导　　师： 高向东; 许东伟

授予学位： 硕士

作　　者： (）;

机构地区： 广东工业大学

摘　　要： 为保证良好的焊接质量,需要对焊件的焊缝进行检测。无损检测技术可在不损伤被测试件的情况下完成对试件表面或内部缺陷的检测。由于现有无损检测方法在焊接缺陷的检测中具有一定的局限性,提出一种基于磁光成像的焊接缺陷可视化无损检测方法,主要研究旋转励磁下磁光成像无损检测系统以及焊接缺陷的识别与分类。本课题首先通过法拉第磁光效应、漏磁场原理以及磁光传感器工作原理探究外加磁场与偏振光的偏转方向以及偏转角度的关系,并解释偏振光旋转角度与磁光图像灰度分布之间的关系。接着使用有限元方法建立焊接缺陷的三维仿真模型,探究焊接缺陷上方磁场分布规律,并对焊接缺陷上方不同提离度下的磁场分布进行对比分析,获取试验中磁光传感器采集磁光图像时的最佳提离度。然后详细介绍了交变磁光成像机理,并开展中碳钢交变磁光成像试验,研究交变磁光图像与激励磁场分布之间的关系。最后着重介绍旋转磁场产生原理,分析交叉磁轭产生复合旋转磁场激励焊件的机理,并通过对中碳钢焊件旋转磁光成像效果与交变磁光成像效果进行对比,分析了两种磁光成像方法在检测焊接缺陷时适用性,并对旋转磁光成像检测方法的多方向性进行了论述。为了实现焊接缺陷磁光图像的自动识别与分类,分别应用交变励磁下、旋转励磁下采集到的磁光图像序列建立焊接缺陷分类模型。针对已有各类焊接缺陷识别方法分类效果不够理想的问题,提出一种更有效的识别方法,将经过降噪、降采样处理后的交变磁光图像使用主成分分析法提取图像列像素特征,作为焊接缺陷分类模型的输入量,并使用adaboost算法结合误差逆向反馈传播神经网络构建误差逆向反馈传播神经网络-AdaBoost焊接缺陷强分类模型。同时建立列文伯格-马夸尔特算法优化的误差逆向反馈传播神经网络焊接缺陷分类模型与其进行对比,结果表明误差逆向反馈传播神经网络-AdaBoost焊接缺陷强分类模型可有效提高焊接缺陷的分类精度。最后论文使用磁光传感器采集带有缺陷的中碳钢焊件的旋转磁光图像,获得一系列旋转磁光图像序列,建立中碳钢焊接缺陷磁光图像的分类模型。使用灰度共生矩阵法提取降噪后磁光图像的纹理特征,并结合图像灰度计算特征作为输入特征向量,构建焊接缺陷磁光图像随机森林分类模型。分类结果证明所提方法能有效识别中碳钢焊件中的凹坑、未熔透以及裂纹缺陷,实现焊接缺陷磁光图像的自动识别与分类。更多还原

关 键 词： 焊接缺陷 磁光成像 [3990977]无损检测 交变/旋转磁场 [4760071]模式识别

分 类 号： [O436.3;TP391.41;TG441.7]

领　　域： [] [] []