|
焊接金相组织自动定量识别软件系统
天津大学
李午申 周念国 陈 煜 张炳范
摘
要：在MSC/C++7.0集成环境下成功的开发了一个焊接金相组织自动定量识别软件系统(WMSQRS)。该系统根据焊接金相组织的灰度特征和几何特征创造性的抽取了多个关键性的特征参数，利用模式识别原理建立了相应的识别函数和最小距离法分类器。利用该系统能够较好的对低碳钢、低合金钢焊接金相组织进行自动定量识别分析。其识别的可靠性、准确性和再现性能满足焊接定量金相的要求。这对于建立焊接接头成分、组织和性能之间的定量关系，合理地选择焊接材料，制定工艺参数，提高焊接质量，发展定量焊接冶金具有重要的理论意义和实用价值。
关键词：模式识别；焊接金相组织；特征抽取；分类器
0 序 言
焊接接头的性能主要取决于其化学成分和金相组织。如果能够精确地描述成分组织与其性能之间的定量关系，就能按已知成分和组织预测接头的性能；或根据对接头性能的要求，确定接头的组织，从而为合理地选择焊接方法、焊接材料和焊接工艺参数提供理论依据。为达到上述目的就必须对焊接接头的组织进行定量分析。但是焊接过程是一种快速加热和冷却的不平衡过程，因而往往使接头得到复杂的多相组织，各组织之间的灰度重叠，且形态多变，这给组织的定量分析带来了很大的困难。
早期的定量金相分析法是人工方法，如网格法等，其准确性和再现性差，效率低，劳动强度大。随着计算机和模式识别技术发展起来的图像分析仪，对两相组织的识别和参数测量大大提高了准确性和分析速度，但对焊接接头的多相组织不能自动准确的定量识别。
本文采用模式识别技术[1]，对应用广泛的低碳钢和低合金钢焊接接头组织进行了特征参数的抽取，建立了一个自动定量分析焊接金相组织的智能识别系统；同时还研制出区域识别法和半自动网格统计法软件，以满足对各种焊接金相组织进行识别的要求。
1 系统开发工具及结构
本研究选用奔腾586/100计算机并配以VC32-PLUS彩色图像卡作为本系统开发和运行的支持硬件。以WV-CL320彩色数字摄像机作为图像的录入设备。选择MSC/C++7.0和MASM作为软件开发语言。
根据系统的功能要求，本软件由系统设置、图像编辑、图像处理、图像识别、结果输出和系统帮助六大模块。在各模块中又根据需要设置了若干子模块，系统结构如图1所示。
图1 系统模块结构
2 图像预处理
当通过摄像机将焊接金相组织的原始图像输入到计算机时，由于光场的不均匀性、转换器件的精度造成的失真，传输过程信息的损失和噪声干扰等，都会降低图像的质量，这势必会影响组织识别及测量精度。因此，在图像识别及测量之前，必须对录入的原始图像进行预处理，其目的是消除噪声，校正失真，以提高图像的质量。它包括图像增强(线性增强、图像校正、直方图均衡、显示直方图等)、图像校正(包括阴影校正和视场均衡)、图像滤波(平滑、锐化、中值及方向滤波等)、伪彩色和二值化等功能。
3 焊接金相组织的特征抽取
特征抽取是自动识别焊接金相组织的关键环节。必须把能够区别各种组织的特征参数抽取出来，并建立起反映待识别对象本质特征的特征向量，才能在特征空间中对各种组织进行识别分类。本文的特征参数抽取可针对不同组织由计算机自动完成。
本文主要对低碳钢和低合金钢焊接金相组织中的先共析铁素体(PF)、侧板条铁素体(SPF)、魏氏组织铁素体(WF)、针状铁素体(AF)和珠光体(P)等五种组织进行特征抽取和智能识别。对于贝氏体(B)、马氏体(M)和奥氏体(A)等其它组织可借助于本系统的自动区域法进行识别。
为了区别焊接金相组织的种类及形态，所抽取的特征参数分为两类：一是灰度特征；二是形态特征。
3.1 灰度(G)
该特征用于区别灰度差较大的两相组织，如铁素体和珠光体，铁素体呈亮白色，珠光体呈暗灰色，为了区分这两相组织，首先应选定合适的灰度阈值Gc对图像进行二值化，对某一象素点，若其灰度值G<Gc，则该象素为珠光体，灰度值置零。否则，该象素为铁素体，灰度值为255。
3.2 铁素体的形态参数
经二值化以后，G>Gc的白色象素点均为铁素体。但是对于不同形态的铁素体，如PF，SPF，WF，AF等，已无法用灰度加以区分，因此又针对各种铁素体的几何特征继续抽取了白色象素的面密度、白色象素条的线密度、长宽比、平行度、平均间距、两束白色象素条间的夹角等11个特征参数xJ(j=1，2，⋯，11)。
利用大量焊接金相图片作为标准样本，针对每一种组织抽取上述参数，并通过统计分析建立起相应的特征向量，组成一个反应各种组织本质特征的多维特征空间。
4 焊接金相组织的自动识别
4.1 自动识别原理
人类专家对焊接金相组织的识别和分类主要是根据各种组织的灰度分布特征、几何形态特征等进行的，是一种基于特征分析的决策过程。利用计算机对焊接金相组织进行自动识别时，也是模拟上述人类思维的决策过程。本系统采用最小距离判别法进行决策。对于任意一个未知类别的图像，首先依次逐个象素开特征窗口进行特征抽取，形成特征空间中的一个特征向量X=(x1，x2，⋯x11)T，并用它来代表当前象素。然后根据“马氏距离”判别决策理论计算它与各类组织的特征向量之间的距离，并决策当前象素的类属。
4.2 自动识别法的判别规则
设有m个总体G1，⋯，Gm，根据标准样本库分别计算出它们的均值向量和协方差阵为μ1，⋯，μm和V1，⋯，Vm。对于待识别样品X，可以计算出X分别到m个总体的马氏距离为：
D2(X，Gi)=(X-μi)TVi-1
(X-μi) (式中i=1，⋯，m)
(1)
然后比较这m个距离值的大小，令：
Ri=〔X：D2(X，Gi)≤minj≠iD2(X，Gj)〕 (式中i，j=1，⋯，m)
(2)
式中Ri代表一个区域，在这个区域内X到Gi的距离比到GJ(j=1，2⋯，m j≠i)的距离都近。
则判别规则为：
X∈Gi (如果X落在Ri内，i=1，⋯，m)
(3)
4.3 最小距离分类器的建立
本系统建立的最小距离分类器由特征向量计算器、标准样本特征向量、距离计算器和最小值检出器四部分组成。其基本结构如图2所示。
图2 最小距离分类器示意图
5 焊接金相组织识别实例及评价
为了评价本系统自动识别的精度，采用了两种评价方法：一是焊接金相专家评定法。由于传统的焊接金相组织识别是焊接金相专家根据组织的灰度和形态进行评定。因此，本文在利用自动识别法对焊接金相组织进行识别时，系统将识别出的不同组织分别着以不同的颜色加以区别，焊接金相专家通过观察着色以后的图像分类便可以对自动识别的精度予以评价。二是采用网格识别法对比评定。由于长期以来焊接金相组织不能进行自动识别，传统的网格识别法在定量金相分析中仍为多数人所公认，因此，本文通过对自动识别法和半自动网格识别法的识别结果进行对比分析来评定自动识别法的识别精度。
为评价本系统的实用性和可靠性，根据上述评定方法利用本系统对大量图片进行了识别分析。现仅以16Mn钢和20号钢过热区的组织识别实例进行介绍。原始图片如图3和图4所示，两种识别方法的识别结果及误差如表1所示。
图3 16Mn钢气体保护焊焊接接头过热区组织
图4 20号钢埋弧焊焊接接头过热区组织
(管状焊丝，保护气体Ar70%+CO230%)
(焊丝：H08Mn2Si)
由表1列出的结果可以看出：自动识别法的识别结果与网格法识别结果相比，相对误差小于8%，这表明利用本系统提供的自动识别法对低碳钢、低合金钢焊接金相组织进行定量识别分析是可靠的，其识别精度能满足定量金相的要求。
6 结 论
(1)
本文采用计算机图像处理和图像识别技术，利用MicrosoftC/C++7.0和MASM语言成功地开发了一个焊接金相组织图像自动定量识别软件系统。本系统结构合理、功能齐全，包括系统设置、图像编辑、图像处理、图像识别、结果输出和系统帮助六个模块。该系统不仅提供了多种灵活的焊接金相组织图像识别方法，还根据图像识别的需要提供了相当丰富的图像编辑和图像处理功能。
(2)
本研究根据各种焊接金相组织的形态特征，创造性地抽取了多个重要的特征参数，建立了相应的识别函数和最小距离分类器，实现了对焊接金相组织图像的自动定量识别。这对于建立焊接金相组织-性能之间的定量关系，提高焊接质量，发展定量焊接冶金具有重要的理论和实际意义。
(3)
本系统经过焊接金相专家考察和识别实例的验证，其识别的准确性和再现性是令人满意的，能满足定量金相的要求。
(4)
本系统提供了一种由键盘和鼠标双驱动的中文集成工作环境，人机界面友善，具有灵活的在线帮助功能，操作方便、可靠，透明度高，容错能力强，便于推广应用。
|
