Spatial locating and distribution feature of defects in fillet weld of T joint weldments
-
摘要: 为实现T形接头焊件角焊缝中批量缺陷的空间定位及可视化，基于多视角成像方法，获取了焊件射线检测图像，并建立了T形接头焊件角焊缝中缺陷深度和偏移量的数学模型. 在射线检测图像缺陷分割的基础上，根据提出的缺陷自动对应准则和投影距离自动提取算法完成了焊件内部缺陷的空间位置数据自动提取，并实现了批量缺陷空间位置的可视化. 对焊件中自动提取的84个缺陷的空间位置数据进行了统计分析，获取了缺陷的空间分布特征. 试验结果表明，缺陷主要位于腹板中心线左侧，占总样本的73.8%；缺陷深度大多在[1.8 2.5] mm范围内，占总样本的85.7%，近86%的缺陷集中分布在翼板与腹板的结合面位置；缺陷半径在[0 0.51] mm范围内；缺陷沿焊缝纵向随机分布.Abstract: In order to achieve spatial locating and visualization of batch defects in fillet weld of T joint weldments, detection images of weldments were obtained by using multi-view imaging method, and mathematic models of defect depth and deviation were established. On the basis of defects segmentation of detection images, according to the proposed automatic corresponding criterion of defects and automatic extraction algorithm of projection distance, the automatic extraction of spatial position data and visualization of batch defects in the joints were achieved. The data of 84 defects were analyzed statistically, and the distribution feature of defects was obtained. The experimental results show that the defects are mainly located on the left side of the sternum center line, which account for 73.8 percent of the total. The defects depth is mostly among [1.8 2.5] mm, which account for 85.7 percent of the total. Nearly 86 percent of the defects are mainly distributed in the joint surface of the wing plate and sternum. The defects radius is among [0 0.51] mm. The defects distribution is random alonging the weld longitudinal direction.
-
0. 序言
铝合金在密度、强度和耐蚀上有综合优势，激光焊有能量集中、变形小、焊接质量高等优点，铝合金激光焊在国防、军工、航空航天、铁道等重要工业部门获得了广泛应用，例如其可应用于高速列车车厢等重要焊接结构的连接[1]. 但铝合金激光焊时由于保护不良等易在焊缝中产生气孔等缺陷，这些缺陷的存在将会形成重大的安全隐患，因此为保障高速列车的安全运行，亟需开展铝合金激光焊件的快速无损检测及缺陷空间定位研究，从而为重要焊接结构的焊接工艺制订和接头完整性评价奠定良好基础.
国内外开展焊件射线图像缺陷分割、识别和分类方面的研究较多，而开展焊件缺陷空间定位和空间分布特征方面的研究较少[2-4]. 一般情况下，利用X射线成像技术对焊件内部缺陷进行定位，普遍采用两次曝光以获得缺陷深度方向的位置信息[5]. 平移视差法由于采用移动射线源或工件等方式，存在射线源或工件移动困难，且平移距离难以准确测量等状况，使其缺陷定位的操作难度大，误差传递亦大[6-7]. 在平移视差法基础上，迟大钊等人[8]利用旋转视差法对普通对接接头焊件内部人工缺陷进行了深度定位，其精度比平移视差法有较大提高，但在缺陷深度定位中仍需借助铅标记点. 石端虎等人[9-12]利用多视角成像方法，实现了工字形焊件内部缺陷的空间定位和可视化. 该法不需借助铅标记点，而是利用被检焊接结构的几何特点确定定位特征点，实现了批量缺陷的空间定位，且提高了定位精度和检测效率. 目前T形接头角焊缝中缺陷空间定位及空间分布特征的研究尚未见报道，因此开展该方面的研究具有极为重要的理论研究意义和实际应用价值.
1. 缺陷空间定位模型建立
图1为T形接头铝合金激光焊件结构示意图. 翼板厚度和腹板宽度均为2.0 mm，焊脚尺寸为1.5 mm.
采用225 kV微焦点X射线检测系统对T形接头焊件左右旋转45°进行射线检测，获得了其左右旋转的X射线检测图像，见图2，其中图2a和图2b中的白色影像为焊件中的气孔缺陷. 图像大小为1 024像素 × 1 024像素.
![]()
图 2 焊件检测图像Figure 2. Detection images of weldment. (a) right-turning image; (b) left-turning image选用角焊缝直角的角平分线(面)为定位特征点，根据射线检测图像中各部分之间的几何关系，建立了T形接头焊件角焊缝中缺陷深度和偏移量的数学模型. 图3和图4分别为缺陷深度和偏移量数学模型建立的示意图.
缺陷深度数学模型，即
$$h = \sqrt 2 {d_{\rm{l}}} - \left(x + \frac{W}{2}\right) + \delta $$ (1) 缺陷偏移量数学模型，即
$$x = \frac{{{d_{\rm{l}}} - {d_{{r}}}}}{{\sqrt 2 }}$$ (2) 式中：h为缺陷深度，即缺陷到T形接头焊件翼板下表面的距离(mm)；d
l为焊件右转时缺陷到定位特征点的投影距离(mm)；dr为焊件左转时缺陷到定位特征点的投影距离(mm)；W为腹板宽度(mm)；δ为翼板厚度(mm)；x为缺陷偏移量，即缺陷偏移焊件腹板中心线的距离(mm). 当x > 0时缺陷位于焊件腹板中心线的右侧；当x = 0时缺陷位于焊件腹板中心线上；当x < 0时缺陷位于焊件腹板中心线的左侧.
2. 缺陷空间位置数据提取及可视化
2.1 缺陷分割
图2中标出了焊缝所在区域，该区域中的白色影像为气孔缺陷. 采用形态学方法对小波去噪后的射线检测图像进行了背景模拟，而后结合背景相减和阈值分割等操作实现了射线检测图像的缺陷分割，分割结果见图5，图5中的白色影像为分割出的气孔缺陷.
![]()
图 5 缺陷分割结果Figure 5. Segmentation result of defects. (a) right-turning image; (b) left-turning image2.2 定位特征点获取
根据射线衰减规律，射线检测图像上灰度分布与射线穿透焊件的厚度变化规律应相符，因此可通过射线检测图像的线灰度分布特征分析获取定位特征点的位置.图6为射线穿透焊件的厚度变化示意图，图中O点为焊件缺陷定位数学模型中的定位特征点位置. 位置1、位置3是厚度变化最为明显位置，分别为射线穿透焊件最薄处和最厚处，相应地在射线检测图像的线灰度分布曲线上表现为灰度值最大处和最小处. 根据焊件各部分间的几何关系，可通过位置1或位置3与定位特征点之间的水平距离获取定位特征点位置. 因为检测图像上位置1处灰度值较高，且受射线检测工艺参数的影响较大，所以选择位置3获取定位特征点位置. 该方法先搜寻出射线检测图像中灰度值最小处(位置3)，由几何关系可知，从位置3向左平移
$3.5\Big/\sqrt 2$ mm即可获取定位特征点位置.![]()
图 6 穿透厚度变化示意图Figure 6. Schematic of penetration thickness changing. (a) ray path; (b) thickness changing2.3 缺陷自动对应
在缺陷分割基础上，需对焊件右左转射线检测图像中的批量缺陷进行自动对应，而后方可实现缺陷空间位置数据的自动提取. 确定的缺陷自动对应准则如下：提取出焊件右左转射线检测图像中缺陷的中心位置，并分别计算出右左转射线检测图像中缺陷的中心位置距图像上端的距离d1，d2. 右左转图像中缺陷距图像上端距离之差|d1 − d2|不超过3个像素点，即可判定为同一缺陷.
2.4 缺陷空间位置数据自动提取
图7为T形接头焊件射线检测图像中某行通过气孔缺陷的线灰度分布曲线，定位特征点(O处)至灰度值突变位置(缺陷)之间距离为投影距离[10]. 将自动提取的投影距离代入缺陷偏移量和深度的数学模型，可计算得出缺陷偏移量和深度. 缺陷沿焊缝纵向分布可通过对检测图像的处理获得，从而可自动提取缺陷的空间位置数据.
采用提出的方法自动提取了T形接头焊件角焊缝内部缺陷的深度、偏移量及距焊缝一端距离等空间位置数据. 图8为自动提取的焊件内部缺陷的空间位置数据( mm)，图中对各列数据进行了标注. 该焊件中共自动提取了27个气孔缺陷.
2.5 缺陷可视化
为了直观地显示T形接头焊件角焊缝内部缺陷的空间位置，在建立焊件三维模型的基础上，对自动提取的缺陷空间位置数据进行了可视化，见图9.
3. 缺陷空间分布特征
对多个实际焊件进行了射线检测，并自动提取了84个缺陷的空间位置数据. 统计了缺陷偏移量、缺陷深度、缺陷沿焊缝纵向分布和缺陷半径等空间位置信息，进而可确定缺陷的空间分布特征. 石端虎等人[12]采用破坏性试验方法对穿透型T形接头焊件中缺陷深度、偏移量数学模型进行了验证，验证结果适用于文中研究，但缺陷深度的验证误差约为5%，下一步将考虑通过焊件X射线检测图像模拟开展缺陷空间定位模型的无损伤验证.
缺陷空间分布特征见图10. 图10a为缺陷偏移量及频数统计，缺陷偏移量在[−1.5 1] mm范围内，缺陷偏移量小于0的频数为62次，占总样本的73.8%，即缺陷大多分布在腹板中心线左侧，且在[−0.5 0] mm范围内气孔密集出现；图10b为缺陷深度及频数统计，缺陷深度大多位于[1.8 2.5] mm范围内，此范围内缺陷频数为72次，占总样本的85.7%，这表明有近86%的缺陷集中分布在翼板与腹板的结合面位置，其对焊接接头的性能影响较大；图10c为缺陷半径及频数统计，缺陷半径在[0 0.51] mm范围内；由图10d可知缺陷沿焊缝纵向呈随机分布.
![]()
图 10 缺陷空间分布特征Figure 10. Spatial distribution feature of defects. (a) defects deviation and frequency; (b) defects depth and frequency; (c) defects radius and frequency; (d) defects longitudinal distribution and frequency4. 结论
(1) 基于多视角成像方法，通过左右旋转焊件45°，获得了焊件左右转的两幅X射线检测图像. 借助检测图像中各部分间的几何关系，建立了T形接头焊件角焊缝中缺陷深度和偏移量的数学模型.
(2) 提出了X射线检测图像中缺陷分割、缺陷自动对应准则和投影距离自动提取算法，自动提取了批量缺陷空间位置数据，实现了缺陷空间位置数据的可视化.
(3) 统计分析了自动提取的84个缺陷的空间分布特征，可为该类焊件的快速无损检测和结构完整性评价奠定良好基础，并可推广至对接接头及其它接头类型，工程应用前景广阔.
-
![]()
图 2 焊件检测图像
Figure 2. Detection images of weldment. (a) right-turning image; (b) left-turning image
![]()
图 5 缺陷分割结果
Figure 5. Segmentation result of defects. (a) right-turning image; (b) left-turning image
![]()
图 6 穿透厚度变化示意图
Figure 6. Schematic of penetration thickness changing. (a) ray path; (b) thickness changing
-
[1] 李俐群, 孟圣昊, 彭进. 铝合金激光焊接熔池中气泡运动与气孔相关性分析[J]. 焊接学报, 2018, 39(6): 1 − 6. Li Liqun, Meng Shenghao, Peng Jin. Analysis of correlation between bubble motion and weld porosity in laser welding of aluminum alloy[J]. Transactions of the China Welding Institution, 2018, 39(6): 1 − 6.
[2] Dang Changying, Gao Jianmin, Wang Zhao, et al. Multi-step radiographic image enhancement conforming to weld defect segmentation[J]. IET Image Processing, 2015, 9(11): 943 − 950. doi: 10.1049/iet-ipr.2014.0716
[3] Kamran Ali, Majid Awan, Abdul jalil, et al. Localization and classification of welding defects using genetic algorithm based optimal feature set[C]//International Conference on Information and Communication Technologies, Karachi Pakistan, 2015, 1 − 6.
[4] Muthukumaran Malarvel, Gopalakrishnan Sethumadhavan, Purna Chandra Rao Bhagi, et al. An improved version of Otsu’s method for segmentation of weld defects on X-radiography images[J]. International Journal for Light and Electron Optics, 2017, 142: 109 − 118. doi: 10.1016/j.ijleo.2017.05.066
[5] 赵熹华. 焊接检验[M]. 北京: 机械工业出版社, 2011. [6] 任明照, 高岩. 基于视差法的焊接缺陷深度定位技术[J]. 焊接技术, 2003, 32(6): 49 − 50. doi: 10.3969/j.issn.1002-025X.2003.06.025 Ren Mingzhao, Gao Yan. Depth location technology of welding defects based on parallax method[J]. Welding Technology, 2003, 32(6): 49 − 50. doi: 10.3969/j.issn.1002-025X.2003.06.025
[7] 梁德群, 沈杉, 杨海军. 基于点光源X射线焊缝缺陷深度尺寸的测量[J]. 焊接学报, 2000, 21(3): 5 − 8. doi: 10.3321/j.issn:0253-360X.2000.03.002 Liang Dequn, Shen Shan, Yang Haijun. Three dimensional imaging of internal defects in small diameter pipe welding seam by X-ray microtomography[J]. Transactions of the China Welding Institution, 2000, 21(3): 5 − 8. doi: 10.3321/j.issn:0253-360X.2000.03.002
[8] 迟大钊, 李孙珏, 孙昌立, 等. 基于双目视觉的缺陷深度测量方法[J]. 焊接学报, 2016, 37(11): 7 − 10. Chi Dazhao, Li Sunjue, Sun Changli, et al. Binocular visual based defect buried depth testing method[J]. Transactions of the China Welding Institution, 2016, 37(11): 7 − 10.
[9] 石端虎, 刚铁, 张华军, 等. 工字形焊件射线图像中微小缺陷的分割及提取[J]. 中国机械工程, 2010, 21(1): 59 − 62. Shi Duanhu, Gang Tie, Zhang Huajun, et al. Segmentation and extraction of small defects in X-ray images for I style weldments[J]. China Mechanical Engineering, 2010, 21(1): 59 − 62.
[10] 石端虎, 刚铁, 杨峰. 工字形焊件中批量缺陷的自动对应准则[J]. 焊接学报, 2012, 33(5): 53 − 56. Shi Duanhu, Gang Tie, Yang Feng. Automatic corresponding criterion of bulk defects in I style weldments[J]. Transactions of the China Welding Institution, 2012, 33(5): 53 − 56.
[11] 石端虎, 刚铁, 赵洪枫, 等. 双面T形焊件中单侧投影重合缺陷的自动判别方法[J]. 焊接学报, 2019, 40(4): 46 − 49. Shi Duanhu, Gang Tie, Zhao Hongfeng, et al. Automatic discrimination method of unilateral projection overlap defects in double T style weldments[J]. Transactions of the China Welding Institution, 2019, 40(4): 46 − 49.
[12] Shi Duanhu, Gang Tie. Automatic extraction and visualization of spatial position data for bulk porosities in laser weldments with complex structures[J]. NDT & E International, 2013, 54(3): 133 − 141.
-
期刊类型引用(12)
1. 汪孟杰，安康，祝贺，陈瑶，王李冬. 基于机器视觉技术的工业焊板焊缝位置检测系统. 物联网技术. 2025(01): 9-14+20 . 
百度学术
2. 赵秋，唐琨，李英豪，林铮哲，陈鹏. 钢桥面板对接焊缝表面多缺陷疲劳效应研究. 铁道标准设计. 2024(03): 133-140+162 . 百度学术
3. 强伟，王克鸿，彭勇，袁银辉，路永新，董会. V形耦合双热源自熔焊接热-力分布特征. 稀有金属. 2024(04): 529-538 . 百度学术
4. 薛辰宇，石端虎，甄紫，孙远. 对接接头焊件射线检测图像焊缝区的自适应提取. 焊接技术. 2024(08): 106-110 . 百度学术
5. 陈晓明，王丽，马良，周峰，袁山山. 钢筋工程焊缝质量检测技术研究进展. 北京理工大学学报. 2024(12): 1215-1224 . 百度学术
6. 石端虎，吴三孩，历长云，赵洪枫，刚铁，何敏. 对接接头焊件缺陷空间定位及分布特征研究. 徐州工程学院学报(自然科学版). 2023(02): 55-62 . 百度学术
7. 董慧. 基于二元函数拟合的X射线焊缝图像缺陷分割方法. 焊接技术. 2023(07): 18-22 . 百度学术
8. 孙远，石端虎. T形接头角焊缝气孔缺陷空间位置数据的自动提取. 盐城工学院学报(自然科学版). 2023(02): 25-31 . 百度学术
9. 洪祥，张海越，宋骐. 基于图像识别的AH36钢激光焊缝节点定位技术研究. 计算机测量与控制. 2023(11): 299-305+314 . 百度学术
10. 蔡文龙，赵振，李文忠. 基于机器视觉的航空插头焊杯定位. 计算机仿真. 2022(06): 53-56 . 百度学术
11. 强伟，路永新，袁银辉，孙粲. T形接头冷丝填充双热源协同焊接数值模拟. 材料科学与工艺. 2021(05): 57-62 . 百度学术
12. 石端虎，吴三孩，历长云，沙静，孙远，杨峰. 对接接头焊件批量缺陷空间位置的可视化. 焊接. 2021(12): 48-52+66 . 百度学术
其他类型引用(3)
下载:
计量
- 文章访问数: 824
- HTML全文浏览量: 96
- PDF下载量: 25
- 被引次数: 15
