(1.廈門市特種設(shè)備檢驗(yàn)檢測院, 廈門 361004；2.福州大學(xué) 機(jī)械工程及自動(dòng)化學(xué)院, 福州 350108)

當(dāng)今，壓力容器正在向高參數(shù)、大型化方向發(fā)展，其焊接結(jié)構(gòu)的安全引起了人們的高度重視。大型厚壁壓力容器的焊接結(jié)構(gòu)在加工制造過程中由于焊接工藝與設(shè)備條件的偏差，殘余應(yīng)力的存在,冶金因素的變化以及接頭組織與性能不均勻等的影響，焊縫中往往會(huì)產(chǎn)生各種缺陷。此外，合格的焊接結(jié)構(gòu)在服役過程中常承受疲勞及沖擊載荷，并受到高溫、高壓和腐蝕介質(zhì)等的影響，焊接接頭質(zhì)量也會(huì)發(fā)生變化，產(chǎn)生新的缺陷[1]。

超聲衍射時(shí)差法[2-5](Time Flight of Diffraction，TOFD)相比其他的焊縫缺陷無損檢測方法，在厚壁構(gòu)件焊縫的檢測上更具有優(yōu)勢，但該方法對缺陷的判讀更依賴于檢測人員的經(jīng)驗(yàn)，因此檢測的有效實(shí)施難度較大，誤判、錯(cuò)判發(fā)生的比例較高。筆者通過制備超聲TOFD人工缺陷和自然缺陷特征，利用歸一化融合特征向量，通過模式識(shí)別技術(shù)實(shí)現(xiàn)超聲TOFD焊縫缺陷的自動(dòng)識(shí)別，以消除人工判讀帶來的弊端。

1 超聲TOFD焊縫圖像特征

1.1 人工缺陷試板的制備

人工制備包含有氣孔、夾渣、未熔合及裂紋的焊縫缺陷試板。試板材料為低碳鋼，厚度為50 mm。超聲波在工件中的縱波聲速為5 900 m·s-1，橫波聲速為3 230 m·s-1。試驗(yàn)中探頭頻率為5 MHz，探頭的晶片直徑為6 mm，楔塊角度為60°，楔塊中聲速為2 730 m·s-1。根據(jù)缺陷的不同，調(diào)整探頭的間距，改變聲束覆蓋范圍，以獲得較為清晰的掃描成像。

表1為8塊檢測試板中埋藏缺陷的信息，對這些試板進(jìn)行D掃描，對得到的缺陷圖像進(jìn)行對比分析，以此了解不同超聲TOFD焊縫缺陷的特征差異。

表1 檢測試板的缺陷信息 mm

表1中試板的缺陷信息是由檢測后得到的估計(jì)值，其中氣孔缺陷較多，在此不提供其信息。

1.2 缺陷的TOFD圖像特征分析

1.2.1 上表面開口缺陷圖像特征分析

在檢測過程中,直通波在上表面開口缺陷處傳播會(huì)受到干擾，甚至被中斷傳播。因此，可根據(jù)直通波圖像的特性，判斷缺陷是否表面開口。若表面開口較大，且能得到缺陷下端衍射點(diǎn)的信號(hào)，則可以測出缺陷的深度；若表面開口較小，由于直通波脈寬長度會(huì)掩蓋缺陷信號(hào)，則缺陷不能被檢出。

1.2.2 氣孔缺陷圖像特征分析

氣孔缺陷一般是由于焊接過程中存在未及時(shí)溢出的氣體而導(dǎo)致的。其一般分為兩類：單個(gè)氣孔缺陷和密集型氣孔缺陷。單個(gè)氣孔缺陷圖像在直通波和底面回波信號(hào)之間呈單一狀且具有周期性變化的特征。密集型氣孔缺陷的圖像特征多表現(xiàn)為多個(gè)獨(dú)立的衍射信號(hào)相互疊加，且能分辨出各信號(hào)的強(qiáng)度基本一致。氣孔缺陷的圖像特征表現(xiàn)為：拋物線狀、線條端部較為平緩、尾部向下墜落且拋物線開口方向一致，這是由于缺陷高度小于直通波脈沖寬度造成的。

1.2.3 夾渣缺陷圖像特征分析

夾渣缺陷是由于焊接過程中產(chǎn)生的氧化物及硫化物等熔渣殘留在焊縫內(nèi)部，導(dǎo)致應(yīng)力集中而產(chǎn)生的，容易發(fā)展成內(nèi)部裂紋。夾渣缺陷一般分為點(diǎn)狀?yuàn)A渣和條狀?yuàn)A渣。點(diǎn)狀?yuàn)A渣的圖像表現(xiàn)為一些呈拋物線的小圓弧，且圓弧較短；條狀?yuàn)A渣圖像則呈現(xiàn)為一條不規(guī)則線條狀，斷斷續(xù)續(xù)。夾渣缺陷的圖像特征表現(xiàn)為在衍射圖像長度方向時(shí)斷時(shí)續(xù)，高低不平，無明顯的上下端衍射信號(hào)，成像粗糙雜亂，在主線附近伴有小圓弧。

1.2.4 未熔合缺陷圖像特征分析

未熔合缺陷是由于焊接熱輸入太低、電弧指向偏斜、坡口側(cè)壁有銹垢或污物以及層間清渣不徹底等原因造成的。未熔合缺陷一般分為側(cè)壁未熔合、層間未熔合和焊縫根部未熔合。側(cè)壁未熔合缺陷的圖像表征為圖像中呈現(xiàn)明顯的上下端，上端表現(xiàn)為光滑的直線或曲線，下端一般表現(xiàn)為斷斷續(xù)續(xù)條紋狀，上下端之間不平行且呈發(fā)散狀。未熔合特征有時(shí)候與條狀?yuàn)A渣特征類似，但未熔合缺陷一般呈現(xiàn)為一條平滑曲線，而條狀?yuàn)A渣則呈現(xiàn)為一條粗糙的不規(guī)則曲線。

1.2.5 裂紋缺陷圖像特征分析

裂紋缺陷是在焊接應(yīng)力與其他致脆因素共同作用下，焊接接頭中局部地區(qū)的金屬原子結(jié)合力遭到破壞而形成的新界面所產(chǎn)生的縫隙，是一種危害嚴(yán)重的焊接缺陷。裂紋缺陷有上下兩端，兩條線近似平行，在兩條線附近有少量拋物線狀圓弧。裂紋缺陷的圖像特征表現(xiàn)為有兩條明顯的不規(guī)則條紋線平行于檢測面，兩條線的開口方向偏向檢測面的相反方向，且平滑過渡連續(xù)，中間部分清晰可見，兩端部分信號(hào)較弱。

2 超聲TOFD焊縫圖像特征提取

2.1 基于局部二值模式的特征提取

局部二值模式[6](Local Binary Patterns,LBP)是：利用中心像素值gc對鄰域的每一個(gè)像素值{g0,g1,…,gP-1}閾值化，生成一個(gè)二進(jìn)制數(shù)。中心像素的LBP值是通過將二進(jìn)制數(shù)轉(zhuǎn)換為十進(jìn)制數(shù)得到的。LBP模式被定義為

(1)

式中：gi(i=0,1,…,P-1)為P個(gè)領(lǐng)域像素的灰度值；gc為該領(lǐng)域中心像素的灰度值。

令x=gi-gc,則有二值化函數(shù)：

(2)

大于中心像素的像素被映射為1，否則為0。一般來說，LP,R會(huì)產(chǎn)生2P種不同值，這些2P二進(jìn)制模式的子集稱為均勻模式。均勻模式在減少模式特征值的同時(shí)，不會(huì)丟失任何信息。

基于LBP算法對TOFD缺陷圖像進(jìn)行特征提取時(shí)，圖像中每一個(gè)像素都被它的二進(jìn)制代碼標(biāo)記，而原始圖像被轉(zhuǎn)換成LBP圖像。圖中每個(gè)LBP代碼的出現(xiàn)頻率可以用直方圖來概括，可以作為分類任務(wù)的特征向量，如圖1所示。

圖1 LBP特征提取過程示意

從圖1可以看出，在使用(8,2)鄰域時(shí)，特征數(shù)量有59種。

2.2 基于局部相位量化的特征提取

局部相位量化[7](Local Phase Quantization,LPQ)是:基于傅里葉相位譜的模糊不變性，在每個(gè)圖像像素周圍取一個(gè)矩形鄰域來計(jì)算二維短時(shí)傅里葉變換(Short-Time Fourier Transform,STFT)，并給出圖像的局部相位信息。

LPQ通過檢測圖像f(x)的每個(gè)像素點(diǎn)x的局部鄰域NX來提取相位信息。

(3)

式中：Wu為二維離散傅里葉變換的基向量；fx為一個(gè)包含NX鄰域所有灰度值的向量。

LPQ分別通過u1=[a,0]T，u2=[0,a]T，u3=[a,a]T，u4=[a,-a]T4個(gè)頻率分量來計(jì)算局部傅里葉系數(shù)，其中a表示低于點(diǎn)擴(kuò)散函數(shù)的離散傅里葉變換H(u)的第一個(gè)零交叉點(diǎn)的第一個(gè)頻率。對于每個(gè)像素點(diǎn)，可表示為一個(gè)向量

(4)

(5)

式中：gj為向量G(x)=[Re{F(x)},Im{F(x)}]的第j個(gè)分量。

得到的量化系數(shù)qj用二進(jìn)制編碼fLPQ(x)表示為0～255之間的整數(shù)，分類過程中使用256個(gè)特征向量，而這些值出現(xiàn)的頻率組成特征向量直方圖。

(6)

對灰度圖像使用短時(shí)傅里葉變換，后通過滿足模糊不變性的4個(gè)頻率分量計(jì)算局部傅里葉系數(shù)；對每個(gè)像素點(diǎn)的傅里葉變換向量用簡單的標(biāo)量量化函數(shù)來計(jì)算相位信息；最后對得到的量化系數(shù)進(jìn)行二進(jìn)制編碼獲得像素點(diǎn)的局部相位量化值，繪制LPQ特征直方圖，實(shí)現(xiàn)圖像特征的提取，其過程如圖2所示。

2.3 融合LBP和LPQ的特征提取

LBP特征提取算法是在空間域上對圖像的像素進(jìn)行處理，通過比較中心像素和周圍像素得到二進(jìn)制編碼的算法，其反映圖像灰度值的變化趨勢，相當(dāng)于對圖像的所有局部紋理濾波處理。LPQ特征提取算法是對圖像進(jìn)行短時(shí)傅里葉變換得到圖像的頻率變換域，計(jì)算圖像的變換域系數(shù)進(jìn)而獲取變換域的相位量化信息的算法，其反映圖像的梯度分布。LBP和LPQ都是對圖像紋理信息的描述，不論是在空間域還是頻域，都是一種局部信息的提取，因此需要綜合兩種算法的優(yōu)勢，對兩種算法進(jìn)行融合，使圖像獲得更好的識(shí)別效果。

經(jīng)改進(jìn)的基于標(biāo)記的分水嶺圖像分割處理后，圖片的像素分辨率為256像素×256像素?；跇?biāo)記的改進(jìn)分水嶺的超聲TOFD檢測圖像分割算法的步驟是：首先對TOFD檢測圖像進(jìn)行數(shù)據(jù)處理，得到去噪及增強(qiáng)后的圖像；然后將圖像的二維最大熵閾值作為粒子群算法的適應(yīng)度函數(shù)，求取最佳閾值；再用求得的閾值對圖像進(jìn)行標(biāo)記分水嶺分割。LBP和LPQ算法特征融合過程(見圖3)為：對處理后的圖像進(jìn)行分塊處理，每分塊分辨率為64像素×64像素；然后對每一分塊分別進(jìn)行LBP和LPQ特征提取，得到各分塊在空間域和頻域上的特征；最后將兩種特征值歸一化融合，融合后的特征能更好地表征圖像紋理信息。

圖2 LPQ算法計(jì)算過程及特征提取

圖3 LBP和LPQ算法特征融合過程

3 基于支持向量機(jī)的缺陷分類識(shí)別

3.1 支持向量機(jī)原理

支持向量機(jī)[8](Support Vector Machine,SVM)是建立在統(tǒng)計(jì)學(xué)習(xí)理論VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的機(jī)器學(xué)習(xí)方法。支持向量機(jī)的目標(biāo)函數(shù)，也稱為正則化風(fēng)險(xiǎn)函數(shù),其目標(biāo)是結(jié)構(gòu)風(fēng)險(xiǎn)最小化，最大限度地減少經(jīng)驗(yàn)誤差和正則化項(xiàng)。另外，通過引入松弛變量ξ和ξ*，并給出懲罰參數(shù)c，用于控制估計(jì)誤差，相應(yīng)的問題可以等價(jià)于凸約束二次優(yōu)化問題，得到：

ω∈Rn,b∈R

(7)

式中：ω={ω1,ω2,…,ωm}為支持向量機(jī)的權(quán)重；φ為核函數(shù)映射的輸入向量；x={x1,x2，…，xm}為映射到高維的特征空間；〈ω，φ〉表示ω和φ之間的點(diǎn)積；b為偏差。

正則化可以降低函數(shù)f(x)的復(fù)雜度，即估計(jì)函數(shù)總是趨于光滑，避免過度擬合。擬合過程引入了不敏感性損失函數(shù)。不敏感性損失函數(shù)可以減少非線性條件下的過擬合問題，樣本點(diǎn)在空間分布，盡可能將樣本分為兩類，以中間線為界分，兩側(cè)再畫條線增加約束條件，也就是松弛變量。

通常情況下，用拉格朗日乘子來求解方程的對偶形式。將二次規(guī)劃問題轉(zhuǎn)化為相應(yīng)的對偶優(yōu)化問題，引入核函數(shù)來實(shí)現(xiàn)非線性，得到最優(yōu)回歸函數(shù)。

(8)

K(xi,x)=exp (-γ‖x-xi‖2)

(9)

式中：γ為分類器的核函數(shù)參數(shù)。

3.2 支持向量機(jī)分類識(shí)別過程

基于支持向量機(jī)的TOFD圖像分類過程分成兩步：① 通過LBP和LPQ算法聯(lián)合提取圖像特征，得到圖像的融合特征；② 將融合的特征導(dǎo)入SVM分類器進(jìn)行分類識(shí)別，分類識(shí)別過程如圖4所示。

圖4 支持向量機(jī)的分類識(shí)別過程

試驗(yàn)采用人工缺陷和自然缺陷采集到的93幅TOFD檢測圖像，其中包括24幅裂紋缺陷圖像、27幅夾渣缺陷圖像、42幅氣孔缺陷圖像。每張圖的像素分辨率均為128像素×128像素。將這些圖像分成兩個(gè)部分：訓(xùn)練集和測試集。其中，62幅圖像作為訓(xùn)練集，31幅圖像作為測試集。

3.2.1 特征提取

針對每幅圖像進(jìn)行分塊，將每幅圖像分為4×4塊，每塊的像素分辨率為32像素×32像素。通過LBP和LPQ算法提取各分塊的圖像特征，LBP特征為1×59的向量，LPQ特征為1×256的向量，將兩者歸一化融合得到1×315的特征向量，因此分塊融合之后得到每幅圖的特征向量為16×315。

3.2.2 SVM分類識(shí)別

將提取出的特征信息輸入SVM分類器，并設(shè)定分類器的核函數(shù)參數(shù)γ為3.6，懲罰參數(shù)c為100，得到每一類缺陷的識(shí)別率和總的識(shí)別率。

3.3 支持向量機(jī)分類識(shí)別結(jié)果與分析

為了驗(yàn)證LBP和LPQ融合算法的優(yōu)越性，對數(shù)據(jù)庫分別單獨(dú)進(jìn)行LBP和LPQ算法的特征提取，并進(jìn)行分類識(shí)別試驗(yàn)，試驗(yàn)結(jié)果如表2和表3所示。

從表2可以看出，單一使用LBP算法提取特征得到的分類識(shí)別正確率較差，測試集識(shí)別率僅有67.74%。從表3可以看出，單一使用LPQ算法提取特征得到的分類識(shí)別正確率較高，測試集的識(shí)別率達(dá)到83.87%。兩種算法都對氣孔缺陷的識(shí)別率較高，LBP算法對裂紋和夾渣的識(shí)別較差，LPQ算法對裂紋和夾渣的識(shí)別相對較優(yōu)。相較LBP和LPQ各單一算法，融合算法的優(yōu)越性更高，其分類識(shí)別結(jié)果如表4所示。

表2 LBP特征分類識(shí)別結(jié)果

表3 LPQ特征分類識(shí)別結(jié)果

表4 LBP和LPQ融合特征分類識(shí)別結(jié)果

從表4可以看出，LBP和LPQ融合特征經(jīng)SVM分類器分類識(shí)別，能較好地實(shí)現(xiàn)對超聲TOFD焊縫缺陷的識(shí)別，總的識(shí)別率達(dá)到87.1%。對于不同的缺陷類型，該算法也表現(xiàn)出了不同的識(shí)別效果。

相對夾渣和裂紋缺陷，氣孔缺陷識(shí)別效果好的原因是氣孔缺陷特征簡單明顯(呈線條端部較為平緩，尾部向下墜落且開口方向一致的拋物線狀)，LBP和LPQ算法較能反映該局部紋理特征；而夾渣缺陷無明顯的上下端衍射信號(hào)，相位信息不明顯，灰度信息較為集中，容易誤判成密集氣孔的缺陷類型；裂紋類缺陷上下端不規(guī)則平行，且周邊伴有較多的圓弧，相位信息相對突出，灰度分布信息較為均衡。圖5為不同算法的缺陷識(shí)別率的對比，從圖5可以清楚地看出LBP和LPQ特征融合算法的優(yōu)越性。

圖5 不同算法的缺陷識(shí)別率

在缺陷分類識(shí)別過程中，圖像的分塊會(huì)對缺陷的識(shí)別率產(chǎn)生較大的影響。通過設(shè)置不同的圖像分塊,即2×2，4×4，8×8，16×16，利用LBP和LPQ特征融和算法結(jié)合SVM分類器進(jìn)行分類識(shí)別試驗(yàn)，其結(jié)果如表5所示。

表5 不同圖像分塊分類識(shí)別結(jié)果 %

從表5可以看出，圖像分塊會(huì)對TOFD缺陷圖像的識(shí)別產(chǎn)生一定的影響。圖像分塊過少或過多，都會(huì)導(dǎo)致識(shí)別效果較差，因此需選擇合適的分塊大小，才能達(dá)到最佳的識(shí)別率。筆者選擇圖像4×4分塊，不論是在各類型缺陷還是測試集中，識(shí)別率都達(dá)到最優(yōu)，顯示出文中算法的優(yōu)越性，對比結(jié)果如圖6所示。

圖6 不同圖像分塊缺陷識(shí)別率

4 結(jié)論

(1) 在分析人工試塊中各類型缺陷的TOFD檢測圖像特征的基礎(chǔ)上，將LBP算法提取的缺陷圖像空間域灰度信息特征和LPQ算法提取的缺陷圖像頻域相位特征歸一化融合，融合之后的特征能夠更好地表征缺陷的圖像紋理信息。

(2) 選取裂紋、夾渣和氣孔型缺陷，通過SVM將缺陷圖像分塊后提取的融合特征進(jìn)行分類識(shí)別，試驗(yàn)結(jié)果表明圖像4×4分塊后提取的融合特征識(shí)別率最優(yōu)，識(shí)別正確率達(dá)到87.10%。

參考文獻(xiàn)：

[1] 林尚揚(yáng),于丹,于靜偉.壓力容器焊接新技術(shù)及其應(yīng)用[J]. 壓力容器, 2009,26(11):1-6.

[2] MERAZI-MEKSEN T, BOUDRAA M, BOUDRAA B. Mathematicalmorphology for TOFD image analysis and automatic crack detection[J]. Ultrasonics, 2014, 54(6):1642-1648.

[3] BASKARAN G, RAO C L, BALASUBRAMANIAM K. Simulation of the TOFD technique using the finite element method[J]. Or Insight, 2007, 49(11):641-646.

[5] HABIBPOUR-LEDARI A, HONARVAR F. Three dimensional characterization of defects by ultrasonic time-of-flight diffraction(TOFD) technique[J]. Journal of Nondestructive Evaluation, 2018, 37(1):14.

[6] 宋克臣, 顏云輝, 陳文輝, 等. 局部二值模式方法研究與展望[J]. 自動(dòng)化學(xué)報(bào), 2013, 39(6): 730-744.

[7] 李嵐, 師飛龍, 徐楠楠. 自適應(yīng)加權(quán)局部相位量化的人臉識(shí)別[J]. 光電工程, 2012,39(12): 138-142.

[8] 丁世飛, 齊丙娟, 譚紅艷. 支持向量機(jī)理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報(bào), 2011,40(1): 2-10.