(1.廈門市特種設備檢驗檢測院, 廈門 361004；2.福州大學 機械工程及自動化學院, 福州 350108)

當今，壓力容器正在向高參數(shù)、大型化方向發(fā)展，其焊接結構的安全引起了人們的高度重視。大型厚壁壓力容器的焊接結構在加工制造過程中由于焊接工藝與設備條件的偏差，殘余應力的存在,冶金因素的變化以及接頭組織與性能不均勻等的影響，焊縫中往往會產(chǎn)生各種缺陷。此外，合格的焊接結構在服役過程中常承受疲勞及沖擊載荷，并受到高溫、高壓和腐蝕介質等的影響，焊接接頭質量也會發(fā)生變化，產(chǎn)生新的缺陷[1]。

超聲衍射時差法[2-5](Time Flight of Diffraction，TOFD)相比其他的焊縫缺陷無損檢測方法，在厚壁構件焊縫的檢測上更具有優(yōu)勢，但該方法對缺陷的判讀更依賴于檢測人員的經(jīng)驗，因此檢測的有效實施難度較大，誤判、錯判發(fā)生的比例較高。筆者通過制備超聲TOFD人工缺陷和自然缺陷特征，利用歸一化融合特征向量，通過模式識別技術實現(xiàn)超聲TOFD焊縫缺陷的自動識別，以消除人工判讀帶來的弊端。

1 超聲TOFD焊縫圖像特征

1.1 人工缺陷試板的制備

人工制備包含有氣孔、夾渣、未熔合及裂紋的焊縫缺陷試板。試板材料為低碳鋼，厚度為50 mm。超聲波在工件中的縱波聲速為5 900 m·s-1，橫波聲速為3 230 m·s-1。試驗中探頭頻率為5 MHz，探頭的晶片直徑為6 mm，楔塊角度為60°，楔塊中聲速為2 730 m·s-1。根據(jù)缺陷的不同，調(diào)整探頭的間距，改變聲束覆蓋范圍，以獲得較為清晰的掃描成像。

表1為8塊檢測試板中埋藏缺陷的信息，對這些試板進行D掃描，對得到的缺陷圖像進行對比分析，以此了解不同超聲TOFD焊縫缺陷的特征差異。

表1 檢測試板的缺陷信息 mm

表1中試板的缺陷信息是由檢測后得到的估計值，其中氣孔缺陷較多，在此不提供其信息。

1.2 缺陷的TOFD圖像特征分析

1.2.1 上表面開口缺陷圖像特征分析

在檢測過程中,直通波在上表面開口缺陷處傳播會受到干擾，甚至被中斷傳播。因此，可根據(jù)直通波圖像的特性，判斷缺陷是否表面開口。若表面開口較大，且能得到缺陷下端衍射點的信號，則可以測出缺陷的深度；若表面開口較小，由于直通波脈寬長度會掩蓋缺陷信號，則缺陷不能被檢出。

1.2.2 氣孔缺陷圖像特征分析

氣孔缺陷一般是由于焊接過程中存在未及時溢出的氣體而導致的。其一般分為兩類：單個氣孔缺陷和密集型氣孔缺陷。單個氣孔缺陷圖像在直通波和底面回波信號之間呈單一狀且具有周期性變化的特征。密集型氣孔缺陷的圖像特征多表現(xiàn)為多個獨立的衍射信號相互疊加，且能分辨出各信號的強度基本一致。氣孔缺陷的圖像特征表現(xiàn)為：拋物線狀、線條端部較為平緩、尾部向下墜落且拋物線開口方向一致，這是由于缺陷高度小于直通波脈沖寬度造成的。

1.2.3 夾渣缺陷圖像特征分析

夾渣缺陷是由于焊接過程中產(chǎn)生的氧化物及硫化物等熔渣殘留在焊縫內(nèi)部，導致應力集中而產(chǎn)生的，容易發(fā)展成內(nèi)部裂紋。夾渣缺陷一般分為點狀夾渣和條狀夾渣。點狀夾渣的圖像表現(xiàn)為一些呈拋物線的小圓弧，且圓弧較短；條狀夾渣圖像則呈現(xiàn)為一條不規(guī)則線條狀，斷斷續(xù)續(xù)。夾渣缺陷的圖像特征表現(xiàn)為在衍射圖像長度方向時斷時續(xù)，高低不平，無明顯的上下端衍射信號，成像粗糙雜亂，在主線附近伴有小圓弧。

1.2.4 未熔合缺陷圖像特征分析

未熔合缺陷是由于焊接熱輸入太低、電弧指向偏斜、坡口側壁有銹垢或污物以及層間清渣不徹底等原因造成的。未熔合缺陷一般分為側壁未熔合、層間未熔合和焊縫根部未熔合。側壁未熔合缺陷的圖像表征為圖像中呈現(xiàn)明顯的上下端，上端表現(xiàn)為光滑的直線或曲線，下端一般表現(xiàn)為斷斷續(xù)續(xù)條紋狀，上下端之間不平行且呈發(fā)散狀。未熔合特征有時候與條狀夾渣特征類似，但未熔合缺陷一般呈現(xiàn)為一條平滑曲線，而條狀夾渣則呈現(xiàn)為一條粗糙的不規(guī)則曲線。

1.2.5 裂紋缺陷圖像特征分析

裂紋缺陷是在焊接應力與其他致脆因素共同作用下，焊接接頭中局部地區(qū)的金屬原子結合力遭到破壞而形成的新界面所產(chǎn)生的縫隙，是一種危害嚴重的焊接缺陷。裂紋缺陷有上下兩端，兩條線近似平行，在兩條線附近有少量拋物線狀圓弧。裂紋缺陷的圖像特征表現(xiàn)為有兩條明顯的不規(guī)則條紋線平行于檢測面，兩條線的開口方向偏向檢測面的相反方向，且平滑過渡連續(xù)，中間部分清晰可見，兩端部分信號較弱。

2 超聲TOFD焊縫圖像特征提取

2.1 基于局部二值模式的特征提取

局部二值模式[6](Local Binary Patterns,LBP)是：利用中心像素值gc對鄰域的每一個像素值{g0,g1,…,gP-1}閾值化，生成一個二進制數(shù)。中心像素的LBP值是通過將二進制數(shù)轉換為十進制數(shù)得到的。LBP模式被定義為

(1)

式中：gi(i=0,1,…,P-1)為P個領域像素的灰度值；gc為該領域中心像素的灰度值。

令x=gi-gc,則有二值化函數(shù)：

(2)

大于中心像素的像素被映射為1，否則為0。一般來說，LP,R會產(chǎn)生2P種不同值，這些2P二進制模式的子集稱為均勻模式。均勻模式在減少模式特征值的同時，不會丟失任何信息。

基于LBP算法對TOFD缺陷圖像進行特征提取時，圖像中每一個像素都被它的二進制代碼標記，而原始圖像被轉換成LBP圖像。圖中每個LBP代碼的出現(xiàn)頻率可以用直方圖來概括，可以作為分類任務的特征向量，如圖1所示。

圖1 LBP特征提取過程示意

從圖1可以看出，在使用(8,2)鄰域時，特征數(shù)量有59種。

2.2 基于局部相位量化的特征提取

局部相位量化[7](Local Phase Quantization,LPQ)是:基于傅里葉相位譜的模糊不變性，在每個圖像像素周圍取一個矩形鄰域來計算二維短時傅里葉變換(Short-Time Fourier Transform,STFT)，并給出圖像的局部相位信息。

LPQ通過檢測圖像f(x)的每個像素點x的局部鄰域NX來提取相位信息。

(3)

式中：Wu為二維離散傅里葉變換的基向量；fx為一個包含NX鄰域所有灰度值的向量。

LPQ分別通過u1=[a,0]T，u2=[0,a]T，u3=[a,a]T，u4=[a,-a]T4個頻率分量來計算局部傅里葉系數(shù)，其中a表示低于點擴散函數(shù)的離散傅里葉變換H(u)的第一個零交叉點的第一個頻率。對于每個像素點，可表示為一個向量

(4)

(5)

式中：gj為向量G(x)=[Re{F(x)},Im{F(x)}]的第j個分量。

得到的量化系數(shù)qj用二進制編碼fLPQ(x)表示為0～255之間的整數(shù)，分類過程中使用256個特征向量，而這些值出現(xiàn)的頻率組成特征向量直方圖。

(6)

對灰度圖像使用短時傅里葉變換，后通過滿足模糊不變性的4個頻率分量計算局部傅里葉系數(shù)；對每個像素點的傅里葉變換向量用簡單的標量量化函數(shù)來計算相位信息；最后對得到的量化系數(shù)進行二進制編碼獲得像素點的局部相位量化值，繪制LPQ特征直方圖，實現(xiàn)圖像特征的提取，其過程如圖2所示。

2.3 融合LBP和LPQ的特征提取

LBP特征提取算法是在空間域上對圖像的像素進行處理，通過比較中心像素和周圍像素得到二進制編碼的算法，其反映圖像灰度值的變化趨勢，相當于對圖像的所有局部紋理濾波處理。LPQ特征提取算法是對圖像進行短時傅里葉變換得到圖像的頻率變換域，計算圖像的變換域系數(shù)進而獲取變換域的相位量化信息的算法，其反映圖像的梯度分布。LBP和LPQ都是對圖像紋理信息的描述，不論是在空間域還是頻域，都是一種局部信息的提取，因此需要綜合兩種算法的優(yōu)勢，對兩種算法進行融合，使圖像獲得更好的識別效果。

經(jīng)改進的基于標記的分水嶺圖像分割處理后，圖片的像素分辨率為256像素×256像素?；跇擞浀母倪M分水嶺的超聲TOFD檢測圖像分割算法的步驟是：首先對TOFD檢測圖像進行數(shù)據(jù)處理，得到去噪及增強后的圖像；然后將圖像的二維最大熵閾值作為粒子群算法的適應度函數(shù)，求取最佳閾值；再用求得的閾值對圖像進行標記分水嶺分割。LBP和LPQ算法特征融合過程(見圖3)為：對處理后的圖像進行分塊處理，每分塊分辨率為64像素×64像素；然后對每一分塊分別進行LBP和LPQ特征提取，得到各分塊在空間域和頻域上的特征；最后將兩種特征值歸一化融合，融合后的特征能更好地表征圖像紋理信息。

圖2 LPQ算法計算過程及特征提取

圖3 LBP和LPQ算法特征融合過程

3 基于支持向量機的缺陷分類識別

3.1 支持向量機原理

支持向量機[8](Support Vector Machine,SVM)是建立在統(tǒng)計學習理論VC維理論和結構風險最小化原理基礎上的機器學習方法。支持向量機的目標函數(shù)，也稱為正則化風險函數(shù),其目標是結構風險最小化，最大限度地減少經(jīng)驗誤差和正則化項。另外，通過引入松弛變量ξ和ξ*，并給出懲罰參數(shù)c，用于控制估計誤差，相應的問題可以等價于凸約束二次優(yōu)化問題，得到：

ω∈Rn,b∈R

(7)

式中：ω={ω1,ω2,…,ωm}為支持向量機的權重；φ為核函數(shù)映射的輸入向量；x={x1,x2，…，xm}為映射到高維的特征空間；〈ω，φ〉表示ω和φ之間的點積；b為偏差。

正則化可以降低函數(shù)f(x)的復雜度，即估計函數(shù)總是趨于光滑，避免過度擬合。擬合過程引入了不敏感性損失函數(shù)。不敏感性損失函數(shù)可以減少非線性條件下的過擬合問題，樣本點在空間分布，盡可能將樣本分為兩類，以中間線為界分，兩側再畫條線增加約束條件，也就是松弛變量。

通常情況下，用拉格朗日乘子來求解方程的對偶形式。將二次規(guī)劃問題轉化為相應的對偶優(yōu)化問題，引入核函數(shù)來實現(xiàn)非線性，得到最優(yōu)回歸函數(shù)。

(8)

K(xi,x)=exp (-γ‖x-xi‖2)

(9)

式中：γ為分類器的核函數(shù)參數(shù)。

3.2 支持向量機分類識別過程

基于支持向量機的TOFD圖像分類過程分成兩步：① 通過LBP和LPQ算法聯(lián)合提取圖像特征，得到圖像的融合特征；② 將融合的特征導入SVM分類器進行分類識別，分類識別過程如圖4所示。

圖4 支持向量機的分類識別過程

試驗采用人工缺陷和自然缺陷采集到的93幅TOFD檢測圖像，其中包括24幅裂紋缺陷圖像、27幅夾渣缺陷圖像、42幅氣孔缺陷圖像。每張圖的像素分辨率均為128像素×128像素。將這些圖像分成兩個部分：訓練集和測試集。其中，62幅圖像作為訓練集，31幅圖像作為測試集。

3.2.1 特征提取

針對每幅圖像進行分塊，將每幅圖像分為4×4塊，每塊的像素分辨率為32像素×32像素。通過LBP和LPQ算法提取各分塊的圖像特征，LBP特征為1×59的向量，LPQ特征為1×256的向量，將兩者歸一化融合得到1×315的特征向量，因此分塊融合之后得到每幅圖的特征向量為16×315。

3.2.2 SVM分類識別

將提取出的特征信息輸入SVM分類器，并設定分類器的核函數(shù)參數(shù)γ為3.6，懲罰參數(shù)c為100，得到每一類缺陷的識別率和總的識別率。

3.3 支持向量機分類識別結果與分析

為了驗證LBP和LPQ融合算法的優(yōu)越性，對數(shù)據(jù)庫分別單獨進行LBP和LPQ算法的特征提取，并進行分類識別試驗，試驗結果如表2和表3所示。

從表2可以看出，單一使用LBP算法提取特征得到的分類識別正確率較差，測試集識別率僅有67.74%。從表3可以看出，單一使用LPQ算法提取特征得到的分類識別正確率較高，測試集的識別率達到83.87%。兩種算法都對氣孔缺陷的識別率較高，LBP算法對裂紋和夾渣的識別較差，LPQ算法對裂紋和夾渣的識別相對較優(yōu)。相較LBP和LPQ各單一算法，融合算法的優(yōu)越性更高，其分類識別結果如表4所示。

表2 LBP特征分類識別結果

表3 LPQ特征分類識別結果

表4 LBP和LPQ融合特征分類識別結果

從表4可以看出，LBP和LPQ融合特征經(jīng)SVM分類器分類識別，能較好地實現(xiàn)對超聲TOFD焊縫缺陷的識別，總的識別率達到87.1%。對于不同的缺陷類型，該算法也表現(xiàn)出了不同的識別效果。

相對夾渣和裂紋缺陷，氣孔缺陷識別效果好的原因是氣孔缺陷特征簡單明顯(呈線條端部較為平緩，尾部向下墜落且開口方向一致的拋物線狀)，LBP和LPQ算法較能反映該局部紋理特征；而夾渣缺陷無明顯的上下端衍射信號，相位信息不明顯，灰度信息較為集中，容易誤判成密集氣孔的缺陷類型；裂紋類缺陷上下端不規(guī)則平行，且周邊伴有較多的圓弧，相位信息相對突出，灰度分布信息較為均衡。圖5為不同算法的缺陷識別率的對比，從圖5可以清楚地看出LBP和LPQ特征融合算法的優(yōu)越性。

圖5 不同算法的缺陷識別率

在缺陷分類識別過程中，圖像的分塊會對缺陷的識別率產(chǎn)生較大的影響。通過設置不同的圖像分塊,即2×2，4×4，8×8，16×16，利用LBP和LPQ特征融和算法結合SVM分類器進行分類識別試驗，其結果如表5所示。

表5 不同圖像分塊分類識別結果 %

從表5可以看出，圖像分塊會對TOFD缺陷圖像的識別產(chǎn)生一定的影響。圖像分塊過少或過多，都會導致識別效果較差，因此需選擇合適的分塊大小，才能達到最佳的識別率。筆者選擇圖像4×4分塊，不論是在各類型缺陷還是測試集中，識別率都達到最優(yōu)，顯示出文中算法的優(yōu)越性，對比結果如圖6所示。

圖6 不同圖像分塊缺陷識別率

4 結論

(1) 在分析人工試塊中各類型缺陷的TOFD檢測圖像特征的基礎上，將LBP算法提取的缺陷圖像空間域灰度信息特征和LPQ算法提取的缺陷圖像頻域相位特征歸一化融合，融合之后的特征能夠更好地表征缺陷的圖像紋理信息。

(2) 選取裂紋、夾渣和氣孔型缺陷，通過SVM將缺陷圖像分塊后提取的融合特征進行分類識別，試驗結果表明圖像4×4分塊后提取的融合特征識別率最優(yōu)，識別正確率達到87.10%。

參考文獻：

[1] 林尚揚,于丹,于靜偉.壓力容器焊接新技術及其應用[J]. 壓力容器, 2009,26(11):1-6.

[2] MERAZI-MEKSEN T, BOUDRAA M, BOUDRAA B. Mathematicalmorphology for TOFD image analysis and automatic crack detection[J]. Ultrasonics, 2014, 54(6):1642-1648.

[3] BASKARAN G, RAO C L, BALASUBRAMANIAM K. Simulation of the TOFD technique using the finite element method[J]. Or Insight, 2007, 49(11):641-646.

[5] HABIBPOUR-LEDARI A, HONARVAR F. Three dimensional characterization of defects by ultrasonic time-of-flight diffraction(TOFD) technique[J]. Journal of Nondestructive Evaluation, 2018, 37(1):14.

[6] 宋克臣, 顏云輝, 陳文輝, 等. 局部二值模式方法研究與展望[J]. 自動化學報, 2013, 39(6): 730-744.

[7] 李嵐, 師飛龍, 徐楠楠. 自適應加權局部相位量化的人臉識別[J]. 光電工程, 2012,39(12): 138-142.

[8] 丁世飛, 齊丙娟, 譚紅艷. 支持向量機理論與算法研究綜述[J]. 電子科技大學學報, 2011,40(1): 2-10.