在埋弧焊石油輸送鋼管的制造過程中,由于生產(chǎn)工藝和生產(chǎn)環(huán)境的制約,焊縫中常會(huì)產(chǎn)生損害管材質(zhì)量的各式焊接缺陷,而現(xiàn)有人工X射線圖像焊縫缺陷檢測(cè)識(shí)別方法效率較低且準(zhǔn)確率不高,本文基于石油管材焊縫的X射線圖像,對(duì)焊縫缺陷的檢測(cè)和識(shí)別方法進(jìn)行研究,旨在提出一種能夠?qū)崿F(xiàn)更優(yōu)識(shí)別指標(biāo)的焊縫缺陷識(shí)別算法,從而提高焊縫缺陷識(shí)別的準(zhǔn)確率并提升識(shí)別過程的自動(dòng)化程度。在缺陷檢測(cè)過程,首先基于整幅X射線石油鋼管焊縫圖像,對(duì)其使用小波濾波濾除噪聲、使用圖像增強(qiáng)操作以消除對(duì)比度不同圖像對(duì)缺陷檢測(cè)的影響、再用最大類間方差法分割出焊縫區(qū)域、最后采用Prewitt邊緣檢測(cè)和霍夫變換等數(shù)字圖像處理技術(shù)檢測(cè)擬合出焊縫區(qū)域,并驗(yàn)證了咬邊缺陷的存在不影響焊縫邊緣的提取。其次,針對(duì)常用閾值分割方法不適于小面積區(qū)域缺陷分割的局限,用基于排序點(diǎn)的聚類結(jié)構(gòu)算法（OPTICS）對(duì)區(qū)域內(nèi)任意大小的缺陷和噪聲偽缺陷進(jìn)行分割,然后對(duì)缺陷、噪聲和無缺陷正常圖像進(jìn)行提取并進(jìn)行數(shù)據(jù)增強(qiáng)及尺寸歸一化操作,從而完成焊縫圖像的預(yù)處理以構(gòu)建出樣本圖庫(kù)。在缺陷識(shí)別過程,首先采用傳統(tǒng)“人工特征提取+機(jī)器學(xué)習(xí)”的方法進(jìn)行缺陷識(shí)別,根據(jù)缺陷和噪聲的外部幾何特征計(jì)算出... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

X射線實(shí)時(shí)成像缺陷檢測(cè)識(shí)別現(xiàn)場(chǎng)作業(yè)圖

ial Neutral Network,ANN），實(shí)現(xiàn)了對(duì) 4 種典，設(shè)計(jì)出經(jīng)過優(yōu)化并擁有更好性能的分類器缺陷分割任務(wù)中將缺陷分割識(shí)別變?yōu)榻鉀Q優(yōu)術(shù)，成功對(duì)焊縫圖像中的氣孔缺陷實(shí)現(xiàn)準(zhǔn)確待證實(shí)[21]。形態(tài)學(xué)填充和 SUSAN 算法修正缺陷，然后得特征參數(shù)進(jìn)行識(shí)別，實(shí)現(xiàn)了較好識(shí)別效果缺陷很難選出優(yōu)質(zhì)的形狀特征對(duì)其自身進(jìn)行較高的識(shí)別準(zhǔn)確率[22]。于特征工程的識(shí)別方法，而準(zhǔn)確有效的特征、紋理特征等眾多特征類型的難以確定，也質(zhì)量表征，這就導(dǎo)致識(shí)別準(zhǔn)確率無法獲得進(jìn)特征，這需要大量的人工工作，從而大幅降頸就對(duì)我們突破傳統(tǒng)方法，找到新的缺陷識(shí)

石油鋼管焊縫 X 射線圖像在形成過程中不可避免的受到噪聲干工件厚度不同，所產(chǎn)生的 X 射線圖像其對(duì)比度也不盡相同，這就處理，并將低對(duì)比度圖像的對(duì)比度，以使焊縫區(qū)域和待檢缺陷在圖續(xù)對(duì)焊縫區(qū)域進(jìn)行擬合，從而為管材焊縫識(shí)別奠定良好基礎(chǔ)。且由大小各異，故其在 X 射線圖像上的影像也各不相同，因此，本章射線影像特征進(jìn)行簡(jiǎn)要分析，后對(duì)所設(shè)計(jì)采用的數(shù)字圖像預(yù)處理技缺陷的 X 射線影像特征分析油鋼管焊縫缺陷類型與缺陷形態(tài)等相關(guān)知識(shí)是對(duì)管材缺陷做出正類石油鋼管焊縫缺陷有其不同的形成機(jī)理，因此在 X 射線檢測(cè)圖各異，依照《金屬熔化焊焊縫缺陷分類及說明》[27]對(duì)主要缺陷及裂紋：裂紋是焊接接頭內(nèi)的焊縫金屬在結(jié)晶過程中或冷卻后產(chǎn)生的上的表現(xiàn)為形狀、粗細(xì)不規(guī)則的白色線條，按形狀分為橫向或縱向 2-1 中（a）、（b）所示。

【參考文獻(xiàn)】：
期刊論文
[1]集箱管接頭內(nèi)焊縫表面缺陷識(shí)別方法研究[J]. 焦敬品,李思源,常予,吳斌,何存富.  儀器儀表學(xué)報(bào). 2017(12)
[2]自適應(yīng)粒子群集優(yōu)化二維OSTU的圖像閾值分割算法[J]. 于洋,孔琳,虞闖.  電子測(cè)量與儀器學(xué)報(bào). 2017(06)
[3]X射線焊縫圖像的缺陷檢測(cè)與識(shí)別技術(shù)[J]. 劉輝,萬文,熊震宇.  電焊機(jī). 2017(04)
[4]基于X射線圖像的厚鋼管焊縫中氣孔缺陷的自動(dòng)檢測(cè)[J]. 陳本智,方志宏,夏勇,張靈,蘭守忍,王利生.  計(jì)算機(jī)應(yīng)用. 2017(03)
[5]基于BP神經(jīng)網(wǎng)絡(luò)的管道泄漏聲信號(hào)識(shí)別方法研究[J]. 焦敬品,李勇強(qiáng),吳斌,何存富.  儀器儀表學(xué)報(bào). 2016(11)
[6]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[7]人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)性能比較及其在DMD疾病識(shí)別中的應(yīng)用[J]. 章鳴嬛,陳瑛,沈瑛,馬軍山.  上海理工大學(xué)學(xué)報(bào). 2016(04)
[8]基于模糊模式識(shí)別的焊縫缺陷圖像檢測(cè)[J]. 王欣,高煒欣,武曉朦,王征,李華.  西安石油大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(04)
[9]基于稀疏主成分分析和自適應(yīng)閾值選擇的圖像分割算法[J]. 盧濤,萬永靜,楊威.  計(jì)算機(jī)科學(xué). 2016(07)
[10]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動(dòng)化學(xué)報(bào). 2016(09)

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的焊縫缺陷建模及其識(shí)別算法研究[D]. 黃曄.西安石油大學(xué) 2016
[2]輸油管道鍛制管件漏磁檢測(cè)與典型缺陷識(shí)別研究[D]. 王海蘭.西南石油大學(xué) 2015
[3]埋弧焊管缺陷X射線圖像處理及其自動(dòng)識(shí)別技術(shù)研究[D]. 李勇.西安石油大學(xué) 2013
[4]X射線數(shù)字圖像焊接缺陷檢測(cè)研究[D]. 董明訓(xùn).山東大學(xué) 2011
[5]焊縫圖像缺陷提取與識(shí)別系統(tǒng)研究[D]. 宋慶國(guó).武漢理工大學(xué) 2008
[6]超聲相控陣焊縫探傷系統(tǒng)的數(shù)據(jù)采集和處理方法的研究[D]. 王寧.天津大學(xué) 2006



本文編號(hào)：3108317