SVMs在油气管道焊缝缺陷检测中的应用.pdf

2 0 1 1 年 1 1 月 第2 6卷第 6期 西安石油大学学报 自 然科学版 J o u rna l o f X i a n S h i y o u U n i v e r s i t y N a t u r a l S c i e n c e E d i t i o n N0 v ．2 0 1 1 V0 1 ． 2 6 No ． 6 文章编号 1 6 7 3 - 0 6 4 X 2 0 1 1 0 6 -0 0 9 7 -0 5 S V Ms 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 7 1 0 0 6 5 ； 2 ． 巴陵石化 环氧树脂事业部电气车间， 湖南 岳阳4 1 4 0 1 4 ； 3 ． 西安航空动力股份有限公司 无损检测中心， 陕西 西安 7 1 0 0 2 1 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S V M “ 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 T E 9 7 3 ． 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 检测法 J 、 磁力检测法 J 、 涡流检测法 J 、 渗透检测 法 等． 在各种无损检测技术中， 基于X 射线焊缝图 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 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 经网络质量监测模型预测焊点抗剪强度， 准确率达 到9 6 ． 6 ％； 文献[ 8 ] 利用神经网络模型对车身镀锌 板点焊性能进行预测； 文献[ 9 ] 利用神经网络模型 进行焊点质量检测等． 为了解决传统的焊缝缺陷检测存在的一些问 题 ， 也为了更好地修正和改进一些智能算法所存在 的一些缺点， 本文将基于数理统计方法支持向 量机 T h e S u p p o V e c t o r Ma c h i n e s ， S V Ms 理论 引入 焊缝缺陷识别问题中， 根据有限的样本信息， 在模型 的复杂性 即对特定样本的学习精度 和学习能力 即无错误 辨别任意样本 的能力 之间寻求最佳折 中， 以期获得最好的推广能力 ， 来解决 x底 片焊缝 缺陷的识别问题． 1 支持 向量机 支持 向量机是 V a p n i k等人提 出的一种新 的通 用学习方法， 建立在 V C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 局部极小点等实际问题 ． 支持向量机算法在 M A T L A B环 境 下 易 于 实 现， 得 到 较 广 泛 的 应 用 i t - 1 3 ] ． S V M 的基本思想可由图 1说明， 在二维两类线 性可分情况下 ， 有很多可能的线性分类器可 以把这 组数据分割开， 但只有一个使两类的分类间隔 il 1． r - g i n最大 ， 即图中的 日， 这个线性分类器就是最优分 类超平面， 与其他分类器相比， 具有更好的泛化性． 收稿 日期 2 0 1 1 - 0 2 ． 1 5 基金项 目 陕西省 自然科学基础研究计划 编号 2 0 1 0 J Q 8 0 3 3 ； 陕西省教育厅专项科研计划项 目 编号 0 9 J K 6 9 9 ； 西安 市科技计划项 目 编号 Y F 0 7 0 3 3 ； 中石油科技创新基金研究项目 编号 2 0 1 0 D - 5 0 0 6 - 0 6 0 1 作者简介 武晓朦 1 9 7 4 - ， 女， 副教授， 主要从事自动控制方面的研究． E - m a i l x m w u d z x s y u ． e d u ． c r l 一 9 8一 西安石油大学学报 自然科学版 图 1最优分类超平 面 Fi g ． 1 Op t i ma l c l a s s h y p e r p l a n e 若样本集Q{ X ，Y l 1 ， 2 ， ⋯， n } ， x ∈ R ，Y ∈[ 一1 ， 1 ] 是线性可分的， 则存在分类超平面 O J X0 , X∈R ， 对样本集 Q中任-- x n Y 都满 足 f ’‘ ’ b ≥ ， 当j ， 埘 ； 1 [ w T x b≤一1 ， 当Y 一1 时． 空间R 中样本X 一 ， 到分类超平面 的距离d f W T x b l／l I W l l ， 其中 II goIl ／ ∞ c c，． 2 当存在X 使得 ’． ’ X b1 ， 则图1 中超平面 的分类间隔 m a r g i n2 ／ lI gOII． 3 使分类间隔 m a r g i n最大的超平面即为最优分 类超平面． 寻找最优分类超平面的问题将转化为求 如下一个二次规划问题 m i n 4 II ∞ lI ’ 4 满足约束条件 Y X b ≥ 1 ， i1 ， 2 ， ⋯， L 5 采用 L a g r a n g e 乘子转换为一个对偶问题， 形式 如下 m a x W ∑ 一 ∑Y iY i a ， ， 6 ￡ 1 ‘ - J 1 满足约束条件 0≤ ， i1 ， 2 ， ⋯， ￡； 7 ∑a ia j 0 ． 8 其中 仅 为每一个样本对应的 L a g r a n g e乘子， 根据 K u h nT u c k e r 条件， 这个优化的解必须满足 Y gO t b ]一1 0 ， i 1 ， 2 ， ⋯， L ． 9 多数样本对应 将为0 ， 少部分不为0的 对 应的样本就是支持向量． 最后得到分类判别函数为 g s g n f x s g n ． Y i b ． 夏 于 寻『 司堑 1 0 式中， b 是分类的域值， 可以通过两类中任意 一 对支持向量取中值求得． 对于空间R 中任意样本 X ， 2 ， ⋯， d ， 当I．厂 I 1 时， 表示此时X 在超平面的分类间隔内， l 厂 X l 越趋于0 ， 则当前分 类超平面对于 的区分能力越差． 而 I f X I ≥l 时X 能被超平面正确分类． 对于线性不可分的问题， 可以 通过引入松弛变量的方法推广最优分类超平面的概 念 ， 更一般的方法是用满足 M e r c e r 条件的核函数 K x ， X j 代替式 1 0 中的内积， 就是通过一个非线 性映射 ， 在一个高维特征空间中给出一个最优分 类 超平面． 2 S V Ms 在 焊管焊缝缺 陷在线检测 一中的应用 2 ． 1 选取特征参数 根据G B 6 4 1 7 8 6 金属熔化焊缝缺陷分类和说 明 ， 结合焊缝常见情况， 将焊缝中缺陷粗略分为 裂纹、 未焊透、 未熔合、 气孔、 夹渣、 形状缺陷6 大类． 由于形状缺陷易于辨认， 故本文只讨论其他 5种缺 陷的识别与分类． 影像的几何形状、 黑度及黑度分布， 以及缺陷在 底片上的位置是识别缺陷的3个重要方面． 通过选 择正确的特征量提取特征参数， 对焊缝缺陷正确的 识别与分类． 决定缺陷类别的特征参数主要包括以 下6 个因素 长宽比 、 圆形度 e 、 等效面积S ／ C 、 缺陷与背景的灰度差 A h 、 缺陷自身灰度偏差 6 及缺 陷的相对位置 d ． 2 ． 2 图像处理技术 在对焊缝图像进行特征参数进行提取之前， 由 于图片中噪声的存在， 必须对图片进行前期处理， 使 得特征参数的提取更为精确和容易． 这些图像处理 技术主要包括图像增强、 边缘检测、 形态学处理、 二 值化等． Ma t l a b 在数据处理与图像处理方面有着很强的 优势， 本文借助其图像处理函数完成上述几项处理． 2 ． 3 特征参数提取 焊缝图像在进行初步的图像处理以后， 接下来 就是对其 6 个参数进行特征提取． 长宽 比 ／ ￡ 是被检测缺 陷的长径和短径 武晓朦等 S V Ms 在油气管道焊缝缺陷检测中的应用 一 9 9一 之比． 及缺陷的平均灰度z ， 再求灰度差 A hZ 一Z ． 圆形度 e4 I r S ／ C ． 只要求出缺陷的面积和周 长 ， 圆形度即可得 出． 等效 面积．得 知 面积 和周 长 ， 等效 面积 就 能 得出． 灰度差 A h ． 根据函数求出背景的平均灰度z 以 缺陷自身灰度差6 ， z m a 为缺陷 的最大灰度值， Z为缺陷的任意一点灰度值． 此参数 求取也可通过 函数实现． 某原始图像经程序处理后效果如图2 所示． ■ ■ ．■ a 原始图像 b 维纳滤波后图像 c 直方图均化后图像 一 ■ d 膨胀后图像 e C a n n y 算子分割后图像 图2 图像分割技术 Fi g ． 2 I ma g e s pr o c e s s e d s e g me n t a t i o n t e c h ni qu e s 通过以上方法可求出焊缝图片的特征参数， w i n d o w s 文件夹下． 表 1为一组对应的特征参数的程序提取值 表 1 一组缺陷特征参数实程序提取值 Ta b ． 1 Ex t r a c t i on v a l u e o f c h ar a c t e r i s t i c pa r ame t e r s of d e f e c t s 3 焊缝图像支持向量机识别 3 ． 1 二分类焊缝图像支持 向量机识别 L ib s v m软件中的调用都是基于 D O S 命令， 故以 下所说的命令均在命令提示符下输入． 基于支持向 量机的焊缝图像识别的具体步骤主要包括 1 数据准备 建立一个“ b u n s c a le ． tx t ” 文件， 将已知2个分类 的焊缝图片分类的特征提取值按照 l ib s v m的数据 输人格式输入 ， 将该文件放 在 l i b s v m安装 目录下的 2 数据缩放 按照默认参数 与核 函数类型 ， 完成对文件 “ b - u n s c a l e ． t x t ” 的缩放， 并将缩放后的对应的文件“ b ． d a t a ． t x t ” 放在 w i n d o w s 文件夹下． 3 数据训练 对已知样本分类进行训练后， 建立焊缝图像 S V M模型文件“ b - mo d e 1 ． t x t ” ， 将其置于 w i n d o w s 文 件夹下． 4 数据预测 利用已知的样本分类建立起来的 S V M模型， 回 过来对其预i 贝 0 正确率进行验证 ， 并将结果放在 w i n - d o w s 文件夹下的“ b - r e s u h ． t x t ” 文件 中． 5 交叉验证 命令 s v m t r a i n v 3 b d a t a ． t x t 结果 C r o s s V a l i d a t i o n A c c u r a c y 9 6 ． 7 7 8 9 ％ 即对未知样本的预测正确率为9 6 ． 7 7 8 9 ％． 6 参数最优 本文采用默认的核函数和参数值对样本进行训 练． 默认核函数为 R B F核函数， 其参数 C和g的默 认值分别为 1 和 1 ／ k ． ． - 1 0 0- - 西安石油大学学报 自然科学版 研究中除了在同一特征空间优化 c以获得对 应该空间的最优 S V M， 还要优化核函数参数 g以获 得全局最优的 S V M ． 不同的 C值和 g值， 也会得到 不同的预测的正确率 ， 见表 2和表 3 ． 表 2 参数变化时的样本训练 C 2 ． 0 T a b ． 2 S a mp l e t r a i n i n g w h e n p a r a me t e r g v a r i e s C 2 ． O g值0 ． 1 0 ． 3 0 ． 5 0 ． 7 支持向量 6 3 9 3 1 1 8 1 4 9 正确率／ ％ 9 7 ． 3 6 9 7 ． 6 6 9 8 ． 1 0 9 8 ． 9 8 表3 参数变化时的样本训练 g O ． 5 T a b ． 3 S a mp l e t r a i n i n g w h e n p a r a me t e r C v a ri es g O ． 5 C的取值 1 ． 0 2 ． 0 3 ． 0 4 ． 0 支持向量 1 2 6 1 1 8 l l l 1 0 5 正确率／ ％ 9 8 ． 1 0 9 8 ． 0 9 9 8 ． 9 4 9 8 ． 8 3 由表可知 ， C值和 g值对整个 支持 向量机对样 本的识别 率起 到很关键 的作用， 需要使用文件 g r id r e g r e s s i o n ． P Y 进行调整． 利用最优化的 c和g的 值重新训练和预测． 3 ． 2 多分类焊缝图像支持向量机识别 通过前面的分析不难看 出， 普通的支持向量机 只是针对两分类 问题设计 的， 不能直接用于多聚类 问题。 焊缝缺陷有 5种类别， 是一个多聚类问题， 因 而无法直接应用 S V M来解决实际的焊缝缺陷聚类 问题． 解决 多聚类 问题常用 的方法有 3种 “ 一对 多” o n e a g a i n s t r e s t ， O A R 聚类法 、“ 半对半” h a lf a g a i n s t h a l f ， HA H 聚类 法、“ 一对一 ” o n e a g a i n s t o n e ， O A O 聚类方法． “ 一 对一” 聚类法又称作投票法， 即为了对 类 训练样本进行两两区分， 就在 K个类别之间两两构 造[ K K一 1 ] ／ 2 个S V M学习机， 即任意两类样本 构造一个学习模型， 而训练样本集也会相应地分成 [ K 1 ] ／ 2 个样本子集， 每个分类器只是在对 应的样本子集上进行训练， 得到[ K一1 ] ／ 2 个 S V M分类器． 测试时采用投票法 ， 每个测试样本分 别经[ 1 ]／ 2个分类器识别， 如其属于第 i 类 ， 就在第 类上加 1 ， 否则在第 类 的投票上加 1 ， 直 到所有的分类器分类完成 ， 得票最多的类即为测试 样本所属类别． 焊缝有5 类焊缝缺陷， 故要建立1 O 个 S V M分类器． 本文采用 O A O策略， 首先将训练样本分成是个 样本子集 ； 再根 据 l 0个样本子集建 立起 相对应 的 S V M学习机并输人对应子集中的训练样本， 得到相 应参数 W ， b ； 最后根据所得 1 0对参数 W ， b ， 分别 建立 1 0 个 S V M分类器并对测试样本进行识别 ， 即根 据输出值Y的正负来判断缺陷类别． 每个 S V M分类器具体的建模过程如图3 所示． 匠 J 区 S V M S V M 学 型兰 臣互卜 } 学 习 - l 习 l 机 I I 机 l I 区 ； E a S V M模型学习机 b 】 S Ⅵ 模型分类器 图 3 支持 向量机建模过程 F i g ． 3 Mo de l i n g pr o c e s s o f SVM s 3 ． 3 实验结果 分类器 S V M A B表示 由A， B两类训练样本进 行训练得到的分类器， S V M A C ， S V M A D ， ⋯， S V M D E 表示意义可类推． 为了便于根据输出数值 判断缺陷类别 ， 训练样本子集中代表类别字母靠前 的类别设为 一1 类， 字母靠后缺陷类别设为 1 类． 如样本子集包括 A和 B两类样本， 则 A类样本设为 一 1 类， B 类样本为 1 类， 以此类推可得所有样本子 集中两类样本 i √ i 分别表示缺陷类别 A ， 曰， C ， D ；j 分别表示B ， c ， D ， E ；j 代表的类别字母较 i 的靠后 ． 所以， 当分类器 S V M 一 对某样本识别输出结果为 负， 则表示该分类器判断该样本属于 i 类； 结果为 正， 则判断为 类． 如表4中 1 号样本， S V MA B分 类器识别的输出结果为 一 0 ． 7 7 7 ， 故该分类器判断该 样本属于A 类缺陷， 投A类 1 票； 统计各类缺陷得票 结 果发现 ， A类得4 票 ， E类3 票 ， C类2 票 ， D类 1 票 ， 而 B类得 0票 ， 故 1 号样本最终识别结果为 A类 ， 与 期望类别一致． 实验结果见表 4 ． 表4 焊缝缺陷识别多分类的实现 Ta b． I mp l e me nt o f mo r e da s s i fic a t i o n i d e nt i fic atio n o f we l d d e f e c 武晓朦等 S V Ms 在油气管道焊缝缺陷检测中的应用 1 0 1．- 续表 4 4 结 论 本文针对焊缝缺陷分类特点， 通过对 O A R、 H A H和 O A O三种不同的多分类算法分析， 选择 O A O聚类方法． O A O算 法 由多个 S V M分类器共 同 投票决定某一样本的缺陷类别， 减小了由单个分类 器分类所带来的错误概率， 对 x射线底片焊缝缺陷 识别能获得较好的识别效果， 具有很强的推广性 参 考 文 献 [ 1 ] 任大海， 尤政， 孙长库， 等． 焊缝 x射线实时成像 自 动 分析系统[ J ] ． 焊接学报， 2 0 0 0， 2 1 1 6 1 - 6 3 ． REN Da h a i ， YOU Z h e n g ， S UN C h a n g - k u， e t a 1 ． Au t o ma t - i c ana l y z i n g s y s t e m o f X- r a y r e al t i me r a d i o g r a p h y f o r w e l d s [ J ] ． T r a n s a c t i o n s o f t h e C h i n a We l d i n g I n s t i t u t i o n ， 2 0 0 0 ， 2 1 1 6 1 -63 ． [ 2 ] 张晓光， 高顶． 射线检测焊接缺陷的提取和自动识别 [ M] ． 北京 国防工业出版社， 2 0 0 4 ． [ 3 ] 陈慧琴． 用超声波检测管道的机器人[ J ] ． 机器人技术 与应用， 1 9 9 5 5 2 8 ． C HEN Hu i - q i n ． Ro b o t o f d e t e c t i n g o i l p i p e b y u l t r a s o n i c [ J ] ． R o b o t T e c h n i q u e a n d A p p l i c a t i o n ， 1 9 9 5 5 2 8 ． [ 4 ] 仲维畅． 磁偶极子与磁粉探伤 [ J ] ． 无损检测， 1 9 9 0 ， 2 3 6 6 - 7 0 ． Z HONG W e i c h a n g ． Ma g n e t i c d i p o l e I c h i a n a n d ma g n e t i c p a r t i c l e i n s p e c t i o n[ J ] ． N o n d e s t r u c t i v e T e s t i n g ， 1 9 9 0 ， 2 3 6 6 - 7 0 ． [ 5 ] 曾祥照． 焊接钢管在生产线上线的涡流探伤[ J ] ． 南方 钢铁， 1 9 9 7 6 3 3 - 3 5 ． ZE NG Xi a n g z h a o ． On l i n e e d d y c u r r e n t i n s p e c t i o n o f we l d e d s t e e l p i p e s [ J ] ． S o u t h e r n I r o n a n d S t e e l ， 1 9 9 7 6 3 3 _ 3 5． [ 6 ] 高红斌， 孙楠， 李东雄， 等． 金属检测法在火电厂检修 中的应用[ J ] ． 电站系统工程， 2 0 1 0 ， 2 6 6 5 5 - 5 7 ， 6 0 ． G AO Ho n g b i n， S UN Na n， L I Do n g - x i o n g ， e t a1． Ap p l i c a - t i o n o f me t al d e t e c t i o n i n t h e r mal p o we r p l ant ma i n t e n a n c e [ J ] ． P o w e r S y s t e m E n g i n e e ri n g ， 2 0 1 0 ， 2 6 6 5 5 - 5 7 ， 6 0 ． [ 7 ] 张鹏贤， 陈剑虹， 杜文江． 基于焊点表面图像处理的点 焊质量监测[ J ] ． 焊接学报 ， 2 0 0 6 ， 2 7 1 2 5 7 -6 0 ， 6 4 ． Z H A N G P e n g x i a n ， C HE N J i an- h o n g ， D U We n - j i a n g ． Q u al i t y m o n i t o ri n g o f r e s i s t a n c e s p o t w e l d i n g b a s e d o n i m a g e p r o c e s s i n g o f w e l d i n g s p o t s u rf a c e [ J ] ． T r a n s a c t i o n s o f the C h i n a We l d i n g I n s t i t u t i o n ， 2 0 0 6 ， 2 7 1 2 5 7 -60 ， 64． [ 8 ] 赵欣， 张延松， 陈关龙， 等． 基于神经网络优化的车身 镀锌板点焊性能预测 [ J ] ． 焊接学报， 2 0 0 6 ， 2 7 1 2 7 7 - 8 O． 8 4． ZHAO Xi n， Z HANG Yan s o n g ， CHE N Gu a n l o n g ， e t a1． P e r f o rm anc e p r e d i c t i o n i n s pot w e l d i n g o f b o d y g alv ani z e d s t e e l s h e e t s b a s e d o n a r t i fi c i a l n e u r al n e t wo r k a n d i t s o p t i - mi z a t i o n [ J ] ． T r a n s a c t i o n s o f t h e C h i n a We l d i n g I n s t i t u ． t i o n ， 2 0 0 6 ， 2 7 1 2 7 7 - 8 0 ， 8 4 ． [ 9 ] 张忠典 ， 李冬青， 赵洪运， 等． 建立点焊质量神经网络 监测模型时作用 函数的选取[ J ] ． 焊接学报， 2 0 0 2 ， 2 3 3 5 9 -62 ． ZHANG Z h o n g d i a n， L I D an g q i n g ， ZHAO Han g y u n， e t a 1 ． S e l e c t i o n o f a c t i o n f u n c t i o n w h e n e s t a b l i s h i n g the n e u r al n e t w o r k mo n i t o ri n g mo d e l o n q u ali t y o f s p o t we l d i n g [ J ] ． T r a n s a c t i o n s o f t h e C h i n a We l d i n g I n s t i t u t i o n ， 2 0 0 2 ， 2 3 3 5 9 -6 2 ． [ 1 0 ] V a p n i k V N ． A n o v e r v i e w o f s t a t i s t i c a l l e a r n i n g t h e o r y [ J ] ． I E E E T r a n s a c t i o n s o n N e u r a l N e t w o r k s ， 1 9 9 9 ， 1 0 5 9 8 8 - 9 9 9 ． [ 1 1 ]董婷． 支持向量机分类算法在 M A T L A B环境下的实现 [ J ] ． 榆林学院学报， 2 0 0 8 ， 1 8 4 9 4 - 9 6 ． D O N G T i n g ． S V M alg o ri t h m r e al i z e d i n ma b l a b [ J ] ． J o u r - n a l o f Y u l i n C o l l e g e ， 2 0 0 8 ， 1 8 4 9 4 - 9 6 ． [ 1 2 ]曾阳艳， 叶柏龙． 基于支持向量机的人脸识别系统的研 究[ J ] ． 计算机工程与应用， 2 0 0 8 ， 4 4 1 5 1 8 2 - 1 8 4 ． Z E NG Ya n g y a n， YE Bo l o n g ． F a c e r e c o gni t i o n b ase d o n s u p p o r t v e c t o r m a c h i n e s [ J ] ． C o m p u t e r E n g i n e e ri n g a n d A p p l i c a t i o n s ， 2 0 0 8 ， 4 4 1 5 1 8 2 1 8 4 ． 责任编辑 张新宝