SVMs在油气管道焊缝缺陷检测中的应用.pdfVIP

2011年 11月 西安石油大学学报(自然科学版) N0v．2011 第26卷第6期 JournalofXianShiyouUniversity(NaturalScienceEdition) V01．26No．6 文章编号：1673-064X(2011)06-0097-05 SVMs在油气管道焊缝缺陷检测中的应用 武晓朦 ，高炜欣 ，袁 磊 ，刘 畅。 (1．西安石油大学 陕西省钻机控制重点实验室，陕西 西安 710065； 2．巴陵石化 环氧树脂事业部电气车间，湖南 岳阳414014； 3．西安航空动力股份有限公司无损检测中心，陕西 西安 710021) 摘要：提 出了基于支持向量机的焊管焊缝缺陷识别方法和步骤．对焊缝图像采用了图像增强、形态 学处理、边缘检测等操作，解决焊缝图像在输入时受到外界干扰带来的图片噪声过多、缺陷边缘模 糊和对比度低等问题，便于对焊缝图像进行特征提取．结合焊缝缺陷样本多分类的特点，对焊缝图 像进行分类时使用SVM“一对一”聚类结构并对样本进行识别．实验结果表明，该模型具有识别精 度高、速度快、容易实现等优点，适合对焊管焊缝缺陷的识别． 关键词：油气管道；焊缝缺陷；缺陷检测；图像分割；特征提取；模式识别；支持向量机 中图分类号：TE973．6 文献标识码 ：A 常用的无损检测方法有射线检测法 ¨引、超声 (即无错误辨别任意样本的能力)之间寻求最佳折 检测法 J、磁力检测法 J、涡流检测法 J、渗透检测 中，以期获得最好的推广能力，来解决 x底片焊缝 法 等．在各种无损检测技术中，基于X射线焊缝图 缺陷的识别问题． 像的检测是大多数埋弧焊管生产企业采用的方法． 近年来，随着现代计算机技术和数字图像技术 1 支持向量机 的飞跃发展，一些新兴的基于机器学习和智能算法 的焊缝缺陷检测方法也悄然兴起．文献 [7]利用神 支持向量机是Vapnik等人提出的一种新的通 经网络质量监测模型预测焊点抗剪强度，准确率达 用学习方法，建立在VC维理论和结构风险最小化 原理基础上，较好地解决了小样本非线性、高维数和 到96．6％；文献 [8]利用神经网络模型对车身镀锌 局部极小点等实际问题 ．支持向量机算法在 板点焊性能进行预测；文献 [9]利用神经网络模型 MATLAB环境下 易于实现，得到较广泛 的应 进行焊点质量检测等． 用 it-13]． 为了解决传统的焊缝缺陷检测存在的一些问 SVM 的基本思想可由图1说明，在二维两类线 题 ，也为了更好地修正和改进一些智能算法所存在 性可分情况下，有很多可能的线性分类器可以把这 的一些缺点，本文将基于数理统计方法——支持向 组数据分割开，但只有一个使两类的分类间隔il1．r- 量机(TheSuppo~VectorMachines，SVMs)理论引入 gin最大，即图中的 日，这个线性分类器就是最优分 焊缝缺陷识别问题中，根据有限的样本信息，在模型 类超平面，与其他分类器相比，具有更好的泛化性． 的复杂性 (即对特定样本的学习精度)和学习能力 收稿 日期 ：2011-02．15 基金项 目：陕西省 自然科学基础研究计划 (编号 ：