超聲波相控陣探傷中焊縫缺陷辨識研究

謝 研 楊天雪 林春深

(1.福州大學(xué)石油化工學(xué)院；2.福建省特種設(shè)備檢驗研究院)

超聲波相控陣探傷中焊縫缺陷辨識研究

謝 研*1楊天雪2林春深1

(1.福州大學(xué)石油化工學(xué)院；2.福建省特種設(shè)備檢驗研究院)

根據(jù)超聲波相控陣檢測在不同的典型缺陷下所呈現(xiàn)出的圖像，提出一種基于灰度共生矩陣(GLCM)的灰色關(guān)聯(lián)為評價標(biāo)準(zhǔn)的缺陷識別方法，并以夾渣、氣孔、裂紋、未焊透和未熔合 5種焊縫常見缺陷為對象進(jìn)行缺陷辨識。利用GLCM提取出圖像4個生成方向上(0、45、90、135°)的4個特征值(角二階距、對比度、熵值、相關(guān)性)求出平均灰色關(guān)聯(lián)度，并與超聲檢測結(jié)果進(jìn)行對比。實驗結(jié)果表明：該方法正確率達(dá)到80%以上，識別效果較好。

超聲波相控陣檢測 缺陷圖像辨識 圖像特征提取 灰度共生矩陣 灰色關(guān)聯(lián)度

超聲波相控陣技術(shù)是較為新型的無損檢測技術(shù)，是一種重要的定量檢測手段，它能夠更為直接地描述焊接構(gòu)件里的缺陷分布[1～4]，提高檢測準(zhǔn)確性。然而在提取和評價紋理特征方面尚處于研究階段，如何實現(xiàn)缺陷類型的辨識是超聲波相控研究領(lǐng)域的難點之一[5]。目前關(guān)于焊縫缺陷識別的方法種類有很多，例如主要成分分析、模糊識別分析及BP識別等。然而，這些方法大都應(yīng)用在射線檢測、超聲波A掃等無損檢測領(lǐng)域，而超聲波相控陣B掃檢測缺陷圖像識別在板板對接焊縫上的應(yīng)用至今還沒有一種有效且通用的方法。筆者提取超聲波相控陣檢測焊接缺陷圖像的角二階距、對比度、熵值和相關(guān)性4個紋理特征，將灰色關(guān)聯(lián)度引入到缺陷類別辨識中，提出了一種在超聲波相控陣對接焊縫檢測領(lǐng)域中有效的缺陷識別方法。

1 灰色關(guān)聯(lián)分析法

對相控陣B掃缺陷圖像而言，要先從圖像特征中提煉出所需要的關(guān)鍵信息，然后辨識其類型?？稍撊毕輬D像特征屬于信息殘缺、關(guān)系不明顯的信息系統(tǒng)，所以在超聲B掃識別領(lǐng)域，缺陷的定性分析還比較困難。不過灰色關(guān)聯(lián)分析法為識別提供了一種新方案，該方案的思路是：以未知缺陷和參考缺陷的差異程度作為基準(zhǔn)，計算出它們的關(guān)聯(lián)程度。灰色關(guān)聯(lián)分析法是多因子分析，即使只有較少樣本，也可在這些規(guī)律未知的、殘缺的數(shù)據(jù)信息中提取主要因子，因此該方法為缺陷的辨識提供了依據(jù)[6～8]。

假設(shè)存在一序列:Xi(K)=(Xi(1),Xi(2),Xi(3)，…，Xi(K))。式中:i=1,2,...,n；每個樣本有K個紋理特征參數(shù)。由于文中各個數(shù)列對應(yīng)的紋理特征參數(shù)的單位相同，所以不需進(jìn)行預(yù)處理。

假設(shè)參考數(shù)列(參考缺陷)為{X0(k)}、比較數(shù)列(測試缺陷)為{Xi(k)}, 則{X0(k)}與{Xi(k)}的關(guān)聯(lián)系數(shù)為:

(1)

其中:Δ0i=‖X0(k)-Xi(k)‖為X0(k)與Xi(k)兩個比較數(shù)列的絕對差；Δmin和Δmax分別表示比較數(shù)列與參考數(shù)列的各特征參量絕對差的最小值和最大值；θ為分辨系數(shù), 目的是減少最大絕對差數(shù)值過大所引起的誤差,取值一般在0～1之間, 本例取0.5。

關(guān)聯(lián)度是指比較數(shù)列和參考數(shù)列之間關(guān)于各特征參量的關(guān)聯(lián)程度。兩數(shù)列的關(guān)聯(lián)度又由它們各特征參量的關(guān)聯(lián)系數(shù)的平均值求得，其計算式為:

(2)

筆者提出了平均關(guān)聯(lián)度的識別方法，把計算出的4種紋理參數(shù)關(guān)聯(lián)度再進(jìn)行平均，這樣能夠綜合各特征因子，對未知缺陷進(jìn)行有效地判定。

2 灰度共生矩陣的特征參數(shù)

基于灰度共生矩陣(GLCM)提取紋理特征的方法是一種典型的統(tǒng)計分析方法，焊縫的B掃圖像紋理是由超聲回波反饋不同的組織結(jié)構(gòu)形成的，可利用這種特性來識別焊縫的缺陷類型。GLCM紋理提取方法具有較廣的適用范圍，用于圖像檢測和分類的研究越來越活躍[9～11]。

為了描述紋理的主要特征，需要引入能給出較高分類精度的、合適的GLCM特征參數(shù)，依據(jù)Ulaby F T等的研究發(fā)現(xiàn)，GLCM有4個特征參數(shù)比較適合[12]，下面逐一介紹這4種特征值。

能量(角二階矩)ASM：

(3)

ASM描述的是圖像均勻性特征，當(dāng)紋理較細(xì)時，ASM較??；當(dāng)圖像紋理較粗時,ASM較大，圖像灰度分布較均衡，元素主要集中分布在主對角線附近。

對比度CON：

(4)

其中a=|g1-g2|，圖像區(qū)域變化情況的描述由CON表示，即CON可以表述圖像清晰程度和紋理溝紋深淺程度。若CON較大則說明圖像更清晰，紋理更細(xì)。

熵值H：

(5)

H描述圖像紋理的復(fù)雜程度或者均勻程度的情況，可以衡量圖像信息量大小。所涵蓋的圖像信息越多，則H越大；反之信息越少，則H越小。

相關(guān)性COR：

(6)

COR描述的是矩陣中行或者列方向上的相似程度，如果在某個方向上的COR值較高，那么說明在這個方向上有紋理圖像。

3 不同類型缺陷圖像及其特征分析

掃描缺陷試塊，采集了各類型缺陷的二維圖像。其中一組缺陷圖像如圖1所示，缺陷圖像紋理特征參數(shù)見表1。

圖1 5種缺陷超聲波相控陣圖像

缺陷類型特征0°方向45°方向90°方向135°方向平均值氣孔能量0.0862500.0910290.0860540.0627710.081526對比度1.0639154.4775254.5330345.7046933.944792相關(guān)性0.1317100.0970950.0962720.0845950.102418熵值3.1800623.1856193.2284843.5432623.284357裂紋能量0.0878800.0877170.0827490.0640430.080597對比度1.4355316.9705507.3408598.8867886.158432相關(guān)性0.1275980.0717180.0679970.0525170.079958熵值3.0841193.1002513.1662673.4272743.194478未焊透能量0.2034810.1975190.1969600.1651830.190786

(續(xù)表1)

由圖1和表1可發(fā)現(xiàn)不同類型缺陷的一些比較顯著的特點：

a. 氣孔。該缺陷的二維圖像形狀類似圓球或是橢圓，能比較清楚地看到圖像中缺陷的邊界，氣孔缺陷有著亮度較高的中間部分，檢測中將設(shè)備探頭左右移動一小段距離，可發(fā)現(xiàn)高亮的紅色氣孔中部依然存在；由紋理特征數(shù)據(jù)可以看出氣孔的對比度較小，表明氣孔的密度是均勻分布的；相較于其他缺陷的相關(guān)性，氣孔的4個方向的相關(guān)性變化要更小，表明其形狀在0、45、90、135°這4個方向比較勻稱，符合氣孔為圓球狀或是橢圓狀的宏觀描述。

b. 未熔合。該圖像呈現(xiàn)比較平直的條形狀；有著較小能量值表明圖像含有較細(xì)的紋理；4個角度方向的相關(guān)性變化比較小，表示其方向性不強。

c. 未焊透。該圖像呈現(xiàn)出斷斷續(xù)續(xù)的狀態(tài)；能量平均值較大和熵值較小都可以看出含有較粗的紋理；4個方向的相關(guān)性變化波動比較大，表明該缺陷的方向性比較強。

d. 裂紋。該圖像呈現(xiàn)有點彎曲的條形狀；相較于夾渣、氣孔和未熔合，裂紋相關(guān)性在4個角度方向上的變化要大些，表明其方向性不強。

e. 夾渣。該圖像不具有規(guī)律性，其能量平均值較大表示含有比較粗的紋理，也表明夾渣的外表較粗糙；較小對比度平均值說明夾渣有較平均的密度分布，這也符合實際；熵值比較小，表明圖像含有的信息量比較少；該缺陷相關(guān)性在4個角度方向上的變化不太大，表示其方向性不強烈。

4 實驗方案設(shè)計

實驗采用SUPOR-32P相控陣超聲成像檢測儀，所使用的陣列探頭是32陣元的一維陣列探頭。儀器使用64N55S斜探頭楔塊(折射角55°，楔塊聲速2 360m/s)。掃描方案：采樣率40MHz；發(fā)射電壓40V；接收增益可調(diào)；掃描方式為扇形掃描；掃描角度30～ 80°。用儀器對不同厚度板板對接試塊焊縫(V形坡口)進(jìn)行手動扇掃，直到出現(xiàn)缺陷波最高的圖像，然后保存所收集圖像信息，轉(zhuǎn)儲到計算機。截取大小120×130的圖像作為分析對象。本例采用的缺陷樣本數(shù)32個。

掃描已知缺陷試塊，以其圖像特征數(shù)據(jù)作為未知缺陷參考基準(zhǔn)。缺陷識別流程如圖2所示，筆者利用GLCM提取了圖像的紋理特征，為確保生成的灰度共生矩陣能包含大多數(shù)像素點，以避免丟失必要的信息，故生成步長d取1。為了簡化計算，將采集的缺陷二維彩色圖像壓縮成16級。為后面數(shù)據(jù)處理提供方便和提高程序運行時的收斂速度，要對共生矩陣進(jìn)行歸一化處理[13～15]。最后生成共生矩陣0、45、90、135°方向上的4個特征值。利用式(1)求出4個方向上的平均灰色關(guān)聯(lián)系數(shù)，最后用式(2)求出4個特征值的平均關(guān)聯(lián)度。

圖2 缺陷識別流程

5 結(jié)果分析

由表2可知有4個未焊透缺陷識別為未熔合。因為未熔合和未焊透都是面積型的缺陷,而且未熔合其實是一種虛焊, 在外力的作用下，未熔合和未焊透都會減少焊接結(jié)構(gòu)的承受面積并削弱結(jié)構(gòu)的力學(xué)性能,也容易發(fā)展為裂紋,破壞結(jié)構(gòu)，此外都屬于有著較大危害的缺陷,因此可以認(rèn)為都識別正確[16]。

表2 缺陷識別結(jié)果

6 結(jié)論

6.1結(jié)合GLCM的灰色關(guān)聯(lián)度分析用于焊縫缺陷類型辨識有著較好的識別效果,為超聲波相控陣B掃檢測缺陷領(lǐng)域提供了一種有效的方法，其正確識別率達(dá)到84.38%。

6.2未熔合與未焊透還不能更精確地區(qū)分出來,裂紋識別率還有待進(jìn)一步提升。

[1] 王云平．超聲無損檢測與評價的關(guān)鍵技術(shù)問題及其解決方案[J].煤礦機械，2008，29(9): 194～196．

[2] 靳世久,楊曉霞,陳世利，等. 超聲相控陣檢測技術(shù)的發(fā)展及應(yīng)用[J].電子測量與儀器學(xué)報，2014,28(9)：925～935.

[3] 姜金為, 吳瑞明, 劉云峰.焊縫缺陷的超聲檢測圖像識別方法[J].計算機系統(tǒng)應(yīng)用，2013,22(10):159～163.

[4] 胡文剛，剛鐵. 基于超聲信號和圖像融合的焊縫缺陷識別[J].焊接學(xué)報，2013, 34(4):53～56.

[5] 黃民，李功.焊縫超聲無損檢測中的缺陷智能識別方法[J].北京信息科技大學(xué)學(xué)報，2009，24(2) : 33～36.

[6] 鄧聚龍.灰色系統(tǒng)理論教程[M].武漢:華中理工大學(xué)出版社,1990.

[7] 傅立.灰色系統(tǒng)理論及其應(yīng)用[M].北京:科學(xué)技術(shù)文獻(xiàn)出版社,1992.

[8] 曹軍,胡萬義.灰色系統(tǒng)理論與方法[M].哈爾濱:東北林業(yè)大學(xué)出版社,1993.

[9] Gamps-Valls G,Mooij J,Scholkopf B．Remote Sensing Feature Selection by Kernel Dependence Measures[J]. IEEE Geoscience & Remote Sensing Letters, 2010,7(3)： 587～591.

[10] 陳強，田杰，黃海寧,等.基于統(tǒng)計和紋理特征的SAS圖像SVM分割研究[J].儀器儀表學(xué)報，2013，34(6)：1413～1420.

[11] 高程程，惠曉威. 基于灰度共生矩陣的紋理特征提取[J].計算機系統(tǒng)，2010,19(6)：195～198.

[12] Ulaby F T，Kouyate F，Brisco B，et al. Textural Information in SAR Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1986,24(2)：235～245.

[13] 吳東洋，業(yè)寧，蘇小青.基于灰度共生矩陣和聚類方法的木材缺陷識別[J].計算機與數(shù)字工程，2010, 38(11):38～41.

[14] 余麗萍，黎明，楊小芹,等.基于灰度共生矩陣的斷口圖像識別[J].計算機仿真，2010,27(4)：224～227.

[15] 焦蓬蓬,郭依正,劉麗娟,等.灰度共生矩陣紋理特征提取的Matlab實現(xiàn)[J].計算機技術(shù)及發(fā)展，2012,22(11):169～175.

[16] 于潤橋，黨蕾,盧超，等.基于灰關(guān)聯(lián)分析的焊縫超聲檢測缺陷類型識別[J].儀器儀表學(xué)報，2006，27(10)：1358～1360.

ResearchofWeldDefectRecognitioninFlawDetectionthroughUltrasonicPhasedArraySystem

XIE Yan1, YANG Tian-xue2, LIN Chun-shen1

(1.SchoolofChemicalEngineering,FuzhouUniversity,Fuzhou350108,China; 2.FujianSpecialEquipmentInspectionandResearchInstitute,Fuzhou350001,China)

Having the images of applying ultrasonic phased array to detect different weld defects based to propose a method of basing on GLCM and grey correlation degree to identify weld defect was implemented, which calculates and identifies 5 types of weld defects(crack, slag, porosity, incomplete penetration,incomplete fusion) and then employs GLCM to extract image characteristics (ASM,CON,H,COR) at 0°, 45°,90° and 135° directions) and finally obtains grey correlation degree. Having the results compared with those of ultrasonic testing indicates the recognition rate of typical weld defects is higher than 80%.

ultrasonic phased array for defect detection,defect image recognition, image feature extracting, GLCM,grey correlation degree

*謝 研，男，1988年8月生，碩士研究生。福建省福州市，350108。

TQ050.7

A

0254-6094(2016)03-0292-05

2015-10-07，

2016-04-26)