一种工业x射线焊缝图像圆形、线性缺陷分类方法
【专利摘要】一种工业x射线焊缝图像圆形、线性缺陷分类方法，选择典型圆形缺陷和线性缺陷疑似局部图像各n个，将其归一化为h×w大小，并构建训练样本矩阵；计算平均缺陷图以及计算每一个样本缺陷图像的缺陷差值图像矢量；构件协方差矩阵计算特征形成特征空间，将每一个样本缺陷差值图像矢量投影到特征缺陷空间，通过定义并求取缺陷特征空间，避免了缺陷局部图像滤波、分割等处理；对圆形和线形缺陷分类问题而言；样本缺陷差值图像矢量投影到缺陷特征空间的过程简化为一简单的向量乘法，不仅提高了识别的精度，更减少了计算复杂度，提高了识别的实时性。
【专利说明】
-种工业X射线焊缝图像圆形、线性缺陷分类方法
技术领域
[0001] 本发明设及图像处理技术领域，特别设及一种工业X射线埋弧焊焊缝图像缺陷分 类方法，尤其针对圆形、线性缺陷进行分类。
【背景技术】
[0002] 埋弧焊技术广泛地应用于石油化工钢管和压力容器的制造中，焊接质量是保证钢 管和压力容器等国民经济重要设施安全运行的基础和根本保障。遗留在焊缝中的缺陷会导 致管道和压力容器的破裂与爆炸。因此埋弧焊焊缝缺陷检测识别是机械、冶金、石油化工等 行业设备制造中必不可少且尤为重要的环节。
[0003] 对焊缝缺陷的检测是通过无损检测(Non Destructive Testing，NDT)的方法来实 现的。在各种无损检测方法中，基于X射线焊缝图像的缺陷检测是最为重要，并已得到广泛 应用的方法。目前基于X射线焊缝图像的自动检测算法需要进行滤波、分割、判断等图像处 理。分割出的结果往往是各类缺陷与噪声并存，计算出的几何和纹理特征值难W准确，从而 导致缺陷类型无法准确判断。实际生产中，不同类型缺陷对焊接质量的影响不同。裂纹，未 焊透(线性缺陷)较之气孔等缺陷（圆形缺陷)对焊接质量的危害更大。快速准确的判定缺陷 是线形还是圆形对安全生产有着重要意义。
[0004] 但目前的检测算法大都只能区分缺陷和噪声，对缺陷的分类则由于图像阔值分割 误差等原因，或计算时间较长，或计算精度不足。当前还缺乏一种适应性强、与阔值选取无 关且计算时间能满足实时性要求的X射线焊缝图像圆形、线性缺陷分类方法。
【发明内容】
[0005] 为了克服上述现有技术的不足，本发明的目的在于提供了一种工业X射线焊缝图 像圆形、线性缺陷分类方法，通过降维处理图像实现缺陷的快速分类，具有计算实时性高， 且无需选取分割阔值的特点。
[0006] 为了达到上述目的，本发明的技术方案是运样实现的：
[0007] -种工业X射线焊缝图像圆形、线性缺陷分类方法，包括W下步骤：
[000引1)选择典型圆形缺陷和线性缺陷疑似局部图像各n个，将其归一化为hXw大小，并 构建训练样本矩阵
[0009
[0010] 其中，f为归一化后图像，按行优先原则生成的列向量；
[0011] 2)计算平均缺陷图
[0012
[0013] 3)计算每一个样本缺陷图像的缺陷差值图像矢量：
[0014] di = fi-it,i = l,---2n；
[0015] 4)构件协方差矩巧
[001 W 5 )利用雅克比法计算C的特征值(Al，? ? ?，A2n)和特征向量(山，? ? ?，U2n)，形成特征空 间，根据特征值的贡献率巧选取前P个最大特征向量及其对应的特征向量形成特征缺陷空间 W=(山，U2，...，Up);
[00171 且由.而献盎梦是指选取的最大的P个特征值之和与所有特征值和之比，即：
[OOU
[0019] 取A >0.9,即使训练样本在前P个最大特征向量集上的投影有超过90%的能量；
[0020] 6)将每一个样本缺陷差值图像矢量投影到特征缺陷空间，计算Oi = WT . di，i = l， 2...化；
[0021] 7)将待识别的缺陷图像归一化后按行优先的原则构成列向量K;
[0022] 8)将1〇与4的差值投影到特征空间，得到其向量表示0' =WT . (K-4;
[0023] 9)计算0'与Oi之间的欧式距离
[0024] 10)选取最小的￡min=min{>i}，i = l，2,...，化，确定其下标为j;
[0025] 11)样本j的类型即为待检测缺陷图像的类型。
[0026] 本发明通过定义并求取缺陷特征空间，避免了缺陷局部图像滤波、分割等处理。对 圆形和线形缺陷分类问题而言，A =0.9別寸P = I,此时W为向量。样本缺陷差值图像矢量di 投影到缺陷特征空间的过程简化为一简单的向量乘法，计算量减少为hXw次简单乘法和加 法。W图像大小归一化至IOX 10为例，单幅缺陷图像的投影特征空间的计算量仅为100次乘 法之和，极大的减少了计算复杂度，提高了计算的准确性。
【附图说明】
[0027] 图IA为实施例一待检测图像示意图。
[0028] 图IB为实施例二待检测图像示意图。
[0029] 图IC为实施例一、二的60张圆形缺陷样本图。
[0030] 图ID为实施例一、二的60张线性缺陷样本图。
[0031 ]图2A为实施例S待检测图像示意图。
[0032] 图2B为实施例四待检测图像示意图。
[0033] 图2C为实施例S、四的40张圆形缺陷样本图。
[0034] 图2D为实施例S、四的40张线性缺陷样本图。
【具体实施方式】
[0035] 下面结合具体实例对本发明做详细叙述。
[0036] 实施例一
[0037] 本实施例图像圆形、线性缺陷分类方法，包括W下步骤：
[0038] I)待检测图像为详见图1A，32位灰度图像，15 X 14,随机选择典型圆形缺陷图片60 张如图IC所示，线性缺陷图片60张如图ID所示，将所有图片归一化为IOX 10大小，并构建训 练样本矩阵
[0039]
[0040] 其中，f为归一化后图像，按行优先原则生成的列向量。
[0041 ] 2)计算平均缺陷图
[0042]
[0043] 3)计算每一个样本缺陷图像的缺陷差值图像矢量
[0044] Cli = M,i = l,---12〇；
[0045] 4)构件协方差矩P
[0046] 5)利用雅克比法计算C的特征值(Al,…，、20)和特征向量(山，…，U120)，形成特征空 间。根据特征值的贡献率梦选取前P个最大特征向量及其对应的特征向量形成特征缺陷空 间W=(山,…,Up)。
[0047] 其中，贡献率是指选取的最大的P个特征值之和与所有特征值和之比，即：
[004引
[0049] 取A =0.98,此时P = I,故特征缺陷空间W=(山）；
[0050] 6)将每一个样本缺陷差值图像矢量投影到特征缺陷空间，计算：〇i = WT . di，i = 1,...120;
[0051] 7)将待识别的缺陷图像归一化后按行优先的原则构成列向量K;
[0052] 8)将1〇与4的差值投影到特征空间，得到其向量表示0' =WT . (K-IlO ;
[0化3] 9)计算0'与Oi之间的欧式距离
[0化4] 10)选取最小的emin=min{>i}，i = l，2,...，120,解得649 = 0.210092176198225; [0055] 11)与最小的E49对应的049类型为圆形缺陷，待检测缺陷图像的类型为圆形缺陷。 [0化6] 实施例二
[0057]本实施例图像圆形、线性缺陷分类方法，包括W下步骤：
[005引1)待检测图像为详见图1B，32位灰度图像，11 X 13,随机选择典型圆形缺陷图片60 张如图IC所示，线性缺陷图片60张如图ID所示，将所有图片归一化为10 X 10大小，并构建训 练样本矩阵
[0化9]
[0060]其中，f为归一化后图像，按行优先原则生成的列向量。
[0061 ] 2 W+宵平愤缺陷图
[0062]
[0063] 3)计算每一个样本缺陷图像的缺陷差值图像矢量；
[0064] di = fi-4，i = l,...120
[00化]4)构件协方差矩巧
[0066] 5)利用雅克比法计算C的特征值,、2〇)和特征向量(U1,…,U120)，形成特征空 间。根据特征值的贡献率學选取前P个最大特征向量及其对应的特征向量形成特征缺陷空间 W=(山，...，Up);
[0067] 其中，贡献率《>是指选取的最大的P个特征值之和与所有特征值和之比，即：
[006引
[0069] 取A =0.98,此时P = I，故特征缺陷空间W=(山）；
[0070] 6)将每一个样本缺陷差值图像矢量投影到特征缺陷空间，有:〇i = WT ? di，i = lr-- 120；
[0071] 7)将待识别的缺陷图像归一化后按行优先的原则构成列向量K;
[0072] 8)将1〇与4的差值投影到特征争间.得哥I見向音亲元O' =WT . (K-IlO ;
[0073] 9)计算〇'与〇1之间的欧式距^
[0074] 10)选取最小的emin=min{>i}，i = 1,2,...，120解得670 = 0.0335504827912146;
[0075] 11)与最小的训对应的07日类型为线形缺陷，待检测缺陷图像的类型为线形缺陷。
[0076] 实施例S
[0077] 本实施例图像圆形、线性缺陷分类方法，包括W下步骤：
[0078] 1)待检测图像为详见图2A，32位灰度图像，14X13,随机选择典型圆形缺陷图片40 张如图2C所示，线性缺陷图片40张如图2D所示，将所有图片归一化为IOX 10大小，并构建训 练样本矩阵
[0079]
[0080] 其中，f为归一化后图像，按行优先原则生成的列向量；
[0081 ] 2)计算平均缺陷图
[0082]
[0083] 3)计算每一个样本缺陷图像的缺陷差值图像矢量
[0084] Cii=Ma=Ir--SO;
[0085] 4)构件协方差矩巧
[0086] 5)利用雅克比法计算C的特征值(Al,…，Aso)和特征向量(U1，…，U80)，形成特征空 间;根据特征值的贡献率 选取前P个最大特征向量及其对应的特征向量形成特征缺陷空间 W=(山，...，Up);
[0087] 其中，贡献率<^是指选取的最大的P个特征值之和与所有特征值和之比，即：
[008引
[0089] 取A =0.98,此时P = I,故特征缺陷空间W=(山）；
[0090] 6)将每一个样本缺陷差值图像矢量投影到特征缺陷空间，有:〇i = WT . di，i = lr-- 80；
[0091] 7)将待识别的缺陷图像归一化后按行优先的原则构成列向量K;
[0092] 8)将1〇与4的差值投影到特征空间，得到其向量表示0' =WT . (K-IlO ;
[0093] 9)计算0'与Oi之间的欧式距I
[0094] 10)选取最小的emin=min{>i}，i = l，2,...，80,解得628 = 0.227217431379563;
[00M] 11)与最小的E28对应的028类型为园形缺陷，待检测缺陷图像的类型为圆形缺陷。
[0096] 实施例四
[0097] 本实施例图像圆形、线性缺陷分类方法，包括W下步骤：
[0098] 1)待检测图像为详见图2B，32位灰度图像，22X41，随机选择典型圆形缺陷图片40 张如图2C所示，线性缺陷图片40张如图2D所示，将所有图片归一化为10 X 10大小，并构建训 练样本矩阵
[0099]
[0100] 其中，f为归一化后图像，按行优先原则生成的列向量；
[0101] 2)计算平均缺陷图
[0102]
[0103] 3)计算每一个样本缺陷图像的缺陷差值图像矢量
[0104] di = fi-ihi = l，'--S〇-
[0105] 4)构件协方差矩P
[01 (?] 5)利用雅克比法计算C的特征值(Al，…，Aso)和特征向量(山，…，U80)，形成特征空 间；根据特征值的贡献率?巧选取前P个最大特征向量及其对应的特征向量形成特征缺陷空 间W=(ui，.''，Up);
[0107]其中，贡献率取是指选取的最大的P个特征值之和与所有特征值和之比，即：
[010 引
[0109] 取A =0.98,此时P = I，故特征缺陷空间W=(山）；
[0110] 6)将每一个样本缺陷差值图像矢量投影到特征缺陷空间，有:〇i = WT.di，i = lr-- 80；
[0111] 7)将待识别的缺陷图像归一化后按行优先的原则构成列向量K;
[0112] 8)将1〇与4的差值投影到特征安间，得到巧向量亲示〇'=wT. U-IlO;
[0113] 9)计算0'与Oi之间的欧式距I
[0114] 10)选取最小的emin=min{>i}，i = l，2, ...，80,鮮得656 = 0.0259578025370024;
[0115] 11)与最小的E56对应的056类型为线形缺陷，待检测缺陷图像的类型为线形缺陷。
【主权项】
1. 一种工业X射线焊缝图像圆形、线性缺陷分类方法，其特征在于，包括以下步骤： 1) 选择典型圆形缺陷和线性缺陷疑似局部图像各η个，将其归一化为hXw大小，并构建 训练样本矩阵 L?-<ζ| 土航 J 其中，f为归一化后图像，按行优先原则生成的列向量； 2) 计算平均缺陷图- 3) 计算每一个样本缺陷图像的缺陷差值图像矢量： di = fi-it, i = 1, - -^n； 4) 构件协方差矩声5) 利用雅克比法计算C的特征值⑷，…，λ2η)和特征向量(Ul，…，U2n)，形成特征空间，根 据特征值的贡献率0选取前P个最大特征向量及其对应的特征向量形成特征缺陷空间W = (U1，U2，···，Up); 其中，贡献率炉是指选取的最大的P个特征值之和与所有特征值和之比，即：取Δ >0.9,即使训练样本在前p个最大特征向量集上的投影有超过90%的能量； 6) 将每一个样本缺陷差值图像矢量投影到特征缺陷空间，计算〇i = WT · di，i = l，2··· 2n； 7) 将待识别的缺陷图像归一化后按行优先的原则构成列向量！C; 8) 将κ与φ的差值投影到特征空间，得到其向量表示σ'=WT · (κ-φ;9) 计算〇'与〇i之间的欧式距? =1,2···2η； 10) 选取最小的emin=min{ei}，i = i，z, . . . ,ζη，确定其下标为j; 11) 样本j的类型即为待检测缺陷图像的类型。
【文档编号】G06K9/62GK105956613SQ201610261096
【公开日】2016年9月21日
【申请日】2016年4月25日
【发明人】高炜欣, 穆向阳, 武晓朦, 王征
【申请人】西安石油大学