图谱数据深度学习融合模型及焊缝缺陷识别方法
2021-05-11支泽林姜洪权杨得焱程志翔高建民王泉生王晓桥王景人石养鑫
西安交通大学学报 2021年5期
支泽林,姜洪权,杨得焱,程志翔,高建民,王泉生,王晓桥,王景人,石养鑫
(1.西安交通大学机械制造系统工程国家重点实验室,710049,西安;2.陕西省特种设备检验检测 研究院,710048,西安;3.西安优耐特容器制造有限公司,710201,西安)
能源动力、航空航天、船舶等领域大型装备制造过程中大量采用焊接工艺,焊缝缺陷的检测与评价是保证装备在服役过程中安全可靠运行的重要手段。超声衍射时差法(TOFD)具有检测信息丰富、抗噪声强、效率高、定位定量准确等优势,已成为最为广泛的焊缝无损检测方法之一[1-2]。例如,陕西省特检院在特种设备焊缝检验检测过程中采用了TOFD检测技术,2020年全年的TOFD检测焊缝图谱数据累计已达5万余米。目前在利用数据进行缺陷识别时主要采用人工评判方式,受成像机理、焊缝组织、检测环境的影响,TOFD检测图谱数据易产生噪声及条纹干扰[3],缺陷识别效率低下、主观性大、误判率高。因此,开展以TOFD检测图谱数据为对象的焊缝缺陷类型识别方法,对提升缺陷检测能力及装备质量管控能力具有重要意义。
随着TOFD检测技术逐步应用和检测数据的积累,如何利用图像处理及模式识别技术提高缺陷识别效率、减少人工识别不一致性已经成为重点关注问题[4]。文献[5]利用傅里叶变换对TOFD衍射信号(A扫波形信息)的频率进行分段特征分析,并结合神经网络进行缺陷检测;文献[6]利用TOFD-D扫图像数据,首先提出一种基于分水岭的缺陷区域分割技术,再利用人工识……
登录APP查看全文
