基于图像处理和机器学习的船舶焊接缺陷识别技术

樊 凌

(苏州市职业大学 计算机工程学院，江苏 苏州215104)

0 引 言

在现代船舶制造业中，焊接技术发挥着至关重要的作用［1］。焊接技术的发展促使造船方法由“整体建造法”转变为“分段建造法”，先进的船舶焊接技术操作简单、成本低，可以减少船体重量、提高船体密封性，从而有效地提高船舶制造的效率和质量，降低制造成本［2］。而焊接质量直接关系到船舶安全，由于焊接产品质量问题造成的事故屡见不鲜，据对船舶断脆事故的调查分析，40%的事故由焊接接缝缺陷处开始，因此，焊接质量检测越来越受到人们的重视。

传统船舶焊接检验可分为破环性检验和非破坏性检验2 种。破坏性检验是指破坏局部焊缝或焊接接头以查明焊接质量的方法，非破坏行检验是指采用探伤设备来发现缺陷的检验方法。在船舶建造过程中，为了保证焊接构件的产品质量，依照国家相关规定，对焊缝必须进行无损检测。本文分别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 的焊接缺陷分类识别方法。实验结果表明，本文提出的方法具有较强的鲁棒性和较高的识别率。

1 图像处理技术在焊接检测中的应用

1.1 焊接缺陷类型

焊接是一种以加热、高温或者高压的方式结合金属或其他热塑性材料(如塑料)的制造工艺及技术，焊接缺陷是指焊接接头的不完整性，及焊缝质量不符合技术要求规定，在船舶建造业中，焊接缺陷主要包括两大类，分别为外部缺陷和内部缺陷。

1)外部缺陷

外部缺陷是指暴露于焊缝外表面，用肉眼或者低倍放大镜可以看到。如焊缝尺寸不符合要求，常见的包括咬边、焊瘤、弧坑、表面气孔、表面裂纹等，相关图例如表1 所示。

表1 外部缺陷Tab.1 External defect

其中，焊缝尺寸不符合要求是指焊缝外观形状宽窄不齐、高低不平、焊缝过宽或过窄、余高过高或过低、角焊缝单边等;咬边是指沿着焊趾的母材部位，由于焊接参数选择不当，或者操作工艺不正确，使得电弧烧熔母材而形成凹陷或者沟槽，咬边减弱了母材的有效面积和焊接接头的强度，极易发生裂纹，导致结构破坏;弧坑是指焊缝收尾处产生的下榻现象;焊瘤是指在焊接过程中，熔化的金属流淌到焊缝以外的未熔化的母材上所形成的金属瘤，又称满溢;在焊缝或热影响区出现裂缝，用肉眼或放大镜可以观察到的称为表面裂纹，残留在焊缝表面的熔渣且植根于金属内部而不容易脱落的称为表面夹渣，焊缝表面有小的空洞，或单个或连续的称为气孔或连续气孔。

2)内部缺陷

内部缺陷位于焊缝的内部，如未焊透、内气孔、内部裂纹、内部夹渣，详细信息如图1 所示。

图1 内部缺陷Fig.1 Internal defect

1.2 基于图像的焊接缺陷提取与识别研究现状分析

基于图像的焊接缺陷检测流程如图2 所示。

图2 检测流程Fig.2 Detecting process

国外对焊接缺陷的无损检测技术研究比较早，目前在无损探伤、无损检测、无损评价等方面都取得了较大的成果。在国内，随着船舶工业的逐渐繁荣，越来越多的科研机构和企业开始关注焊接检测技术，许多研究成果也成功应用到了生产实践中。无损检测技术主要分为4 类［3］，分别为:

1)激光检测技术

激光技术在无损检测领域的应用开始于1970年，主要包括激光全息检测、激光超声检测等，该检测技术可应用近距离、高温、表面超薄、超细的样品检测。

2)超声检测技术

该检测技术具有适用对象范围广、缺陷定位准确、检测灵敏度高、成本低、对人体无伤害等特点，是目前国内外适用最为广泛的检测技术。

3)射线检测技术

射线检测技术主要应用到工业生产中，主要包括射线胶片照相检测技术、射线实时成像检测技术、计算机射线照相检测技术、数字平板射线成像检测技术、工业CT 技术。

4)其他检测技术

其他检测技术主要是指金属磁记忆方法和表面检测技术。

通过对近年来公开发表的研究成果的研究学习，将具有代表性的缺陷检测技术和方法进行分析介绍。

1)缺陷区域定位

焊缝缺陷位置确定的方法主要有:①利用缺陷灰度变化特性;②多尺度滤波，去除背景;③S －T非线性灰度变法，在提高图像清晰度和对比度之后，利用缺陷的线灰度波形梯度会发生2 次以上正负变化的特点，确定缺陷位置;④基于形态学的滤波方法，例如多尺度形态学滤波框架下的固定阈值分割方法、形态学两级分水岭法等;⑤模糊聚类法。

2)缺陷特征提取

缺陷特征提取的方法主要有:①曲线拟合，利用曲线拟合对异常波形建立数学模型;②基于空间对比度与空间方差;③利用遗传算法确定焊缝的位置、官渡、长度、角度等信息;④基于特征参数，例如平坦性、对称性、倾角、灰度分布等;⑤基于字典的概率松弛标记法。

3)缺陷分类识别

缺陷分类识别的方法主要有:①k － 近邻分类器;②基于势函数的分类机制;③支持向量机;④神经网络;⑤最大期望方法。

虽然能够应用到焊接缺陷检测的方法较多，但是能够达到应用水平的还有限，因此需要在图像处理和机器学习等方面进行深入的研究。

2 基于深度信息的焊接缺陷特征提取方法

在本文中，利用深度信息进行焊缝区域的定位与分割。深度图像具有不等候光源照射和物体表面反射特性的影响，并且不存在阴影，所以能够准确地表现物体目标表面的三维深度信息。通过利用Kinect 获取焊缝的深度信息，然后采用ISM 单目标检测法进行焊缝区域提取。

Kinect 是微软公司研制的一款体感外设，它属于一种3D 体感摄影机。在Kinect 中，共有3 个摄像头，从左向右依次为红外线发射器、RGB 彩色摄像头、CMOS 红外感应设备。Kinect 通过连续光(近红外线)对测量空间进行编码，在通过CMOS红外感应器得到编码的光线，将数据传递给系统芯片PS1080 进行解码运算，从而产生具有深度信息的图像。焊缝深度图像如图3 所示。

图3 深度图像Fig.3 Deep image

在获取深度图像后，首先对深度图像进行预处理，本文采用中值滤波算法。中值滤波是用一种非线性算法，目的是去除场景中存在德古拉噪声点，同事保留目标边缘信息。本文采用的5×5 邻域窗口:

中值滤波后，在进行膨胀和腐蚀操作，进一步消除噪声。预处理后，采用二维最大熵法进行图像分割，获取焊缝缺陷区域。

图4 二维直方图XOY 平面Fig.4 Two-dimensional histogram XOY plane

二维最大阈值分割算法是运用点灰度和区域灰度特征来分离图像中背景信息和目标信息的方式［4］。

如图4 所示，假设A 区和B 区具有不同的概率分布，用A 区和B 区的后验概率对各区域概率Pij进行归一化处理，使各分区熵之间具有可加性。如果阈值设在(s，t)，则有:

定义离散二维熵为:

则A 区和B 区的二维熵分别为

同理，

其中，

由于C 区和D 区包含关于噪声和边缘的信息，概率较小，因此将其忽略不计，即假设C 区和D 区的Pij=0，可以得到

熵的判别函数定义为

选取的最佳阈值向量满足:

在焊缝区域分割是，A 区和B 区分别代表目标和背景，C 区和D 区代表边界和噪声。焊缝区域提取效果如图5 所示。

图5 提取效果Fig.5 The extraction results

3 基于SVM 的焊接缺陷分类识别方法

在本文实验样本中，焊接缺陷主要包括气孔、夹杂、未焊透、未熔合四类。其中气孔缺陷为43个，夹杂缺陷为25 个、未焊透缺陷28 个，未熔合缺陷16 个。由于样本集为不平衡样本，因此本文选取支持向量机理论进行缺陷类型的分类识别。

支持向量机(SVM)是在统计学理论上发展起来的一种机器学习方法，它基于结构风险最小化准则，能够在训练误差和分类器容量之间达到较好的平衡［5］。由于本文问题是多分类问题，因此，采用基于二叉树的SVM 方法。算法机构如图6 所示。

图6 基于二叉树的SVM 结构Fig.6 The SVM structure based on binary tree

识别结果如表2 所示。

表2 识别结果Tab.2 Identify results

4 结 语

本文首先对焊接缺陷分离进行介绍，然后对近年来有关焊接缺陷识别取得研究成果进行分析归纳，最后提出基于深度信息和SVM 的船舶焊接缺陷识别方法。实验结果表明，该方法具有较好的识别率。

［1］郭泽亮．激光焊接技术在舰船建造中的应用［J］． 舰船科学技术，2005，27(4):81 －84．

［2］王冰，李勇．国外船舶焊接技术发展近况［J］．舰船科学技，2009，31(5):156 －159．

［3］孙正．基于图像的焊接缺陷提取与识别算法研究［D］．中国矿业大学，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．