[发明专利]一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法

权利要求书

1.一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法，其特征在于：所述方法的具体实现过程为：

步骤A、基于支持向量机的缺陷分类模型训练过程，包括：样本的选择、焊缝缺陷超声相控阵扇形扫描图像特征提取、焊缝缺陷分类模型结构构造、核函数的选取、基于支持向量机子模型的参数优化、基于支持向量机子模型的学习与测试；

步骤B、焊缝缺陷识别过程：

步骤B1、采用主成分析方法提取焊缝超声相控阵扇形扫描图像的前几个成分作为缺陷识别的特征值；

步骤B2、对特征值进行归一化处理；

步骤B3、将特征值输入分类子模型I进行识别；

步骤B4、判断输出是否为“+1”，如果是则判断为气孔缺陷，否则执行步骤B5；

步骤B5、再将特征值输入分类子模型II进行识别；

步骤B6、判断输出是否为“+1”，如果是则判断为裂纹缺陷，否则执行步骤B7；

步骤B7、再将特征值输入分类子模型III进行识别；

步骤B8、判断输出是否为“+1”，如果是则判断为未熔合缺陷，否则执行步骤B9；

步骤B9、判断输出是否为“-1”，如果是则判断为未焊透缺陷，否则执行步骤B10；

步骤B10、判断焊缝无缺陷。

2.根据权利要求1所述的一种基于超声相控阵和支持向量机的焊缝缺陷检测识别方法，其特征在于：基于支持向量机的分类模型训练的具体过程为：

步骤A1、样本的选择：

采用超声相控阵成像检测系统对焊缝缺陷进行扇形扫描检测获得缺陷图像，在典型的气孔、裂纹、未熔合和未焊透缺陷的超声相控阵扇形扫描图像中随机选取样本，每种缺陷选取的样本数相同；

步骤A2、焊缝缺陷超声相控阵扇形扫描图像特征提取：

对焊缝缺陷扇形扫描图像做主成分分析，提取前几个主成分，建立缺陷特征表达函数，作为基于支持向量机缺陷识别的特征值；前几个主成分的累计贡献率需要达85％以上；

步骤A3、焊缝缺陷分类模型结构构造过程为：

采用支持向量机二叉决策树方法构造焊缝中气孔、裂纹、未熔合和未焊透四类缺陷的分类模型结构，需要构造三个基于支持向量机分类子模型，子模型I用于首先将气孔缺陷识别出来，子模型II用于将裂纹缺陷识别出来，子模型III用于将未熔合缺陷和未焊透缺陷区分开来；

步骤A4、核函数的选取：

采用径向基核函数进行缺陷分类子模型的构造，径向基核函数如下：

K(x,y)=exp(-|x-y|2γ2)]]>

式中x——表示学习样本；

y——表示学习样本对应的类别；

γ——核函数的参数；

步骤A5、基于支持向量机子模型的参数优化：

采用网格搜索法确定子模型I、子模型II、子模型III的惩罚参数C和核函数的参数γ；

将C和γ分别取M个值和N个值，对M×N个(C，γ)的组合，进行分类子模型学习，再估计分类子模型的学习误差，在M×N个(C，γ)的组合中得到误差最小的一个组合作为最优参数；为了进一步提高搜索速度，在参数的指数空间中进行搜索，首先采用粗略的网格进行搜索，得到性能较优的(C，γ)的组合；然后在这个组合两边一定范围内进行精细的网格搜索，找到分类子模型性能最优的(C，γ)的组合；在每次的搜索过程中，网格的数目保持不变；

步骤A6、子模型I、子模型II、子模型III的学习：

焊缝中气孔、裂纹、未熔合和未焊透四类缺陷分类识别需要构造三个基于支持向量机子模型，对每个子模型要分别进行学习，每个子模型的惩罚参数C和核函数参数γ均采用网格搜索法优化；

子模型I首先将气孔缺陷从其它缺陷中识别出来，将气孔缺陷样本设定为正样本，用“+1”表示，数量为200，其它缺陷样本设定为负样本，用“-1”表示，样本数量为600；当子模型I的学习误差小于10％时，完成模型的学习，否则重新执行步骤A1至A5；

子模型II将裂纹缺陷从未熔合和未焊透缺陷中识别开来，将裂纹缺陷样本设定为正样本，用“+1”表示，数量为200个，其它两种缺陷样本设定为负样本，用“-1”表示，样本数量为400；当子模型II的学习误差小于10％时，完成模型的学习，否则重新执行步骤A1至A5；

子模型III将未熔合缺陷和未焊透缺陷区分开来，将未熔合缺陷样本设定为正样本，用“+1”表示，未焊透缺陷样本设定为负样本，用“-1”表示，两种样本的数量均为200；当子模型III的学习误差小于10％时，完成模型的学习，否则重新执行步骤A1至A5；

步骤A7、子模型I、子模型II、子模型III的性能测试：

选取气孔、裂纹、未熔合和未焊透四种缺陷样本各200个，采用主成分分析法提取特征后进行子模型性能的测试；当四种缺陷的正确识别率达到90％以上时，结束对子模型的测试，否则重新执行步骤A1至A6。