当前位置：文档之家 › 基于模糊神经网络的焊缝缺陷识别的研究

基于模糊神经网络的焊缝缺陷识别的研究

  • 格式：pdf
  • 大小：374.68 KB
  • 文档页数：5

焊 缝缺 陷 的经验选 取 对焊缝 缺 陷分类 影响 因子 较大 的特征 参数 。用模 糊 集合 的概 念描 述 特征 参 数 ，库 ， 构 建 以模 糊化 后 的特征 参数 为输 入层 ， 以模糊 规则 为 隐含层 ， 缺 陷预知 识 别分 类 为输 出 的模 糊 神经 网络 模 型 。分 析实验 结 果 ， 成 功定位 缺 陷在数 字 图像 中的大 概位 置与 边缘 检 测 。该 方法 提 高 了集 合 交 叉较 大 的 焊缝 缺 陷 的识 别 率 ， 能 有 效地 对缺 陷进 行识 别分 类 。 关键词 ： 焊缝 缺 陷 ； 图像处 理 ； 模糊； 缺 陷选 取 ； 神 经 网络
唐 国维 ， 巩 淼 ， 张方舟 ， 李 想 ， 严胡勇
（ 东北石油大学 计算机与信息技术学院， 黑龙江 大庆 １ ６ ３ ３ １ ８ ）
摘 要： 焊 缝缺 陷在 ｘ射 线 设备 下 成像转 成数 字 图像后 ， 分析 其 图像 的 特点 ， 进 行 缺 陷的 定位 与 边 缘检 测 ， 结 合人 工 识 别
（ Ｃ ｏ Ｕ ｅ ｇ ｅ ｏ ｆ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｎｏ ｒ ｔ ｈ ｅ ａ ｓ ｔ Ｐ ｅ ｔ ｒ ｏ ｌ ｅ ｕ ｍ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ， Ｄ ａ ｑ ｉ ｎ ｇ １ ６ ３ ３ １ ８ ， Ｃ ｈ ｉ ｎ ａ ）
中圈分 类号 ： Ｔ Ｇ ４ ４ １ ． ７ 文献标 识码 ： Ａ 文章编 号 ： １ ６ ７ ３ — ６ ２ ９ Ｘ（ ２ ０ １ ４ Ｊ ０ ５ — ０ ２ ４ ３ — ０ ５
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ３ — ６ ２ ９ Ｘ． ２ ０ １ ４ ． ０ ５ ． ０ ６ ０
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ａｆ ｔ ｅ ｒ ｗｅ ｌ ｄ ｄ ｅ ｆ ｅ ｃ ｔ ｉ ｏ ｎ ｉ ｓ ｃ ｏ ｎ ｖ ｅ ｒ ｔ ｅ ｄ ｔ ｏ ｄ ｉ ｇ ｉ ｔ ａ ｌ ｉ ｍａ ｇ ｅ ｓ ｕ ｎ ｄ ｅ ｒ ｔ ｈ ｅ Ｘ－ ｒ ａ ｙ ｅ ｑ ｕ ｉ ｐ ｍｅ ｎ ｔ ， ａ ｎ ａ ｌ ｙ ｚ ｅ ｈｅ ｔ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉｓ ｒ ｉ ｔ ｃ ｓ ｏ ｆ ｈｅ ｔ ｉ ｍａ ｇ ｅ ｓ ｆ ｏ ｒ １ ｏ － ｅ ａ ｉ ｔ ｎ ｇ ｄ ｅ ｆ ｃｔ ｅ ｓ ａ ｎ ｄ ｄ ｅ ｔ ｅ ｃ ｉ ｔ ｎ ｇ ｅ ｄ ｇ ｅ ｓ ， ｅｌ ｓ ｅ ｃ ｔ ｈｅ ｔ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉ ｒ ｓ ｔ ｉ ｃ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ， ｗｈ ｉ ｃ ｈ ｈ ａ ｖ ｅ ｌ ａ ｒ ｇ ｅ ｒ ｉ ｍｐ ａ ｃ ｔ ｏ ｎ ｗｅ ｌ ｄ ｄ ｅ ｆ ｃｔ ｅ ｃ ｌ ａ ｓ ｓ ｉ ｉｃ ｆ ａ ｉ ｔ ｏ ｎ ｃ ｏ ｍｂ ｉ ｎ ｄ ｅ ’ Ⅳ ｉ ｍ ｔ ｈ ｅ ｅ ｘ ￣ｒ ｉ ｅ ｎ ｅ ｃ ｏ ｆ ａ ｒ ｔ ｉ ｉ ｆ ｃ ｉ ｌ ａ ｉ ｄ ｅ ｎ ｉｆ ｔ ｉ ｃ ａ ｉｏ ｔ ｎ． Ｄｅ ｓ ｃ ｒ ｉ ｂ ｅ ｈｅ ｔ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉｓ ｒ ｉ ｔ ｃ ｐ ｒａ ａ ｍｅ ｔ ｅ ｒ ｓ ｉ ｎ ｈｅ ｔ ｃ ｏ ｎ ｃ ｅ ｐ ｔ ｏ ｆ ｆ ｕ ｚ ｚ ｙ ｓ ｅ ｔ ． ａ ｎ ｄ ｅ ｓ ｔ ａ ｂｌ ｉ ｓ ｈ ｈｅ ｔ ｕｚ ｆ ｚ ｙ ｒ ｕ ｌ ｅ ｂ ａ ｓ ｅ ｏ ｆ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉｓ ｒ ｉ ｔ ｃ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ， ｂ ｕ ｉ ｌ ｉｎ ｄ ｇ ｈｅ ｔ ｆ ｕ ｚ ｚ ｙ ｎ ｅ ｕ ｒ ｌ ａ ｎ ｅ ｔ ｗｏ ｒ ｋ ｍｏ ｄｅ ｌ ｗｉ ｔ ｈ ｔ ｈ ｅ ｕｚ ｆ ｚ ｙ ｃ ｈ ｒａ ａ ｃ ｔ ｅ ｉｓ ｒ ｔ ｉ ｃ ｐ ｒａ ａ ｍ ｅ ｔ ｅ ｓ ｒ ｓ ａ ｔ ｈ ｅ ｉ ｎ ｐ ｕ ｔ ｌ ａ ｙ ｅ ｒ，
第２ ４卷
２ ０ １ ４年 ５月
第 ５期
计 算 机 技 术 与 发 展
ＣＯＭＰＵｒ ＥＲ ＴＥ ＣＨＮＯＬ ＯＧＹ ＡＮＤ ＤＥ ＶＥＬＯＰ ＭＥＮＴ
Ｖｏ １ ． ２ ４ Ｎｏ ． ５ Ｍａ ｙ ２ ０１ ４
基 于 模 糊 神 经 网络 的焊 缝 缺 陷识 别 的研 究
Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｎ Ｗ ｅ ｌ ｄ Ｄｅ ｆ ｅ ｃ ｔ ｓ Ｄｉ ｓ ｔ ｉ ｎ ｇ ｕ ｉ ｓ ｈ ｉ ｎ ｇ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｆｕｚ ｚ ｙ Ｎｅ ｕ ｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋｓ
Ｔ ＡＮＧ Ｇｕ ｏ － ｗｅ ｉ ， ＧＯＮＧ Ｍｉ ａ ｏ， Ｚ ＨＡＮＧ Ｆ ａ ｎ ｇ － ｚ ｈ ｏ ｕ， ＬＩ Ｘｉ ａ ｎ ｇ， ＹＡＮ Ｈｕ － ｙ ｏ ｎ ｇ
ａ ｎ ｄ ｕｚ ｆ ｚ ｙ ｒ ｕ ｌ ｅ ｓ ａ ｓ ｈｅ ｔ ｉ ｍｐ ｉｅ ｆ ｄ ｌ ａ ｙ ｒ， ｅ ａ ｎ ｄ ｈｅ ｔ ｉ ｄ ｅ ｎ ｉ ｔ ｉｃ ｆ ａ ｉｏ ｔ ｎ ｎｄ ａ ｃ ｌ ａ ｓ ｓ ｉ ｉｃ ｆ ａ ｉ ｔ ｏ ｎ ｏ ｆ ｄ ｅ ｆ ｃｔ ｅ ｉ ｎ ｇ ｐ ｒ ｅ ｄ ｉ ｃ ｉ ｔ ｏ ｎ ａ ｓ ｏ ｕ ｔ ｐ ｕ ｔ ． Ａｎ ｌｙ ａ ｓ ｉ ｓ ｏ ｆ ｅｓ ｔ ｔ ｒ ｅ ｓ ｕｌ ｔ ｓ ｓ ｈ ｏ ｗ

合集下载

基于机器视觉的弧焊缺陷检测技术研究

基于机器视觉的弧焊缺陷检测技术研究

基于机器视觉的弧焊缺陷检测技术研究随着现代工业技术的发展，焊接技术已经成为工业中不可缺少的一环。

其中，弧焊技术因其高效、便捷、工业化生产能力强的特点，被广泛应用于轨道、采矿、机械加工等领域。

但是焊接过程中出现的缺陷问题，也一直困扰着行业的发展。

传统的焊缝检测方法通过肉眼或显微镜进行检查，存在不稳定、繁琐、误判率高等问题。

而基于机器视觉的焊缝缺陷检测技术，正逐渐成为研究热点。

一、机器视觉技术在焊缝缺陷检测中的应用机器视觉技术主要包括图像处理、模式识别和计算机视觉等方面。

在焊缝缺陷检测中，图像处理技术可以对焊缝进行预处理，提高图像质量；模式识别技术可以自动确定参数进行分类，以识别焊接质量；而计算机视觉则是对图像进行更多的分析和处理，可以达到更高的准确度和稳定性。

图像处理和计算机视觉通常采用的都是数字化图像。

数字化图像是将图像转化为数值信息，以便计算机进行处理和分析。

图像处理主要包括灰度处理、滤波、边缘检测、形态学变换等方法，可以使得图像在被用于分析之前有更好的清晰和可分辨性。

计算机视觉主要包括区域分割、特征提取、目标匹配、分类识别等过程。

这些方法可以使得计算机通过图像处理技术自动分析出焊接缺陷，从而达到自动化检测的效果。

二、机器视觉技术的优势和挑战利用机器视觉技术进行焊缝缺陷检测有许多优势。

首先，机器视觉技术能够确保检测质量的一致性和唯一性。

其次，机器视觉技术能够自动化对焊缝进行检测，减少了人工检测的不确定性和成本，提高了效率和准确性。

此外，机器视觉技术也可以对焊接工艺进行调整，提高焊接质量和生产效率，同时减少了资源的浪费。

然而，机器视觉技术的应用也有许多挑战。

首先，焊接缺陷识别需要考虑到大量的因素，如焊接参数、焊接方向等，这些因素都会影响到检测质量。

其次，在一些特殊情况下，存在类似于仿射变换等数学模型无法适用的情况，这就需要研究人员采用更多的手段来进行处理。

最后，在对焊接质量进行检测时，机器视觉技术往往需要特殊的硬件设备来保证数据的准确度和稳定性。

基于神经网络的焊接故障诊断研究

基于神经网络的焊接故障诊断研究


诊 断精 度及可信度 的大 幅度提高 ，这对 提高神 经网络缺陷诊
断 的实 际应 用效 果 ， 有 重 要 现 实 意 义 。 具
图１ Ｒ ＢＦ网 络 拓 扑 机构
１ 人 工神 经 网络原 理
人 工神经 网络 （ ｒｆ ｉ ｅ ｒ ｅｗｒｓ Ａｔ ｃ ｌ ｕａＮ ｔｏｋ）属 于人工 智能 ｉ ａＮ ｌ ｉ （ ｒｆ ｉ ｔｌ ｅｃ ） Ａ ｔ ｃ ｌｎｅｉ ｎ ｅ 的一种计算技术 ， ｉ ａＩ ｌ ｉ ｇ 其根据人 们对生 物神 经 网络 的研 究成果设计出来 ， 具有 良好 的数学描述 ， 以方便 可 地用计 算机程序加 以模拟 ，不需要预先确定样本数据 的数学
偏差 ，则转入反 向传播过程 ，将该偏差 由原来 的联络通路返 入正 向传 播过程 ， 反复迭 代 ， 直到误 差小 于等于允许值 ， 习 学 才结束 。因此 ， 习训练包括输入 向量 的前 向传播和误差的反 学 向传播两个过程 ， 可见三层前馈 网络的优点 ， 就是具有 很强的
非 线 性 映 射 能 力 和 柔性 的 网络 结 构 ， 是 因 为 Ｂ 但 Ｐ网 络 采 用 了 按 误 差 函数 梯 度 下 降 的方 向 进 行 收 敛 ，这 就 不 可 避 免 地 出 现
作 介 质 共 同作 用 下 ， 疲 劳强 度 、 脆 断 能 力 、 抗 应 力 腐 蚀 其 抗 抵
了收敛速度慢 ， 以及容易陷入局部极小点 的问题 。 针对 以上 缺陷 ，应用 Ｒ Ｆ算法解决上述 问题 。Ｒ Ｆ Ｒ — Ｂ Ｂ （ ａ
ｄａＢ ｓ ｕ ｃｏ ｅｒ ｅ ｏｋ 网 络 是 目前 应 用 最 广 泛 的 网 ｉ ａｉＦ ｎ ｔｎＮ ｕ ｌ ｔ ｒ ） ｌ ｓ ｉ ａＮ ｗ
开裂和高温蠕变开裂 的能力将 大大降低 。焊接缺陷产生 的原 因， 需要具备 大量生产实践经验 的工程师做系统分析 ， 但是这
模糊神经网络法及其在缺陷模式识别中的应用

模糊神经网络法及其在缺陷模式识别中的应用


＂ 输出层
输出模式
如
”
蛳
输出层袢经元 （卢２）
隐含层
隐含层神经元 （卢１）
输入层
输入层神经元 （仁０）
输＾梗式
国２ ＢＰ神经网络模型
最下面为输入层，中间为隐含层，最上面为输出 层。网络中相邻层采取全互联方式连接，同层各神 经元之间没有任何连接，输出层与输入层之问也没 有任何连接。可以证明，在隐含层节点可以根据需 要自由设置的情况下，用三层ＢＰ神经网络可以实 现以任意精度逼近任意连续函数，因此本文在具体 设计神经网络识别系统时采用三层神经网络。
（３）
在此基础上，绘制变量——ｕ类别的统计直方图，
再用类比拟合的方法选择最佳的隶属度函数。在
此，笔者选择正态分布的中间型作为隶属函数。函
数形式为：
ｆｅ＿ｈ～”，ｚ＜ｎ；
“（ｚ）一Ｊ １，
ｎ≤ｚ≤６；
（４）
Ｐ１“＿５７，ｚ＞６。 主要任务就是要找出每一类模式在每个特征值 中的隶属度函数参数。本文用Ｍａｔｌａｂ对特征值的 分布进行了分析，分别确定了ｎ，６在各个隶属函数 中的取值，结果如表１所示。
表１参数４和６取值
万方数据
计算机集成制造系统
第１３卷
（４）计算综舍隶属度矩阵
本文引入模拟专家意见阵，用以描述各变量对 于分类贡献大小。根据标准化后的数据阵ｘ ７。。， 经多次试验，得到模拟专家矩阵
＿０．９０ ｜１．ｏｏ
Ｏ．９５Ｏ Ｌ ｏｏ
Ｏ．９０ １．ｏｏ
０．９５ １．ｏｏ
收稿日期 蜘０６ １０—１２；修订日期：２００７—０３一１９。ＲｅｃｅＩｖｅｄ １２ Ｏｃｔ ２００６；ａｃｃｅｐｔ甜１９ Ｍａｒ ２００７．
基金项目 国家自然科学基金赞助项目（５０５７４０１９）Ｊ国家科技部重大基础研究前期研究专项资金资助项目（２００３ｃｃＡ０３ ９００）。Ｆ０叫ｄａｔｉ蚰ｉ－
基于卷积神经网络的焊接缺陷识别技术及应用

基于卷积神经网络的焊接缺陷识别技术及应用

目前在 Ｘ 射线检测中ꎬ仍采用传统的人工检 测图像法ꎬ质检人员凭借个人主观经验评定焊缝 图像存在的缺陷类别、位置及数量ꎮ 但随着生产 作业效率的不断提高ꎬ人工在线检测时间相应增 长ꎬ任务量加大ꎬ容易产生漏检、误检情况ꎮ 同时ꎬ 受到质检员主观经验的影响ꎬ每个人的主观性不 同ꎬ所得出的评判结果也不尽相同ꎬ因此难以保证 检测结果的可靠性[２] ꎮ 因此ꎬ近年来众多学者基 于神经网络理论研究焊缝缺陷识别新方法ꎬ如唐 国维等[３] 通过建立缺陷特征参数模糊神经网络 模型ꎬ提 高 了 集 合 交 叉 较 大 的 缺 陷 识 别 精 度ꎮ ＢＡＮＩＵＫＩＥＷＩＣＺ[４] 对 Ｘ 射线图像的阈值处理、分 割、缺陷识别与分类进行了研究ꎬ提出一种由人工 神经网络和模糊逻辑组成的复杂分类模型ꎬ具有
该算法直接将预处理后的焊缝 ＲＴ 图像作为输入ꎬ将焊接缺陷种类作为输出ꎬ有效避免了因人为识别主观经
验对检测结果造成的不良影响ꎬ同时采用学习率逐渐降低法、随机 Ｄｒｏｐｏｕｔ 以及 Ｒｅｌｕ 激活函数以加快网络的
收敛速度ꎬ并避免了过拟合现象的发生ꎮ 实验结果表明ꎬ这种基于卷积神经网络的焊接缺陷识别技术具备较
式中:ｔ 为灰度值ꎻＰ０ ( ｔ) 为背景区域比例ꎻ
Ｐ１(ｔ)为焊缝区域比例ꎻｕ０ ( ｔ) 为背景区域灰度均
值ꎻｕ１ (ｔ)为焊缝区域灰度均值ꎻｕ 为整图均值ꎮ
采用遍历法求出满足最大类间方差的阈值 ｔꎬ
将原始 ＲＴ 图像分为焊缝缺陷和背景两部分ꎬ部
分预处理后的焊缝缺陷图像如图 １ 所示ꎬ其中ꎬ图
随着计算机视觉和深度学习技术的兴起ꎬ基 于卷积神经网络的图像识别技术在各行各业中解 决了大量实际问题ꎮ 卷积神经网络 ( ＣＮＮ) 与传 统 ＢＰ 神经网络不同ꎬ其直接以图像为输入ꎬ无需 人工提取目标特征ꎬ将特征提取转化为一个自学 习过程ꎮ 并且网络中每个卷积层的输出都可以视 为网络自学习到的特征ꎬ基于这些特征ꎬ能够进行 更深层次的相似度比较[７] ꎮ 笔者将预处理后的 焊缝 ＲＴ 图像作为卷积神经网络的输入ꎬ利用卷 积神经网络良好的容错、并行以及泛化能力ꎬ对常 见焊缝缺陷进行特征提取与识别ꎮ