焊缝识别

焊缝识别（共4篇）

焊缝识别 篇1

摘要：文章根据水下焊缝跟踪的要求, 设计了一套双目立体视觉传感器。采用卤钨灯辅助光源加复合滤光系统, 较好的去除了弧光、飞溅等干扰, 拍摄到较为清晰的焊缝图像。针对水下焊缝图像模糊, 对比度低的特点, 采用模糊增强的图像处理技术, 并对Pal处理算法进行了改进, 提高了图像处理的效率, 获取了清晰的边缘图像.边缘检测后, 对左右焊缝特征点进行扫描, 准确地提取了焊缝中心。从而为水下空间缝自动化跟踪打下了基础。

关键词：双目视觉,模糊增强,边缘检测,焊缝识别

0 引言

21世纪是人类开发利用海洋的时代, 随着海洋石油和天然气工业的发展, 海洋管道工程日益向深海挺进, 发展水下自动化焊接技术已刻不容缓。由于药芯焊丝水下湿法焊接的工作环境非常恶劣, 在焊接过程中存在着强烈的弧光、气泡、飞溅、电磁以及工件表面污染等的干扰[1], 由CCD摄取的焊缝原始图像中不可避免地含有各种形式的噪声。因此, 设计一套水下视觉系统是保证获取焊缝图像实现跟踪的第一步。边缘检测技术是图像分析与识别的重要工具, 在双目视觉的特征匹配中, 边缘元素常作为首选的匹配特征[2], 但由于水下图像的特殊性, 采用传统的结构特征或一般的灰度特征进行图像分析巳不适应, 针对图像中物体的边界所具有的不确定性和模糊性, Pal提出了一种图像边缘模糊增强算法, 首次将模糊集理论引入到图像分割算法中, 实现目标物的识别[3]。因此, 本文为了实现机器人水下空间焊缝跟踪, 对水下焊缝图像的获取及识别进行研究, 设计了水下双目视觉系统, 采用模糊增强图像处理算法对图像质量进行了改善, 准确地实现了焊缝的识别。

1 水下双目视觉图像采集系统

1.1 水下双目视觉传感器

水下双目视觉传感系统结构如图1所示。水下卤钨灯与二个CCD摄像头均具有完全密封的防水结构, 整个外壳由不锈钢材料加工而成, 内置器件可方便地放入并取出。其中, 卤钨灯的外形尺寸为φ41×107mm, 空气中重量0.3kg, 水下的重量0.25kg, 其最大功率为50W, 放在熔池前方附近区域进行照明, 供电电源采用TPR-6405直流可调压电源, 其调节范围为0~35V, 因此, 可调节电压的大小来得到合适的亮度。另外, 水下双目视觉CCD传感器是本系统中采集图像信号的关键部分, 单个摄像头的外形尺寸为φ47×135mm, 空气中重量为0.6kg, 水下重量0.4kg。满足传感器轻量化和小型化的要求, 从而大大减轻机器人的负重而在焊接过程中更加稳定。CCD摄像头分辩率为782 (H) ×582 (V) 像素, 为了增加清晰度及适应性, 焦距手动可调, 视角范围为40°。同时, 设计了一块弧形装配板来装配摄像头与灯源, 该板也可以挡去一部分弧光及飞溅。卤钨灯的位置通过装配板固定于焊缝正上方, 两摄像头的角度在弧形装配板上进行调节, 在实验中可根据实际情况调节摄像头的装配高度以获得最适合的图像范围。摄像头前部加滤光片和保护玻璃, 设计中采用旋钮式结构使得更换滤光片更加方便。

1.2 复合滤光系统

在水下焊接的情况下, 焊接时由于电弧的加热作用使水汽化, 在焊接区域会产生大量的气泡, 气泡不断地产生、长大、破裂, 给焊接区域造成不规则的扰动, 影响焊缝图像的清晰度。更不利的是, 在水下, 焊接产生的烟尘、各种金属蒸汽等不能及时排开而聚集在焊接区域周围, 在更大程度上影响了所摄取的图像中焊缝的清晰度。因此, 要采用相应的滤光系统滤去噪声, 由于在600~700nm波段内, 电弧辐射相对强度最弱, 同时也最稳定[4], 在滤光片中, 大红色滤光片允许通过的波段大于610nm, 紫红色滤光片所允许通过的波段是380~430nm和630~750 nm, 因此本文设计采用大红+紫红色复合滤光系统来滤除部分电弧光获取了比较清晰的焊缝图像, 如图2 (a) 为无滤光系统的图像, 图2 (b) 、图2 (c) 为加滤光系统后的图像。

2 焊缝图像识别

2.1 图像的滤波去噪

图2中 (b) 、 (c) 为药芯焊丝水下焊接时实时摄取的焊缝图像, 图像中上方的白色亮区为焊接电弧, 下方白色亮区为辅助光源照亮的区域, 中间黑色直线部分为待焊焊缝。由图可见, 图中出现了一些汽泡, 飞溅及弧线状的扰动。对于含有这种噪声的图像, 如果直接进行二值化, 在二值图像中仍然存在着这些噪声, 这给后续的焊缝识别带来了困难, 可能使得焊缝识别出现错误。因此, 需要对原始图像进行滤波来去除噪声。考虑到水下焊接焊缝图像噪声的特点以及滤波处理的时间, 采用5×5方形窗口的中值滤波[2], 对CCD所拍图像进行滤波处理。中值滤波后, 焊接中产生的噪声基本被滤掉, 而焊缝边缘没有受到影响, 滤波后如图3所示。

2.2 模糊增强及边缘检测

由图3可以看出, 经中值滤波后, 大部分噪声已经去除, 但是由于水体对光的散射和吸收效应严重影响水下成像过程, 图像对比度低、纹理模糊, 特别是在焊接情况下, 由于弧光的强烈干扰, 光源照亮区域显得亮度很低, 焊缝部分不是很清楚, 因此必须采取更好的办法来增强焊缝边缘信息.文献[3]中, Pal.King采用模糊边缘检测方法提取边缘, 但这种方法消耗时间长, 运算复杂且效果不很理想, 本文采用一种改进的Pal模糊边缘检测算法。以下为该算法的步骤:

第一步, 采用OTSU法[5]选择最佳阀值KT, 设给定的图像具有L级 (L=255) 灰度值, 在1~L间选择阀值KT, 将图像分为目标与背景二类。如果二类的类间方差σB2最大, 则KT即为所求最佳阀值, 其计算公式如下:

式中:

u0, u1-由KT划分的2个区间灰度的平均值

uA-整幅图像灰度的平均值,

w0, w1-灰度值小于和大于的概率之和

从0~L-1依次改变σB2值, 取使σB2最大的值KT作为最佳阀值。

第二步, 重新定义隶属度函数为:

与Pal算法不同的是, 本算法分区域将表示图像像素 (i, j) 灰度级Xij相对于阀值KT和最大灰度值Xmax的隶属度, 这样对图像低灰度区域的信息损失小, 并且重新定义的隶属度函数没有复杂的幂运算, 提高了算法的效率.

第三步, 图像的模糊增强和分割。图像的模糊增强目的是以特定的阀值为界限, 对低灰度区域进行衰减弱化运算, 对高灰度区域进行增强, 以此使得图像各个区域之间的层次比较清楚, 提取的边缘可以更细, 更准确。增强后的图像再进行分割后, 就会产生二值化的效果。模糊增强逆变换公式如下:

第四步, 使用Nakagowa和Rosenfeld提出的“min”和“max”算子提取边缘[6]。定义图像的边缘矩阵为:

利用VC++6.0编制上述算法程序, 在主频为2.8GHz的计算机上进行实验, 实验中, 对未改进的Pal算法和改进的算法进行模糊增强比较。限于篇幅, 未改进的Pal算法, 只取1个摄像头的图像进行处理。对2个摄像头截取的待处理图像大小均为280×210像素, 实验得出, Pal算法模糊增强执行时间为36.5ms。改进后模糊增强执行的时间为17.8ms。从图4、图5比较可以看出, 改进后的图像效果明显比未改进的要好, 噪声基本上得到了抑制, 分割后图像的边缘平滑, 边缘检测的连续性也很好, 实验证明, 完全可以实现焊缝识别。

2.3 焊缝中心提取

水下焊缝图像存在许多的干扰, 经过边缘检测得到的图像还不能直接提取待焊焊缝的中心线, 如何在众多的干扰中识别待焊焊缝中心线是目前焊缝跟踪的关键问题之一。边缘检测后的结果如图5 (e) 、 (f) 所示, 其中白色的像素为255, 黑色像素为0, 在图像的中心由两条基本平行的白色直线围成的黑色区域即为焊缝坡口, 两边由直线和不规则的曲线围成的黑色区域则是电弧与辅助灯照射区, 图像上部为电弧区, 其它呈现黑色的区域为工件背景区。焊缝中心识别的算法如下:

对焊缝图像处理后的结果图像, 由下至上逐行扫描, 对于存在焊缝坡口的一行像素, 从左至右应该有4个从0到255的突变点, 分别称作“弧光照亮区左边缘特征点”, “焊缝左边缘特征点”, “焊缝右边缘特征点”, “弧光照亮区右边缘特征点”, 存在这4个特征点的行称为“焊缝特征行”, 而“左右焊缝边缘特征点”的中心即为焊缝中心, 为提高焊缝中心识别的稳定性, 找到一个缝中心点后, 继续对下面4行搜索焊缝特征点, 若连续5行都存在焊缝左右特征点, 而且每一焊缝特征行的中心点位置与前行的中心点位置相差不超过3个像素, 则确认找到焊缝中心位置, 并设焊缝中心值为5个中心点位置的平均值, 实验证明, 该方法简单有效, 准确率达964%。识别的焊缝中心如图6所示。

3 结论

本文所设计的水下双目视觉传感器体积小、重量轻, 满足传感器轻量化的要求, 能够很好地用于机器人水下焊缝跟踪。CCD摄像机可手动调焦, 提高了水下摄像头的适应性。采用卤钨灯辅助光源加复合滤光的办法, 较好地去除了噪声, 拍摄到较为清晰的焊缝图像。同时, 针对水下焊缝图像模糊, 对比度低的特点, 采用模糊增强图像处理技术, 并对Pal处理算法进行了改进, 提高了图像处理的效率, 获取了清晰的边缘图像。基于左右焊缝边缘特征点的焊缝中心提取方法简单有效, 对于对接及坡口对接焊缝识别的准确率高, 完全可用于实时跟踪。此外必须指出:文中所用算法, 不适用于搭接、角接焊缝的识别。

参考文献

[1]梁明, 王国荣, 等.药芯焊丝水下焊接视觉传感焊缝自动跟踪系统[J].电焊机, 2001, 31 (10) :17-19.

[2]阮秋琦.数字图像处理学[M].北京:电子工业出版社, 2003.

[3]Pal S K, King R A.One edge detection of X-ray images usingfuzzy sets[J].IEEE Trans.PAM I, 1983, 5 (1) :69-77.

[4]石永华, 王国荣, 等.药芯焊丝水下焊接焊缝跟踪视觉传感系统的设计[J].焊接技术, 2000, 29 (4) :20-21.

[5]李国进, 王国荣, 等.水下焊缝自动跟踪路径的识别[J].焊接学报, 2005, 26 (3) :58-62.

[6]Kuo Y H, Lee C S, Liu C C.A new fuzzy edge detection method for image enhancement[A].IEEE international Conference on Fuzzy Systems, 1997, 3 (2) :1069-1074.

焊缝识别 篇2

超声波检测是目前五大常规无损检测技术之一。它具有灵敏度高、穿透能力强、检测速度快、检测成本低、设备体积小、重量轻、对人体及环境无害以及便于现场使用等优点。因此, 被广泛应用于承压特种设备对接焊缝的检测。但在实际超声检测过程中, 由于超标的回波性质难以判断, 往往会使一些非危险性的缺陷被严重化, 而一些含有危险性缺陷被忽视。以下根据本人平时实际工作中的积累, 对对接焊缝超声检测中常见的缺陷回波及伪缺陷回波的特征做一分析, 以辅助其超声检测中的判定。

2 各种缺陷回波的信号分析

缺陷对超声波的反射特性不仅取决于缺陷的取向、几何形状、种类、性质等因素, 还与所使用的超声检测系统特性及显示方式有关。因此, 超声波在对缺陷定性方面有着很大的困难。下面对对接焊缝超声检测中几种常见缺陷的波形进行分析、判定。

(1) 裂纹

裂纹是焊接接头中影响很大的缺陷, 由于裂纹内多有气体存在, 属于钢/空气界面, 声压反射率高。因此, 回波高度较大, 波幅宽, 会出现多峰。回波前沿陡峭, 后沿斜率很大。探头平移时, 反射波连续出现, 波幅有变动;探头转动时, 波峰有上下错动现象。超声波对裂纹较敏感, 探测面合适时, 裂纹缺陷回波高度异常突出, 反射强烈。检测中一般以最大回波作为判断裂纹性质的依据。

(2) 未焊透

未焊透是由于母材金属未熔化, 焊缝金属没有进入接头根部而形成的。在焊根部位, 两端较钝, 有一定长度, 属于平面状缺陷。一般探头移动时, 未焊透反射波波形稳定, 从焊缝两侧探伤, 均能得到大致相同的反射波, 位置不变, 探头垂直焊缝转动时, 波形消失快。

(3) 未熔合

未熔合是由于焊缝金属与母材金属, 或焊缝金属之间未熔化结合在一起而产生的缺陷。其反射波的特征一般为探头平移时波形较稳定;从两侧探测时, 反射波幅不同, 有时只能从一侧探到。当超声波垂直入射到其表面时, 回波很强, 底波明显降低, 甚至消失。如探伤方法和折射角选择不当, 就有可能造成漏检。

(4) 咬边

咬边是由于电弧将焊缝边缘的母材熔化后没得到熔敷金属的充分补充而造成的。咬边信号一般出现在根部信号的前面, 当探头在焊缝两侧探伤时, 一般都能发现, 用手指沾油轻轻敲打焊缝边缘咬边处, 观察到反射信号有明显跳动, 则证明是咬边反射信号。

(5) 气孔

气孔是焊接时, 气体未在金属凝固前逸出, 残存于焊缝之中形成的空穴。由于气孔通常不大, 其回波高度一般较低。从不同方向探测, 缺陷回波无明显变化, 但稍一移动探头, 信号就消失。密集气孔为一簇反射波, 其波高与气孔大小有关, 当探头作定点转动时, 会出现此起彼落的现象。

(6) 夹渣

夹渣是焊后熔渣残存在焊缝中的现象。夹渣内含有非金属等杂物, 其声压反射率低。条状夹渣的回波信号多呈锯齿状, 波宽而带有多个波峰。点状夹渣的回波信号与点状气孔相似, 但有方向性, 斜探头从不同方向探测, 反射波高不同。

(7) 内凹

内凹多由于收弧时焊条未作短时间停留造成的。一般在仰、立、横焊时在焊缝背面根部容易出现内凹。在直探头检测时, 焊缝两侧底波信号声程高于中心上回波信号声程。斜探头探测时, 回波信号波幅不高, 深度略小于母材壁厚。

3 各种伪缺陷回波的信号分析

焊缝超声检测中, 除了在屏幕上出现缺陷回波以外, 还会出现伪缺陷波。它并非由焊缝中缺陷造且类型较多, 在实际探伤中所出现的一些非缺陷讯号, 会干扰我们对缺陷的分析和判定。下面对对接焊缝超声检测中几种常见的伪缺陷波形进行分析、判定。

(1) 探头杂波

探头杂波一般是紧随始波之后, 它不随探头移动而变化, 波形位置固定。探头杂波主要是由于探头结构设计不合理, 探头内的部分纵波反射被晶片接收, 探头吸收块作用降低, 探头晶片位置不适宜等原因形成的。

(2) 耦合剂形成的杂波

耦合剂层形成的杂波反射, 其波形较活跃, 有时探头不动, 波形也会变化, 有时探头稍动, 波形变化更大, 无一定规律。有时重探同一部位, 波形无重现性。这种杂波一般采用手指点摸探头前沿, 会出现反射波幅变化或消失。被检测的物体表面不平整使探头与被检测物体表面有较大间隙, 其间隙被耦合剂填充及探头前沿耦合剂堆积过多都是形成这种杂波的主要原因。

(3) 仪器杂波

仪器杂波在屏幕上的位置多固定, 检测时也不随探头移动而变化。其主要原因是仪器性能不良, 抗干扰能力差, 杂波信号未能得到充分抑制。

(4) 错边引起的反射波

错边是焊接时焊偏或由于在加工坡口上下刨得不对称而造成上下焊缝错位。由于焊缝错位, 在一侧探伤时, 焊角反射波很像焊缝内缺陷, 当移到另一侧探伤时, 一次波前没有反射波。在超声检测中, 对反射波定位时考虑焊接接头错边量的影响是非常重要的。

(5) 扩散声速在焊缝余高上的反射波

在对接焊缝超声探伤时, 屏幕上时常会出现距母材表面2、3个毫米深度范围内有不同长度的、连续的超标反射回波。这些回波并非一定是缺陷波, 它有可能是探头扩散声速在焊缝表面的反射回波。遇到此类波形情况时, 需认真观察焊缝外形, 可进行双面双侧扫查, 还可更换探头角度重新扫查, 必要时也可用砂轮打磨焊缝余高后再进行扫查判断。

(6) “山”形回波

“山”形回波主要是横波入射, 经底面反射形成反射横波和变形反射纵波, 且两种波经焊缝上表面反射后沿原路返回被探头接收, 加上下焊角的反射回波, 形成所谓的“山”形回波。“山”形回波具备单侧检测特征, 即两侧检测时不会出现同一个“山”形回波。这主要是由于“山”形回波是焊角回波所派生的, 而焊角回波只能在与其相对的一侧才能检测到。因此, 可以用双侧检测法将“山”形回波与缺陷区别开来。

(7) 焊缝表面沟槽引起的反射波

扫查多道焊缝表面形成的沟槽时, 会产生沟槽反射波。这种波波形特点为不强烈, 迟钝, 一般出现在一、二次波处或稍偏后位置。

结语

超声波检测技术虽然在对接焊缝的检测中有较大的优点, 但由于无法得到缺陷图像, 缺陷的形状、表面状态特征也很难获得, 要对超标的回波性质作出正确的判断还是较为不易的。因此, 要能准确地判定出裂纹、未焊透、未熔合等危险性较大的缺陷, 需在检测前应对被检测工件的材质、焊接工艺、介质和坡口形式等进行了解, 以便分析出缺陷产生的可能性及其出现部位。还应通过对缺陷规律的了解, 防止缺陷的漏检。当仪器屏幕上出现超标波形时, 不要轻易的做出缺陷的判定, 应根据反射波的形态、探头位置微小的变化和反射点的位置分析一下反射点的性质。如真伪缺陷、缺陷类型、缺陷尺寸确实难以作出断定时, 应采用其他无损检测手段, 如X射线照相、磁粉和渗透检测等来辅助判断, 切勿轻率的作出结论。

摘要：本文根据现场实际检测工作, 对对接焊缝超声检测中常见的缺陷回波及伪缺陷回波的特征进行分析识别。

关键词：对接焊缝,超声检测,缺陷,回波

参考文献

[1]郑晖, 林树青.超声检测[M].北京:中国劳动社会保障出版社, 2008:1-6, 319-327.

[2]王晓蕾.承压类特种设备无损检测相关知识[M].北京:中国劳动社会保障出版社, 2007:147-158.

焊缝识别 篇3

国内原油需求以及国际油价居高不下的情况, 决定了中国需要发展煤化工[1]。煤化工是指以煤为原料, 经化学加工使煤转化为气体、液体和固体燃料以及化学品的过程。煤化工技术复杂, 设备使用环境恶劣, 运行安全要求高。煤化工装备内的各种工艺介质多为易燃、易爆和有毒性的物质, 因此煤化工设备管路的设计压力和设备温度通常都比石油化工高[2], 而钛合金管件以其强度高和耐腐蚀性好等性能可保证煤化工设备质量高, 满足长周期运行, 延长使用寿命和确保运行安全的要求。本文针对TA2钛合金材料应用于煤化工设备管路管件制造过程中焊缝射线探伤质量控制问题进行研究。钛是较难焊接的材料, 在焊接的过程中, 由于受到各种设备、材料、方法、环境及人为因素的影响, 不可避免地出现气孔、夹渣、裂纹、未焊透、未熔合等现象。目前, 钛合金管件焊缝射线探伤的检测数据需要人工逐项和标准数据进行对比, 从而判断零件是否符合要求和等级。同时, 传统射线探伤所拍摄的相片需要有经验的人员进行判断, 该过程费时费力, 效率低, 且由于个人的经验程度不同, 以及眼睛疲劳等客观因素的影响, 会使判断结果出现漏判或误判等情况。利用计算机辅助钛合金管件焊缝射线探伤检测数据分析与射线探伤图像自动识别系统能够克服上述问题, 使分析的数据更具有一致性, 同时使得质量检测工作在数字化、标准化和自动化方面的程度更高。

1 系统原理

钛合金管件焊缝质量要求很高, 焊前用机械和化学两种方法清除氧化皮、油渍、水份及其他有机物。焊接采用自主研发的自动焊接机械手实现。焊缝不允许有弧坑、粗大鱼鳞纹等缺陷。经X射线探伤不允许有裂纹、夹杂、气孔等缺陷。钛合金管件焊缝射线探伤数字成像系统的硬件结构如图1所示。系统主要由计算机、图像采集卡、存储设备、监视器、摄像机、光学镜头、图像增强器、X摄像机、工作平台以及被检测的零件等部分组成。其中由摄像机、光学镜头、图像增强器、X摄像机、工作平台以及被检测钛合金管件零件组成的部分完成光电转换的任务, 具体过程如下:安装在工作台内部的X摄像机发出X射线, 该射线穿过被检测零件后被图像增强器接收, 并把不可见的X射线转换成可见光, 然后摄像机再将光学信号转换成电信号。摄像机再将图像输入图像采集卡, 经过图像采集卡中的A/D转换等处理后, 将最终的图像以256色灰度显示在监视器上。如果零件存在焊缝缺陷, 质量检测人员此时就会在监视器上看到图像上的不同图案, 主要是一些亮点或者一些亮线, 然后由图像处理系统根据图像上的这些不同特征来进行焊缝缺陷的判别[3,4,5,6,7,8]。

2 图像处理与特征提取

由于在管件焊缝成像的过程中, 焊缝缺陷部位会受到环境噪声、电磁干扰等因素的影响, 所成的图像会有所失真。因此采集的图像也无法直接进行模式识别, 需要采取相应的图像处理手段, 并进行特征识别, 才能进行焊缝缺陷的识别与评判。所以, 系统的关键在于能够获取清晰的、易于识别的数字图像, 然后才能在此基础上, 进行焊缝缺陷的识别、分类、存储以及后续的分析判断。利用计算机数字图像处理技术, 可以对图像进行预处理、分析并提取相应的特征, 从而保证产品质量的有效监控, 提高图像评定的效率。

2.1 图像预处理

管件焊缝图像的转换主要由两步完成:一是对采集到的光学图像用图像增强器、摄像机等进行光电转换;二是由计算机、图像采集卡等完成A/D转换。

为了消除图像噪声, 可以采用低通滤波器邻域平均法进行滤波, 但由于图像边缘轮廓含有大量的高频信息, 所以用邻域平均法过滤噪声时必然使边缘变得模糊, 此时就需要高通滤波器保护图像边缘, 但高通滤波器对嗓声的滤波效果不太理想。解决这一问题的方法是采用中值滤波[9,10]。中值滤波时, 一般采用一个含有奇数个点的滑动窗口, 将窗口中各点灰度值来代替定值 (一般是窗口的中心点) 的灰度值。对于奇数个元素, 中值是按大小排序后中间的数值;对于偶数个元素, 中值是指排序后中间两个元素灰度值的平均值。对数字图像进行中值滤波, 实质是对二维序列进行中值滤波。通过实验比较分析, 综合采用中值滤波-自适应阈值处理-孤点滤波处理-边缘检测-焊缝提取的方案对焊缝图像进行处理。

对管件焊缝图像滤除噪声以后, 需要对其进行图像二值化处理, 其目的是变灰度图像为黑白图像, 以便对后续的图像进行边缘检测以及曲线拟合。为了更好地突出需求信息并取得良好的效果, 选用自适应阈值方案并用最大方差法来确定自适应的阈值, 主要原理如下:

假设焊缝图像的灰度值为n级, 灰度值i的像素为mi, 那么, 此时总像素, 各灰度值的概率, 然后在k处将其分为两组, 即C0 (i=1, 2, …, k) 以及C1 (i=k+1, k+2, …, n) , 两组的概率分别为

两组的平均值分别为

式中, μ为整体焊缝图像的灰度平均值;μ (k) 为阈值为k时灰度的平均值。

整个焊缝图像灰度的μ值和σ2 (k) 值分别为

k在变化的过程中, 求σ2 (k) 最大值所对应的k值, 即求得所需阈值。由于自适应阈值处理后, 焊接管件表面锈斑的灰度值不均, 还可能有与焊缝灰度值像同的区域, 即存在少量的干扰孤点。所以, 还必须采取孤点滤波处理, 消除图像中的一些干扰点。

2.2 焊缝图像边缘特征提取

为了获取图像的边缘信息, 需要对图像的边缘信息进行提取, 本文拟采用边缘检测法, 因为在焊缝图像边缘处, 图像数据具有不连续性, 区域的灰度值发生突变, 边缘检测可以提取出图像的边缘特征而去掉图像的内部信息, 可极大地减少图像的数据量。经计算可得出在焊缝的边界处的灰度值的差值是最大的[11]。因此, 本文应用基于Sobel算子的边缘检测算法提取焊缝轮廓, 以求出轮廓坐标并显示有缺陷位置的坐标[12?13]。Sobel算子是一种离散性差分算子, 具有方法简单, 处理速度快, 获取的边缘光滑、连续等特点, 其表达式如下:

式中, Gx、Gy分别为图像函数f (x, y) 在点 (x, y) 处的梯度的幅度。

为了使边缘信息更加完整, 采用八方向的Sobel算子卷积模板, 如图2所示。

根据模板卷积运算检测出图像边缘, 具体过程如下:

设模板元素为M (i) m, n, 图像窗口灰度为F (j+m, k+n) , 其中i表示1~8个方向的模板, 则模板卷积运算公式为

图像中对应模板中心位置的像素选取运算结果的最大值, 作为该像素的新灰度值, 即

同时, 为了进一步增强图像的细节信息、边缘特征, 需对8个方向的边缘模板进行融合。采取基于小波变换和Sobel算子相结合的图像融合方法可达到此目的, 该方法具有较好的融合效果。具体的实现步骤如下:

(1) 对各图像进行小波分解, 得到图像的高频数据和低频数据。其中高频部分代表了图像的细节信息。

(2) 利用Sobel算子对图像高频特征量进行提取, 得到图像的高频特征量:

式中, λ表示第λ个模板方向;Dλ为λ个方向图像的小波高频系数;M (i, j) 为检测出的方向模板。

(3) 根据取大的准则确定8个方向上的高频小波系数, 并进行小波逆变换, 得到新的融合图像, 最终确定图像边缘。具体的融合准则为

利用上述方法获取的图像边缘信息完整, 边缘断裂明显减少, 连续性好。经过上述图像处理过程, 能够显示钛合金管件焊缝缺陷图像的明显特征, 再将其送入计算机辅助评判系统, 进行最终的焊缝缺陷判别, 进而进行焊接质量的评判与监控。

3 焊缝相片识别与数据分析系统

3.1 焊缝相片识别与评判

当管件焊缝X射线相片送入相片识别系统的同时, 检测人员需要将检测时的特定条件输入到系统当中, 或者直接调用标准数据库里的标准数据;然后, 把标准相片数据库中的相片也一起调出, 同时显示在显示器上。此时计算机会自动识别并生成评判结果, 同时检测人员也可根据已有的经验进行人工判断, 综合评判结果之后, 将数据反馈到数据对比模块, 如果没有差异, 就进入到综合结果输出模块, 形成相应的检测报告[14]。最后, 定期利用光盘对所获取的图像进行存储。

3.2 焊缝射线探伤数据分析

钛是较难焊接的金属。因为氧、氮、氢、碳等杂质会严重影响钛的力学和耐蚀性能, 其生成的化合物也严重地影响焊接接头的力学和耐腐蚀性能。焊接时, 由于高温区域大、滞留时间长、冷却速度慢, 管件焊缝区易产生粗大晶粒, 形成过热组织而使塑性下降, 冷却速度较快时, 又易产生不稳定的脆性α′钛 (钛马氏体) , 会使焊接接头的塑性下降。为解决此问题, 采用管件焊接机械手, 严格控制线能量和冷却速度。考虑到钛合金管件材料的焊接特点, 在焊接过程中, 除了采取有效的技术措施, 制定合理的焊接工艺, 还研究开发了钛合金管件焊缝缺陷相片识别与数据处理系统, 以确保焊接质量。该系统由检测技术条件模块、检测数据输入模块、标准相片数据库、管件焊缝相片识别分析模块、综合结果输出模块、检测特定条件下的标准数据库、数据对比模块组成。

在该系统中, 写入装置分别连接检测特定条件下的标准数据库、检测技术条件模块, 其可增加、更新检测技术条件以及特定条件下的标准数据;标准相片数据库内的每张标准相片均关联检测技术条件模块内的检测特定条件;同时, 检测技术条件模块存储各种类型焊缝相片对应的检测特定条件;检测数据输入模块包括检测条件输入模块、射线探伤相片输入模块。检测条件输入模块用于录入焊缝的特定检测条件下的数据, 包括已测得数据、检测环境条件, 检测环境条件录入的数据会自动匹配检测技术条件模块内的检测特定条件。射线探伤相片输入模块获取经过图像处理技术处理过的射线探伤相片;检测特定条件下的标准数据库内存储特定条件下的各种标准数据, 并且各种标准数据与检测技术条件模块内的检测特定条件相片关联;相片识别分析模块调用关联的标准相片, 并将射线探伤相片与标准相片同时置于图像输出的显示屏上, 人工判定相片上焊缝缺陷的性质、数量和密集程度, 并根据评判标准划分质量等级, 同时录入评判结果模块;数据对比模块的输入端分别连接相应检测特定条件下的标准数据库、已测得数据、评判结果模块, 最终的数据分析结果输出至综合结果输出模块;然后综合结果输出模块综合数据分析结果, 自动生成柔性检测报告。钛合金管件焊缝相片识别数据处理系统构架如图3所示。

3.3 钛合金管件焊缝缺陷及标准相片库

经过长期的生产实践, 对钛合金管件焊缝常见缺陷种类、特点及射线探伤相片进行了分析, 建立了典型钛合金管件的焊缝缺陷类型及缺陷标准相片库, 如表1所示。

标准相片数据库可以根据加工零件焊缝实际状况, 进行添加和删除, 方便实现焊缝射线探伤相片与标准相片的比对以及缺陷类型的分析, 便于应用实际生产过程。

图4所示为钛合金管件焊缝相片识别分析模块的案例, 可将获取图像与标准相片进行对比。X光片显示焊缝中心发亮且纵向延伸, 为典型的根部余高过高缺陷。

4 结束语

针对TA2钛合金管件焊缝射线探伤检测的高要求, 为了确保焊接质量, 研究开发了钛合金管件焊缝射线探伤相片自动识别、数据分析和质量评判系统, 实现了钛合金管件的自动化焊接与质量评判技术, 并已在航空、核电、石化等装备的高性能零部件制造中得到应用。钛合金管件焊缝射线探伤检测数据分析与相片识别系统对检测图像进行编号、辅助评定, 辅助完成缺陷的定量、定位、定级, 实现射线探伤检测判断的数字化, 显著提高了缺陷评定工作准确性, 同时也大幅提高了工作人员的效率。

经过某管业制造企业实际生产中钛合金管件焊缝射线探伤图像现场识别与数据分析应用, 结果表明, 经过对经典Sobel算子改进后, 采用基于小波变换和Sobel算子相结合的图像融合算法平均运行时间为50ms左右, 完全可以满足生产实时处理的要求。对焊缝缺陷自动识别结果与有经验的人工评判结果对比正确率高达98.5%, 没有发现漏检真实存在的缺陷边缘, 也没有出现把非边缘点作为边缘点检出的现象。但对焊缝质量级别的自动评判还有待进一步研究实现。该算法运行精度高, 经过理论及生产实践数据证明, 响应速度快, 性能稳定可靠, 诊断结果准确, 具有良好的生产应用价值。

摘要：针对钛合金管件焊缝射线图像检测过程中, 人工识别缺陷效率不高、准确度较低的问题, 提出采用计算机图像识别技术, 对钛合金管件焊缝缺陷位置进行数字成像、图像预处理、图像分析以及特征的提取, 并研发了射线探伤数据分析与质量评判软件系统, 采用该系统对焊缝缺陷进行自动识别, 可实现钛合金管件焊缝质量的自动评判。

焊缝识别 篇4

在现代的工业制造领域中，焊接是一种被广泛应用于的基础工艺方法，而焊缝的质量直接决定了未来工件的使用周期。因此检测工作者最急切关心的问题是如何准确可靠的对焊缝进行检测和评价。目前针对焊缝的常规检测方法中，磁粉检测凭借具有高灵敏度、检验速度快、成本低、工艺简单等诸多优点，在检测焊缝方面起着重要的作用[1]。但是现行使用中仍然采用人工目测进行焊缝的缺陷识别，容易导致工作人员的劳动强度大、漏检率高。为了提高检测结果的可靠性，减少人工评定差异。本文提出了一种焊缝裂纹缺陷的磁粉检测自动识别方法。

在实验室条件下，建立了焊缝的磁痕图像采集系统，应用现代图像处理技术开展了焊缝的磁痕图像复原、裂纹缺陷的筛选和识别的算法研究，理论上可以对焊缝的缺陷位置、数量和长度的可视化，实现焊缝缺陷的自动识别。

1 焊缝磁痕图像采集系统

焊缝的磁痕图像采集系统分别由交叉磁轭、磁悬液喷淋结构、照明和CCD相机构成。图像采集系统流程图，如图1所示。

在实验室的条件下，将试件放入焊缝的磁痕图像采集系统工作台中。焊缝上的缺陷方向常常无规律，为了防止磁化不完整而出现的漏检，我们采用交叉磁轭方法旋转磁场将工件表面的磁化[2]。由于磁场会在工件表面的缺陷处溢出，磁粉会在溢出磁场处形成缺陷状磁痕，所以设计了磁悬液喷淋结构，让缺陷的形态特征在试件上显现出来。通过高分辨率CCD摄像机、图像采集卡等将已经处理的试件摄影拍片，使其转换为数字图像在计算机上存储显示，以方便于更好的数据记录和后期的图像处理[3]。采集后的图片，如图2所示。

2 焊缝磁痕图像复原研究

图像复原是主要目的是改善图像的质量，尽可能提高与真实图像的逼近度。它的中心思想是分析图像退化的原因，根据相应的退化模型修复模糊图像，提高图像的清晰度。在实际检测时，由于工况复杂常常伴随采集系统与焊缝之间的抖动造成了图像模糊，而我们需要较为清晰的、质量高的缺陷图像[4]为后续的缺陷识别研究打下良好的基础。

本文针对焊缝的磁痕模糊图像，建立了图像匀速直线运动退化模型，通过系统的辨识方法对磁痕图像的运动模糊方向和尺度进行鉴别，估计出点扩散函数（点扩散函数的精确度直接影响着图像复原的效果）。然后根据图像退化的逆过程，采取Richardson-Luey迭代非线性恢复算法复原出与原始图像相近的图像，并且随着迭代次数的增多，磁痕图像能够获得相对较好的结果。焊缝的磁痕恢复图像，如图3所示。

3 焊缝的裂纹缺陷提取

形态学主要目的是研究图像形态的几何特征。它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的[5]。图像分割是按照一定的原则将一幅图像或景物分为若干个特定的、具有独特性质的部分或子集，依据图像亮度值的不连续性和相似性，将图像中感兴趣的目标提取出来。在本文中，首先要把采集到的裂纹磁痕图像进行图像预处理，然后采用类似形态学梯度运算，能够很好的保留裂纹缺陷基本的形状特性并除去不相干的结构。再利用阈值分割将缺陷与背景区分出来。

本文借鉴了灰度形态学梯度的思想，采用了类似形态学梯度的运算方法，能够把焊缝缺陷的形态特征完整的保留下来。经过形态学的梯度运算，得到运算结果，可以避免整幅图像因灰度不均造成的目标亮暗不均的问题。我们常常把裂纹缺陷作为局部亮灰度值像素聚集成的线条，因此选取合适的结构元素，可以很好的兼顾了裂纹形态特征。实现了将焊缝图片中与裂纹缺陷无关的部分进行消减或去除掉，如图4所示。

为便于分析，将灰度形态学梯度的核心运算记为F:

类似形态学梯度的核心运算记为F':

其中：f为缺陷预处理后的灰度图像；

b为选取的结构元素。

本文采用ostu自适应阈值算法，用于分割裂纹缺陷和背景，采用此方法提取的裂纹缺陷，计算简单，缺陷边缘具有一定的连续性，保存了更多的裂纹缺陷的原始细节，并且可以方便了后续的缺陷特征提取工作[6]，如图5所示。

4 焊缝的裂纹缺陷筛选

本文的裂纹缺陷筛选是根据缺陷的形态特征，提取出一组能够识别裂纹缺陷的特征参数。通过这组参数来对图像区域进行比对筛选，并最终得到裂纹缺陷图像。

观察工件表面图像，裂纹缺陷具有形状如下特点：

1）在局部范围内亮度较高，即灰度值较大；

2）呈细条状，长宽比较大；

3）一般不会表现为直线状，有一定的弯曲度；

4）平滑性较好，具有自然的连续性[7]。

判断一个连通域是否为裂纹缺陷，一般首先从形状做出判断，通过应用不同的特征参数对焊缝上的裂纹的形状特征进行描述区分。本文采用了裂纹的圆形度、长度、长宽比、平均宽度四个特征参数来描述裂纹的形状，统计图像中的所有连通域的这四组特征参数，将不符合裂纹特征的连通域定义为伪裂纹区域，应用这种方式将裂纹和伪裂纹进行区分并将伪裂纹进行清除，如图6所示。

将裂纹的圆形度、长宽比、平均宽度分别记为R、T、D:

式中，S为连通域的面积；

L为连通域的周长；

l为连通域长度；

a为连通域内像素点个数。

5 裂纹缺陷的识别研究

经过前期的图像预处理，图像分割和裂纹筛选等过程，完成了焊缝裂纹的缺陷提取。但在实验中发现，图像在缺陷提取中进行大量的数学运算必然存在信息的损失，并且在数字空间中进行的形态学变换运算与连续空间中的变换处理可能存在着某些图像边缘畸变现象，造成缺陷信息的损失。本文采用形态学修复的方法，先去除可能存在的噪声干扰，再利用区域生长的方法修复裂纹的边缘，使裂纹缺陷图像与焊缝裂纹原始样貌更为贴近，如图7所示。

最后将修复后的缺陷图像送入缺陷识别系统中，系统对焊缝的缺陷进行标记，并且在图像上对每个连通域用红色数字标注并显现出来。针对裂纹的缺陷特点，采用了8连通判别方法对图像中的连通域分配相应标号[8]，这种方法能将所有的缺陷用不同数标标记，并且能够记录下每条裂纹缺陷的所在位置信息，如图8所示。然后统计出每条裂纹相对长度，如表1所示，并进行在线记录存档。通过标记后的裂纹缺陷图像和相应信息表格使工作人员能够快速直观的识别裂纹缺陷、了解工件表面及近表面的缺陷状况，方便了数据的存储和记录，加快检测速度，提高工作效率。

本文研究的识别方法可以直接观测缺陷图像中裂纹形态，并对每条裂纹缺陷的状况和形态等的信息进行记录和存档，方便工作人员统计。

6 结论

本文针对焊缝裂纹缺陷尝试性开展了焊缝裂纹磁粉检测缺陷识别方法研究，得出了以下四个方面的结论：

1）建立了焊缝的磁痕图像采集系统，将焊缝上的磁痕转换为计算机识别的数字图像；

2）针对焊缝的磁痕模糊图像进行了复原研究，为后续的缺陷识别研究打下良好的基础；

3）提出了基于数学形态学的图像分割算法，采用类似形态学梯度的方法和ostu自适应阈值分割提取出焊缝上的裂纹缺陷。同时依据裂纹的缺陷形态特征，对焊缝裂纹缺陷图像进行了比对筛选；

4）采用了8连通判别方法对裂纹缺陷进行标记，记录下每条缺陷的所在位置信息，统计出每个连通域的长度等有效信息并进行在线记录存档。实现了焊缝裂纹缺陷的自动识别。

摘要：磁粉检测的评价依据是缺陷处形成的磁痕。目前的焊缝磁粉检测主要依靠人工目测,因此经常会出现漏检、误检等情况。提出了一种焊缝裂纹缺陷的磁粉检测识别方法。在实验室条件下,建立了焊缝的磁痕图像采集系统,应用现代图像处理技术,分别开展了焊缝的磁痕图像恢复、裂纹缺陷提取和缺陷的识别统计等方面研究,实现了焊缝裂纹缺陷的自动识别。

关键词：磁粉检测,焊缝,图像处理,裂纹提取,识别

参考文献

[1]刘宝君,汪洪九,曾琳.磁粉检测在压力容器检验中的运用特点分析[J].无损检测,2014,10(6):315-317.

[2]孙志勇.低温环境下球罐磁粉检测灵敏度的研究应用[J].石油化工设备,2009,S1:58-60.

[3]曹强.筒形零件内表面圆周方向缺陷的磁粉检测[J].无损检测,2015,07:85-88.

[4]贾宝华.运动模糊图像恢复算法的研究与实现[D].北方工业大学,2010.

[5]ALAKNANDA,ANAND R S,KUMAR P,et al.Flaw detection in radiographic weld images using morphological approach[J].NDT&E International,2006,39:29~33.

[6]L.Dragu,O.Csillik,C.Eisank et al.Automated parameterisation for multi-scale image segmentation on multiple layers[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,88.

[7]李尧.系泊链全环磁粉自动检测装置设计[D].上海:上海交通大学,2010:2-10.