1、 85 在工业生产中焊接作为重要的工件加工技术之一，焊接质量对焊接件的寿命长短有着直接的影响。工件在焊接过程中受工艺参数的影响，容易产生夹渣、未焊透、表面气孔和表面裂纹等焊接缺陷1。若将有焊接缺陷的工件产品应用到工业领域，轻则导致焊接系统的崩溃，重则出现事故，造成人员伤亡。研究焊接缺陷检测方法、识别焊接缺陷的类型，对提高焊接件的寿命及其质量具有重要的意义。工业生产中，常用的焊接缺陷检测方法为射线检测法2,但这种方法受限于检测员的水平，容易出现漏检、错检等问题，同时由于是人工检测，检测周期相对较长，不能满足工业化生产的要求。随着计算机视觉技术的发展，研究人员针对焊接缺陷的识别检测提出了诸多方法。
2、胡曦3等为了实现对化工管道的焊接缺陷检测，提出了一种基于多特征提取和二叉树支持向量机（BT-SVM）分类的机器视觉检测方法，精准地对焊接缺陷进行了分类。张承宁4等针对激光拼焊视觉检测，提出了一种基于 K-means 焊缝提取方法，通过对纹理特征选取和描述，主元映射与特征点聚类，完成了对焊缝的识别。李慧5提出了基于卷积神经网络的图像质量评价算法，通过对图像的预处理、层次化分池处理等方法，有效提升了算法的学习能力和评价精度。余云6等提出了一种项目属性和云填充的计算机智能图像收稿日期：2021-10-12基金项目：安徽农业大学“优才计划”科研发展资助项目（xszz202006）作者简介：陈滔，男，贵
3、州毕节人,安徽农业大学工学院工程师,主要从事图像处理和信息处理研究。基于改进粒子群优化的 K-means 聚类的焊接缺陷图像识别陈滔1,2（1.安徽农业大学 工学院，安徽 合肥 230036；2.甘肃政法大学 民商经济法学院，甘肃 兰州 730070）摘要：针对传统检测方法对焊接缺陷图像识别的缺点，提出基于改进粒子群算法优化的K-means聚类的焊接缺陷图像识别方法。运用 HOG 算法提取焊接缺陷图像的特征，利用 IPSO 算法对 K-means 聚类模型的聚类点数 K 进行参数寻优，从而实现对焊接缺陷的检测识别，实验验证表明，该方法能够有效提高焊接缺陷图像的识别效果，总体识别准确度达到 94
4、%。关键词：IPSO 优化；K-means 聚类；HOG 算法；焊接缺陷中图分类号：TP391.4；TG441.7文献标识码：A文章编号：1009-3583（2023）-0085-04Welding Defect Image Recognition Based on Improved ParticleSwarm Optimization K-means ClusteringCHEN Tao1,2(1.School of Engineering,Anhui Agricultural University,Hefei 230036,China;2.School of Civil and Comme
5、rcial Economic Law,Gan-su University of Political Science and Law,Lanzhou 730070,China）Aiming at the shortcomings of traditional detection methods for welding defect image recognition,a welding defect image rec-ognition method based on K-means clustering optimized by improved particle swarm optimiza
6、tion is proposed.The characteristics ofwelding defect image are extracted by hog algorithm,and the parameters of K-means clustering points K of K-means clustering modelare optimized by IPSO algorithm,so as to realize the detection and recognition of welding defects.The experimental verification show
7、sthat this method can effectively improve the recognition effect of welding defect image,and the overall recognition accuracy reaches94%.IPSO;K-means clustering;Hog algorithm;welding defect第 25 卷第 2 期2023 年 4 月遵义师范学院学报Journal of Zunyi Normal UniversityVol.25,No.1Apr.2023 86 第 25 卷第 2 期遵义师范学院学报2023 年
8、 4 月识别算法，该算法具有较高的效率，易于实现，能够有效识别较低分辨率的图像。谷静7等针对 X 射线焊缝的缺陷分类识别难度较高且传统算法复杂、低效的问题，引入基于深度学习的密集连接卷积网络（DenseNet）算法，对焊接缺陷进行了较好的识别。本文通过构建焊接缺陷图像的数据集，并利用方向梯度直方图（Histogram of Oriented Gradient,HOG）对图像进行特征提取，通过改进型粒子群算法（Impro-ved ParticleSwarmOptimizatio,IPSO）对 K-means 聚类模型的参数进行寻优，将优化后的 K-means 聚类模型应用于焊接缺陷图像的识别，有
9、效提高了焊接缺陷图像的识别精度。1 研究方法1.1 方向梯度直方图 HOG图像特征提取是数字图像领域的一种信息提取技术，通过提取图像中蕴含的特征，从而达到对图像进行检测识别的目的8。本文选取 HOG 特征作为焊接缺陷图像的特征向量，通过计算和统计焊接缺陷图像的局部区域梯度方向直方图来构成焊接缺陷的图像特征，该方法能够较好地保留焊接缺陷图像的边缘特征，具有良好的鲁棒性9-11。HOG 特征提取的步骤如下：（1）首先，采用 Gamma 校正法对焊接缺陷的灰度图像进行归一化操作；（2）其次，对各个局部区域内像素点(,)计算水平方向梯度值(,)和垂直方向梯度值(,)；（1）（2）其中，(,)是像素点(
10、,)处的像素值；（3）最后，求像素点(,)处的梯度值(,)和梯度方向(,)，其中（3）（4）1.2 改进粒子群算法 IPSO粒子群算法（ParticleSwarmOptimization,PSO）是模拟鸟群捕食行为设计的一种智能群迭代寻求最优解的算法，具有收敛快、精度高等特点12,13。其基本思想为：假设一个维空间内存在个微粒，第个微粒的速度和位置分别为和，则各微粒的迭代更新方法如下：（5）（6）其中，为惯性权重；=1,2,；=1,2,；为第个微粒第维的速度；为第个微粒第维的位置；为微粒个体在第维的最优解；为群体在第维的最优解；为当前迭代次数；1和2为学习因子；1和2为0,1内的随机值。惯性权
11、重 直接影响着 PSO 算法的收敛效率，其值并不会随着迭代次数的变化而变化，从而影响PSO 的全局寻优能力。本文采用了一种非线性的动态惯性权重14，使得迭代初期具有良好的全局寻优能力，迭代后期随着迭代次数的增加动态减小从而提高算法局部寻优能力，即（7）其中，为最大迭代次数。1.3 改进粒子群优化 K-means 聚类K-means聚类是一种无监督学习方法15，基本思想是根据样本之间的距离和相似度，把相似度高、差异小的类聚为一类，使得同一类别之间的样本具有高相似度，不同类别间的样本具有高差异性。但传统K-means聚类方法比较依赖聚类数K的选取16,17，本文提出利用改进粒子群算法对K-mean
12、s聚类的K值进行寻优，流程如图 1 所示。图 1 IPSO 优化的 K-means 流程具体步骤如下：（1）初始化 IPSO 参数，将 HOG 特征输入 K-means 聚类模型；（2）定义适应度。采用 K-means 聚类模型对没有缺陷的焊接图像识别准确性的均方差作为粒子的 87 适应度值，即；式中，为没有缺陷的焊接图像的数量，为正确识别出没有焊接缺陷图像的数量；（3）以粒子的位置信息作为聚类点K的值，构建多个 K-means 聚类模型；（4）计算出所有粒子的自适应值，更新粒子个体极值和群体极值；（5）根据粒子个体极值和群体极值，利用动态惯性权重 迭代更新粒子速度和位置；（6）满足终止条件后
13、输出最优聚类点数K，重新对 K-means 聚类模型进行训练；（7）利用最优 K-means 聚类模型对焊接缺陷图像进行识别。2 实验数据及结果分析2.1 实验数据集本文实验所用数据集来自公开的数据库GDXray中 welds 组18，从该数据集中的 88 张射线图像中裁剪出 500 张的焊接缺陷图像，其中包括未焊透、气孔、夹渣和裂纹各 100 张缺陷图像以及 100 张无缺陷图像。为了更好地提取焊接缺陷图像的 HOG 特征，将HOG提取窗口大小设置为焊接缺陷图像的分辨率 200 200，把每个窗口分割成 15 15 个方格区域，把梯度方向等分成 9 个区间，分别计算各个区域的梯度直方图，再把
14、相邻的方格区域进行组合归一化后将各个区间内提取的 HOG 特征向量进行串联相加，组合形成整个焊接缺陷图片的 HOG 特征，本实验从每张焊接缺陷图像中各提取得到 3600 个HOG 特征值8，对焊接缺陷图像的 Sobel 特征和LOG 特征进行提取，提取效果如图 2 所示。图 2 焊接缺陷图像的特征提取效果图由图 2 可以看到 Sobel 算子能够有效提取出不同焊接缺陷的特征，但其特征点数较少，对焊接缺陷的检测识别效果较差。LOG 算子对无缺陷图像、气孔图像、夹渣图像和裂纹图像的提取效果不明显，不具备进行焊接缺陷检测识别的条件。而 HOG 特征精确地提取了不同焊接缺陷图像的特征，且不同焊接缺陷种
15、类间的特征提取效果差异明显，能够作为焊接缺陷图像特征对焊接缺陷进行检测识别，本文实验结果与分析环节所有算法对焊接缺陷图像的检测识别均是基于焊接缺陷图像的HOG特征进行的。2.2 实验结果与分析设置 IPSO 初始参数：惯性权重为 1，学习因子1和2均为 2，迭代次数为 100。经过优化后得到最优聚类数。为了验证 IPSO 优化的 K-means 聚类模型对焊接缺陷图像的检测识别效果，本文选择未优化的 K-means 聚类模型、PSO-KNN 算法19,20、自适应提升(Adaboost)21、卷积神经网络（Convolu-tional Neural Network,CNN）22,23与本文所提
16、出的IPSO 优化的 K-means 聚类模型分别对焊接缺陷图像进行识别，实验结果如表 1 所示。由表 1 可知，IPSO优化的K-means聚类模型能够精确识别出焊接图像的夹渣缺陷，分类精度达到了 100%，同时，该方法对其他焊接缺陷均有良好的识别效果，总体准确率为 94%。通过比较发现，其他四种机器学习算法识别焊接缺陷图像，无缺陷图像较易错误识别为裂纹图像，同时裂纹图像也较易错误识别为无缺陷图像，这是因为无缺陷图像与裂纹图像的HOG特征值较为接近，导致算法不能精确识别这两种图像。相对而言，本文提出的 IPSO 优化的K-means算法一定程度上克服了无缺陷图像和裂纹缺陷图像 HOG 特征较为接近的问题。因此，从不同焊接缺陷图像识别精度上看，IPSO 优化的 K-means聚类模型显示出了较好的效果。3 结论机器学习能够有效对焊接缺陷图像进行识别。本文通过构建焊接缺陷图像的数据集，从每张焊接缺陷图像中提取得到 3600 个HOG特征值组合形成每张焊接缺陷图像的整体HOG特征，通过改进型粒子群算法对 K-means 聚类模型的参数进行寻优，将优化后的K-means聚类模型应用于焊接缺陷
