SVMs在油气管道焊缝缺陷检测中的应用.docx

2011年11月第26卷第6期

2011年11月第26卷第6期

Nov.2011Vol.26No.6

JournalofXianShiyouUniversity(NaturalScienceEdition)

文章编号：1673-064X(2011)06-0097-05

SVMs在油气管道焊缝缺陷检测中的应用

武晓朦1,高炜欣’,袁磊2,刘畅3

(1.西安石油大学陕西省钻机控制重点实验室，陕西西安710065;

2.巴陵石化环氧树脂事业部电气车间，湖南岳阳414014;

3.西安航空动力股份有限公司无损检测中心，陕西西安710021)

摘要：提出了基于支持向量机的焊管焊缝缺陷识别方法和步骤.对焊缝图像采用了图像增强、形态学处理、边缘检测等操作，解决焊缝图像在输入时受到外界干扰带来的图片噪声过多、缺陷边缘模糊和对比度低等问题，便于对焊缝图像进行特征提取.结合焊缝缺陷样本多分类的特点，对焊缝图像进行分类时使用SVM“一对一”聚类结构并对样本进行识别.实验结果表明，该模型具有识别精度高、速度快、容易实现等优点，适合对焊管焊缝缺陷的识别.

关键词：油气管道；焊缝缺陷；缺陷检测；图像分割；特征提取；模式识别；支持向量机中图分类号：TE973.6文献标识码：A

常用的无损检测方法有射线检测法[1-2]、超声检测法3]、磁力检测法[4]、涡流检测法5]、渗透检测法6等.在各种无损检测技术中，基于x射线焊缝图像的检测是大多数埋弧焊管生产企业采用的方法.

近年来，随着现代计算机技术和数字图像技术的飞跃发展，一些新兴的基于机器学习和智能算法的焊缝缺陷检测方法也悄然兴起.文献[7]利用神经网络质量监测模型预测焊点抗剪强度，准确率达到96.6%;文献[8]利用神经网络模型对车身镀锌板点焊性能进行预测；文献[9]利用神经网络模型进行焊点质量检测等.

为了解决传统的焊缝缺陷检测存在的一些问题，也为了更好地修正和改进一些智能算法所存在的一些缺点，本文将基于数理统计方法——支持向量机(TheSupportVectorMachines,SVMs)理论引入焊缝缺陷识别问题中，根据有限的样本信息，在模型的复杂性(即对特定样本的学习精度)和学习能力

(即无错误辨别任意样本的能力)之间寻求最佳折中，以期获得最好的推广能力，来解决X底片焊缝缺陷的识别问题.

1支持向量机

支持向量机是Vapnik等人提出的一种新的通用学习方法，建立在VC维理论和结构风险最小化原理基础上，较好地解决了小样本非线性、高维数和局部极小点等实际问题[10].支持向量机算法在

MATLAB环境下易于实现，得到较广泛的应用[11-13].

SVM的基本思想可由图1说明，在二维两类线性可分情况下，有很多可能的线性分类器可以把这组数据分割开，但只有一个使两类的分类间隔mar-gin最大，即图中的H,这个线性分类器就是最优分类超平面，与其他分类器相比，具有更好的泛化性.

收稿日期：2011-02-15

基金项目：陕西省自然科学基础研究计划(编号：2010JQ8033);陕西省教育厅专项科研计划项目(编号：09JK699);西安市科技计划项目(编号：YF07033);中石油科技创新基金研究项目(编号：2010D-5006-0601)

作者简介：武晓朦(1974-),女，副教授，主要从事自动控制方面的研究.E-mail:xmwudz@

—98—西安石油大学学报(自然科学版)

图1最优分类超平面

Fig.1Optimalclasshyperplane

若样本集Q={(x,y:)li=1,2,…,n},x;∈R,y;∈[-1,1]是线性可分的，则存在分类超平面wT·x=0,x∈R?,对样本集Q中任一(x,,y:)都满足：

(1)

空间R?中样本x=(x?,…,xa)到分类超平面的距离d=|wTx+b|/Ilwll,其中：

lwll=√w·w.(2)

当存在x使得wTx;+b=±1,则图1中超平面

的分类间隔

margin=2/|lwll.(3)

使分类间隔margin最大的超平面即为最优分类超平面.寻找最优分类超平面的问题将转化为求如下一个二次规划问题：