CN105938620A - 一种小口径管内焊缝表面缺陷识别装置 - Google Patents
一种小口径管内焊缝表面缺陷识别装置 Download PDFInfo
- Publication number
- CN105938620A CN105938620A CN201610232454.0A CN201610232454A CN105938620A CN 105938620 A CN105938620 A CN 105938620A CN 201610232454 A CN201610232454 A CN 201610232454A CN 105938620 A CN105938620 A CN 105938620A
- Authority
- CN
- China
- Prior art keywords
- weld
- sigma
- image
- endoscope
- error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 26
- 238000003466 welding Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 24
- 230000007935 neutral effect Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 239000011521 glass Substances 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims description 2
- 238000002945 steepest descent method Methods 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 230000002463 transducing effect Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 101100387911 Caenorhabditis elegans dop-2 gene Proteins 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 208000019155 Radiation injury Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30152—Solder
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种小口径管内焊缝表面缺陷识别装置,该装置包括计算机、工业相机、转接头、工业内窥镜、移动便携式光源、内窥镜固定夹具和待测管件。工业相机与计算机相连,转接头一端与工业相机相连,另一端与工业内窥镜相连,可用于焊缝图像的采集。移动便携式光源与工业内窥镜相连,用于提供管内的照明。内窥镜固定夹具与内窥镜相连,用于内窥镜的中心定位、上下调节定位和360°旋转。完成对待测管件内部焊缝表面缺陷的识别检测。
Description
技术领域
本发明涉及一种焊缝焊接缺陷的检测装置,特别是一种小口径管内焊缝表面缺陷识别装置。该装置适用于管道、锅炉和集箱等换能设备小口管道处的内部焊缝焊接缺陷的检测识别,属于无损检测领域。
背景技术
随着我国工业产业的发展,锅炉、管道和集箱等换能设备作为承受高温高压的关键部件,其制造质量受到人们越来越多的关注。由于换能设备既要承受由介质作用引起的内部压力,也要承受由内外温差引起的应力,失效破坏极易出现在内部焊接区域。因此迫切需要发展一种行之有效的内部焊缝焊接缺陷检测方法,为管道、锅炉和集箱等设备可靠运行提供技术保障。
目前,对小口径管内部焊缝表面焊接质量缺乏有效的检测手段,多采用人工检测的方法。由于检测人员长期注视屏幕上移动的焊缝,容易造成眼部疲劳,造成漏检,并且检验人员的素质、技能和经验的不同,对质量检验标准的把握难免有偏差,导致检测结果受检测人员的主观影响因素较大,很难对缺陷做出准确定量的判断。为了进一步提高小口管道内焊缝表面的焊接质量,改善检测人员的检测条件,迫切需要一种小口管道内焊缝表面缺陷的自动识别方法。
近年来,针对搭建焊缝缺陷的识别***,国内外学者做了大量的研究开发,Shafeek等[Assessment of welding defects for gas pipeline radiographs usingcomputer vision[J].NDT&E International,2004,37(6):301-307]开发平台开发了一款名为AutoWDI的焊接缺陷识别***。该***通过搭建X射线照射***,采集焊缝底片,再利用相关的图像处理技术将得到的底片进行分析处理,以得到焊接缺陷的相关参数,并根据参数信息对缺陷进行识别。
针对目前小口管道内焊缝表面缺陷检测存在的不足,本专利提出一种利用工业内窥镜和工业相机的焊缝表面缺陷装置,本装置所采用的方法为基于灰度共生矩阵和BP神经网络分类识别判断焊、焊瘤和焊穿等缺陷类型。基于双目立体视觉技术实现焊缝表面内凹缺陷的识别。
发明内容
本发明的目的在于提供一种小口径管内焊缝表面缺陷识别装置,特别是基于 灰度共生矩阵和BP神经网络识别断焊、焊瘤和焊穿等缺陷,基于双目立体视觉技术识别焊缝表面内凹缺陷的识别装置。通过对小口径管内焊缝表面图像的采集,对于断焊、焊瘤和焊穿等缺陷类型基于灰度共生矩阵获取含有不同缺陷焊缝表面的特征参数,分类器采用BP神经网络对焊件工件焊缝表面缺陷进行训练、分类与识别。对于表面内凹缺陷基于双目立体视觉技术获取焊缝内凹程度,实现焊缝表面内凹缺陷的识别。
本发明提出的基于灰度共生矩阵和BP神经网络以及基于双目立体视觉技术的焊缝表面缺陷的检测方法,其基本原理在于:
对表面焊接质量不同的焊缝进行图像采集,焊缝中的纹理通常体现了焊缝表面的纹理特性信息,即物体表面的凹凸不平特性。焊接质量良好的焊缝呈鱼鳞纹状,其纹理较为均匀。而焊接质量较差的焊缝其表面纹理较为杂乱,变化不规则,而不同的缺陷的纹理特征也各不相同。而灰度共生矩阵能够很好的描述不规则的纹理,区分微小的形态差异,能较好的提取焊缝表面的有效特征参数。从焊缝图像中提取出其灰度共生矩阵,获取焊缝表面的特征参数,实现焊缝表面纹理特征的数学表征。
G(i,j)表示灰度共生矩阵,为了简化运算,矩阵元素常用概率值表示,即将元素G(i,j)除以各元素之和S,得到各元素都小于1的归一化值
(1)能量(ASM)
能量反映了焊缝图像灰度分布的均匀程度和纹理粗细度。若共生矩阵中的全部数值均相等,则能量值较小,反之,若矩阵数值不等,则能量值较大。即能量值可表明焊缝纹理变化的均匀度和规则程度。
(2)对比度(Contrast)
焊缝图像的对比度可以理解为焊缝图像的清晰度,即焊缝纹理清晰程度。在 焊缝图像中,纹理的纹沟越深,则其对比度CON越大。
(3)相关性(Correlation)
其中:
相关性反应了焊缝图像纹理的一致性。如果焊缝图像中有水平方向纹理,则水平方向矩阵的COR大于其余方向矩阵的COR值。相关性可度量空间灰度共生矩阵元素在行列方向上的相似程度,其值大小反映了焊缝图像中局部灰度的相关性。当矩阵元素值均匀相等时,相关值大,反之相关值较小。
(4)同质性(Homogeneity)
同质性可度量焊缝图像纹理局部变化量的大小。若某区域内图像纹理的变化量较小,则该区域的同质性较大。
(5)熵(entropy)
熵能反映焊缝图像所具有的信息量,表示焊缝图像中纹理的非均匀程度或复杂程度。
(6)方差(variance)
其中u为灰度共生矩阵各元素的均值。
本方法采用BP神经网络对焊缝表面缺陷图像进行分类识别,BP网络能学***方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。
BP算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成。正向传播时,数据流的传播方向为从输入层到隐含层再到输出层,每层神经元的状态只影响下一层神经元。若在输出层得不到期望的输出,则转向误差信号的反向传播流程,误差信号的传播方向为输出层到隐含层再到输入层。通过这两个过程的交替进行,在权向量空间执行误差函数梯度下降策略,动态迭代搜索一组权向量,使网络误差函数达到最小值,从而完成信息提取和记忆过程。
设BP神经网络的输入层有n个节点,隐含层有q个神经元,输出层有m个神经元,输入层与隐含层之间的权值为vki,隐含层与输出层之间的权值为wjk,隐含层的传递函数为f1(·),输出层的传递函数为f2(·)。
隐含层节点的输出为(将阈值写入求和项中):
输出层节点的输出为:
由式(11)和式(12),BP神经网络就完成了n维空间向量(输入层)对m维空间向量(输出层)的近似映射。
误差函数即目标函数设输入P个学习样本(x1x2…xp),第p个样本输入网络后得到输出为(j=1,2,…,m)。定义第p个样本的误差为Ep,P个样本的均方误差为E。为了避免迭代次数增加,运算速度减慢,保证每个样本的误差减少,因此选取均方误差作为目标函数。
均方误差:
根据公式(13)计算网络全局误差E,并与预设的期望误差比较,判断网络误差是否满足要求。当误差达到期望误差的精度或学习次数大于设定的迭代次数时,则网络学习结束;否则,选取下一个学习样本及对应的期望输出,返回到神经元的净输入值进行数据的正向传播,进入下一轮学习,直至满足误差精度或学习次数时结束学习过程。最终显示出焊缝焊接质量的识别结果。
本发明采用双目视觉技术完成焊缝内凹深度信息提取。首先采用张正友标定法对相机的内参进行标定,确定相机的焦距;对图像进行立体匹配,获取视差图,运用曲线拟合的方法对视差图进行细化;最后运用三角测量原理其中f为焦距,b为基线距离,d为视差值,完成三维信息构建,在焊缝边缘处选取三点计算出所选取的三个焊缝边缘点至相机的距离,取平均求出焊缝边缘至相机的距离l1,在焊缝中心选取一点,求取焊缝中心位置至相机的距离l2,l1和l2之差即可判断焊缝的内凹深度。
本发明的技术方案如下:
本发明所采用的装置参见图1,包括计算机1、工业相机2、转接头3、工业内窥镜4、移动便携式光源5、内窥镜固定夹具6和待测小口管道7。工业相机2与计算机1相连,转接头3一端与工业相机2相连,另一端与工业内窥镜4相连,计算机1、工业相机2、转接头3、工业内窥镜4组成采集单元对焊缝图像进行采集。移动便携式光源5与工业内窥镜4相连,用于提供待测小口管道7内照明。内窥镜固定夹具6与工业内窥镜4相连,用于工业内窥镜4的中心定位、上下调节定位和360°旋转。完成对待测小口管道7内部焊缝表面缺陷的识别检测。
内窥镜固定夹具6包括底座平台8、卡头9、丝杠10、内窥镜固定卡槽11、球轴承12、活动支座13、连接杆14;卡头9安装在底座平台8表面上,卡头9中间固定有丝杠10,内窥镜固定卡槽11安装在丝杠10上;底座平台8的中间与活动支座13之间通过球轴承12相配合,活动支座13的底部与连接杆14连接。
本发明具有以下优点:(1)用内窥镜替代传统X射线采集焊缝表面图像,避免传统X射线对人体的辐射伤害。(2)采用基于灰度共生矩阵和BP神经网络 的方法,能够识别小口管径内焊缝焊接质量情况,避免因人工检测疲劳而造成漏检。
附图说明
图1:检测装置***图;
图2:内窥镜固定夹具示意图;
图3:本内焊缝表面缺陷识别流程图
图4:训练样本图像示意图;
图5:焊接质量良好样本特征参数示意表;
图6:断焊样本特征参数示意表;
图7:孔洞样本特征参数示意表;
图8:焊偏样本特征参数示意表;
图9:焊瘤样本特征参数示意表;
图10:BP神经网络输出结果表;
图11:左、右位置采集的焊缝图像;
图12:视差图;
图1中:1、计算机,2、工业相机,3、转接头,4、工业内窥镜,5、移动便携式光源,6、内窥镜固定夹具,7、待测小口管道。
图2中:8、底座平台,9、卡头,10、丝杠,11、内窥镜固定卡槽,12、球轴承,13、活动支座,14、连接杆。
具体实施方式
下面结合具体实验对本发明作进一步说明:
步骤一:实验***搭建:按照图1的检测装置***图安装试验***,***包括计算机1、体积为29mm×29mm×57mm的工业相机2、F35光学转接头3、直径为8mm工业硬性内窥镜4、移动便携式光源5和内窥镜固定夹具6。工业相机2与计算机1相连,转接头3一端与工业相机2相连,另一端与工业内窥镜4相连,可用于焊缝图像的采集。移动便携式光源5与工业内窥镜4相连,用于提供管内的照明。内窥镜固定夹具6与内窥镜4相连,用于内窥镜的中心定位以及上下调节定位,对内径为30mm的小口管道进行检测。
步骤二:采集样本图像:首先选取5类不同表面焊接质量的图像(良好、孔 洞、焊偏、焊瘤和断焊),共5×50幅图像作为训练样本,(采集的不同焊接质量焊缝表面图像如图4所示)基于灰度共生矩阵,提取出不同焊接质量焊缝表面的能量、对比度、相关性、同质性、熵和方差等特征参数,并将提取的特征参数进行归一化处理特征参数。(不同焊接质量焊缝表面的特征参数如图5到图9所示)。
步骤三:BP神经网络的建立:将训练样本输入到神经网络中,并设置神经网络的初始值参数,其中输入层设置为24,输出层设置为5,隐含层神经元设置为20。隐含层传递函数选择logsig传递函数,输出层传递函数选择logsig传递函数,训练算法选择梯度下降自适应学习训练函数。设定最大训练次数为3000次,训练精度为0.01,学习率为0.01,显示训练间隔为50。
步骤四:焊缝表面焊接质量识别:采集40幅图像进行分类识别,基于灰度共生矩阵,提取采集图像的能量、对比度、相关性、同质性、熵和方差等特征参数,并将提取的特征参数进行归一化处理特征参数。采集到的图像经过神经网络识别,计算出测试样本与各类不同表面焊接质量训练样本的匹配度,选取与5类不同表面焊接质量测试样本匹配度最高的一类,识别出测试样本的表面焊接质量。此方法的总体分类识别正确率为92.5%(BP神经网络输出结果如图10所示)
步骤五:焊缝内凹深度检测;采用张正友标定法标定出相机的焦距为30mm。对初步判断为焊接质量良好的管道进行检测;选取焊缝区域反光较小的位置采集一幅图像(如图11(a)所示),利用电动机驱动,移动图2中的卡头2,移动距离为2mm,采集第二幅图像(如图11(b)所示)。对图像进行立体匹配获取初始视差图,再采用曲线拟合细化视差图(如图12所示),利用三角测量原理 完成三维信息构建。在中心区域选取3个焊缝边缘点取平均获得焊缝边缘至相机的距离为6.6758mm,取焊缝中心点的距离为6.0022mm,两者距离差0.6736mm可近似为焊缝中心区域为与焊缝边缘区域的相对高度差。
以上是本发明的一个典型应用,本发明的应用不限于此。
Claims (3)
1.一种小口径管内焊缝表面缺陷识别装置,其特征在于:该装置包括计算机(1)、工业相机(2)、转接头(3)、工业内窥镜(4)、移动便携式光源(5)、内窥镜固定夹具(6)和待测小口管道(7);工业相机(2)与计算机(1)相连,转接头(3)一端与工业相机(2)相连,另一端与工业内窥镜(4)相连,计算机(1)、工业相机(2)、转接头(3)、工业内窥镜(4)组成采集单元对焊缝图像进行采集;移动便携式光源(5)与工业内窥镜(4)相连,用于提供待测小口管道(7)内照明;内窥镜固定夹具(6)与工业内窥镜(4)相连,用于工业内窥镜(4)的中心定位、上下调节定位和360°旋转;完成对待测小口管道(7)内部焊缝表面缺陷的识别检测;
内窥镜固定夹具(6)包括底座平台(8)、卡头(9)、丝杠(10)、内窥镜固定卡槽(11)、球轴承(12)、活动支座(13)、连接杆(14);卡头(9)安装在底座平台(8)表面上,卡头(9)中间固定有丝杠(10),内窥镜固定卡槽(11)安装在丝杠(10)上;底座平台(8)的中间与活动支座(13)之间通过球轴承(12)相配合,活动支座(13)的底部与连接杆(14)连接。
2.利用权利要求1所述装置进行的基于灰度共生矩阵和BP神经网络以及基于双目立体视觉技术的焊缝表面缺陷的检测方法,其特征在于:本方法基本原理在于,
对表面焊接质量不同的焊缝进行图像采集,焊缝中的纹理通常体现了焊缝表面的纹理特性信息,即物体表面的凹凸不平特性;焊接质量良好的焊缝呈鱼鳞纹状,其纹理较为均匀;而焊接质量较差的焊缝其表面纹理较为杂乱,变化不规则,而不同的缺陷的纹理特征也各不相同;而灰度共生矩阵能够很好的描述不规则的纹理,区分微小的形态差异,能较好的提取焊缝表面的有效特征参数;从焊缝图像中提取出其灰度共生矩阵,获取焊缝表面的特征参数,实现焊缝表面纹理特征的数学表征;
G(i,j)表示灰度共生矩阵,为了简化运算,矩阵元素常用概率值表示,即将元素G(i,j)除以各元素之和S,得到各元素都小于1的归一化值
(1)能量
能量反映了焊缝图像灰度分布的均匀程度和纹理粗细度;若共生矩阵中的全部数值均相等,则能量值较小,反之,若矩阵数值不等,则能量值较大;即能量值可表明焊缝纹理变化的均匀度和规则程度;
(2)对比度
焊缝图像的对比度可以理解为焊缝图像的清晰度,即焊缝纹理清晰程度;在焊缝图像中,纹理的纹沟越深,则其对比度CON越大;
(3)相关性
其中:
相关性反应了焊缝图像纹理的一致性;如果焊缝图像中有水平方向纹理,则水平方向矩阵的COR大于其余方向矩阵的COR值;相关性可度量空间灰度共生矩阵元素在行列方向上的相似程度,其值大小反映了焊缝图像中局部灰度的相关性;当矩阵元素值均匀相等时,相关值大,反之相关值较小;
(4)同质性
同质性可度量焊缝图像纹理局部变化量的大小;若某区域内图像纹理的变化量较小,则该区域的同质性较大;
(5)熵
熵能反映焊缝图像所具有的信息量,表示焊缝图像中纹理的非均匀程度或复杂程度;
(6)方差
其中u为灰度共生矩阵各元素的均值;
本方法采用BP神经网络对焊缝表面缺陷图像进行分类识别,BP网络能学***方和最小;BP神经网络模型拓扑结构包括输入层、隐含层和输出层;
BP算法由数据流的前向计算和误差信号的反向传播两个过程构成;正向传播时,数据流的传播方向为从输入层到隐含层再到输出层,每层神经元的状态只影响下一层神经元;若在输出层得不到期望的输出,则转向误差信号的反向传播流程,误差信号的传播方向为输出层到隐含层再到输入层;通过这两个过程的交替进行,在权向量空间执行误差函数梯度下降策略,动态迭代搜索一组权向量,使网络误差函数达到最小值,从而完成信息提取和记忆过程;
设BP神经网络的输入层有n个节点,隐含层有q个神经元,输出层有m个神经元,输入层与隐含层之间的权值为vki,隐含层与输出层之间的权值为wjk,隐含层的传递函数为f1(·),输出层的传递函数为f2(·);
隐含层节点的输出为:
输出层节点的输出为:
由式(11)和式(12),BP神经网络就完成了n维空间向量(输入层)对m维空间向量(输出层)的近似映射;
误差函数即目标函数设输入P个学习样本(x1x2…xp),第p个样本输入网络后得到输出为(j=1,2,…,m);定义第p个样本的误差为Ep,P个样本的均方误差为E;为了避免迭代次数增加,运算速度减慢,保证每个样本的误差减少,因此选取均方误差作为目标函数;
均方误差:
根据公式(13)计算网络全局误差E,并与预设的期望误差比较,判断网络误差是否满足要求;当误差达到期望误差的精度或学习次数大于设定的迭代次数时,则网络学习结束;否则,选取下一个学习样本及对应的期望输出,返回到神经元的净输入值进行数据的正向传播,进入下一轮学习,直至满足误差精度或学习次数时结束学习过程;最终显示出焊缝焊接质量的识别结果;
本发明采用双目视觉技术完成焊缝内凹深度信息提取;首先采用张正友标定法对相机的内参进行标定,确定相机的焦距;对图像进行立体匹配,获取视差图,运用曲线拟合的方法对视差图进行细化;最后运用三角测量原理其中f为焦距,b为基线距离,d为视差值,完成三维信息构建,在焊缝边缘处选取三点计算出所选取的三个焊缝边缘点至相机的距离,取平均求出焊缝边缘至相机的距离l1,在焊缝中心选取一点,求取焊缝中心位置至相机的距离l2,l1和l2之差即可判断焊缝的内凹深度。
3.根据权利要求2所述的基于灰度共生矩阵和BP神经网络以及基于双目立体视觉技术的焊缝表面缺陷的检测方法,其特征在于:
步骤一:实验***搭建:安装试验***,***包括计算机、体积为29mm×29mm×57mm的工业相机、F35光学转接头、直径为8mm工业硬性内窥镜、移动便携式光源和内窥镜固定夹具;工业相机与计算机相连,转接头一端与工业相机相连,另一端与工业内窥镜相连,可用于焊缝图像的采集;移动便携式光源与工业内窥镜相连,用于提供管内的照明;内窥镜固定夹具与内窥镜相连,用于内窥镜的中心定位以及上下调节定位,对内径为30mm的小口管道进行检测;
步骤二:采集样本图像:首先选取5类不同表面焊接质量的图像,共5×50幅图像作为训练样本,基于灰度共生矩阵,提取出不同焊接质量焊缝表面的能量、对比度、相关性、同质性、熵和方差等特征参数,并将提取的特征参数进行归一化处理特征参数;
步骤三:BP神经网络的建立:将训练样本输入到神经网络中,并设置神经网络的初始值参数,其中输入层设置为24,输出层设置为5,隐含层神经元设置为20;隐含层传递函数选择logsig传递函数,输出层传递函数选择logsig传递函数,训练算法选择梯度下降自适应学习训练函数;设定最大训练次数为3000次,训练精度为0.01,学习率为0.01,显示训练间隔为50;
步骤四:焊缝表面焊接质量识别:采集40幅图像进行分类识别,基于灰度共生矩阵,提取采集图像的能量、对比度、相关性、同质性、熵和方差等特征参数,并将提取的特征参数进行归一化处理特征参数;采集到的图像经过神经网络识别,计算出测试样本与各类不同表面焊接质量训练样本的匹配度,选取与5类不同表面焊接质量测试样本匹配度最高的一类,识别出测试样本的表面焊接质量;
步骤五:焊缝内凹深度检测;采用张正友标定法标定出相机的焦距为30mm;对初步判断为焊接质量良好的管道进行检测;选取焊缝区域反光较小的位置采集一幅图像,利用电动机驱动,移动卡头,移动距离为2mm,采集第二幅图像;对图像进行立体匹配获取初始视差图,再采用曲线拟合细化视差图,利用三角测量原理完成三维信息构建;在中心区域选取3个焊缝边缘点取平均获得焊缝边缘至相机的距离为6.6758mm,取焊缝中心点的距离为6.0022mm,两者距离差0.6736mm可近似为焊缝中心区域为与焊缝边缘区域的相对高度差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610232454.0A CN105938620B (zh) | 2016-04-14 | 2016-04-14 | 一种小口径管内焊缝表面缺陷识别装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610232454.0A CN105938620B (zh) | 2016-04-14 | 2016-04-14 | 一种小口径管内焊缝表面缺陷识别装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105938620A true CN105938620A (zh) | 2016-09-14 |
CN105938620B CN105938620B (zh) | 2018-12-25 |
Family
ID=57151425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610232454.0A Expired - Fee Related CN105938620B (zh) | 2016-04-14 | 2016-04-14 | 一种小口径管内焊缝表面缺陷识别装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105938620B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338521A (zh) * | 2016-09-22 | 2017-01-18 | 华中科技大学 | 增材制造表面及内部缺陷与形貌复合检测方法及装置 |
CN106530291A (zh) * | 2016-10-28 | 2017-03-22 | 重庆工商职业学院 | 一种基于图像处理的抛光表面检测方法及其*** |
CN106910191A (zh) * | 2017-03-06 | 2017-06-30 | 中国科学院合肥物质科学研究院 | 一种基于深度图像的轴承沟道识别方法 |
CN107421742A (zh) * | 2017-08-30 | 2017-12-01 | 武汉理工大学 | 水润滑尾轴承粘‑滑现象测试*** |
CN107705312A (zh) * | 2017-08-30 | 2018-02-16 | 合肥工业大学 | 一种基于线扫描数据提取焊后焊缝边缘点的方法 |
CN107941822A (zh) * | 2017-11-28 | 2018-04-20 | 南通尚力机电工程设备有限公司 | 一种基于图像处理的开槽测试方法 |
CN107971659A (zh) * | 2017-11-28 | 2018-05-01 | 南通尚力机电工程设备有限公司 | 一种焊缝收尾的在线监测方法 |
CN108846837A (zh) * | 2018-06-01 | 2018-11-20 | 联想(北京)有限公司 | 物体表面缺陷检测方法和装置 |
CN109540903A (zh) * | 2018-11-28 | 2019-03-29 | 合肥常青机械股份有限公司 | 基于模式识别的自动化生产过程质量智能诊断方法 |
CN109613012A (zh) * | 2019-02-20 | 2019-04-12 | 南京工业大学 | 一种基于内窥镜的产品缺陷检测***及检测方法 |
CN109716108A (zh) * | 2016-12-30 | 2019-05-03 | 同济大学 | 一种基于双目图像分析的沥青路面病害检测*** |
CN109829883A (zh) * | 2018-12-19 | 2019-05-31 | 歌尔股份有限公司 | 产品质量检测方法及装置 |
CN110161051A (zh) * | 2019-03-07 | 2019-08-23 | 上海交通大学 | 适用于机械手末端的旋转内窥镜夹具及内孔图像采集方法 |
CN110412047A (zh) * | 2019-07-18 | 2019-11-05 | 沈阳航空航天大学 | 一种管道内壁缝隙测量***及方法 |
CN110969611A (zh) * | 2019-12-03 | 2020-04-07 | 广州特种承压设备检测研究院 | 管道焊缝缺陷检测方法、装置、***及存储介质 |
CN111239160A (zh) * | 2020-03-24 | 2020-06-05 | 刘素青 | 应用大数据服务器的分布均匀等级测量平台 |
CN111340809A (zh) * | 2020-05-21 | 2020-06-26 | 征图新视(江苏)科技股份有限公司 | 基于流关联的深度学习模型的多工位检测设备 |
CN111664807A (zh) * | 2020-04-24 | 2020-09-15 | 河北津西钢铁集团股份有限公司 | 旋转结构光法管道检测*** |
CN111861974A (zh) * | 2020-03-24 | 2020-10-30 | 刘素青 | 应用大数据服务器的分布均匀等级测量方法 |
CN112161579A (zh) * | 2020-09-17 | 2021-01-01 | 武大巨成结构股份有限公司 | 一种锚孔内径测量装置及测量方法 |
CN112683787A (zh) * | 2019-10-17 | 2021-04-20 | 神讯电脑(昆山)有限公司 | 物件表面检测***及其基于人工神经网络的检测方法 |
CN112683921A (zh) * | 2019-10-17 | 2021-04-20 | 神讯电脑(昆山)有限公司 | 针对金属表面的影像扫描方法及其影像扫描*** |
CN112730428A (zh) * | 2020-12-23 | 2021-04-30 | 联合汽车电子有限公司 | 接杆焊缝检测***及方法 |
CN112845159A (zh) * | 2020-12-02 | 2021-05-28 | 河南航天液压气动技术有限公司 | 一种基于机器学习的管路视觉检测***及方法 |
WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
WO2023124579A1 (zh) * | 2021-12-29 | 2023-07-06 | 广东利元亨智能装备股份有限公司 | 焊缝质量检测区域确定方法、装置、计算机以及存储介质 |
CN117817223A (zh) * | 2024-03-05 | 2024-04-05 | 宝鸡康盛精工精密制造有限公司 | 一种机器人焊接用焊缝识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010142731A1 (de) * | 2009-06-10 | 2010-12-16 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zum prüfen eines verbindungsschweissens für eine welle mittels einer durch einen durchgang der welle eingeführten erfassungseinrichtung; entsprechende rotorwelle |
CN103439408A (zh) * | 2013-08-20 | 2013-12-11 | 北京巴布科克·威尔科克斯有限公司 | 一种小口径管座角焊缝的超声波检测方法 |
-
2016
- 2016-04-14 CN CN201610232454.0A patent/CN105938620B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010142731A1 (de) * | 2009-06-10 | 2010-12-16 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zum prüfen eines verbindungsschweissens für eine welle mittels einer durch einen durchgang der welle eingeführten erfassungseinrichtung; entsprechende rotorwelle |
CN103439408A (zh) * | 2013-08-20 | 2013-12-11 | 北京巴布科克·威尔科克斯有限公司 | 一种小口径管座角焊缝的超声波检测方法 |
Non-Patent Citations (2)
Title |
---|
单黎波 等: "内窥镜检测方法技术研究", 《火箭推进》 * |
张涛: "多环片零件轴孔装配控制与检测技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338521A (zh) * | 2016-09-22 | 2017-01-18 | 华中科技大学 | 增材制造表面及内部缺陷与形貌复合检测方法及装置 |
CN106338521B (zh) * | 2016-09-22 | 2019-04-12 | 华中科技大学 | 增材制造表面及内部缺陷与形貌复合检测方法及装置 |
CN106530291B (zh) * | 2016-10-28 | 2019-01-22 | 重庆工商职业学院 | 一种基于图像处理的抛光表面检测方法及其*** |
CN106530291A (zh) * | 2016-10-28 | 2017-03-22 | 重庆工商职业学院 | 一种基于图像处理的抛光表面检测方法及其*** |
CN109716108A (zh) * | 2016-12-30 | 2019-05-03 | 同济大学 | 一种基于双目图像分析的沥青路面病害检测*** |
CN109716108B (zh) * | 2016-12-30 | 2021-07-13 | 同济大学 | 一种基于双目图像分析的沥青路面病害检测*** |
CN106910191B (zh) * | 2017-03-06 | 2019-10-18 | 中国科学院合肥物质科学研究院 | 一种基于深度图像的轴承沟道识别方法 |
CN106910191A (zh) * | 2017-03-06 | 2017-06-30 | 中国科学院合肥物质科学研究院 | 一种基于深度图像的轴承沟道识别方法 |
CN107421742A (zh) * | 2017-08-30 | 2017-12-01 | 武汉理工大学 | 水润滑尾轴承粘‑滑现象测试*** |
CN107705312B (zh) * | 2017-08-30 | 2021-02-26 | 合肥工业大学 | 一种基于线扫描数据提取焊后焊缝边缘点的方法 |
CN107705312A (zh) * | 2017-08-30 | 2018-02-16 | 合肥工业大学 | 一种基于线扫描数据提取焊后焊缝边缘点的方法 |
CN107941822A (zh) * | 2017-11-28 | 2018-04-20 | 南通尚力机电工程设备有限公司 | 一种基于图像处理的开槽测试方法 |
CN107971659A (zh) * | 2017-11-28 | 2018-05-01 | 南通尚力机电工程设备有限公司 | 一种焊缝收尾的在线监测方法 |
CN108846837A (zh) * | 2018-06-01 | 2018-11-20 | 联想(北京)有限公司 | 物体表面缺陷检测方法和装置 |
CN108846837B (zh) * | 2018-06-01 | 2021-11-16 | 联想(北京)有限公司 | 物体表面缺陷检测方法和装置 |
CN109540903A (zh) * | 2018-11-28 | 2019-03-29 | 合肥常青机械股份有限公司 | 基于模式识别的自动化生产过程质量智能诊断方法 |
CN109829883A (zh) * | 2018-12-19 | 2019-05-31 | 歌尔股份有限公司 | 产品质量检测方法及装置 |
CN109829883B (zh) * | 2018-12-19 | 2020-11-17 | 歌尔光学科技有限公司 | 产品质量检测方法及装置 |
CN109613012A (zh) * | 2019-02-20 | 2019-04-12 | 南京工业大学 | 一种基于内窥镜的产品缺陷检测***及检测方法 |
CN110161051A (zh) * | 2019-03-07 | 2019-08-23 | 上海交通大学 | 适用于机械手末端的旋转内窥镜夹具及内孔图像采集方法 |
CN110161051B (zh) * | 2019-03-07 | 2020-09-04 | 上海交通大学 | 适用于机械手末端的旋转内窥镜夹具及内孔图像采集方法 |
CN110412047A (zh) * | 2019-07-18 | 2019-11-05 | 沈阳航空航天大学 | 一种管道内壁缝隙测量***及方法 |
CN112683921A (zh) * | 2019-10-17 | 2021-04-20 | 神讯电脑(昆山)有限公司 | 针对金属表面的影像扫描方法及其影像扫描*** |
CN112683787A (zh) * | 2019-10-17 | 2021-04-20 | 神讯电脑(昆山)有限公司 | 物件表面检测***及其基于人工神经网络的检测方法 |
CN110969611A (zh) * | 2019-12-03 | 2020-04-07 | 广州特种承压设备检测研究院 | 管道焊缝缺陷检测方法、装置、***及存储介质 |
CN111239160A (zh) * | 2020-03-24 | 2020-06-05 | 刘素青 | 应用大数据服务器的分布均匀等级测量平台 |
CN111861974A (zh) * | 2020-03-24 | 2020-10-30 | 刘素青 | 应用大数据服务器的分布均匀等级测量方法 |
CN111861974B (zh) * | 2020-03-24 | 2021-04-13 | 江苏米多来数据科技有限公司 | 应用大数据服务器的分布均匀等级测量方法 |
CN111239160B (zh) * | 2020-03-24 | 2020-12-25 | 航天云网数据研究院(广东)有限公司 | 应用大数据服务器的分布均匀等级测量平台 |
CN111664807A (zh) * | 2020-04-24 | 2020-09-15 | 河北津西钢铁集团股份有限公司 | 旋转结构光法管道检测*** |
CN111664807B (zh) * | 2020-04-24 | 2022-08-12 | 河北津西钢铁集团股份有限公司 | 旋转结构光法管道检测*** |
CN111340809A (zh) * | 2020-05-21 | 2020-06-26 | 征图新视(江苏)科技股份有限公司 | 基于流关联的深度学习模型的多工位检测设备 |
WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
CN112161579A (zh) * | 2020-09-17 | 2021-01-01 | 武大巨成结构股份有限公司 | 一种锚孔内径测量装置及测量方法 |
CN112845159A (zh) * | 2020-12-02 | 2021-05-28 | 河南航天液压气动技术有限公司 | 一种基于机器学习的管路视觉检测***及方法 |
CN112845159B (zh) * | 2020-12-02 | 2023-01-24 | 河南航天液压气动技术有限公司 | 一种基于机器学习的管路视觉检测***及方法 |
CN112730428A (zh) * | 2020-12-23 | 2021-04-30 | 联合汽车电子有限公司 | 接杆焊缝检测***及方法 |
WO2023124579A1 (zh) * | 2021-12-29 | 2023-07-06 | 广东利元亨智能装备股份有限公司 | 焊缝质量检测区域确定方法、装置、计算机以及存储介质 |
CN117817223A (zh) * | 2024-03-05 | 2024-04-05 | 宝鸡康盛精工精密制造有限公司 | 一种机器人焊接用焊缝识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105938620B (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105938620A (zh) | 一种小口径管内焊缝表面缺陷识别装置 | |
CN111091538B (zh) | 一种管道焊缝自动识别、缺陷检测方法及装置 | |
CN105938563A (zh) | 一种基于图像纹理的焊缝表面缺陷识别方法 | |
CN105389814B (zh) | 一种用于气密性试验的气泡检测方法 | |
CN103971353B (zh) | 采用激光辅助大型锻件测量图像数据的拼接方法 | |
CN108460760B (zh) | 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法 | |
CN106679567A (zh) | 基于双目立体视觉的接触网及支柱几何参数检测测量*** | |
CN106841216A (zh) | 基于全景图像cnn的隧道病害自动识别装置 | |
CN108090896B (zh) | 木板平整度检测及其机器学习方法、装置及电子设备 | |
CN112766103A (zh) | 一种机房巡检方法及装置 | |
CN103323209A (zh) | 基于双目立体视觉的结构模态参数识别*** | |
CN109827502A (zh) | 一种标定点图像补偿的线结构光视觉传感器高精度标定方法 | |
CN104634248A (zh) | 一种双目视觉下的转轴标定方法 | |
EP4016058A1 (en) | Automatic machine of vision on detection device for workpiece with complex curved surface | |
CN113936004B (zh) | 一种锂电池焊接质量检测方法、装置及*** | |
CN113139962B (zh) | 用于脊柱侧凸概率评估的***和方法 | |
CN108052909B (zh) | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 | |
WO2021051855A1 (zh) | 一种盆底测量方法、***及超声设备 | |
CN108537361A (zh) | 一种机动雷达和通信台站的选址评估方法 | |
CN108229352A (zh) | 一种基于深度学习的站立检测方法 | |
CN109146880A (zh) | 一种基于深度学习的电力设备检测方法 | |
CN107993228A (zh) | 一种基于心血管oct影像的易损斑块自动检测方法和装置 | |
CN104778716A (zh) | 基于单幅图像的卡车车厢体积测量方法 | |
CN110136186A (zh) | 一种用于移动机器人目标测距的检测目标匹配方法 | |
CN114119461A (zh) | 基于深度学习的锂电池模组侧面焊缝外观检测算法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181225 |