基于LBP 和SVM 的焊缝缺陷识别方法

目前， 焊接技术已在油气、 桥梁、 建筑、 船舶等结构领域得到广泛应用。 焊接作为一种连接、补缺的工艺形式， 在焊接的过程中， 因接头处杂质、 焊机电压不稳定、 技术工人操作不熟练等因素影响， 均会使焊缝产生不同类型的缺陷， 如不及时处理， 就会产生一系列的安全事故

。 目前， 焊缝缺陷无损检测的方法主要有声学检测法、 磁学检测法、 射线检测法、 电学检测法、 热学检测法和渗透检测法等， 各种方法均有利弊，适用范围也不尽相同， 其中超声导波技术以其检测速度快、 范围大、 效率高等优点， 在近10 年油气管道的建设中得到快速发展， 成为应用最为广泛的无损检测技术之一

。 在焊缝缺陷的检测过程中， 人工检测的比重较大， 该方法主观性强、 劳动强度大、 受操作影响较大， 容易出现漏检或误检现象， 因此国内外学者在焊缝缺陷特征的提取和识别上做了大量研究， 以减少人工操作带来的误差。 Ujjwal Kumar 等

采用小波变换对焊缝缺陷特征进行了3 层提取； 李娟等

采用小波包提取了缺陷特征的8 个分解信号用于缺陷识别； 于润桥等

采用小波变换结合模糊C 均值聚类方法对超声检测的焊缝缺陷进行分类。 以上研究均通过小波变换对缺陷特征进行提取， 但小波变换本身是通过带通滤波器完成分解， 存在一定的信号损失， 且以上研究主要针对孔洞、 裂纹等缺陷， 未对夹渣、 气孔、 未焊透等焊缝缺陷进行分析和识别。 基于此， 采用局部二值模式（LBP） 算法对焊缝的超声信号进行特征提取，并结合因子分子和支持向量机 （SVM） 分别实现特征降维、 分类识别， 以实现焊缝缺陷的快速识别。

1 基于LBP 和SVM 的缺陷识别方法

1.1 LBP 焊缝缺陷识别法

LBP 法是用于提取图像局部纹理特征的一种算法， 具有旋转不变性和灰度不变性等优点， 反映中心像素与周围像素之间的关系。 在此， 采用LBP 的改进算法一维局部二值模式 （1-D LBP）对采样得到的时间序列进行处理， 基本原理是将时域序列上的每个点作为中心点， 随后比较中心点与相邻点的大小关系， 并将这种大小关系转变为二进制码， 最后将二进制转化为十进制， 依次类推， 得到时间序列上所有样本点的LBP 值

。其算法公式为

深化企业审计改革过程中，必须加强重大风险及新形势下不适应要素的调整，优化企业审计目标、审计内容、组织形式等方面。保证审计机关严格执行企业改革要求，落实调整、促进、协同、发展的基本要求，调整企业审计体系的各项细节。保证国企深化改革改革的全面落实，发挥监督效能，保证国企内部审计、国家审计、社会外部监督机构的全面综合化发展。

以夹渣缺陷的部分回波信号为例， 如图1 所示， 将回波信号进行归一化处理， 取其中的一个样本点作为中心点， N 取8， 红色圆圈为中心点， 灰色圆圈为相邻点， 对比中心点与前后8 个相邻点的幅值， 根据公式 （1） ～公式 （3） 得到二进制数00001111， 将其转化为十进制值， 则该中心点的LBP 值为15。

1.2 因子分析

焊缝缺陷信号中含有大量的高维特征数据，这部分数据会给后续的分类带来诸多问题， 高维特征集中的冗余参数， 会加大模型的复杂程度，延长计算时间， 降低计算效率， 故需要采用因子分析对数据进行降维处理， 目的是通过寻找众多变量中的公共因子来简化原始变量的复杂关系，并反映原始变量中的大部分信息。

在此， 采用R 型因子分析模型， 假设原始数据样本集为X= {X

， X

， …， X

}， 原始数据样本的公共因子为F= {F

， F

， …， F

}， 则有

本研究对金安区耕地质量定级成果进行分析，发现金安区农用地级别有着明显的时空分布规律且农用地级别也反映出农用地在利用方式上的差异。耕地级别的分布规律如下。

现代人生活水平越来越高,人们对于护理的要求也变得越来越严格。医院需要提升护理水平和质量才能够满足人们的需求,所以,加强护理管理,提升护理水平是医院非常重视的问题,对医疗单位的发展具有非常大的帮助[1]。分层次护理模式是优质的护理管理模式,临床中应该对该护理模式的价值进行深挖,此次就该护理模式的效果进行分析。

μ——原始样本均值；

ε——不能被前m 个公共因子解释的特征因子， 属于残差部分。 最终选取方差较大的前m 个因子作为公共因子来解释大部分样本信息。

选取的测试对象为X65 管线钢环焊缝， 在焊缝中人工设置夹渣、 气孔和未焊透等三种缺陷， 采用奥林巴斯404 型换能器和单晶角度声束探头对缺陷进行横波超声检测， 采用奥林巴斯5077PR 型信号发生-接收器实现超声信号的激励和接受。 最终， 共得到夹渣、 气孔、 未焊透和无缺陷每种回波信号50 组， 共计200 组数据，将信号去噪后进行归一化处理， 缺陷回波的波形信号见图3。

式中： A——p×m 的因子载荷矩阵， 表示公共因子与原始变量之间的相关程度；

1.3 SVM 焊缝缺陷识别法

式中： ω——权重向量；

支持向量机的原理是通过非线性映射算法将低维线性不可分的样本转化到高维特征空间， 在高维空间中对样本进行线性可分运算， 从而构造一个最优超平面， 使不同样本之间的分类间隔最大， 达到全局最优。 设缺陷样本集为X= {（x

，y

）}， 对于二分类问题， 其最优超平面H 为

b——偏置；

φ——Hibbert 变换空间的映射函数。

普陀区桃浦镇北环水系长度约为3500m，宽度为8～18m，水域面积为 4.1×104m2，水域深度为 0.7～2.5m。在对水质特点进行分析时，发现由于受到多年工业废水、生活污水以及雨污混流等因素的影响，导致水域内的污染物严重积累，河水的流动性相对较差，甚至出现季节性“黑臭”的问题，严重影响了城市美观。雨季时，会有大量的雨水和污水流入，经过2015年清淤处理后，虽然可以接纳一定点源以及面源污染物，但仍有大量的污染物进入河道内，影响了河道排污口的排污效果。实地考察结果显示，河道内依然有少量鱼群存活，河道两侧有少量挺水植物生长，整个河道内并无任何沉水植物生长。

图2 为二维空间中非线性分类问题， 直线无法将两类实例分开， 而椭圆曲线可将其正确分开。

2 实例分析

基于区块链的电子数据存证的设计与实现………………………………………冒小乐，陈鼎洁，孙国梓 24-6-28

2.1 特征提取

首先， 分别对两组样本采用KMO 检验和Bartlett 球形度检验确定样本数据之间的相关性，LBP 特征向量的KMO 统计量为0.621， Bartlett 球形的显著性结果为0.015， 虽然KMO 统计量较小，但显著性分析结果较好， 证明变量之间的相关矩阵不是单位矩阵， 样本数据的相关性较强， 可以尝试进行因子分析。 同理， 传统时频域特征向量的KMO 统计量为0.749， Bartlett 球形的显著性结果为0.041， 也可以进行因子分析。 其次， 采用主成分法进行有效公共因子的提取， 如图5 所示。 结果表明， LBP 特征向量的前6 个公因子的累积贡献率为95.41%， 而传统时频域特征向量的前8 个公因子的累积贡献率为91.64%， 因此LBP 特征向量由16 维降为6 维， 而传统时频域特征向量由16 维降为8 维。 此外， 时频率信号特征的算法较多， 每个特征值的含义不同， 无法完全代表原有超声回波信号中的信息， 也就无法全面反映缺陷信息， 这也使传统时频域的降维效果有限。

2.2 数据降维

采用1-D LBP 的方法进行特征提取， 将LBP 值按照[0， 255] 等分为16 个区间， 将每个区间内样本LBP 值的出现频率作为特征向量，如图4 所示。 可见三种缺陷的LBP 特征均集中出现在首尾两个区间上， 但出现的频率不尽相同， 其中夹渣和气孔缺陷相似， 而未焊透缺陷在末尾区间上的幅值较大。 将得到的16 个特征向量进行因子分析， 为对比因子分析的效果， 采用总体包络线均值、 总体包络线方差、 峰度系数、偏度系数、 形状系数、 波形因子、 裕度因子、 上升时间、 下降时间、 持续时间、 峭度因子、 变异系数和小波包两层分解的4 个节点能量值信号，共计16 个时频域特征进行对比。

2.3 分类识别

为体现数据的均衡性， 在每种缺陷回波信号中选择40 组作为训练样本， 10 组作为测试样本， 共计160 组训练样本， 40 组测试样本。由于数据样本较少， 故不考虑验证集， 同时将数据样本进行归一化处理， 采用5 折交叉验证预测分类情况。 将因子分析后的数据代入SVM中， 采用线性核、 多项式核、 高斯核和Sigmoid核等四种核函数验证训练集分类结果的准确性， 结果分别见表1、 图6。 其中， 传统时频域特征向量的分类结果中除Sigmoid 核函数的分类效果较差， 其余三种核函数的分类效果均达到了80%以上； 而LBP 特征向量的分类准确率均大于前者， 且高斯核函数在训练集上的分类准确率最高为98%， 同时， AUC 面积最大为0.97。 因此， 高斯核函数在焊缝缺陷分类上的识别效果更好， 将高斯核函数作为SVM 的核函数。

第二天，越秀在书桌上发现一大堆碎纸，这纸都是秀容月明用来练字的，跟往常不同，秀容月明都把纸撕了。越秀拼凑了几张，也没瞧出他写的是什么字。

采用网格搜索法确定公式 （6） 中惩罚因子C 和损失函数， 其中log2C 的取值范围为[-10， 10]， log2 的取值范围为[5， 15]， 得到分类准确率最高的C和组合。 最终确定传统时频域 特 征 向 量 和LBP 特 征 向 量 （C，ε）分 别 为（1.524 9， 0.238 1）和（5.749 7， 9.243 6）， 核函数的gamma 参数为2.859 5。

将经因子分析降维后的8 维传统时频域特征向量， 及6 维LBP 特征向量代入训练好的SVM 模型中进行分类测试， 分类混淆矩阵如图7 所示。 0 代表无缺陷， 1 代表夹渣缺陷， 2代表气孔缺陷， 3 代表未焊透缺陷， 混淆矩阵中的对角线 （右上至左下） 代表预测值与真实值完全一致， LBP 特征向量的分类准确率为95%， 其中有一个夹渣缺陷被认定为气孔缺陷， 有一个气孔缺陷被认定为夹渣缺陷， 而未焊透缺陷和无缺陷均无分类错误， 这可能与两种缺陷LBP 的柱状图特征类似相关； 传统时频域特征向量的分类准确率为87.5%， 存在多个缺陷的误判， 一个无缺陷被认定为夹渣缺陷， 两个夹渣缺陷被认定为气孔缺陷， 两个气孔缺陷分别被认定为无缺陷和夹渣缺陷。 综上所述， 与传统时频率特征提取相比， LBP 特征提取对缺陷类型的分类更加准确。 此外，LBP-SVM 的缺陷识别方法在训练集上的分类准确率为98%， 在测试集上的分类准确率降低的并不多， 说明该算法的泛化能力较强、 鲁棒性较好。

3 结 论

（1） 对影响SVM 分类效果的核函数和超参数进行了优选， 确定了采用高斯核函数作为SVM 的核函数， 得到最优的SVM 模型。

（2） 基于LBP 和SVM 算法对焊缝缺陷进行了特征提取和分类识别， 与常规方法相比， 可以进一步去除冗余信号的影响， 在测试集上的分类准确率为95%。

[1] 赵金兰，雷俊杰，王高峰，等. 油气输送管道对接环焊缝缺陷检测分析[J]. 焊管，2013，36（11）：43-47.

[2] 李谦益，逯燕玲，朱建国. 油气输送管道的焊接施工质量控制[J]. 焊接技术，2004，33（3）：63-65.

[3] 张春河，肖大伟，卢凯锋，等. 美国管道焊接标准API Std 1104—2013 变更简析[J]. 油气田地 面工程，2019，38（3）：82-85.

[4] 何存富，郑明方，吕炎，等. 超声导波检测技术的发展、应用与挑战[J]. 仪器仪表学报，2016，37（8）：1713-1735.

[5] KUMAR U，YADAV I，KUMARI S，et al.Defect identification in friction stir welding using discrete wavelet analysis[J].Advances in Engineering Software，2015，85（7）：43-50.

[6] 李娟，郄晓敏，陈凌霄，等. 基于小波包-KPCA 特征提取的三种人工焊缝缺陷检测方法[J].油气田地面工程，2021，40（1）：7-12.

[7] 于润桥，刘春缘，陈海鹏，等. 焊缝超声检测缺陷类型的模糊C 均值聚类识别[J]. 测试技术学报，2007（5）：468-470.

[8] 陈昱辰，曾令超，张秀妹，等. 基于图像LBP 特征与Adaboost 分类器的垃圾分拣识别方法[J]. 南方农机，2021，52（21）：136-138，144.

[9] 吕秀丽，黄兆昊，白永强. 基于改进LBP 和DBN 的人脸识别算法研究[J]. 工业仪表与自动化装置，2021（5）：80-82.

[10] 吕捷. 油气管道腐蚀因素分析及防护技术分析[J].全面腐蚀控制，2020，34（2）：73-74.

[11] 赵翰学，李振林，彭鹤，等. 基于小波-BP 神经网络的阀门内漏率量化方法[J]. 石油机械，2021，49（5）：122-130.

[12] 王雒瑶，高炜欣，王欣. 一种基于SVM 及LE 降维的X射线焊缝缺陷分类算法研究[J]. 西安石油大学学报（自然科学版），2017（5）：96-106.

[13] 李响，余建星，苗春生，等. 基于遗传算法SVM 的海洋环境腐蚀速率预测[J].中国海洋平台，2018，33（5）：56-62.