基于独立成分分析的焊缝缺陷识别
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
4 ICA的焊缝识别
近年来，支持向量机(Support Vector Machine. S\M)算法表现出了许多独有的优点，在识別系统的分 类器建模中被广泛应用，本文主要采用支持向量机的 分类识别算法来实现焊缝图像的缺陷识别。通过上述 图像预处理和特征参数的提取之后，对焊缝缺陷进行 分类识别，
SVM的基本思想可通过图4屮的二维情况说明 图中矩形点和圆形点分别代表两类样本C1和C2,分 类线为H,平行于H且过离H最近的两类样本点的直 线为HLH2,它们间的距离为分类间隔。支持向量是 线Hl、H2上的点几个样本点，H1与H、H2与H之间
0引言
焊缝缺陷是焊接过程中常见的一类问题，其类型 主要包括气孔、裂缝、夹渣、未焊透等。焊缝缺陷的存 在直到影响到焊接件的质量，因此，焊缝缺陷的图像化 处理及其算法研究和分析成为了一类重要的研究课 题。在焊缝缺陷图像的分析过程中，特征提取是对缺 陷图像分类识别的关键性步骤，因此，通常采用主成分 分析、线性成分分析、独立成分分析等方法对缺陷图像 进行特征提取。其中，独立成分分析是一种基于高阶 统计特性的分析方法。此次选取圆形缺陷和线性缺陷 作为研究对象，并基于ICA对X射线焊缝缺陷图像进 行算法的分析和研究。
可以用PCA的方法进行白化’首先求协方差 矩阵：
ห้องสมุดไป่ตู้
C = XX「
(6)
作 PCA：
C = /\〃/V
(7)
其中，U是mxm的特征矢量矩阵,A是特征值对角
矩阵〉特征值越大的情况下，其投影到对应的特征向
量对方差贡献率也大,所以方差贡献率的定义为：
F(x) =旦一
(8)
i= I
选择g个主值(m,<m),使F(x)M0.85 由实验可知，通常ml比较小，该方法可以用于 降维。 (3) 对Z作ICA,得Y=WZ,其中Y的每一行都是 一个基影像。 (4) 在独立图像空间上投影各训练图像，得到投影 系数P,则各焊缝缺陷特征参数为P中的每一行。
通过ICA提取焊缝缺陷特征的示意图，如图3所
示。其中按行输入的焊缝缺陷图像为X,经过解混矩
阵W得到的独立基图像为Yo
焊缝图像1
基图像1
焊缝图像2 解混矩阵〃 基图像2
焊缝图像n
X 图3
基图像n
Y
提取缺陷特征的步骤如下：
(1)对混合矩阵X进行中心化。中心化可以得到 关于零点对称分布的数据。经过中心化后的矩阵为：
2特征提取和独立成分分析
图像特征是区别一幅图像内部最基本的特性，而 特征提取则是将某区域能代表此图像的特征参数提取 出来，以便用于图像识别和分析。故准确地选取识别 缺陷的特征量，是自动判定缺陷识别的关键之处。从 焊缝图像中分割出缺陷之后，可以进一步对它们进行 几何特征测量和分析,在此基础上，通过特征参数来实 现两类缺陷的分类与识别。其重要的参数主要有质心 到焊缝中心的距离、长短轴之比、短轴和缺陷面积之 比、缺陷面积和外切矩形面积之比、圆形度、矩形度、海 梧德直径等。独立成分分析主要是针对高阶分量的提 取,其步骤如下：
图形图像
文章编号:1007-1423(2019)13-0059-04
DOI：10. 3969/j. issn. 1007-1423. 2019. 13. 012
基于独立成分分析的焊缝缺陷识别
栗芝，穆向阳
(西安石油大学电子工程学院，西安710065)
摘要： 针对焊缝缺陷图像分类识别问题,提出一种基于独立成分分析(ICA)的分类识别的优化算法。焊缝特征提取是焊缝 缺陷识别的关键技术，首先介绍焊缝缺陷图像的预处理过程、独立成分分析算法原理，最后对数据库焊缝缺陷图像采 用支持向量机进行分类识别。实验证明,独立成分分析(ICA)算法能很好地提高焊缝缺陷分类识别率。 关键词： 焊缝图像；独立成分分析
X = X-E(X)
(4)
(2) 对中心化后的矩阵X进行白化 白化可以消 除数据的二阶相关性，并且可以得到二阶统计独立的
数据。经过白化后的矩阵Z为：
Z = £» X
⑸
其中1)是X矩阵的协方差矩阵的特征值矩阵，E 是特征向量矩阵：降维可以通过保留特征值较大的特
征向量来达到目的 而降维既可以去除噪声.又可以 减少计算量；
(2)
i= i
设A为系数矩阵：
a” ••- aln
A= :
:
(3)
5-1 "• %_
则X=AS,其中A和S都是未知的，通过FastICA
方法求出解混矩阵W。矩阵X通过解混矩阵W处理
而得到独立分量矩阵Y=WX,使Y的各行尽可能地独
立且逼近S,焊缝缺陷图像基影像则为Y中互相独立
的各行，焊缝图像的特征是权重W
1 焊缝缺陷图像的预处理
由于焊缝缺陷的原始图像灰度低，特别是在缺陷 部分,焊缝缺陷图像往往包含噪声,其可能会淹没部分 缺陷特征。如图I所示。为了便于研究焊缝图像.需 对图像进行预处理.即从复杂的背景中提取焊缝内的 缺陷部分，欲对缺陷图像进行预处理,首先对图像进 行灰度变换，以简化图像的信息;其次对灰度图像进行 全局滤波处理，调整图像的对比度至合适的范围;再次 通过多种边缘检测算法找到焊缝边界，对焊缝边界内 的焊缝区域(ROI)进行图像分割；最后得到焊缝缺陷
(1) 将数据中心化并使数据均值为0; (2) 对中心化后的数据白化，得到Z；
现代计算机2019.05上
图形图像
(3) 选择一个具有单位范数的初始化(可随机选 取)向量W；
(4) 更新 w------ £|zg(wr2)|-E[u)tz)}w ,函数 g 的
定义如式(1); ⑸标准化W,即"一陆；
(6)如果尚未收敛，则返回步骤(4)
其中g的定义如下：
g 二 tanh(ay)
( 1)
3 基于ICA的焊缝特征提取
将焊缝图像分割出的焊缝缺陷的特征参数作为输 入矩阵，设为x,基于独立成分分析这样的假设 ，这些 焊缝图像是由m幅独立的焊缝图像m . si, s“…,s”线性 混合组成的。即：
尤=£,"丹 lWiWn
现代计算机2019.05 ±
图形图像
的距离即特征空间中的几何距离。
图4两类问题线性可分情况下分类示意图 实验中分别采用100张圆形缺陷和100张线形缺 陷，通过独立成分分析进行特征提取，再通过支持向量 机算法进行分类识别，实验结果如表1。
表1缺陷分类结果
多项式核
RBF核
Sigmoid 核
检出圖形 缺陷 52 95
近年来，支持向量机(Support Vector Machine. S\M)算法表现出了许多独有的优点，在识別系统的分 类器建模中被广泛应用，本文主要采用支持向量机的 分类识别算法来实现焊缝图像的缺陷识别。通过上述 图像预处理和特征参数的提取之后，对焊缝缺陷进行 分类识别，
SVM的基本思想可通过图4屮的二维情况说明 图中矩形点和圆形点分别代表两类样本C1和C2,分 类线为H,平行于H且过离H最近的两类样本点的直 线为HLH2,它们间的距离为分类间隔。支持向量是 线Hl、H2上的点几个样本点，H1与H、H2与H之间
0引言
焊缝缺陷是焊接过程中常见的一类问题，其类型 主要包括气孔、裂缝、夹渣、未焊透等。焊缝缺陷的存 在直到影响到焊接件的质量，因此，焊缝缺陷的图像化 处理及其算法研究和分析成为了一类重要的研究课 题。在焊缝缺陷图像的分析过程中，特征提取是对缺 陷图像分类识别的关键性步骤，因此，通常采用主成分 分析、线性成分分析、独立成分分析等方法对缺陷图像 进行特征提取。其中，独立成分分析是一种基于高阶 统计特性的分析方法。此次选取圆形缺陷和线性缺陷 作为研究对象，并基于ICA对X射线焊缝缺陷图像进 行算法的分析和研究。
可以用PCA的方法进行白化’首先求协方差 矩阵：
ห้องสมุดไป่ตู้
C = XX「
(6)
作 PCA：
C = /\〃/V
(7)
其中，U是mxm的特征矢量矩阵,A是特征值对角
矩阵〉特征值越大的情况下，其投影到对应的特征向
量对方差贡献率也大,所以方差贡献率的定义为：
F(x) =旦一
(8)
i= I
选择g个主值(m,<m),使F(x)M0.85 由实验可知，通常ml比较小，该方法可以用于 降维。 (3) 对Z作ICA,得Y=WZ,其中Y的每一行都是 一个基影像。 (4) 在独立图像空间上投影各训练图像，得到投影 系数P,则各焊缝缺陷特征参数为P中的每一行。
通过ICA提取焊缝缺陷特征的示意图，如图3所
示。其中按行输入的焊缝缺陷图像为X,经过解混矩
阵W得到的独立基图像为Yo
焊缝图像1
基图像1
焊缝图像2 解混矩阵〃 基图像2
焊缝图像n
X 图3
基图像n
Y
提取缺陷特征的步骤如下：
(1)对混合矩阵X进行中心化。中心化可以得到 关于零点对称分布的数据。经过中心化后的矩阵为：
2特征提取和独立成分分析
图像特征是区别一幅图像内部最基本的特性，而 特征提取则是将某区域能代表此图像的特征参数提取 出来，以便用于图像识别和分析。故准确地选取识别 缺陷的特征量，是自动判定缺陷识别的关键之处。从 焊缝图像中分割出缺陷之后，可以进一步对它们进行 几何特征测量和分析,在此基础上，通过特征参数来实 现两类缺陷的分类与识别。其重要的参数主要有质心 到焊缝中心的距离、长短轴之比、短轴和缺陷面积之 比、缺陷面积和外切矩形面积之比、圆形度、矩形度、海 梧德直径等。独立成分分析主要是针对高阶分量的提 取,其步骤如下：
图形图像
文章编号:1007-1423(2019)13-0059-04
DOI：10. 3969/j. issn. 1007-1423. 2019. 13. 012
基于独立成分分析的焊缝缺陷识别
栗芝，穆向阳
(西安石油大学电子工程学院，西安710065)
摘要： 针对焊缝缺陷图像分类识别问题,提出一种基于独立成分分析(ICA)的分类识别的优化算法。焊缝特征提取是焊缝 缺陷识别的关键技术，首先介绍焊缝缺陷图像的预处理过程、独立成分分析算法原理，最后对数据库焊缝缺陷图像采 用支持向量机进行分类识别。实验证明,独立成分分析(ICA)算法能很好地提高焊缝缺陷分类识别率。 关键词： 焊缝图像；独立成分分析
X = X-E(X)
(4)
(2) 对中心化后的矩阵X进行白化 白化可以消 除数据的二阶相关性，并且可以得到二阶统计独立的
数据。经过白化后的矩阵Z为：
Z = £» X
⑸
其中1)是X矩阵的协方差矩阵的特征值矩阵，E 是特征向量矩阵：降维可以通过保留特征值较大的特
征向量来达到目的 而降维既可以去除噪声.又可以 减少计算量；
(2)
i= i
设A为系数矩阵：
a” ••- aln
A= :
:
(3)
5-1 "• %_
则X=AS,其中A和S都是未知的，通过FastICA
方法求出解混矩阵W。矩阵X通过解混矩阵W处理
而得到独立分量矩阵Y=WX,使Y的各行尽可能地独
立且逼近S,焊缝缺陷图像基影像则为Y中互相独立
的各行，焊缝图像的特征是权重W
1 焊缝缺陷图像的预处理
由于焊缝缺陷的原始图像灰度低，特别是在缺陷 部分,焊缝缺陷图像往往包含噪声,其可能会淹没部分 缺陷特征。如图I所示。为了便于研究焊缝图像.需 对图像进行预处理.即从复杂的背景中提取焊缝内的 缺陷部分，欲对缺陷图像进行预处理,首先对图像进 行灰度变换，以简化图像的信息;其次对灰度图像进行 全局滤波处理，调整图像的对比度至合适的范围;再次 通过多种边缘检测算法找到焊缝边界，对焊缝边界内 的焊缝区域(ROI)进行图像分割；最后得到焊缝缺陷
(1) 将数据中心化并使数据均值为0; (2) 对中心化后的数据白化，得到Z；
现代计算机2019.05上
图形图像
(3) 选择一个具有单位范数的初始化(可随机选 取)向量W；
(4) 更新 w------ £|zg(wr2)|-E[u)tz)}w ,函数 g 的
定义如式(1); ⑸标准化W,即"一陆；
(6)如果尚未收敛，则返回步骤(4)
其中g的定义如下：
g 二 tanh(ay)
( 1)
3 基于ICA的焊缝特征提取
将焊缝图像分割出的焊缝缺陷的特征参数作为输 入矩阵，设为x,基于独立成分分析这样的假设 ，这些 焊缝图像是由m幅独立的焊缝图像m . si, s“…,s”线性 混合组成的。即：
尤=£,"丹 lWiWn
现代计算机2019.05 ±
图形图像
的距离即特征空间中的几何距离。
图4两类问题线性可分情况下分类示意图 实验中分别采用100张圆形缺陷和100张线形缺 陷，通过独立成分分析进行特征提取，再通过支持向量 机算法进行分类识别，实验结果如表1。
表1缺陷分类结果
多项式核
RBF核
Sigmoid 核
检出圖形 缺陷 52 95