Page 48 - 无损检测2023年第二期

程虎跃, 等:

一种多源特征融合深度学习模型及复杂构件缺陷类型识别方法

j= 1 , 2 ,…, Q ; d 为两个像素点在图像中的
度; i ,
欧氏距离; θ 为两个像素点在图像中的方向角度;

p Ix , ) y+ dsinθ ) )] 代
[(
y =i , I ( x+ dcosθ ,
=j
表距离为 d 、 方向为 θ 、 灰度值为 i和 的一对像素对
j
出现的概率。
笔者选取角度 θ=0 , 距离d= 1的像素计算灰
°
度共生矩阵, 即 P ( i ,) 代表 P ( i ,, 1 , 0 ), 然后计
°
j
j
算该矩阵的统计特征量获得缺陷的纹理特征。

( 1 )能量
图2 复杂构件典型内部缺陷示例
能量用于度量缺陷纹理灰度变化的程度, 定义

布; ④ 裂纹缺陷表现为对比度较高的黑色丝线状, 且
为

端部尖细、 端头方向出现丝状阴影延伸; ⑤ 未熔合缺
Q Q
陷表现为宽度不一、 黑度变化不均匀的条状, 且分布 f 1= ∑∑ j 2 ( 3 )
P ( i ,)
i = 1j = 1
呈现出断续模糊、 轮廓边界不规则的特点。
( 2 )反差分矩阵
可以看出, 不同类型缺陷具有不同的明显特
反差分矩阵用于体现缺陷纹理局部变化的大
点 [ 11 ] , 这些特点是经验丰富的技术人员具有的核心
小, 可定义为
知识。基于以上分析, 构建了如表1所示的6个几 Q Q
1
j
, 即 f 2= ∑∑ P ( i ,) ( 4 )
2
i = 1j = 11+i- j
何先验特征作为缺陷的第一先验特征向量G p ( )
T
[ ] ( 1 )
G p= g 1 g 2 g 3 g 4 g 5 g 6 ( 3 )相关性
为缺陷长度方向距离末端处z , L
表 1 中, W z 相关性可用于表现缺陷局部灰度的相关程度,
的实际宽度, z 为缩放比例, 此处取1 / 4 ; S 为缺陷的 可定义为
为缺陷长度方向上的像素点; Q Q ( i- u i j- u j P ( i ,)
)(
)
实际像素面积; P x j
f 3= ∑∑ ( 5 )
处缺陷的实际宽度。
W P 为P x i = 1j = 1 σ i σ j
x
表1 缺陷几何先验特征 式中:
Q Q
特征 定义 表达式
u i= ∑∑ i · P ( i ,);
j
缺陷最小外接矩形的长
缺陷长度 g 1 L i = 1j = 1
Q Q
缺陷最小外接矩形的宽
缺陷宽度 g 2 W
j
u j = ∑∑ j · P ( i ,);
缺陷长度与宽度之比
缺陷纵横比 g 3 L / W j = 1i = 1
Q Q
沿长度两端缺陷的尖锐度 arctan [ W z z L )]
/(·
缺陷尖锐度 g 4 2
j
)
σ i= ∑ ( i- u x ∑ P ( i ,);
L - 1
1 i = 1 j = 1
缺陷边缘的变化
L x x
缺陷边缘离散度 g 5 ∑ W p + 1 -W p Q Q
p = 0 2
x
σ j = ∑ ( ) P ( i ,)。
j
j- u y ∑
缺陷实际面积与缺陷最 j = 1 i = 1
S /( L · W )
缺陷饱和度 g 6 ( 4 )对比度
小外接矩形面积之比
对比度用来反映缺陷纹理深浅及其清晰度, 可
1.2.2 纹理先验特征向量构建 定义为
为了更好地表征气孔、 夹杂与疏松以及裂纹、 未 Q Q
2
)
j
熔合之间的纹理区别先验信息, 笔者构建了基于纹 f 4= ∑∑ ( i- j P ( i ,) ( 6 )
i = 1j = 1
理先验特征的第二先验特征向量, 并且采用灰度共 ( 5 )熵

生矩阵 [ 11 ] 实现缺陷的纹理特征提取, 来表征图像的 熵用于描述缺陷纹理以及分布的复杂性以及非
灰度空间特性。 均匀性, 可定义为
一般对于灰度级为Q 级的图像 I , 其灰度共生 Q Q
jl gPij
矩阵P 可描述为 f 5=- ∑∑ P ( i ,) [ (,)] ( 7 )
i = 1j = 1
[(
P ( i ,, d , θ ) = p Ix , ) i , 将以上5个参数作为缺陷纹理特征, 并构建纹
j
y =
, 即
y+dsinθ )
I ( x+dcosθ , = j ] ( 2 ) 理先验特征向量F p
式中: I ( x , )为图像I 在像素点( x , )处的灰 F p = f 1 f 2 f 3 f 4 f 5 ] ( 8 )
T
[
y
y
1
4
2023年 第45卷 第2期
无损检测