一种基于梯度方向直方图特征焊缝缺陷识别算法.docVIP

一种基于梯度方向直方图特征焊缝缺陷识别算法 　　摘要：本文设计了一个基于射线图像的焊缝缺陷智能分析算法，首先通过高分辨率摄像机拍摄射线底片，然后对采集到的图像进行图像去噪和增强等预处理操作，再利用模式识别等手段识别其中的主要缺陷。本文所采用的模式识别方法借鉴了近年来在目标检测研究中应用较多的梯度方向直方图技术，以及基于支持向量机(SVM)的分类方法，将其用于焊缝缺陷识别中。这种方法使得基于视觉的焊缝缺陷识别对环境不再敏感，得到了较好的识别效果。 关键词：X射线图像，焊缝缺陷，梯度方向直方图， 支持向量机 中图分类号：U671.84文献标识码：A 0 引言 焊接技术作为连接构件的一种基本工艺方法，在国民经济中具有很重要的地位。为保证焊接构件的产品质量，在焊接构件使用前，需要对其进行无损检测(Non-destructive testing简称：NDT)。就现有的无损检测射线技术而言而言，主要是人工判断系统，由于观片人员素质参差不齐，大大地增加了探伤的不可靠度，若稍有疏忽，将严重缺陷漏评而投入使用，将对企业安全生产以及社会造成不可估量的损失。 机器视觉技术在工业在线检测中的应用是近年来的研究热点之一。机器视觉技术可以大幅降低检测成本，提高产品质量，提高生产速度和效率，因而在工业检测和控制领域得到了广泛的应用。 本文研究的主要目的就是利用X射线自动检测系统，将射线图像输入计算机，转换为数字图像，经图像预处理方法后获取得到候选的缺陷区域，然后通过对区域进行基于梯度方向直方图的特征描述，并根据基于机器学习的分裂方法，按照有关标准对检测结果进行缺陷识别，从而达到自动检测的目的。 1 梯度方向直方图 在2005年计算机视觉与模式识别(CVPR)国际会议上，法国国家计算机科学及自动控制研究所的Dalal等人[7]提出的一种用于图像行人检测的描述子，该方法使用梯度方向直方图（Histogram of Oriented Gradients，简称HOG）特征来表达人体，提取人体的外形信息，形成丰富的特征集，在行人检测中取得了较好的效果。 HOG依据一幅图像的形状、外观等特征能够被梯度或边缘的方向密度分布很好地描述的原理，能够适应光照变化和目标旋转。与其他的图像几何特征不同，HOG不从图像的整体上去考察其特征，而是将图像细分为多个小的单元（称为cell），然后计算所有单元中各个像素点的梯度方向直方图。为了提高性能，将若干个单元组成一个块（称为block）。这样一幅图被表示成由这些连通的块的梯度直方图组成的一个大向量。 方向梯度直方图产生的具体算法： 1. 首先对于输入图像进行必要的去噪处理后，计算其梯度图像，对于每个像素点由(1)(2)式分别得到其梯度模长和方向。 (1) (2) 2. 然后将梯度图像划分为B*B的块，块与块之间有重叠（重叠区域一般选择50%），对于每一块，再划分为C*C的单元，如图1所示： 图1 一个典型的块与单元结构图 3. 对于每个单元中的像素，将其方向量化到H个固定方向上（按照最近距离量化），得到一个由H个bin组成的方向直方图。在直方图的累积计算过程中，对于每个被量化到当前方向的像素，乘以一个权重，这个权重由两部分相乘，一是该像素的梯度模长，二是该像素与该单元的插值权重（按照与单元中心距离百分比插值）。 图2 梯度方向直方图生成示例 4. 对于每个块，将其所有单元统计得到的梯度方向直方图合并后形成该块的梯度方向直方图向量，其维度为C*H。为了避免光照对其造成的影响，用直方图能量按下面公式对该向量进行归一化操作： 5. 图像所有块的归一化后的向量，组合成一个最终的图像的梯度方向直方图大向量，该向量的维度为B*C*H。 2 基于梯度方向直方图的缺陷识别 在X射线图像分析系统中，一个完整的图像分析流程，如图3所示。 图3 基于梯度方向直方图的缺陷识别流程 2.1 图像预处理 X射线图像本身是一种特征微弱、高噪声的图像，因此对这些图像进行合理的预处理，可以大大提高特征的表达能力和识别能力。通常预处理的办法包括图像去噪和图像增强两种。 图像去噪是图像处理中的常用技术，其过程是根据一些已知的“降质模型”，从降质图像恢复原图像，即求在某种最优意义下的原图像估计。 图像增强是图像处理的基本内容之一。图像增强是指按特定的需要突出一幅图像中的某些信息，同时，削弱或去除某些不需要的信息的处理方法。其主要目的是使处理后的图像对某种特定的应用，比原始图像更合适，处理的结果使图像更适合于人的视觉特性。 2.2 检测区域分割 在焊缝X射线图像中，一般背景占据图像的大部分区域，焊缝只占据图像的