樊 凌

(蘇州市職業(yè)大學 計算機工程學院，江蘇 蘇州215104)

0 引 言

在現(xiàn)代船舶制造業(yè)中，焊接技術發(fā)揮著至關重要的作用［1］。焊接技術的發(fā)展促使造船方法由“整體建造法”轉變?yōu)椤胺侄谓ㄔ旆ā保冗M的船舶焊接技術操作簡單、成本低，可以減少船體重量、提高船體密封性，從而有效地提高船舶制造的效率和質(zhì)量，降低制造成本［2］。而焊接質(zhì)量直接關系到船舶安全，由于焊接產(chǎn)品質(zhì)量問題造成的事故屢見不鮮，據(jù)對船舶斷脆事故的調(diào)查分析，40%的事故由焊接接縫缺陷處開始，因此，焊接質(zhì)量檢測越來越受到人們的重視。

傳統(tǒng)船舶焊接檢驗可分為破環(huán)性檢驗和非破壞性檢驗2 種。破壞性檢驗是指破壞局部焊縫或焊接接頭以查明焊接質(zhì)量的方法，非破壞行檢驗是指采用探傷設備來發(fā)現(xiàn)缺陷的檢驗方法。在船舶建造過程中，為了保證焊接構件的產(chǎn)品質(zhì)量，依照國家相關規(guī)定，對焊縫必須進行無損檢測。本文分別提出了基于深度信息的焊接缺陷特征提取方法，以及基于SVM 的焊接缺陷分類識別方法。實驗結果表明，本文提出的方法具有較強的魯棒性和較高的識別率。

1 圖像處理技術在焊接檢測中的應用

1.1 焊接缺陷類型

焊接是一種以加熱、高溫或者高壓的方式結合金屬或其他熱塑性材料(如塑料)的制造工藝及技術，焊接缺陷是指焊接接頭的不完整性，及焊縫質(zhì)量不符合技術要求規(guī)定，在船舶建造業(yè)中，焊接缺陷主要包括兩大類，分別為外部缺陷和內(nèi)部缺陷。

1)外部缺陷

外部缺陷是指暴露于焊縫外表面，用肉眼或者低倍放大鏡可以看到。如焊縫尺寸不符合要求，常見的包括咬邊、焊瘤、弧坑、表面氣孔、表面裂紋等，相關圖例如表1 所示。

表1 外部缺陷Tab.1 External defect

其中，焊縫尺寸不符合要求是指焊縫外觀形狀寬窄不齊、高低不平、焊縫過寬或過窄、余高過高或過低、角焊縫單邊等;咬邊是指沿著焊趾的母材部位，由于焊接參數(shù)選擇不當，或者操作工藝不正確，使得電弧燒熔母材而形成凹陷或者溝槽，咬邊減弱了母材的有效面積和焊接接頭的強度，極易發(fā)生裂紋，導致結構破壞;弧坑是指焊縫收尾處產(chǎn)生的下榻現(xiàn)象;焊瘤是指在焊接過程中，熔化的金屬流淌到焊縫以外的未熔化的母材上所形成的金屬瘤，又稱滿溢;在焊縫或熱影響區(qū)出現(xiàn)裂縫，用肉眼或放大鏡可以觀察到的稱為表面裂紋，殘留在焊縫表面的熔渣且植根于金屬內(nèi)部而不容易脫落的稱為表面夾渣，焊縫表面有小的空洞，或單個或連續(xù)的稱為氣孔或連續(xù)氣孔。

2)內(nèi)部缺陷

內(nèi)部缺陷位于焊縫的內(nèi)部，如未焊透、內(nèi)氣孔、內(nèi)部裂紋、內(nèi)部夾渣，詳細信息如圖1 所示。

圖1 內(nèi)部缺陷Fig.1 Internal defect

1.2 基于圖像的焊接缺陷提取與識別研究現(xiàn)狀分析

基于圖像的焊接缺陷檢測流程如圖2 所示。

圖2 檢測流程Fig.2 Detecting process

國外對焊接缺陷的無損檢測技術研究比較早，目前在無損探傷、無損檢測、無損評價等方面都取得了較大的成果。在國內(nèi)，隨著船舶工業(yè)的逐漸繁榮，越來越多的科研機構和企業(yè)開始關注焊接檢測技術，許多研究成果也成功應用到了生產(chǎn)實踐中。無損檢測技術主要分為4 類［3］，分別為:

1)激光檢測技術

激光技術在無損檢測領域的應用開始于1970年，主要包括激光全息檢測、激光超聲檢測等，該檢測技術可應用近距離、高溫、表面超薄、超細的樣品檢測。

2)超聲檢測技術

該檢測技術具有適用對象范圍廣、缺陷定位準確、檢測靈敏度高、成本低、對人體無傷害等特點，是目前國內(nèi)外適用最為廣泛的檢測技術。

3)射線檢測技術

射線檢測技術主要應用到工業(yè)生產(chǎn)中，主要包括射線膠片照相檢測技術、射線實時成像檢測技術、計算機射線照相檢測技術、數(shù)字平板射線成像檢測技術、工業(yè)CT 技術。

4)其他檢測技術

其他檢測技術主要是指金屬磁記憶方法和表面檢測技術。

通過對近年來公開發(fā)表的研究成果的研究學習，將具有代表性的缺陷檢測技術和方法進行分析介紹。

1)缺陷區(qū)域定位

焊縫缺陷位置確定的方法主要有:①利用缺陷灰度變化特性;②多尺度濾波，去除背景;③S －T非線性灰度變法，在提高圖像清晰度和對比度之后，利用缺陷的線灰度波形梯度會發(fā)生2 次以上正負變化的特點，確定缺陷位置;④基于形態(tài)學的濾波方法，例如多尺度形態(tài)學濾波框架下的固定閾值分割方法、形態(tài)學兩級分水嶺法等;⑤模糊聚類法。

2)缺陷特征提取

缺陷特征提取的方法主要有:①曲線擬合，利用曲線擬合對異常波形建立數(shù)學模型;②基于空間對比度與空間方差;③利用遺傳算法確定焊縫的位置、官渡、長度、角度等信息;④基于特征參數(shù)，例如平坦性、對稱性、傾角、灰度分布等;⑤基于字典的概率松弛標記法。

3)缺陷分類識別

缺陷分類識別的方法主要有:①k － 近鄰分類器;②基于勢函數(shù)的分類機制;③支持向量機;④神經(jīng)網(wǎng)絡;⑤最大期望方法。

雖然能夠應用到焊接缺陷檢測的方法較多，但是能夠達到應用水平的還有限，因此需要在圖像處理和機器學習等方面進行深入的研究。

2 基于深度信息的焊接缺陷特征提取方法

在本文中，利用深度信息進行焊縫區(qū)域的定位與分割。深度圖像具有不等候光源照射和物體表面反射特性的影響，并且不存在陰影，所以能夠準確地表現(xiàn)物體目標表面的三維深度信息。通過利用Kinect 獲取焊縫的深度信息，然后采用ISM 單目標檢測法進行焊縫區(qū)域提取。

Kinect 是微軟公司研制的一款體感外設，它屬于一種3D 體感攝影機。在Kinect 中，共有3 個攝像頭，從左向右依次為紅外線發(fā)射器、RGB 彩色攝像頭、CMOS 紅外感應設備。Kinect 通過連續(xù)光(近紅外線)對測量空間進行編碼，在通過CMOS紅外感應器得到編碼的光線，將數(shù)據(jù)傳遞給系統(tǒng)芯片PS1080 進行解碼運算，從而產(chǎn)生具有深度信息的圖像。焊縫深度圖像如圖3 所示。

圖3 深度圖像Fig.3 Deep image

在獲取深度圖像后，首先對深度圖像進行預處理，本文采用中值濾波算法。中值濾波是用一種非線性算法，目的是去除場景中存在德古拉噪聲點，同事保留目標邊緣信息。本文采用的5×5 鄰域窗口:

中值濾波后，在進行膨脹和腐蝕操作，進一步消除噪聲。預處理后，采用二維最大熵法進行圖像分割，獲取焊縫缺陷區(qū)域。

圖4 二維直方圖XOY 平面Fig.4 Two-dimensional histogram XOY plane

二維最大閾值分割算法是運用點灰度和區(qū)域灰度特征來分離圖像中背景信息和目標信息的方式［4］。

如圖4 所示，假設A 區(qū)和B 區(qū)具有不同的概率分布，用A 區(qū)和B 區(qū)的后驗概率對各區(qū)域概率Pij進行歸一化處理，使各分區(qū)熵之間具有可加性。如果閾值設在(s，t)，則有:

定義離散二維熵為:

則A 區(qū)和B 區(qū)的二維熵分別為

同理，

其中，

由于C 區(qū)和D 區(qū)包含關于噪聲和邊緣的信息，概率較小，因此將其忽略不計，即假設C 區(qū)和D 區(qū)的Pij=0，可以得到

熵的判別函數(shù)定義為

選取的最佳閾值向量滿足:

在焊縫區(qū)域分割是，A 區(qū)和B 區(qū)分別代表目標和背景，C 區(qū)和D 區(qū)代表邊界和噪聲。焊縫區(qū)域提取效果如圖5 所示。

圖5 提取效果Fig.5 The extraction results

3 基于SVM 的焊接缺陷分類識別方法

在本文實驗樣本中，焊接缺陷主要包括氣孔、夾雜、未焊透、未熔合四類。其中氣孔缺陷為43個，夾雜缺陷為25 個、未焊透缺陷28 個，未熔合缺陷16 個。由于樣本集為不平衡樣本，因此本文選取支持向量機理論進行缺陷類型的分類識別。

支持向量機(SVM)是在統(tǒng)計學理論上發(fā)展起來的一種機器學習方法，它基于結構風險最小化準則，能夠在訓練誤差和分類器容量之間達到較好的平衡［5］。由于本文問題是多分類問題，因此，采用基于二叉樹的SVM 方法。算法機構如圖6 所示。

圖6 基于二叉樹的SVM 結構Fig.6 The SVM structure based on binary tree

識別結果如表2 所示。

表2 識別結果Tab.2 Identify results

4 結 語

本文首先對焊接缺陷分離進行介紹，然后對近年來有關焊接缺陷識別取得研究成果進行分析歸納，最后提出基于深度信息和SVM 的船舶焊接缺陷識別方法。實驗結果表明，該方法具有較好的識別率。

［1］郭澤亮．激光焊接技術在艦船建造中的應用［J］． 艦船科學技術，2005，27(4):81 －84．

［2］王冰，李勇．國外船舶焊接技術發(fā)展近況［J］．艦船科學技，2009，31(5):156 －159．

［3］孫正．基于圖像的焊接缺陷提取與識別算法研究［D］．中國礦業(yè)大學，2010．

［4］LI Y X，MAO Z Y，TIAN L F，et al． A kind of twodimensional entropic image segmentation method based on artificial immune algorithm［C］//Proceedings of the 6thCongress on Intelligent Control and Automation，2006(2):10412 －10415．

［5］VAPNIK V N． An overview of statistical learning theory［J］．IEEE Transactions on Neural Networks，1999，10(5):988 －998．