Neuro-Wavelet算法应用于聚乙烯管道的超声相控阵无损检测

文摘

聚乙烯(PE)管道与电熔(EF)加入运输的天然气能源的一个重要方法。EF关节弱点泄漏,因此,无损检测(NDT)方法包括超声阵列技术是必要的。本文提出一种实用的无损检测方法融合关节聚乙烯管道使用智能超声图像处理技术。在拟议的方法中,电熔接头的缺陷检测,无损检测应用基于ANN-Wavelet方法作为数字图像处理技术。该方法包括四个步骤。第一个超声相控阵技术是用来提供实时高分辨率的图像。在第二步中,数字图像处理技术的图像预处理降噪和检测的ROI(感兴趣的区域)。此外,更改进图像数学形态学应用技术,如膨胀和侵蚀。在第三步骤中,使用小波变换来开发一个包含三维信息的特征向量在各种类型的缺陷。在最后一步中,所有的特征向量通过backpropagation-based ANN算法进行分类。 The obtained results show that the proposed algorithms are highly reliable and also precise for NDT monitoring.

1。介绍

超声波技术作为一种无损检测(NDT)方法已广泛应用数十年评估材料和设备的质量在一个大范围的产业造成了损害。在压力容器和管道的评价,不仅是UT用于制造质量控制,而且还被用于服务监测和剩余寿命预测,如焊接接头的检验,裂纹扩展的监测,评价材料性能恶化。在特定情况下的焊接材料,研究发展的一个可接受的系统分析提取的图像从焊接接头有了显著的增长在过去年1- - - - - -4]。

它的一个应用程序在使用的天然气管道天然气的住宅、商业和工业设施增加。这样,聚乙烯管道迅速取代金属管道,由于聚乙烯管道抗渣侵蚀,容易形成,更轻,比金属便宜的。事实上,使用PE管道天然气分布的主要原因是其材料的高素质抵抗腐蚀性材料运送天然气。此外,PE管道很容易携带,躺下,使连接。因为这些好处,天然气分销公司、水和污水组织将改变他们现有的系统和使用PE管道。聚乙烯(PE)管道的需求增加天然气能源运输和电熔(EF)加入是一个重要的方法来构建PE管道(5]。

重要的是要注意,通常EF关节被认为是作为泄漏的弱点,和一种无损检测是必要的。的一个主要因素干扰测试的可靠性和精度检验时遇到的噪声。最常用的超声波探测器的a扫描探测器。这种传统的但有几个缺点,如需要技术和经验丰富的技术人员判断的缺陷,也缺乏永久记录,这是非常重要的在状态监测和在职检验5]。

这些问题会很容易解决了数字超声系统的引入,它结合了计算机和数字信号处理(DSP)技术在UT仪器(6- - - - - -9]。电气、脉搏、振铃和结构噪声是最常见的噪音,减少提取图像的质量无损检测评估。但是为了提高图像处理的过程中,使用小波变换显著(10- - - - - -12]。小波变换、多分辨率分析和其他空间频率或空间尺度方法研究人员现在认为是标准工具的信号处理,并提出了许多应用程序。小波分析理论一直在研究[13),图像是由小波重构工具。

下榻的饭店等人已经成功地利用小波变换显著提高利率的指纹识别和分类。他们发现,小波包含精度高的特性更加明显在识别指纹10]。

还在11,12)小波变换获得一些功能的输出作为输入人工神经网络(ANN)模式识别分类器。

本文的目的是提出一种新的结合智能算法考虑到数字图像处理,神经网络,数学形态学技术提高从无损检测提取图像的质量评估。Haar小波分解的特征提取JPG图像。使用MATLAB平台模拟完成。获得的结果表明,该算法对超声波信号是高度可靠和精确的无损检测质量检测和监控。

2。电熔连接的PE管

EF加入是一个广泛的PE管焊接方法。估计在1993年加入超过1500万年度使用EF (1]。这种技术,可以加入预先安装的管道进行以最小的设备。电融合方法是一个系统,通过配件一起焊接管道的内部表面覆盖着特殊的电阻线(如图1)。焊接是通过熔化塑料材料加热线圈达到高温的压力应用到套接字由电熔机配件。电熔化焊接过程可以描述的三个阶段:初始加热和合适的扩张,热泡来创建联合,最后联合冷却。电融合的应用流程如图1。

通常,wound-heating耦合器之间还存在电线和主要管道。相邻导线之间的距离通常是非常接近的,例如,1 ~ 3毫米。的基本想法加入过程加热电线和融化的内外表面分别耦合器和主要管道,然后整合融合区域。焊接缺陷(准备管不好,清洁,管表面不刮,管道和配件被严重夹,或不尊重的融合时间)可以产生缺陷。图2显示了一个横截面视图的耦合。加热电线的位置和可能的缺陷位置显示。

3所示。算法

为了提高原始UT图像观察和准确的分析,综合考虑各种图像预处理算法,数学形态学(如膨胀和腐蚀操作),小波器特性和人工神经网络。算法的流程图如图3。

这个算法的起点是收集和插入原始UT图像。通过这种方式,所有的电熔(EF)关节的聚乙烯管道必须由超声波检测方法。然后提取图像将准备和保存为JPEG图片电脑评估。

一旦模板和测试图像大小,确定灰度图像阈值将图像转化为二进制的。0到255之间的水平灰度图像转换成二进制图像。假设初始阈值等于0。0.55。这个值将被更新在此算法如果不能找到一个合适的结果。

然后将输入图像的二进制图像处理步骤包括降噪和分割等预处理部分基于MATLAB的图像处理工具箱软件(14]。预处理包括应用辐射和几何修正原始图像数据。定义了几个层次的修正。的预处理步骤,所有的噪音和不必要的对象将从文档中删除的形象。这将导致一个更容易和更有效的过程。之后,更多的改进将bymorphological操作。

数学形态学(15)是一种数学工具分析图像形态学基础。它的基本思想是使用结构化元素的某些形态测量和提取图像中对应的形态进行分析和识别。数学形态学的应用可以简化图像数据,所以能保持图像的基本形态和结构可以删除无关。数学形态学的四个基本步骤,包括形态学腐蚀形态扩张,打开操作,和关闭操作。在本文中,我们专注于数学形态学的膨胀和腐蚀操作。鉴于是一个灰度图像域。域是一个结构化元素因此,图像的灰度扩展操作公式基于如下:

因此,侵蚀通过,用,被定义为

许多其他的形态学操作都是基于这两种基本操作(15]。

侵蚀的业务扩张,打开,关闭,和其他人可以提取许多类型的二进制图像信息。形态学重建可以申请恢复丢失的图像信息和分段对象图像如图所示模拟(16]。然后从图像ROI准备部分将使用小波变换。最后,所有功能,如数据的平均值和标准偏差会由多层神经网络训练。细节关于这个算法及其仿真在下一节介绍。

4所示。仿真结果

实验结果和性能评价方法在这一节中描述。应用实时超声阵列技术获得电熔接头的超声图像的横截面。超声阵列换能器的仿真有96个数组元素和传感器的中心频率为7.5 MHz高分辨率应用程序。实时监控图像,一个电脑显示器连接到系统。还3 d-fft (Haar小波)是用于特征提取ROI图像和模拟的过程通过使用MATLAB进行2 GHz的电脑。

4.1。图像缩放

测试表明,最佳的性能将会通过增加输入图片的尺寸初始大小的两倍。因为原始图像都很小,通过增加维度的更多细节,如像素和地区将出现明显的边缘。这部分的结果呈现在图4。

4.2。降噪和形态应用程序

降噪是去除噪声的过程中,洞,不必要的细节图像。在二进制图像噪声主要由孤立像素在图像物体或背景相反的价值(也称为满头花白噪音);小洞在对象和背景上的小点;行合并和分裂。在本文的模拟情况,结合二进制过滤器是用于侵蚀或扩张的对象,去除图像的噪声,检测边缘和平滑的图像。

这个过滤器由两个步骤组成。在第一步,一个单独的应用程序显示和删除所有洞地区不到30(这个阈值是由文本)。然后,在第二步中,应用形态学方法改进。降噪的结果基于二进制滤波器的第一步是呈现在图5。很明显,不需要的区域从图像中删除。

但在形态的应用程序中,设计一个结构元素是必要的。数学形态学作为一个图像集,并使用另一个较小的集合称为结构化元素探测图像。

这种明显的几何描述集合理论使数学形态学更适合视觉信息处理。数学形态学是最初提出了二进制图像,它的基本理论是在这个应用程序中开发的。在这种情况下,结构元素(图6)是专为形态的应用程序。所以在某些情况下,该应用程序的结果如图所示7。

基于该算法在图3这个算法的重要一步,通过小波变换提取高质量的ROI进行进一步检查。所以有必要跟踪和指示对象的外部边界,以及洞内对象的边界,在二进制图像。所以非零像素属于一个对象和0像素构成的背景。这些边界为每个地区使用MATLAB函数指定二进制图像。在下一步中,圆形指数应显示每个从上一步获得的对象。圆形指数被定义为 在哪里和分别是每个对象的面积和周长。

说这事,可接受值循环指数(循环阈值)应该找到一个足够的与每个对象的现状。

测试和模拟数据库显示,这个循环的最佳值阈值大约是0.83,所以选择可接受的圆形物体,同时该算法的性能将是足够足够了。通过这种方式,所有地区和一个圆形指数高于0.83将显示为加热电线作为最终评价的一个非常重要的因素。这一步的仿真结果,对边界和圆形对象表示,在图所示8。如这个图所示,循环指数确定所有对象。

基于信息图8,有各种各样的对象与循环指数高于0.83和投资回报率将在这些对象被选中。

提取ROI如图9。这个区域将被包含的确切地方EF关节在聚乙烯管道。

4.3。数据提取的小波变换

小波变换利用空间和频率相关数据的膨胀(或收缩)和翻译母小波的输入数据。它支持多分辨率分析的数据可以应用于不同尺度根据所需的细节,使图像的渐进传输和放大而不需要额外的存储(17,18]。

小波压缩方案的实现非常类似于子带编码方案:使用滤波器(图信号分解10)。滤波器的输出是downsampled,量化,编码。解码器解码编码表示,标本和信号(主旨重新编排17]。

小波变换图像的信息分为subsignals逼近和细节。sub-signal的近似显示像素值的一般趋势,和其他三个细节sub-signals显示垂直、水平和斜或变化的图像细节。

本文使用3 d小波,并利用ROI(从一节),所有信息将由小波变换提取图像。使用小波的结果如表所示1,Fi是储蓄的矩阵提取的数据,所有数据将显示整个图像提取的特征。事实上,在这个模拟使用5级HAAR小波和显然,Fi矩阵包括从5行,每一行将每一层小波提取。也在这个矩阵,很明显,我们有6列,每列将包括功能,如:数据的平均值和标准偏差水平、垂直和对角细节,分别。

4.4。最后评价了安

使用前一节中,提取的特征向量表示神经分类器训练和测试场景识别和分类。

生物神经元和神经网络是基于模型形成一个基于互联网络并行信息处理数组元素(19,20.]。使用多层感知器(MLP)网络。这种类型的网络训练使用过程的监督学习网络提出了一系列的输入和输出匹配模式和连接的优点和权重的连接将自动调整,以减少实际和预期的输出之间的差异19]。这种网络的结构是图所示11。

的介绍了ANN训练图像的主要特征为不同的关节。所以数据的一部分将用于训练阶段,和在下一步训练网络将受到考验。图12描述了收敛的神经分类器训练图Haar小波的特性,分别。这个网络是训练后4000时代,错误是可以接受的。之后,一组测试其他图像将用于检查分类性能和其准确性。

事实上,经过训练的网络是用于测试,这样10实际图像申请这个评估。基于仿真结果,9图像将被正确识别。假设正确的图像联合1和每张图片是不正确的联合是−1。

基于测试图像我们有7图像使用正确的联合和3不正确的联合。y_net1 = sim (net1、测试)列1到7−0.8467−0.9962−0.9756 0.9336 0.8449 0.9450 0.5027列8到10−0.2186 0.0566 0.9777

在本节中,根据前面的信息,网络是训练有素的。接下来,测试网络的结果呈现在图12和表2。注意培训所需的输出网络−1和1。事实上,当安的估计输出是积极的,体育联合是正确的但对于负体育联合在疲软状态。

5。结论

基于实际实验中,一种新的组合算法基于数字图像处理、小波变换、人工神经网络和数学形态学技术。

该算法应用和测试改善原始UT图像无损检测的质量评估。获得的结果表明,该算法也高度可靠和精确的超声波信号的无损检测测试和监控。应该注意的是,由这种方法提取ROI应用为最终评价安和小波变换。

引用

1. j·史、j .郑和w·郭”的形成机制和微观结构Eigen-line electro-fusion关节的聚乙烯管道,”美国机械工程师学会学报》上,压力容器和管道2008年7月,页303 - 313。视图:谷歌学术搜索
2. d·j·休斯,e . l . Heeley c .截断,“残株的非破坏性方法测量半晶状的聚合物成分,”材料的信件,卷65,不。3、530 - 533年,2011页。视图:出版商的网站|谷歌学术搜索
3. y . h . Shin张成泽,j .关颖珊,李,聚乙烯管道的无损检测融合关节实时超声成像,10卷,NDT.net, 2005年。
4. h . Kasban o . Zahran h . Arafa m . El-Kordy s m . s .埃拉拉比会谈之后,和f . e . Abd El-Samie“焊接缺陷检测从放射学图像cepstral方法,”无损检测和E国际,44卷,不。2、226 - 231年,2011页。视图:出版商的网站|谷歌学术搜索
5. h·a·Mehrabi j·鲍曼,“交联聚乙烯管道的电熔化焊”,伊朗聚合物杂志》第六卷,没有。3、195 - 203年,1997页。视图:谷歌学术搜索
6. z的歌,问:王、杜x和y,“基于PC的高速数字超声波探伤仪和USB,”《IEEE仪表和测量技术(IMTC ' 07),2007年5月,纸。4258079。视图:谷歌学术搜索
7. j . Brase, r·麦金尼k . Blaedel j·奥本海默和j·西蒙斯,s . Wong“自动化超声波测试床。”材料评价,42卷,不。12日,第1625 - 1619页,1984年。视图:谷歌学术搜索
8. i . l . Iznita s . a . Vijanth p . a . Venkatachalam和李、“电脑,窦图像分割”《创新技术在智能系统和工业应用(CITISIA ' 09)2009年7月,页125 - 128。视图:谷歌学术搜索
9. 朱z, x, x, c .隋”计算机系统超声信号的采样和分析,“无损检测,17卷,不。6,154 - 156年,1996页。视图:谷歌学术搜索
10. m . i . h .下榻的饭店,m·o·艾哈迈德,m . n .美国偶像”空间自适应阈值的小波域超声图像的去除杂点,”专业图像处理,3卷,不。3、147 - 162年,2009页。视图:出版商的网站|谷歌学术搜索
11. a . m .马丁内斯”认识不严密地本地化、部分闭塞和表达变异的脸从单个样本每个类,“IEEE模式分析与机器智能,24卷,不。6,748 - 763年,2002页。视图:出版商的网站|谷歌学术搜索
12. Mitra和y,“当地的面部不对称表达分类,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 04)2004年6月,页II889-II894,。视图:谷歌学术搜索
13. m . Vetterli和j . k . Evic小波和子带编码新世纪,恩格尔伍德悬崖,新泽西,美国,1995年。
14. MathWoks合并,Matlab。神经网络工具箱,诉7。2。
15. y .问:傅和y s王”,灰度图像的边缘检测算法基于数学形态学,”哈尔滨工程大学学报,10卷,不。5,685 - 687年,2005页。视图:谷歌学术搜索
16. j .徐”形态的二维二进制使用矩形组件的形状,“模式识别,34卷,不。2、277 - 286年,2001页。视图:出版商的网站|谷歌学术搜索
17. j·s·沃克,小波和科学应用版底漆查普曼&大厅/ CRC,纽约,纽约,美国,第二版,2008年版。
18. f . Bettayeb、t . Rachedi和h . Benbartaoui”一种改进的自动超声波无损探伤系统的小波和神经网络,”超声学,42卷,不。1 - 9,853 - 858年,2004页。视图:出版商的网站|谷歌学术搜索
19. 微积分,神经网络和学习机器、培生教育上台北,美国第3版,2009年版。
20. t·h·马丁、b·d·霍华德和h·b·马克,神经网络设计、浆、波士顿、质量,美国,1995年。

版权

版权©2012 Reza Bohlouli et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。