基于机器视觉的拼装结构件焊缝表面缺陷检测算法研究

作     者：申耀华 

作者单位：天津理工大学 

学位级别：硕士

导师姓名：葛为民;丁跃达

授予年度：2019年

学科分类：080503[工学-材料加工工程] 08[工学] 080203[工学-机械设计及理论] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

主      题：焊缝表面缺陷 图像预处理 GI2DPCA SVM 特征空间更新 

摘      要：拼装结构件作为海港设备中常用构件,常通过焊接工艺制造而成。塔吊的箱梁构件就是典型的拼装结构件,其作用是主要载荷通过横梁上的任何位置时,拼装结构件的各部分(梁肋、腹板和底板等)作为整体同时参加受力,提高抗扭强度。然而,在制造构件的过程中,由于结构件拼装制造的复杂程度和焊接环境等不确定因素的存在,易出现含有焊瘤、气孔和飞溅等缺陷的焊缝。因此,需对拼装结构件的成形焊缝进行缺陷检测。在传统的缺陷检测中主要依靠人工离线拼片,这容易受检测员的经验限制且具有工期无法预测等不足,无法满足现代化焊接技术的要求。机器视觉是一种非接触性测量方式,具有灵敏度高、测量精度高等特点,在工业检测中得到了广泛应用。本文在机器视觉的基础上进行对拼装结构件的焊缝表面缺陷检测的研究,主要研究内容如下:(1)针对采集的焊缝表面图像中存在噪声及对比度不明显等问题,经图像滤波对比实验选择合适的图像降噪算法;然后通过sin函数增强来提高板材与焊缝区域之间的对比度,利用OSTU阈值分割算法获得焊缝二值化图像,最后利用焊缝缺陷区域灰度占比对其二值化图像来进行焊缝缺陷区域的提取。实验结果表明,这一系列图像预处理算法能实现对拼装结构件焊缝表面缺陷区域的分割与提取。(2)针对2DPCA这一批量算法无法实现在线特征提取和焊缝缺陷图像的剧烈变化对估算特征向量收敛性的影响,提出了一种基于GI2DPCA的焊缝表面缺陷特征提取算法。该算法能在线以迭代的方式估算出真实的主成分特征,收敛性良好,且能减少焊缝表面缺陷剧烈变化对主成分收敛的影响。实验结果表明,该算法在缺陷识别与所需运行时间等方面性能均优于2DPCA、LBPH和LDA这三种算法。(3)针对焊缝缺陷检测中分类识别精度的要求,采用KNN、BP神经网络和SVM分类器对缺陷识别进行对比研究。通过GI2DPCA算法提取出缺陷特征,作为这三种分类器的输入向量来进行缺陷识别。实验结果表明,在焊缝缺陷识别方面,SVM的性能优于KNN和BP神经网络,利用GI2DPCA算法和SVM分类器进行缺陷识别是最优选择。(4)针对焊缝缺陷检测过程中出现新类别缺陷和特征空间更新的问题,本文利用新样本与当前特征空间重构样本之间的差异程度,即重构误差,来监测新缺陷类别的输入,基于类间类内距离来监测已知类别缺陷新位姿的出现,在线优化特征空间,完善缺陷检测的信息。实验结果表明,输入新类别缺陷后,重构误差突增,在检测过程中,新位姿的出现使得特征空间不断被更新,在线检测信息逐渐完善,缺陷识别率基本满足实际工业产生的需求。