基于LBP 和SVM 的焊縫缺陷識(shí)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(guò)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(huì)使焊縫產(chǎn)生不同類(lèi)型的缺陷， 如不及時(shí)處理， 就會(huì)產(chǎn)生一系列的安全事故

。 目前， 焊縫缺陷無(wú)損檢測(cè)的方法主要有聲學(xué)檢測(cè)法、 磁學(xué)檢測(cè)法、 射線(xiàn)檢測(cè)法、 電學(xué)檢測(cè)法、 熱學(xué)檢測(cè)法和滲透檢測(cè)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(cè)速度快、 范圍大、 效率高等優(yōu)點(diǎn)， 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(wú)損檢測(cè)技術(shù)之一

。 在焊縫缺陷的檢測(cè)過(guò)程中， 人工檢測(cè)的比重較大， 該方法主觀性強(qiáng)、 勞動(dòng)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(guó)內(nèi)外學(xué)者在焊縫缺陷特征的提取和識(shí)別上做了大量研究， 以減少人工操作帶來(lái)的誤差。 Ujjwal Kumar 等

采用小波變換對(duì)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(gè)分解信號(hào)用于缺陷識(shí)別； 于潤(rùn)橋等

采用小波變換結(jié)合模糊C 均值聚類(lèi)方法對(duì)超聲檢測(cè)的焊縫缺陷進(jìn)行分類(lèi)。 以上研究均通過(guò)小波變換對(duì)缺陷特征進(jìn)行提取， 但小波變換本身是通過(guò)帶通濾波器完成分解， 存在一定的信號(hào)損失， 且以上研究主要針對(duì)孔洞、 裂紋等缺陷， 未對(duì)夾渣、 氣孔、 未焊透等焊縫缺陷進(jìn)行分析和識(shí)別。 基于此， 采用局部二值模式（LBP） 算法對(duì)焊縫的超聲信號(hào)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(shí)現(xiàn)特征降維、 分類(lèi)識(shí)別， 以實(shí)現(xiàn)焊縫缺陷的快速識(shí)別。

1 基于LBP 和SVM 的缺陷識(shí)別方法

1.1 LBP 焊縫缺陷識(shí)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(diǎn)， 反映中心像素與周?chē)袼刂g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(duì)采樣得到的時(shí)間序列進(jìn)行處理， 基本原理是將時(shí)域序列上的每個(gè)點(diǎn)作為中心點(diǎn)， 隨后比較中心點(diǎn)與相鄰點(diǎn)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(lèi)推， 得到時(shí)間序列上所有樣本點(diǎn)的LBP 值

。其算法公式為

深化企業(yè)審計(jì)改革過(guò)程中，必須加強(qiáng)重大風(fēng)險(xiǎn)及新形勢(shì)下不適應(yīng)要素的調(diào)整，優(yōu)化企業(yè)審計(jì)目標(biāo)、審計(jì)內(nèi)容、組織形式等方面。保證審計(jì)機(jī)關(guān)嚴(yán)格執(zhí)行企業(yè)改革要求，落實(shí)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(jì)體系的各項(xiàng)細(xì)節(jié)。保證國(guó)企深化改革改革的全面落實(shí)，發(fā)揮監(jiān)督效能，保證國(guó)企內(nèi)部審計(jì)、國(guó)家審計(jì)、社會(huì)外部監(jiān)督機(jī)構(gòu)的全面綜合化發(fā)展。

以?shī)A渣缺陷的部分回波信號(hào)為例， 如圖1 所示， 將回波信號(hào)進(jìn)行歸一化處理， 取其中的一個(gè)樣本點(diǎn)作為中心點(diǎn)， N 取8， 紅色圓圈為中心點(diǎn)， 灰色圓圈為相鄰點(diǎn)， 對(duì)比中心點(diǎn)與前后8 個(gè)相鄰點(diǎn)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(diǎn)的LBP 值為15。

1.2 因子分析

焊縫缺陷信號(hào)中含有大量的高維特征數(shù)據(jù)，這部分?jǐn)?shù)據(jù)會(huì)給后續(xù)的分類(lèi)帶來(lái)諸多問(wèn)題， 高維特征集中的冗余參數(shù)， 會(huì)加大模型的復(fù)雜程度，延長(zhǎng)計(jì)算時(shí)間， 降低計(jì)算效率， 故需要采用因子分析對(duì)數(shù)據(jù)進(jìn)行降維處理， 目的是通過(guò)尋找眾多變量中的公共因子來(lái)簡(jiǎn)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(duì)金安區(qū)耕地質(zhì)量定級(jí)成果進(jìn)行分析，發(fā)現(xiàn)金安區(qū)農(nóng)用地級(jí)別有著明顯的時(shí)空分布規(guī)律且農(nóng)用地級(jí)別也反映出農(nóng)用地在利用方式上的差異。耕地級(jí)別的分布規(guī)律如下。

現(xiàn)代人生活水平越來(lái)越高,人們對(duì)于護(hù)理的要求也變得越來(lái)越嚴(yán)格。醫(yī)院需要提升護(hù)理水平和質(zhì)量才能夠滿(mǎn)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(wèn)題,對(duì)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(duì)該護(hù)理模式的價(jià)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(gè)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(gè)因子作為公共因子來(lái)解釋大部分樣本信息。

選取的測(cè)試對(duì)象為X65 管線(xiàn)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(duì)缺陷進(jìn)行橫波超聲檢測(cè)， 采用奧林巴斯5077PR 型信號(hào)發(fā)生-接收器實(shí)現(xiàn)超聲信號(hào)的激勵(lì)和接受。 最終， 共得到夾渣、 氣孔、 未焊透和無(wú)缺陷每種回波信號(hào)50 組， 共計(jì)200 組數(shù)據(jù)，將信號(hào)去噪后進(jìn)行歸一化處理， 缺陷回波的波形信號(hào)見(jiàn)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(shí)別法

式中： ω——權(quán)重向量；

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

，y

）}， 對(duì)于二分類(lèi)問(wèn)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(zhǎng)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(duì)水質(zhì)特點(diǎn)進(jìn)行分析時(shí)，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(dòng)性相對(duì)較差，甚至出現(xiàn)季節(jié)性“黑臭”的問(wèn)題，嚴(yán)重影響了城市美觀。雨季時(shí)，會(huì)有大量的雨水和污水流入，經(jīng)過(guò)2015年清淤處理后，雖然可以接納一定點(diǎn)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(shí)地考察結(jié)果顯示，河道內(nèi)依然有少量魚(yú)群存活，河道兩側(cè)有少量挺水植物生長(zhǎng)，整個(gè)河道內(nèi)并無(wú)任何沉水植物生長(zhǎng)。

圖2 為二維空間中非線(xiàn)性分類(lèi)問(wèn)題， 直線(xiàn)無(wú)法將兩類(lèi)實(shí)例分開(kāi)， 而橢圓曲線(xiàn)可將其正確分開(kāi)。

2 實(shí)例分析

基于區(qū)塊鏈的電子數(shù)據(jù)存證的設(shè)計(jì)與實(shí)現(xiàn)………………………………………冒小樂(lè)，陳鼎潔，孫國(guó)梓 24-6-28

2.1 特征提取

首先， 分別對(duì)兩組樣本采用KMO 檢驗(yàn)和Bartlett 球形度檢驗(yàn)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(jì)量為0.621， Bartlett 球形的顯著性結(jié)果為0.015， 雖然KMO 統(tǒng)計(jì)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(shí)頻域特征向量的KMO 統(tǒng)計(jì)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(gè)公因子的累積貢獻(xiàn)率為95.41%， 而傳統(tǒng)時(shí)頻域特征向量的前8 個(gè)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(shí)頻域特征向量由16 維降為8 維。 此外， 時(shí)頻率信號(hào)特征的算法較多， 每個(gè)特征值的含義不同， 無(wú)法完全代表原有超聲回波信號(hào)中的信息， 也就無(wú)法全面反映缺陷信息， 這也使傳統(tǒng)時(shí)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(gè)區(qū)間， 將每個(gè)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(jiàn)三種缺陷的LBP 特征均集中出現(xiàn)在首尾兩個(gè)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(gè)特征向量進(jìn)行因子分析， 為對(duì)比因子分析的效果， 采用總體包絡(luò)線(xiàn)均值、 總體包絡(luò)線(xiàn)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(shí)間、 下降時(shí)間、 持續(xù)時(shí)間、 峭度因子、 變異系數(shù)和小波包兩層分解的4 個(gè)節(jié)點(diǎn)能量值信號(hào)，共計(jì)16 個(gè)時(shí)頻域特征進(jìn)行對(duì)比。

2.3 分類(lèi)識(shí)別

為體現(xiàn)數(shù)據(jù)的均衡性， 在每種缺陷回波信號(hào)中選擇40 組作為訓(xùn)練樣本， 10 組作為測(cè)試樣本， 共計(jì)160 組訓(xùn)練樣本， 40 組測(cè)試樣本。由于數(shù)據(jù)樣本較少， 故不考慮驗(yàn)證集， 同時(shí)將數(shù)據(jù)樣本進(jìn)行歸一化處理， 采用5 折交叉驗(yàn)證預(yù)測(cè)分類(lèi)情況。 將因子分析后的數(shù)據(jù)代入SVM中， 采用線(xiàn)性核、 多項(xiàng)式核、 高斯核和Sigmoid核等四種核函數(shù)驗(yàn)證訓(xùn)練集分類(lèi)結(jié)果的準(zhǔn)確性， 結(jié)果分別見(jiàn)表1、 圖6。 其中， 傳統(tǒng)時(shí)頻域特征向量的分類(lèi)結(jié)果中除Sigmoid 核函數(shù)的分類(lèi)效果較差， 其余三種核函數(shù)的分類(lèi)效果均達(dá)到了80%以上； 而LBP 特征向量的分類(lèi)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(lèi)準(zhǔn)確率最高為98%， 同時(shí)， AUC 面積最大為0.97。 因此， 高斯核函數(shù)在焊縫缺陷分類(lèi)上的識(shí)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(shū)桌上發(fā)現(xiàn)一大堆碎紙，這紙都是秀容月明用來(lái)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(méi)瞧出他寫(xiě)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(lèi)準(zhǔn)確率最高的C和組合。 最終確定傳統(tǒng)時(shí)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(shí)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(lèi)測(cè)試， 分類(lèi)混淆矩陣如圖7 所示。 0 代表無(wú)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(duì)角線(xiàn) （右上至左下） 代表預(yù)測(cè)值與真實(shí)值完全一致， LBP 特征向量的分類(lèi)準(zhǔn)確率為95%， 其中有一個(gè)夾渣缺陷被認(rèn)定為氣孔缺陷， 有一個(gè)氣孔缺陷被認(rèn)定為夾渣缺陷， 而未焊透缺陷和無(wú)缺陷均無(wú)分類(lèi)錯(cuò)誤， 這可能與兩種缺陷LBP 的柱狀圖特征類(lèi)似相關(guān)； 傳統(tǒng)時(shí)頻域特征向量的分類(lèi)準(zhǔn)確率為87.5%， 存在多個(gè)缺陷的誤判， 一個(gè)無(wú)缺陷被認(rèn)定為夾渣缺陷， 兩個(gè)夾渣缺陷被認(rèn)定為氣孔缺陷， 兩個(gè)氣孔缺陷分別被認(rèn)定為無(wú)缺陷和夾渣缺陷。 綜上所述， 與傳統(tǒng)時(shí)頻率特征提取相比， LBP 特征提取對(duì)缺陷類(lèi)型的分類(lèi)更加準(zhǔn)確。 此外，LBP-SVM 的缺陷識(shí)別方法在訓(xùn)練集上的分類(lèi)準(zhǔn)確率為98%， 在測(cè)試集上的分類(lèi)準(zhǔn)確率降低的并不多， 說(shuō)明該算法的泛化能力較強(qiáng)、 魯棒性較好。

3 結(jié) 論

（1） 對(duì)影響SVM 分類(lèi)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(duì)焊縫缺陷進(jìn)行了特征提取和分類(lèi)識(shí)別， 與常規(guī)方法相比， 可以進(jìn)一步去除冗余信號(hào)的影響， 在測(cè)試集上的分類(lèi)準(zhǔn)確率為95%。

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

[2] 李謙益，逯燕玲，朱建國(guó). 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(guó)管道焊接標(biāo)準(zhǔn)API Std 1104—2013 變更簡(jiǎn)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(cè)技術(shù)的發(fā)展、應(yīng)用與挑戰(zhàn)[J]. 儀器儀表學(xué)報(bào)，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(cè)方法[J].油氣田地面工程，2021，40（1）：7-12.

[7] 于潤(rùn)橋，劉春緣，陳海鵬，等. 焊縫超聲檢測(cè)缺陷類(lèi)型的模糊C 均值聚類(lèi)識(shí)別[J]. 測(cè)試技術(shù)學(xué)報(bào)，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(lèi)器的垃圾分揀識(shí)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(shí)別算法研究[J]. 工業(yè)儀表與自動(dòng)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(mén)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(xiàn)焊縫缺陷分類(lèi)算法研究[J]. 西安石油大學(xué)學(xué)報(bào)（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(cè)[J].中國(guó)海洋平臺(tái)，2018，33（5）：56-62.