焊件磁光图像的灰度共生矩阵的多个特征，并分别计算各特征的平均值和标准差，以作为磁光图像的识别特征向量。
样本特征向量提取模块302，用于根据各特征确定预先构建的模糊聚类识别模型的聚类数目，选取多张已知缺陷类别的样本图像，并计算各样本图像与磁光图像相同类型特征的样本特征向量，缺陷类别的种类数为聚类数目。
模型参数配置模块303，用于将识别特征向量、各样本特征向量输入模糊聚类识别模型，并为模糊聚类识别模型配置参数，初始化模糊聚类识别模型的聚类中心；其中，参数包括目标函数精度值、模糊指数、聚类数目及最大迭代次数。
缺陷类别输出模块304，用于利用模糊聚类识别模型，迭代计算识别特征向量与各样本特征向量的隶属度函数与聚类中心，直至满足预设迭代结束条件，输出磁光图像对应的待测焊件的缺陷类别。
可选的，在本实施例的一些实施方式中，缺陷类别输出模块304可以包括：
计算单元，用于计算识别特征向量与各样本特征向量的隶属度函数及聚类中心。
第一判断单元，用于判断识别特征向量与聚类中心的欧氏距离是否超过目标函数精度值。
第二判断单元，用于当前迭代次数是否达到最大迭代次数。
迭代单元，用于当不满足预设迭代结束条件时，重复执行计算单元、第一判断单元及第二判断单元。
输出单元，用于输出磁光图像的缺陷类别。
可选的，在本实施例的另一些实施方式中，特征提取模块301可以为提取磁光图像的灰度共生矩阵的ASM能量、熵、逆矩阵及自相关，并分别计算ASM能量、熵、逆矩阵及自相关的平均值和标准差的模块。
本发明实施例焊缝缺陷检测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例利用交变磁光传感器获取包含焊件焊缝缺陷的磁光图像，通过图像处理的方法对焊缝缺陷的特征进行提取，然后通过模糊聚类识别模型对焊缝缺陷进行检测和分类，以实现焊缝缺陷的检测识别。在不破坏焊件结构条件下，采用无损检测手段，有效的解决了射线检测方法的缺陷，不仅降低了检测成本，还对人体无害；利用模糊聚类识别模型对焊缝缺陷进行智能识别，改变了传统的人工检测，提高了焊件缺陷的检测精度，运行可靠，简单易用，对保证焊件结构的性能和使用寿命具有十分重要的意义。
本发明实施例还提供了一种焊缝缺陷检测设备，可包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序以实现如上任意一实施例所述焊缝缺陷检测方法的步骤。
本发明实施例所述焊缝缺陷检测设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上而知，本发明实施例在不破坏焊件结构条件下，采用无损检测手段，有效的解决了射线检测方法的缺陷，不仅降低了检测成本，还对人体无害，提高了焊件缺陷的检测精度，运行可靠，简单易用，对保证焊件结构的性能和使用寿命具有十分重要的意义。
本发明实施例最后还提供了一种计算机可读存储介质，存储有焊缝缺陷检测程序，所述人脸识别程序被处理器执行时如上任意一实施例所述焊缝缺陷检测方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上而知，本发明实施例在不破坏焊件结构条件下，采用无损检测手段，有效的解决了射线检测方法的缺陷，不仅降低了检测成本，还对人体无害，提高了焊件缺陷的检测精度，运行可靠，简单易用，对保证焊件结构的性能和使用寿命具有十分重要的意义。
本发明实施例还提供了一种焊缝缺陷检测系统，请参见图4，可包括：
电源401、磁场发生器402、待测焊件403、交变磁光传感器404及焊缝缺陷检测设备405；
磁场发生器402与电源401相连，用于为待测焊件493施加预设磁感应强度的外加磁场。
交变磁光传感器404与焊缝缺陷检测设备405相连，用于采集待测焊件403的磁光图像，并发送至焊缝缺陷检测设备405。
焊缝缺陷检测设备405为上述任意焊缝缺陷检测设备实施例所述焊缝缺陷检测设备，此处，不再赘述。
电源401可为交流电源或直流电源，这均不影响本申请的实现。
本发明实施例所述焊缝缺陷检测系统的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上而知，本发明实施例在不破坏焊件结构条件下，采用无损检测手段，有效的解决了射线检测方法的缺陷，不仅降低了检测成本，还对人体无害，提高了焊件缺陷的检测精度，运行可靠，简单易用，对保证焊件结构的性能和使用寿命具有十分重要的意义。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种焊缝缺陷检测方法、装置、设备及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种焊缝缺陷检测方法，其特征在于，包括：
提取待测焊件磁光图像的灰度共生矩阵的多个特征，并分别计算各特征的平均值和标准差，以作为所述磁光图像的识别特征向量；
根据各特征确定预先构建的模糊聚类识别模型的聚类数目，选取多张已知缺陷类别的样本图像，并计算各样本图像与所述磁光图像相同类型特征的样本特征向量，缺陷类别的种类数为所述聚类数目；
将所述识别特征向量、各样本特征向量输入所述模糊聚类识别模型，并为所述模糊聚类识别模型配置参数，初始化所述模糊聚类识别模型的聚类中心；
利用所述模糊聚类识别模型，迭代计算所述识别特征向量与各样本特征向量的隶属度函数与聚类中心，直至满足预设迭代结束条件，输出所述磁光图像对应的待测焊件的缺陷类别；
其中，所述参数包括目标函数精度值、模糊指数、聚类数目及最大迭代次数；
所述利用所述模糊聚类识别模型，迭代计算所述识别特征向量与各样本特征向量的隶属度函数与聚类中心，直至满足预设迭代结束条件，输出所述磁光图像的缺陷类别包括：
S1：计算所述识别特征向量与各样本特征向量的隶属度函数及聚类中心，其中，根据公式(1)计算聚类中心，根据公式(2)计算隶属度矩阵，即使是远离数据区的聚类中心都有隶属程度；
式中，式中，xj为待测焊件的识别特征向量；vi为聚类中心；d(xj,vi)为待测焊件的识别特征向量与聚类中心之间的欧式距离；uij为第i个聚类样本图像的隶属程度；
S2：判断所述识别特征向量与所述聚类中心的欧氏距离是否超过所述目标函数精度值；若是，则执行S4；若否，则执行S3；
S3：判断当前迭代次数是否达到所述最大迭代次数；若是，则执行S4；若否，则返回S1；
S4：输出所述磁光图像的缺陷类别。
2.根据权利要求1所述的焊缝缺陷检测方法，其特征在于，所述提取所述磁光图像的灰度共生矩阵的多个特征，并分别计算各特征的平均值和标准差包括：
提取所述磁光图像的灰度共生矩阵的ASM能量、熵、逆矩阵及自相关，并分别计算ASM能量、熵、逆矩阵及自相关的平均值和标准差。
3.根据权利要求1至2任意一项所述的焊缝缺陷检测方法，其特征在于，所述模糊指数为利用网格搜索法选取满足条件的参数。
4.根据权利要求1至2任意一项所述的焊缝缺陷检测方法，其特征在于，所述聚类数目为2，所述待测焊件的缺陷类别为有缺陷或无缺陷；
所述聚类数目为4，所述待测焊件的缺陷类别为裂纹、凹坑、未熔合或未焊透。
5.根据权利要求4所述的焊缝缺陷检测方法，其特征在于，所述初始化所述模糊聚类识别模型的聚类中心为：
将所述模糊聚类识别模型的聚类中心设置为0-1之间的任意数。
6.根据权利要求5所述的焊缝缺陷检测方法，其特征在于，所述目标函数精度值为10-5。
7.一种焊缝缺陷检测装置，其特征在于，包括：
特征提取模块，用于提取待测焊件磁光图像的灰度共生矩阵的多个特征，并分别计算各特征的平均值和标准差，以作为所述磁光图像的识别特征向量；
样本特征向量提取模块，用于根据各特征确定预先构建的模糊聚类识别模型的聚类数目，选取多张已知缺陷类别的样本图像，并计算各样本图像与所述磁光图像相同类型特征的样本特征向量，缺陷类别的种类数为所述聚类数目；
模型参数配置模块，用于将所述识别特征向量、各样本特征向量输入所述模糊聚类识别模型，并为所述模糊聚类识别模型配置参数，初始化所述模糊聚类识别模型的聚类中心；其中，所述参数包括目标函数精度值、模糊指数、聚类数目及最大迭代次数；
缺陷类别输出模块，用于利用所述模糊聚类识别模型，迭代计算所述识别特征向量与各样本特征向量的隶属度函数与聚类中心，直至满足预设迭代结束条件，输出所述磁光图像对应的待测焊件的缺陷类别，其中，根据公式(1)计算聚类中心，根据公式(2)计算隶属度矩阵，即使是远离数据区的聚类中心都有隶属程度；
式中，xj为待测焊件的识别特征向量；vi为聚类中心；d(xj,vi)为待测焊件的识别特征向量与聚类中心之间的欧式距离；uij为第i个聚类样本图像的隶属程度。
8.一种焊缝缺陷检测设备，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至6任一项所述焊缝缺陷检测方法的步骤。
9.一种焊缝缺陷检测系统，其特征在于，包括：
磁场发生器、交变磁光传感器、电源及如权利要求8所述焊缝缺陷检测设备；
所述磁场发生器与所述电源相连，用于为待测焊件施加预设磁感应强度的外加磁场；
所述交变磁光传感器与所述焊缝缺陷检测设备相连，用于采集所述待测焊件的磁光图像，并发送至所述焊缝缺陷检测设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711282920.7A CN108008006B (zh) | 2017-12-07 | 2017-12-07 | 一种焊缝缺陷检测方法、装置、设备及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711282920.7A CN108008006B (zh) | 2017-12-07 | 2017-12-07 | 一种焊缝缺陷检测方法、装置、设备及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108008006A CN108008006A (zh) | 2018-05-08 |
| CN108008006B true CN108008006B (zh) | 2021-05-11 |
Family
ID=62057354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711282920.7A Active CN108008006B (zh) | 2017-12-07 | 2017-12-07 | 一种焊缝缺陷检测方法、装置、设备及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108008006B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108645865A (zh) * | 2018-05-10 | 2018-10-12 | 中国石油天然气集团有限公司 | 一种基于ccd的埋弧焊钢管焊缝焊偏量参数的测量方法 |
| CN111948278A (zh) * | 2020-08-17 | 2020-11-17 | 广东工业大学 | 一种点焊缺陷磁光成像无损检测方法及系统 |
| CN113325068B (zh) * | 2021-04-29 | 2024-02-02 | 河南工业大学 | 基于模糊控制的焊缝焊接质量检测方法和检测系统 |
| CN113808129B (zh) * | 2021-10-27 | 2024-09-06 | 常州微亿智造科技有限公司 | 易混淆缺陷的有效检测方法 |
| CN114140669B (zh) * | 2022-02-07 | 2022-04-26 | 南昌工程学院 | 焊接缺陷识别模型训练方法、装置和计算机终端 |
| CN114418125B (zh) * | 2022-02-24 | 2025-04-04 | 北京科技大学 | 基于知识迁移的模糊推理系统小样本缺陷检测方法及装置 |
| CN116228776B (zh) * | 2023-05-10 | 2023-07-21 | 威海职业学院(威海市技术学院) | 一种机电设备焊接缺陷识别方法及系统 |
| CN119131025B (zh) * | 2024-11-12 | 2025-02-25 | 广东省特种设备检测研究院茂名检测院 | 一种基于图像处理和漏磁检测的管道焊缝识别方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8040556B2 (en) * | 2007-05-24 | 2011-10-18 | Dainippon Screen Mfg. Co., Ltd. | Image data generating method, printing method, image data generating apparatus, and printer |
| KR101442055B1 (ko) * | 2010-10-12 | 2014-09-18 | 인디안 인스티튜트 오브 테크놀로지 칸푸르 | 샘플의 특징을 이미징하고 샘플 내 손상 영역을 식별하기 위한 시스템 및 방법 |
| CN104282008B (zh) * | 2013-07-01 | 2017-07-28 | 株式会社日立制作所 | 对图像进行纹理分割的方法和装置 |
| CN105938563A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种基于图像纹理的焊缝表面缺陷识别方法 |
| CN106770625A (zh) * | 2017-03-29 | 2017-05-31 | 广东工业大学 | 一种交变磁场磁光成像检测装置及系统 |
-
2017
- 2017-12-07 CN CN201711282920.7A patent/CN108008006B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108008006A (zh) | 2018-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108008006B (zh) | 一种焊缝缺陷检测方法、装置、设备及系统 | |
| Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
| Liu et al. | Window feature-based two-stage defect identification using magnetic flux leakage measurements | |
| CN108428231B (zh) | 一种基于随机森林的多参数零件表面粗糙度学习方法 | |
| CN101718528B (zh) | 基于数字图像的快速求解圆参数方法 | |
| CN108717069B (zh) | 一种基于行变步长分割的高压容器热成像缺陷检测方法 | |
| US20060029257A1 (en) | Apparatus for determining a surface condition of an object | |
| CN110992363A (zh) | 一种基于生成对抗网络的三维漏磁检测缺陷重构方法 | |
| Zhao et al. | Defect detection of 3D printing surface based on geometric local domain features | |
| Tang et al. | An online surface defects detection system for AWAM based on deep learning | |
| Ekambaram et al. | Identification of defects in casting products by using a convolutional neural network | |
| AU2020271967A1 (en) | Method for determining the geometry of a defect on the basis of non-destructive measurement methods using direct inversion | |
| Ntoulmperis et al. | 3D point cloud analysis for surface quality inspection: A steel parts use case | |
| Hanhirova et al. | A machine learning based quality control system for power cable manufacturing | |
| CN110428408B (zh) | 基于ELM-in-ELM的瑕疵检测方法 | |
| CN114022724A (zh) | 基于风格迁移的生成对抗网络的管道病害图像数据增强方法 | |
| CN113607546A (zh) | 一种裂纹测量方法 | |
| Xie et al. | GSPSO‐LRF‐ELM: Grid Search and Particle Swarm Optimization‐Based Local Receptive Field‐Enabled Extreme Learning Machine for Surface Defects Detection and Classification on the Magnetic Tiles | |
| CN113075289A (zh) | 一种金属圆柱缺陷参数检测方法及系统 | |
| CN108931572B (zh) | 基于变行分割和区域生长法的压容器热成像缺陷检测方法 | |
| Alibek et al. | Metal Surface Defect Detection and Classification using EfficientNetV2 and YOLOv5 | |
| CN108122226B (zh) | 一种玻璃缺陷的检测方法及装置 | |
| CN109816651A (zh) | 基于变化率与温度差异的热图像缺陷特征提取方法 | |
| CN114863426A (zh) | 一种目标特征注意力与金字塔相耦合的微小目标检测方法 | |
| CN113570147A (zh) | 一种薄壁件多工况加工误差快速预测方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |