A fast and adaptive method for automatic weld defect detection in various real-time X-ray imaging systems

A first and effective method is proposed to detect weld deject adaptively in various Dypes of real-time X-ray images obtained in different conditions. After weld extraction and noise reduction, a proper template of median filter is used to estimate the weld background. After the weld background is subtracted from the original image, an adaptite threshold segmentation algorithm is proposed to obtain the binary image, and then the morphological close and open operation, labeling algorithm and fids＇e alarm eliminating algorithm are applied to pracess the binary image to obtain the defect, ct detection result. At last, a fast realization procedure jbr proposed method is developed. The proposed method is tested in real-time X-ray image,s obtairted in different X-ray imaging sutems. Experiment results show that the proposed method is effective to detect low contrast weld dejects with few .false alarms and is adaptive to various types of real-time X-ray imaging systems.

基于空洞分层注意力胶囊网络的X射线焊缝缺陷识别方法

由于X射线焊缝图像的复杂多样性,使得很多传统基于X射线焊缝缺陷检测方法的准确性不高,泛化能力较差。提出一种基于空洞分层注意力胶囊网络(DHACNet)的X射线焊缝缺陷识别方法。DHACNet由卷积模块、空洞分层注意力和胶囊网络(CapsNet)组成。卷积模块用来提取图像的卷积特征,空洞分层注意力用来提取多尺度显著性特征,CapsNet利用胶囊层和动态路由算法替代卷积神经网络(CNN)中的池化操作和全连接操作。DHACNet具有强大多尺度特征提取能力,能够克服CNN只关注图像局部特征和池化操作导致图像部分信息丢失等不足。在构建的X射线焊缝缺陷图像集上进行识别试验,识别准确率为96%以上,与传统方法进行比较,结果表明,该方法有效可行,能够为X射线焊缝缺陷识别系统提供技术支持。

444铁磁性不锈钢焊管缺陷的识别与分类

基于涡流检测技术,提出一种针对444铁磁性不锈钢焊管的缺陷识别与分类方法。首先采集经过磁饱和处理后的钢管涡流信号,通过经验模态分解(EMD)进一步对涡流信号进行降噪,提取到最能代表原始信号特征的内涵模态分量(IMF),对所选取的IMF提取时频域特征参数;为了提高模型识别效率,通过主成分分析(PCA)对特征向量集降维;最后使用支持向量机(SVM)对焊缝缺陷进行识别与分类。试验结果表明,该方法对444不锈钢焊管各缺陷的识别准确率较高,生产中可将含有特定缺陷的产品自动筛选出来,提高了生产效率。

基于改进的VGG-16网络结构的焊缝缺陷识别技术研究

焊接技术在多个领域广泛应用,近年来焊缝缺陷的自动检测已成为研究的热点。本文针对铝合金熔焊焊缝的X射线图像,采用VGG-16卷积神经网络作为基础网络,提出了一种SC-VGG的新型网络结构。该结构通过引入多尺度合成卷积层来替代传统的单一卷积层,优化了训练过程中的损失函数,使网络更加聚集于焊缝缺陷类型的精确预测。实验结果表明,SC-VGG网络结构在训练过程中展现出了良好的收敛性。与其他网络相比,SC-VGG网络在提取焊缝缺陷特征方面表现优异,其平均准确率和召回率分别达到了95.86%和98.33%,为焊缝缺陷的自动化分类提供了算法支撑。

基于融合机器学习的管道焊缝缺陷识别方法研究

为提高管道焊缝处不同缺陷类型的自动识别,以开挖后的射线焊缝图像为基础,通过对比池化域和特征图的方差信息,采用方差池化方法对传统卷积神经网络的池化层运算进行修改,随后通过鲸鱼算法实现卷积神经网络(CNN)模型超参数的选取,最终形成融合机器学习模型用于焊缝缺陷的分类,并与其余模型进行了对比验证。结果表明,鲸鱼算法可在较短时间内实现卷积核数量和大小、池化核数量和大小、卷积核激活函数类型、学习率等参数的优选;融合机器学习模型的分类结果中,未熔合和未焊透缺陷的分类准确率最高;该模型在分类准确率、训练时间和稳定性上优于其余CNN模型和支持向量机模型。研究结果可为其余压力容器或压力管道焊缝缺陷的识别提供实际参考,具有较强的通用性和扩展性。

基于改进DG-MobileNet模型的焊缝缺陷识别方法

针对焊接缺陷识别及分类过程中,传统卷积神经网络识别准确率低、适应性差和低效等问题,提出一种基于融合空洞卷积的DG-MobileNet焊接缺陷识别模型。首先,基于MobileNet模型将深度可分离卷积与空洞卷积相结合以扩大卷积核感受野;然后,引入DropBlock模块和批量规范化算法优化焊接缺陷特征提取过程和防止过拟合现象;其次,引入SENet自注意力机制进行特征重标定,提升焊接缺陷识别效率。此外,考虑到焊接缺陷数量类不平衡问题,采用DCGAN进行数据增强并在增强后的数据集上验证模型有效性。实验结果表明,相比于传统算法,DG-MobileNet在焊缝缺陷图像特征提取、识别准确率和耗时方面均具有更好的效果,其测试准确率达到98.62%。

基于机器学习的不锈钢薄板MIG焊焊穿缺陷识别

随着焊接工艺在工业环境中的广泛应用,对焊接缺陷的研究受到越来越多的关注,焊穿缺陷作为焊接过程中最严重的缺陷之一,必须采取相应的措施对其进行监测以及控制。提出了一种采用被动视觉传感技术,利用工业CCD相机结合减光、滤光系统消除焊接过程中强弧光干扰,获得MIG焊熔池图像的方法。设计正交试验并从图像的多维特征出发,提取熔池图像4个种类对应的10个维度特征作为机器学习的输入。在进行焊穿缺陷的标签标定时,基于所提出的特征提取对正交试验中获得的熔池图像数据进行预处理,通过反向搜索实现对无效数据的剔除和有效数据的正确归类,同时发现了数据在空间分布的规律。最后探究了不同维度输入特征下三种分类器的识别效果,结果表明:所选择的特征在三种分类器上均获得了不低于97%的分类精度,为后续开发基于视觉在线焊穿缺陷检测系统提供了技术支撑和理论依据。

基于漏磁内检测的管道焊缝缺陷识别及应对策略研究

漏磁内检测作为焊缝缺陷排查最有效的方法,因焊缝缺陷种类多、评价与修复标准体系复杂,亟须进行研究。基于油气管道漏磁内检测原理和焊缝特点,总结了焊缝、焊缝缺陷的分类及漏磁信号特征,梳理了焊缝缺陷在设计、施工验收、失效评价、响应及修复方面的标准规范,为在役管道焊缝缺陷评价与修复提供参考,也为焊缝缺陷隐患排查及油气管道安全运行提供技术支持。

人工神经网络的机器人焊缝缺陷图像自动辨识

为了提高机器人焊接质量,延长焊接构件使用寿命,提出基于人工神经网络的机器人焊缝缺陷图像自动辨识方法。利用模糊增强算法计算机器人焊缝缺陷图像各灰度级的隶属函数,逆变换增强模糊特征;使用Roberts算子检测图像边缘像素点,去除像素较低的点;采用密度聚类算法分割缺陷区域,结合面积、周长等几何参数计算缺陷部分形状特征;建立人工神经网络传输模型,将缺陷图像几何特征作为辨识依据,输入训练样本,经过反复训练,当误差低于设定阈值时输出最终辨识结果。仿真实验证明,所提方法能均衡图像灰度值,能够提取出显著性缺陷特征,准确辨识出焊缝缺陷类型。

基于三维成像的相控阵超声自动分析技术

利用基于体绘制算法的三维成像方法,对相控阵超声原始检测数据进行三维重建;同时,在三维模型中基于聚类算法进行相关显示信号的识别,并根据标准要求进行测量和评判。设计了对接焊缝试块,利用试块数据对该成像方法进行了试验验证。试验结果表明,设计的自动分析系统能够直观显示缺陷的成像效果,响应速度快,识别及测量准确度高,相较于人工分析效率提升了3倍以上。

基于卷积神经网络的焊缝缺陷超声图像识别方法研究

为增强超声检测对焊缝缺陷的识别能力,提出一种基于卷积神经网络的算法。在网络中采用批量归一化算法,以增加收敛速率并缓解反向传播中的梯度消失问题。在训练中使用引入动量机制的随机梯度下降算法,以提高收敛速率并达到线性收敛。实验针对4300张焊缝缺陷超声图像,结果表明,该算法对夹渣、横向裂纹、纵向裂纹、气孔和未熔合五种缺陷的识别准确率达到99.69%。该算法的可行性得到验证,有较好的应用前景。

不同参变量对缺陷脉冲信号的影响

焊接结构件在压力容器、航空航天等领域得到广泛的应用。焊缝中常见的缺陷:夹渣、裂纹和气孔将导致材料承受的应力极限有所差异,目前对此类缺陷难以进行定性识别。为此,利用有限元仿真技术对超声相控阵检测开展缺陷定识别研究。模拟含缺陷相控阵检测实验,针对不同声源频率与缺陷尺寸计算模型进行数据提取,计算缺陷信号的反射系数;通过快速傅里叶变换获得缺陷特征频率,并比较其与声源频率的偏离程度;对比不同缺陷的特征频率与缺陷尺寸的敏感度。仿真结果表明,当声源频率较低或缺陷尺寸较小时,3类缺陷的特征表现出明显的差异。为识别缺陷类型提供了一种有效的方法。

立体视觉对宽度不均焊缝的识别与评价

提出了一种基于线激光辅助的焊缝成形宽度不均的单目视觉检测及评价方法。首先,搭建了一套单目视觉检测与评价系统,并对系统进行标定;其次,实时采集叠加在焊缝轮廓上的激光条纹图像,通过图像处理,获取表征焊缝外形轮廓的细化条纹;最后,基于提取的条纹图像,建立了焊缝成形宽度缺陷的识别与评价算法。结果表明,激光扫描辅助下的视觉检测及评价方法实现了焊缝宽度的实时检测,并能够满足焊缝成形宽度缺陷评价的需求。

超声TOFD检测成像及缺陷定位系统

针对焊接结构中对裂纹类缺陷定位定量检测的需要,开发了便携式TOFD缺陷检测及定位系统,该系统由系统软件及便携式装置两部分组成。采用该系统对模拟试件进行了检测,结果表明:所获得的D、B扫描图像清晰、直观、易分辨、噪声低,同时能迅速确定缺陷位置。整个检测过程操作简单,可以为实际焊缝质量评价提供可靠的参考数据,具有实际应用价值。

基于支持向量机的铝合金点焊多类缺陷识别

利用从铝合金点焊过程工艺参数曲线上提取出的特征向量,建立了铝合金点焊过程喷溅缺陷和未熔合及未完全熔合缺陷的支持向量机识别模型。根据所建立的识别模型,用采集的样本数据进行了训练,并用独立的测试数据对训练的结果进行了测试。结果表明,所建立的支持向量机识别模型在给定的样本集的情况下,识别喷溅缺陷的准确率为96.7%,识别未熔合及未完全熔合缺陷的准确率为100%,利用支持向量机方法实现铝合金点焊多类缺陷的自动识别是可靠的。

焊缝根部及近根部垂直面积型缺陷的超声检测

超声波检测对接焊缝时,根部缺陷的检出比较困难,而与被检焊缝表面垂直的根部与近根部的面积型缺陷的检出更加困难。依据超声波检测基础理论,并结合多年实践经验,总结出一套根部与近根部的面积型缺陷的评定方法,供业内同行借鉴与参考。

基于渐进式卷积神经网络的焊缝缺陷识别

焊缝缺陷的形状不规则等特点导致传统算法及技术难以达到高精度识别的要求,为此提出一种复杂度较低的渐进式卷积神经网络(progressive convolutional neural network,P-CNN)对焊缝缺陷进行识别。该网络各层采用相同大小的特征图,避免重要特征遗漏,为避免过拟合和欠拟合,学习过程中先以少量样本为基数进行训练,之后成倍增加训练样本的数量,直至准确率达到98%时,不再增加样本数量。实验结果表明,该方法能有效识别多种焊缝缺陷,较传统的卷积神经网络识别精度有6.7%的提高,在工程的应用与推广中具有一定意义。

基于深度学习的焊缝定位与缺陷识别

针对大型构件缺陷焊缝的自动定位及缺陷识别是实现焊缝打磨、补焊等自动化操作的必要条件。大型构件焊缝及焊缝缺陷图像具有形状多样、灰度分布随机等特点,加大了图像处理的难度。提出一种基于深度学习的焊缝定位及缺陷识别方法,通过深度学习目标检测方法确定焊缝位置并识别焊瘤及不合格缺陷,通过深度学习语义分割方法识别气孔及凹坑缺陷。选取FPN网络结构创建和训练焊缝定位及缺陷识别模型,并通过增加样本数量完成模型优化,焊缝定位识别准确率达到95%,焊瘤识别准确率达到98%,气孔与凹坑两类缺陷的识别准确率约为91.8%。

管道焊缝数字图像缺陷自动识别技术

管道焊缝数字图像是管道焊缝可靠性管理的重要依据,但对其进行人工判别的误判率较高。为了提高对管道焊缝数字图像缺陷的识别准确度,采用多项边缘检测、检测通道与阈值分割等方法,对管道焊缝图像中存在的缺陷进行图像处理,构造了焊缝数字图像缺陷特征库,包含灰度差、等效面积、圆形度、熵、相关度等参数,建立了多分类器构造(SVM)模型,实现了对管道焊缝数字图像缺陷的分类评价,最终开发出管道焊缝数字图像缺陷自动识别软件,并进行了现场验证分析。研究结果表明:(1)图像处理后在没有噪声的情况下,Canny等算法都可以得到很好的边缘检测结果,在有噪声的情况下,检测结果出现伪边缘,选用自动选取阈值方法进行图像边缘检测,能够取得合理的阈值;(2)所建立的焊缝数字图像缺陷特征数据库包含形状特征和纹理特征、图像长度像素等14项参数;(3)通过所建立的SVM分类模型,可以分类获取缺陷形状特征,找出裂纹、夹渣、气孔、未焊透、未熔合和条形等缺陷特征。现场应用结果表明:(1)该缺陷自动识别技术适用于对各类管道焊缝缺陷质量的识别判定;(2)其识别准确率超过90%;(3)该技术实现了对管道焊缝数字图像缺陷的自动识别和自动化评价。结论认为,该研究成果有助于确保管道的安全运行。

基于EC双流模型的焊接缺陷图像识别

由于焊缝缺陷X射线图像背景较为复杂,造成识别准确率及效率低。为提高缺陷识别准确率,提出一个由并行EfficientNet网络为基本框架的粗-细两阶段EC双流模型。该模型通过CBAM注意力机制提高网络的局部特征注意力,获取更加丰富的焊接缺陷细特征信息,并将其与提取原始粗特征结合输入全连接层,以更加精确实现焊接缺陷的分类;为降低训练参数、模型过拟合现象以及提高模型泛化性能,并利用全局平均池化层GAP和BN算法优化整个训练过程;此外,在小孔、夹渣、未焊透和裂纹等焊接缺陷数据集上,将EC双流模型与VGG16、BCNN(VGG16)、Xception进行对比实验。实验结果表明,以EfficientNet作为基础网络的EC双流模型的分类识别结果的平均F1为99.1%,平均精度为99.4%,平均准确率可达99.13%。该模型有效实现焊接缺陷的检测与分类,可减小误判率。