基于Gabor小波與PSO-SVM的不銹鋼焊縫缺陷分類研究*

傅留虎，趙 娜，閆耀東，張 睿,，柴鈺杰，李宇琪

(1.太原科技大學 計算機科學與技術學院，山西 太原 030024；2.山西省機電設計研究院有限公司，山西 太原 030009；3.太原科技大學 信息與技術學院，山西 晉城 048011)

0 引言

由于制作工藝和生產環境等各種因素的制約，在不銹鋼焊接過程中難免會產生各類焊接缺陷。及時有效地識別出各類缺陷可以發現隱患，減少相關財產的損失以及為人民的生命安全提供保障[1]。超聲檢測作為一種應用在焊縫無損檢測領域的常用方法[2]，依據所提取的超聲信號特征的不同來識別判斷焊縫缺陷類型，對于評價焊縫結構的安全性具有重要意義[3-4]。

信號特征提取是識別缺陷種類的基礎[5-8]，常規方法是從超聲信號的時域或頻域圖中提取缺陷特征。但考慮到缺陷超聲回波信號的非平穩性，通常會在超聲信號的特征提取中運用經驗模態分解、小波分析等時頻分析方法，以期獲得更詳盡的特征信息。當前，對于不銹鋼焊縫缺陷實現精準分類依舊存在一定的挑戰，信號特征提取的穩定性及準確率都有待提高。

近年來，伴隨著計算機技術的高速發展，特別是機器學習在自然圖像識別領域的成功應用，使得人們開始嘗試將其應用于工業檢測領域[9-10]。但是，目前機器學習在超聲焊縫圖像上的應用還比較少。本文以焊縫超聲缺陷圖像為研究對象，探究利用機器學習對超聲圖像進行分類的可行性，在利用Gabor小波進行特征提取的基礎上，提出了一種基于PSO-SVM的機器學習算法。以常見的五類焊縫缺陷為研究對象開展實驗，并將實驗結果與其他常規方法進行了比較。

1 數據采集

由于缺乏不銹鋼焊縫缺陷數據集，在山西省機電設計研究院有限公司支持下，通過專業檢測人員進行焊縫缺陷試樣加工，共制備了包括氣孔、裂紋、夾渣、未熔合和未焊透五類焊縫缺陷的數據試樣，并在山西省機電設計研究院搭建了焊縫缺陷數據采集平臺，如圖1所示。通過使用KARL DEUTSCH(ECHOGRAPH)探傷儀、Tektronix DPO2024B示波器和2.5P 9x9 K2.5斜探頭對缺陷試樣進行數據采集，獲得了上述五類焊縫缺陷數據共544組。

圖1 焊縫缺陷數據采集平臺

2 Gabor小波

Gabor小波的提出使得利用Fourier變換能夠同時在時域和頻域上進行分析，并使非平穩信號的分析變得簡單[11]。該種變換將小波變換與小波理論進行有機結合，克服了窗口大小在確定之后不能調焦從而不能對信號進行多分辨率分析的問題[12]。

小波變換在抗光、尺度和方向變化能力方面均有良好的表現，所以其在紋理特征分析和目標識別領域方面應用較為廣泛[13]。利用Gabor小波獲取超聲信號圖的特征時，采用不同角度和尺度的Gabor濾波器組成的濾波器組來實現超聲信號圖的特征提取[14]。設輸入圖像為I(z)，I(z)與Gabor濾波器組φ進行卷積積分后的結果Oμ,v(z)滿足式(1)：

Oμ,v(z)=I(z)·φμ,v(z).

(1)

其中：v和μ分別為Gabor濾波器的尺度參數和方向參數；φμ,v(z)為Gabor小波變換函數。

為提高計算速度，對式(1)進行快速傅里葉變換，根據卷積定理可得：

F{Oμ,v(z)}=F{I(z)}·F{φμ,v(z)}.

(2)

再利用傅里葉變換得式(3)：

Oμ,v(z)=F-1{F{I(z)}·F{φμ,v(z)}}.

(3)

取其幅度信息得其Gabor特征Gμ,v(z)如式(4)：

(4)

通過上述幾個步驟獲得的焊接缺陷超聲信號的Gabor特征如圖2所示。將缺陷超聲時域圖的Gabor特征向量首尾連接形成一個列向量，用它作為特征向量。本研究中共有544張焊縫缺陷超聲時域圖，大小均為128×128，采用40個濾波器組與其做卷積，得到Gabor特征向量M的維數為524 288。為減少計算量，通過均勻采樣降低了數據維度。

圖2 Gabor小波提取的焊接缺陷超聲信號特征

3 粒子群算法優化支持向量機模式識別

3.1 粒子群算法

粒子群算法的思想來源于鳥群的覓食行為，尋找最優解的過程是通過個體間的信息傳遞與共享完成的[15-16]。該算法具有良好的全局搜索能力，在參數選擇和收斂速度上有一定的優勢。迭代時，粒子在跟蹤到個體極值pbest和全局極值gbest后，通過式(5)和式(6)來更新自己的速度及位置[17]：

vi+1=vi+c1×rand()×(pbesti-xi)+c2×rand()×(gbesti-xi).

(5)

xi+1=xi+vi.

(6)

其中:vi和xi分別為粒子的速度和位置；c1和c2均為學習因子；隨機函數rand()為介于(0,1)之間的隨機數。

3.2 支持向量機理論

支持向量機(SVM)是當前機器學習領域的一種主流算法，其基于統計學習的理論，通過不斷降低置信風險與經驗風險，達到最小化結構風險的目的，從而防止過擬合現象的發生[18-19]。相比其他算法，SVM在小樣本數據集上有更好的分類結果。其主要思想是尋找使正負類之間分類間隔最大的最優分類面，表示為:

ωx+b=0.

(7)

其中:ω為比例因子；b為常量。

設訓練樣本為(xi,yi),i=1,2,…,l,求解最優分類面問題表示為：

(8)

其中：l為樣本數；ξi為非負松弛變量；C為懲罰參數。通過拉格朗日乘子法可得最優決策函數式：

(9)

其中:ai為拉格朗日系數；K(x·xi)為選擇的核函數,自帶一個核參數g。

3.3 PSO-SVM識別模型

在Gabor小波變換的基礎上將PSO算法與SVM算法有機結合構造PSO-SVM識別模型，其流程如圖3所示。初始化SVM中懲罰參數C的取值范圍為0.1～20，核函數參數g的取值范圍為0.01～20。PSO種群數量為10，迭代次數為50次，學習因子c1=1.5，c2=1.7。之后將特征提取后的544張數據集按4∶1的比例隨機劃分為訓練集和測試集，通過訓練數據和PSO算法對參數C和g進行迭代尋優，經過測試后確定最優SVM模型，輸出分類結果。

圖3 PSO-SVM識別模型流程

4 實驗分析

本文采用以上參數設置，使用粒子群優化算法對支持向量機進行優化，從而提高不銹鋼焊縫缺陷分類精度。實驗結果如圖4和圖5所示。

從圖4可以看出：PSO-SVM算法在迭代20次后便達到最佳適應度，在迭代45次后算法平均適應度便逐漸趨于穩定。

圖4 適應度曲線

圖5中類別標簽1～5分別代表裂紋、氣孔、夾渣、未熔合和未焊透五種典型缺陷。

從圖5可以看出，本文算法在測試集上表現出了優異的性能，對大多數缺陷類別都能夠做出正確的判斷，所出現的識別錯誤主要集中發生在氣孔和未熔合這兩類缺陷上。發生這種情況可能是本文算法對于分類邊界不明顯的焊縫缺陷特征提取存在不足，不能夠將相似的缺陷特征進行有效的區分。

圖5 模型測試結果

采用SVM模型、引力搜索算法優化的SVM模型(GSA-SVM)和本文模型分別對五類不銹鋼焊縫缺陷超聲樣本進行訓練和測試，測試結果如表1所示，相比未經過優化的SVM模型和通過引力搜索算法優化的SVM模型，本文模型在訓練精度和測試精度上都顯示出了良好的效果。相比未經過優化的SVM模型綜合精度提高在5%左右，證明本文算法在不銹鋼焊縫缺陷超聲分類上存在一定的優勢。

表1 不同模型識別精度對比

5 結論

本文利用適用于小樣本分類的SVM算法以及PSO在參數選擇和收斂速度上的優勢，建立了基于Gabor小波的PSO-SVM模型用于對不銹鋼焊縫缺陷進行分類識別。首先通過Gabor濾波器組對圖像數據進行卷積積分，提取焊縫缺陷超聲信號的特征，之后借助粒子群算法得到最優SVM模型，實驗證明該模型的識別精度優于SVM模型和GSA-SVM模型，可嘗試在工程應用中進行推廣。