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.福州大學石油化工學院；2.福建省特種設備檢驗研究院)

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.福州大學石油化工學院；2.福建省特種設備檢驗研究院)

根據超聲波相控陣檢測在不同的典型缺陷下所呈現出的圖像，提出一種基于灰度共生矩陣(GLCM)的灰色關聯為評價標準的缺陷識別方法，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、相關性)求出平均灰色關聯度，并與超聲檢測結果進行對比。實驗結果表明：該方法正確率達到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 灰色關聯度

超聲波相控陣技術是較為新型的無損檢測技術，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件里的缺陷分布[1～4]，提高檢測準確性。然而在提取和評價紋理特征方面尚處于研究階段，如何實現缺陷類型的辨識是超聲波相控研究領域的難點之一[5]。目前關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，這些方法大都應用在射線檢測、超聲波A掃等無損檢測領域，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、熵值和相關性4個紋理特征，將灰色關聯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域中有效的缺陷識別方法。

1 灰色關聯分析法

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鍵信息，然后辨識其類型。可該缺陷圖像特征屬于信息殘缺、關系不明顯的信息系統，所以在超聲B掃識別領域，缺陷的定性分析還比較困難。不過灰色關聯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，計算出它們的關聯程度?；疑P聯分析法是多因子分析，即使只有較少樣本，也可在這些規律未知的、殘缺的數據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[6～8]。

假設存在一序列: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。由于文中各個數列對應的紋理特征參數的單位相同，所以不需進行預處理。

假設參考數列(參考缺陷)為{X0(k)}、比較數列(測試缺陷)為{Xi(k)}, 則{X0(k)}與{Xi(k)}的關聯系數為:

(1)

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

關聯度是指比較數列和參考數列之間關于各特征參量的關聯程度。兩數列的關聯度又由它們各特征參量的關聯系數的平均值求得，其計算式為:

(2)

筆者提出了平均關聯度的識別方法，把計算出的4種紋理參數關聯度再進行平均，這樣能夠綜合各特征因子，對未知缺陷進行有效地判定。

2 灰度共生矩陣的特征參數

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構形成的，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，依據Ulaby F T等的研究發現，GLCM有4個特征參數比較適合[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，當紋理較細時，ASM較??；當圖像紋理較粗時,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。

熵值H：

(5)

H描述圖像紋理的復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

(續表1)

由圖1和表1可發現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，檢測中將設備探頭左右移動一小段距離，可發現高亮的紅色氣孔中部依然存在；由紋理特征數據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性，氣孔的4個方向的相關性變化要更小，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。該圖像呈現比較平直的條形狀；有著較小能量值表明圖像含有較細的紋理；4個角度方向的相關性變化比較小，表示其方向性不強。

c. 未焊透。該圖像呈現出斷斷續續的狀態；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。該圖像呈現有點彎曲的條形狀；相較于夾渣、氣孔和未熔合，裂紋相關性在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；發射電壓40V；接收增益可調；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)進行手動扇掃，直到出現缺陷波最高的圖像，然后保存所收集圖像信息，轉儲到計算機。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32個。

掃描已知缺陷試塊，以其圖像特征數據作為未知缺陷參考基準。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。為后面數據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聯系數，最后用式(2)求出4個特征值的平均關聯度。

圖2 缺陷識別流程

5 結果分析

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構的承受面積并削弱結構的力學性能,也容易發展為裂紋,破壞結構，此外都屬于有著較大危害的缺陷,因此可以認為都識別正確[16]。

表2 缺陷識別結果

6 結論

6.1結合GLCM的灰色關聯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掃檢測缺陷領域提供了一種有效的方法，其正確識別率達到84.38%。

6.2未熔合與未焊透還不能更精確地區分出來,裂紋識別率還有待進一步提升。

[1] 王云平．超聲無損檢測與評價的關鍵技術問題及其解決方案[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的發展及應用[J].電子測量與儀器學報，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].計算機系統應用，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].北京信息科技大學學報，2009，24(2) : 33～36.

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

[7] 傅立.灰色系統理論及其應用[M].北京:科學技術文獻出版社,1992.

[8] 曹軍,胡萬義.灰色系統理論與方法[M].哈爾濱:東北林業大學出版社,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.基于統計和紋理特征的SAS圖像SVM分割研究[J].儀器儀表學報，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，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[J].計算機技術及發展，2012,22(11):169～175.

[16] 于潤橋，黨蕾,盧超，等.基于灰關聯分析的焊縫超聲檢測缺陷類型識別[J].儀器儀表學報，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)