基于LBP 和SVM 的焊縫缺陷識別方法

目前， 焊接技術(shù)已在油氣、 橋梁、 建筑、 船舶等結(jié)構(gòu)領(lǐng)域得到廣泛應(yīng)用。 焊接作為一種連接、補(bǔ)缺的工藝形式， 在焊接的過程中， 因接頭處雜質(zhì)、 焊機(jī)電壓不穩(wěn)定、 技術(shù)工人操作不熟練等因素影響， 均會使焊縫產(chǎn)生不同類型的缺陷， 如不及時處理， 就會產(chǎn)生一系列的安全事故

。 目前， 焊縫缺陷無損檢測的方法主要有聲學(xué)檢測法、 磁學(xué)檢測法、 射線檢測法、 電學(xué)檢測法、 熱學(xué)檢測法和滲透檢測法等， 各種方法均有利弊，適用范圍也不盡相同， 其中超聲導(dǎo)波技術(shù)以其檢測速度快、 范圍大、 效率高等優(yōu)點， 在近10 年油氣管道的建設(shè)中得到快速發(fā)展， 成為應(yīng)用最為廣泛的無損檢測技術(shù)之一

。 在焊縫缺陷的檢測過程中， 人工檢測的比重較大， 該方法主觀性強(qiáng)、 勞動強(qiáng)度大、 受操作影響較大， 容易出現(xiàn)漏檢或誤檢現(xiàn)象， 因此國內(nèi)外學(xué)者在焊縫缺陷特征的提取和識別上做了大量研究， 以減少人工操作帶來的誤差。 Ujjwal Kumar 等

采用小波變換對焊縫缺陷特征進(jìn)行了3 層提?。?李娟等

采用小波包提取了缺陷特征的8 個分解信號用于缺陷識別； 于潤橋等

采用小波變換結(jié)合模糊C 均值聚類方法對超聲檢測的焊縫缺陷進(jìn)行分類。 以上研究均通過小波變換對缺陷特征進(jìn)行提取， 但小波變換本身是通過帶通濾波器完成分解， 存在一定的信號損失， 且以上研究主要針對孔洞、 裂紋等缺陷， 未對夾渣、 氣孔、 未焊透等焊縫缺陷進(jìn)行分析和識別。 基于此， 采用局部二值模式（LBP） 算法對焊縫的超聲信號進(jìn)行特征提取，并結(jié)合因子分子和支持向量機(jī) （SVM） 分別實現(xiàn)特征降維、 分類識別， 以實現(xiàn)焊縫缺陷的快速識別。

1 基于LBP 和SVM 的缺陷識別方法

1.1 LBP 焊縫缺陷識別法

LBP 法是用于提取圖像局部紋理特征的一種算法， 具有旋轉(zhuǎn)不變性和灰度不變性等優(yōu)點， 反映中心像素與周圍像素之間的關(guān)系。 在此， 采用LBP 的改進(jìn)算法一維局部二值模式 （1-D LBP）對采樣得到的時間序列進(jìn)行處理， 基本原理是將時域序列上的每個點作為中心點， 隨后比較中心點與相鄰點的大小關(guān)系， 并將這種大小關(guān)系轉(zhuǎn)變?yōu)槎M(jìn)制碼， 最后將二進(jìn)制轉(zhuǎn)化為十進(jìn)制， 依次類推， 得到時間序列上所有樣本點的LBP 值

。其算法公式為

深化企業(yè)審計改革過程中，必須加強(qiáng)重大風(fēng)險及新形勢下不適應(yīng)要素的調(diào)整，優(yōu)化企業(yè)審計目標(biāo)、審計內(nèi)容、組織形式等方面。保證審計機(jī)關(guān)嚴(yán)格執(zhí)行企業(yè)改革要求，落實調(diào)整、促進(jìn)、協(xié)同、發(fā)展的基本要求，調(diào)整企業(yè)審計體系的各項細(xì)節(jié)。保證國企深化改革改革的全面落實，發(fā)揮監(jiān)督效能，保證國企內(nèi)部審計、國家審計、社會外部監(jiān)督機(jī)構(gòu)的全面綜合化發(fā)展。

以夾渣缺陷的部分回波信號為例， 如圖1 所示， 將回波信號進(jìn)行歸一化處理， 取其中的一個樣本點作為中心點， N 取8， 紅色圓圈為中心點， 灰色圓圈為相鄰點， 對比中心點與前后8 個相鄰點的幅值， 根據(jù)公式 （1） ～公式 （3） 得到二進(jìn)制數(shù)00001111， 將其轉(zhuǎn)化為十進(jìn)制值， 則該中心點的LBP 值為15。

1.2 因子分析

焊縫缺陷信號中含有大量的高維特征數(shù)據(jù)，這部分?jǐn)?shù)據(jù)會給后續(xù)的分類帶來諸多問題， 高維特征集中的冗余參數(shù)， 會加大模型的復(fù)雜程度，延長計算時間， 降低計算效率， 故需要采用因子分析對數(shù)據(jù)進(jìn)行降維處理， 目的是通過尋找眾多變量中的公共因子來簡化原始變量的復(fù)雜關(guān)系，并反映原始變量中的大部分信息。

在此， 采用R 型因子分析模型， 假設(shè)原始數(shù)據(jù)樣本集為X= {X

， X

， …， X

}， 原始數(shù)據(jù)樣本的公共因子為F= {F

， F

， …， F

}， 則有

本研究對金安區(qū)耕地質(zhì)量定級成果進(jìn)行分析，發(fā)現(xiàn)金安區(qū)農(nóng)用地級別有著明顯的時空分布規(guī)律且農(nóng)用地級別也反映出農(nóng)用地在利用方式上的差異。耕地級別的分布規(guī)律如下。

現(xiàn)代人生活水平越來越高,人們對于護(hù)理的要求也變得越來越嚴(yán)格。醫(yī)院需要提升護(hù)理水平和質(zhì)量才能夠滿足人們的需求,所以,加強(qiáng)護(hù)理管理,提升護(hù)理水平是醫(yī)院非常重視的問題,對醫(yī)療單位的發(fā)展具有非常大的幫助[1]。分層次護(hù)理模式是優(yōu)質(zhì)的護(hù)理管理模式,臨床中應(yīng)該對該護(hù)理模式的價值進(jìn)行深挖,此次就該護(hù)理模式的效果進(jìn)行分析。

μ——原始樣本均值；

ε——不能被前m 個公共因子解釋的特征因子， 屬于殘差部分。 最終選取方差較大的前m 個因子作為公共因子來解釋大部分樣本信息。

選取的測試對象為X65 管線鋼環(huán)焊縫， 在焊縫中人工設(shè)置夾渣、 氣孔和未焊透等三種缺陷， 采用奧林巴斯404 型換能器和單晶角度聲束探頭對缺陷進(jìn)行橫波超聲檢測， 采用奧林巴斯5077PR 型信號發(fā)生-接收器實現(xiàn)超聲信號的激勵和接受。 最終， 共得到夾渣、 氣孔、 未焊透和無缺陷每種回波信號50 組， 共計200 組數(shù)據(jù)，將信號去噪后進(jìn)行歸一化處理， 缺陷回波的波形信號見圖3。

式中： A——p×m 的因子載荷矩陣， 表示公共因子與原始變量之間的相關(guān)程度；

1.3 SVM 焊縫缺陷識別法

式中： ω——權(quán)重向量；

支持向量機(jī)的原理是通過非線性映射算法將低維線性不可分的樣本轉(zhuǎn)化到高維特征空間， 在高維空間中對樣本進(jìn)行線性可分運算， 從而構(gòu)造一個最優(yōu)超平面， 使不同樣本之間的分類間隔最大， 達(dá)到全局最優(yōu)。 設(shè)缺陷樣本集為X= {（x

，y

）}， 對于二分類問題， 其最優(yōu)超平面H 為

b——偏置；

φ——Hibbert 變換空間的映射函數(shù)。

普陀區(qū)桃浦鎮(zhèn)北環(huán)水系長度約為3500m，寬度為8～18m，水域面積為 4.1×104m2，水域深度為 0.7～2.5m。在對水質(zhì)特點進(jìn)行分析時，發(fā)現(xiàn)由于受到多年工業(yè)廢水、生活污水以及雨污混流等因素的影響，導(dǎo)致水域內(nèi)的污染物嚴(yán)重積累，河水的流動性相對較差，甚至出現(xiàn)季節(jié)性“黑臭”的問題，嚴(yán)重影響了城市美觀。雨季時，會有大量的雨水和污水流入，經(jīng)過2015年清淤處理后，雖然可以接納一定點源以及面源污染物，但仍有大量的污染物進(jìn)入河道內(nèi)，影響了河道排污口的排污效果。實地考察結(jié)果顯示，河道內(nèi)依然有少量魚群存活，河道兩側(cè)有少量挺水植物生長，整個河道內(nèi)并無任何沉水植物生長。

圖2 為二維空間中非線性分類問題， 直線無法將兩類實例分開， 而橢圓曲線可將其正確分開。

2 實例分析

基于區(qū)塊鏈的電子數(shù)據(jù)存證的設(shè)計與實現(xiàn)………………………………………冒小樂，陳鼎潔，孫國梓 24-6-28

2.1 特征提取

首先， 分別對兩組樣本采用KMO 檢驗和Bartlett 球形度檢驗確定樣本數(shù)據(jù)之間的相關(guān)性，LBP 特征向量的KMO 統(tǒng)計量為0.621， Bartlett 球形的顯著性結(jié)果為0.015， 雖然KMO 統(tǒng)計量較小，但顯著性分析結(jié)果較好， 證明變量之間的相關(guān)矩陣不是單位矩陣， 樣本數(shù)據(jù)的相關(guān)性較強(qiáng)， 可以嘗試進(jìn)行因子分析。 同理， 傳統(tǒng)時頻域特征向量的KMO 統(tǒng)計量為0.749， Bartlett 球形的顯著性結(jié)果為0.041， 也可以進(jìn)行因子分析。 其次， 采用主成分法進(jìn)行有效公共因子的提取， 如圖5 所示。 結(jié)果表明， LBP 特征向量的前6 個公因子的累積貢獻(xiàn)率為95.41%， 而傳統(tǒng)時頻域特征向量的前8 個公因子的累積貢獻(xiàn)率為91.64%， 因此LBP 特征向量由16 維降為6 維， 而傳統(tǒng)時頻域特征向量由16 維降為8 維。 此外， 時頻率信號特征的算法較多， 每個特征值的含義不同， 無法完全代表原有超聲回波信號中的信息， 也就無法全面反映缺陷信息， 這也使傳統(tǒng)時頻域的降維效果有限。

2.2 數(shù)據(jù)降維

采用1-D LBP 的方法進(jìn)行特征提取， 將LBP 值按照[0， 255] 等分為16 個區(qū)間， 將每個區(qū)間內(nèi)樣本LBP 值的出現(xiàn)頻率作為特征向量，如圖4 所示。 可見三種缺陷的LBP 特征均集中出現(xiàn)在首尾兩個區(qū)間上， 但出現(xiàn)的頻率不盡相同， 其中夾渣和氣孔缺陷相似， 而未焊透缺陷在末尾區(qū)間上的幅值較大。 將得到的16 個特征向量進(jìn)行因子分析， 為對比因子分析的效果， 采用總體包絡(luò)線均值、 總體包絡(luò)線方差、 峰度系數(shù)、偏度系數(shù)、 形狀系數(shù)、 波形因子、 裕度因子、 上升時間、 下降時間、 持續(xù)時間、 峭度因子、 變異系數(shù)和小波包兩層分解的4 個節(jié)點能量值信號，共計16 個時頻域特征進(jìn)行對比。

2.3 分類識別

為體現(xiàn)數(shù)據(jù)的均衡性， 在每種缺陷回波信號中選擇40 組作為訓(xùn)練樣本， 10 組作為測試樣本， 共計160 組訓(xùn)練樣本， 40 組測試樣本。由于數(shù)據(jù)樣本較少， 故不考慮驗證集， 同時將數(shù)據(jù)樣本進(jìn)行歸一化處理， 采用5 折交叉驗證預(yù)測分類情況。 將因子分析后的數(shù)據(jù)代入SVM中， 采用線性核、 多項式核、 高斯核和Sigmoid核等四種核函數(shù)驗證訓(xùn)練集分類結(jié)果的準(zhǔn)確性， 結(jié)果分別見表1、 圖6。 其中， 傳統(tǒng)時頻域特征向量的分類結(jié)果中除Sigmoid 核函數(shù)的分類效果較差， 其余三種核函數(shù)的分類效果均達(dá)到了80%以上； 而LBP 特征向量的分類準(zhǔn)確率均大于前者， 且高斯核函數(shù)在訓(xùn)練集上的分類準(zhǔn)確率最高為98%， 同時， AUC 面積最大為0.97。 因此， 高斯核函數(shù)在焊縫缺陷分類上的識別效果更好， 將高斯核函數(shù)作為SVM 的核函數(shù)。

第二天，越秀在書桌上發(fā)現(xiàn)一大堆碎紙，這紙都是秀容月明用來練字的，跟往常不同，秀容月明都把紙撕了。越秀拼湊了幾張，也沒瞧出他寫的是什么字。

采用網(wǎng)格搜索法確定公式 （6） 中懲罰因子C 和損失函數(shù)， 其中l(wèi)og2C 的取值范圍為[-10， 10]， log2 的取值范圍為[5， 15]， 得到分類準(zhǔn)確率最高的C和組合。 最終確定傳統(tǒng)時頻域 特 征 向 量 和LBP 特 征 向 量 （C，ε）分 別 為（1.524 9， 0.238 1）和（5.749 7， 9.243 6）， 核函數(shù)的gamma 參數(shù)為2.859 5。

將經(jīng)因子分析降維后的8 維傳統(tǒng)時頻域特征向量， 及6 維LBP 特征向量代入訓(xùn)練好的SVM 模型中進(jìn)行分類測試， 分類混淆矩陣如圖7 所示。 0 代表無缺陷， 1 代表夾渣缺陷， 2代表氣孔缺陷， 3 代表未焊透缺陷， 混淆矩陣中的對角線 （右上至左下） 代表預(yù)測值與真實值完全一致， LBP 特征向量的分類準(zhǔn)確率為95%， 其中有一個夾渣缺陷被認(rèn)定為氣孔缺陷， 有一個氣孔缺陷被認(rèn)定為夾渣缺陷， 而未焊透缺陷和無缺陷均無分類錯誤， 這可能與兩種缺陷LBP 的柱狀圖特征類似相關(guān)； 傳統(tǒng)時頻域特征向量的分類準(zhǔn)確率為87.5%， 存在多個缺陷的誤判， 一個無缺陷被認(rèn)定為夾渣缺陷， 兩個夾渣缺陷被認(rèn)定為氣孔缺陷， 兩個氣孔缺陷分別被認(rèn)定為無缺陷和夾渣缺陷。 綜上所述， 與傳統(tǒng)時頻率特征提取相比， LBP 特征提取對缺陷類型的分類更加準(zhǔn)確。 此外，LBP-SVM 的缺陷識別方法在訓(xùn)練集上的分類準(zhǔn)確率為98%， 在測試集上的分類準(zhǔn)確率降低的并不多， 說明該算法的泛化能力較強(qiáng)、 魯棒性較好。

3 結(jié) 論

（1） 對影響SVM 分類效果的核函數(shù)和超參數(shù)進(jìn)行了優(yōu)選， 確定了采用高斯核函數(shù)作為SVM 的核函數(shù)， 得到最優(yōu)的SVM 模型。

（2） 基于LBP 和SVM 算法對焊縫缺陷進(jìn)行了特征提取和分類識別， 與常規(guī)方法相比， 可以進(jìn)一步去除冗余信號的影響， 在測試集上的分類準(zhǔn)確率為95%。

[1] 趙金蘭，雷俊杰，王高峰，等. 油氣輸送管道對接環(huán)焊縫缺陷檢測分析[J]. 焊管，2013，36（11）：43-47.

[2] 李謙益，逯燕玲，朱建國. 油氣輸送管道的焊接施工質(zhì)量控制[J]. 焊接技術(shù)，2004，33（3）：63-65.

[3] 張春河，肖大偉，盧凱鋒，等. 美國管道焊接標(biāo)準(zhǔn)API Std 1104—2013 變更簡析[J]. 油氣田地 面工程，2019，38（3）：82-85.

[4] 何存富，鄭明方，呂炎，等. 超聲導(dǎo)波檢測技術(shù)的發(fā)展、應(yīng)用與挑戰(zhàn)[J]. 儀器儀表學(xué)報，2016，37（8）：1713-1735.

[5] KUMAR U，YADAV I，KUMARI S，et al.Defect identification in friction stir welding using discrete wavelet analysis[J].Advances in Engineering Software，2015，85（7）：43-50.

[6] 李娟，郄曉敏，陳凌霄，等. 基于小波包-KPCA 特征提取的三種人工焊縫缺陷檢測方法[J].油氣田地面工程，2021，40（1）：7-12.

[7] 于潤橋，劉春緣，陳海鵬，等. 焊縫超聲檢測缺陷類型的模糊C 均值聚類識別[J]. 測試技術(shù)學(xué)報，2007（5）：468-470.

[8] 陳昱辰，曾令超，張秀妹，等. 基于圖像LBP 特征與Adaboost 分類器的垃圾分揀識別方法[J]. 南方農(nóng)機(jī)，2021，52（21）：136-138，144.

[9] 呂秀麗，黃兆昊，白永強(qiáng). 基于改進(jìn)LBP 和DBN 的人臉識別算法研究[J]. 工業(yè)儀表與自動化裝置，2021（5）：80-82.

[10] 呂捷. 油氣管道腐蝕因素分析及防護(hù)技術(shù)分析[J].全面腐蝕控制，2020，34（2）：73-74.

[11] 趙翰學(xué)，李振林，彭鶴，等. 基于小波-BP 神經(jīng)網(wǎng)絡(luò)的閥門內(nèi)漏率量化方法[J]. 石油機(jī)械，2021，49（5）：122-130.

[12] 王雒瑤，高煒欣，王欣. 一種基于SVM 及LE 降維的X射線焊縫缺陷分類算法研究[J]. 西安石油大學(xué)學(xué)報（自然科學(xué)版），2017（5）：96-106.

[13] 李響，余建星，苗春生，等. 基于遺傳算法SVM 的海洋環(huán)境腐蝕速率預(yù)測[J].中國海洋平臺，2018，33（5）：56-62.