基于灰度共生矩阵的智能管道焊缝检测机器人

孙亚楠; 王毅; 刘孟林; 刘甬达; 李小平; 郑云超

doi:10.12404/j.issn.1671-1815.2506244

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (15) :6412-6424 DOI: 10.12404/j.issn.1671-1815.2506244

机械、仪表工业

基于灰度共生矩阵的智能管道焊缝检测机器人

孙亚楠 ¹ ,
王毅 ¹^,^* ,
刘孟林 ¹^,² ,
刘甬达 ¹ ,
李小平 ³ ,
郑云超 ³

作者信息 +

Pipeline Weld Detection Robot Based on Gray Level Co-occurrence Matrix

SUN Ya-nan ¹ ,
WANG Yi ¹^,^* ,
LIU Meng-lin ¹^,² ,
LIU Yong-da ¹ ,
LI Xiao-ping ³ ,
ZHENG Yun-chao ³

Author information +

文章历史 +

摘要

针对小口径清洁管道出厂前的焊缝自动化检测和高精度图像识别需求,提出了一种基于灰度共生矩阵特征提取的智能焊缝识别方法,并集成至小型管道焊缝检测机器人系统中。该方法通过从随检图像中提取熵、对比度、角二阶矩与逆方差4个典型纹理特征,结合阈值判定实现了对焊缝与管壁的准确区分。检测到焊缝后,系统控制摄像模块对焊缝区域进行环向旋转拍摄,并通过图像拼接还原完整焊缝图像。为验证算法性能,对不同类型管道焊缝进行检测实验,经样机制作与实验验证。结果表明:焊缝识别率达到98.94%,完整焊缝识别率达到97.87%,灰度共生矩阵特征提取识别方法在小口径清洁管道中有较好的焊缝识别率与检测性能,与其他方法相比,所提方法具有更高的时间均值平均精度,具备良好的应用价值。

Abstract

In response to the automated detection of weld seams and high-precision image recognition requirements for small-diameter clean pipes before leaving the factory, an intelligent weld seam recognition method based on gray-level co-occurrence matrix feature extraction was proposed and integrated into a small pipe weld seam detection robot system. This method accurately distinguished between weld seams and pipe walls by extracting four typical texture features: entropy, contrast, angular second moment, and inverse differential moment from the sampled images, combined with threshold judgment. Upon detecting the weld seam, the system controlled the camera module to rotate and capture images of the weld seam area and restored the complete weld seam image through image stitching. To verify the performance of the algorithm, detection experiments were conducted on different types of pipeline welds. Through the prototype fabrication and experimental validation, the results indicate that the weld recognition rate reaches 98.94%, and the complete weld recognition rate reaches 97.87%, the gray-level co-occurrence matrix feature extraction recognition method demonstrates good weld recognition rates and detection performance in small-diameter clean pipelines.The proposed method has a higher average accuracy over time compared to other methods, and thus possesses good application value.

Graphical abstract

关键词

灰度共生矩阵 / 管道机器人 / 焊缝检测 / 特征提取

Key words

grayscale symbiosis matrix / pipeline robot / weld inspection / feature extraction

引用本文

引用格式 ▾

孙亚楠, 王毅, 刘孟林, 刘甬达, 李小平, 郑云超. 基于灰度共生矩阵的智能管道焊缝检测机器人[J]. 科学技术与工程, 2026, 26(15): 6412-6424 DOI:10.12404/j.issn.1671-1815.2506244

SUN Ya-nan, WANG Yi, LIU Meng-lin, LIU Yong-da, LI Xiao-ping, ZHENG Yun-chao. Pipeline Weld Detection Robot Based on Gray Level Co-occurrence Matrix[J]. Science Technology and Engineering, 2026, 26(15): 6412-6424 DOI:10.12404/j.issn.1671-1815.2506244

登录浏览全文

4963

注册一个新账户忘记密码

随着工业生产的不断发展,小口径清洁管道被广泛应用于制药、化学化工、食品加工制造等行业,其主要功能是输送洁净度较高的液体或气体,需要在出厂前对管道焊缝进行严格的检测,焊缝质量直接关系到管道运输的密封性与安全性。但当前市场上针对小口径清洁管道的专用焊缝检测设备仍不成熟,缺乏能够在小口径(如内径3英寸左右)管道中高效稳定运行的检测设备。目前的小口径管道检测工作大多依赖人工操作工业内窥镜或外部成像方法,检测效率低、对工人操作熟练度要求高,检测效果不够稳定,难以实现自动化和满足高精度检测的需求。

目前中外在管道检测机器人方面的研究和应用主要集中在大口径管道,尤其是石油、天然气和城市地下管道等场景。典型的管道检测机器人多采用履带式、轮式或支撑式驱动结构,一般能够在直径200 mm以上的管道中行进。孙乐辰等^[1]设计了一种履带式管道机器人,可利用超声波对管壁上腐蚀、裂口、错位及障碍物等多种缺陷进行探测并记录位置,但最小过弯半径为813 mm,不适用于小口径管道;英国的Bhardwaj等^[2]提出了名为Mega-Joey的新型微型机器人平台,能够自主导航和评估密闭空间,对管道进行检测,该机器人虽然专为小管道而设计,但仍需在大于160 mm管径的管道内运行,不适用于小口径管道(如内径约3英寸)的复杂环境;Heesik等^[3]提出的一种名为MRINSPECT VII+的自主管道巡检机器人,在系统中添加无损检测模块,旨在检测直径为200 mm的城市燃气管道,这类机器人体积较大,在小口径管道内并不适用,在狭小空间内的焊缝检测仍存在应用受限问题。

在焊缝图像识别领域,有多种方法被应用于不同场景,主要集中于深度学习^[4-7]、超声相控阵^[8-10]、结构光扫描^[11-13]等检测方法。基于深度学习的检测方法以YOLO系列算法为核心,邓贤东等^[14]采用改进的SegFormer模型进行焊缝分割,对比原始模型的平均交并比提高了2.41%,虽提升了精度,但模型计算复杂度较高,难以在资源受限的小型嵌入式设备上部署并进行实时处理;超声相控阵检测技术主要通过控制换能器阵列中各阵元的激励脉冲时间延迟,实现声束的聚焦和偏转,从而达到焊缝无损检测的目的,虽然能显著提升检测效率和精度,但成本较高,对操作人员技术要求较高;结构光扫描技术通过投射结构化光到被测物体表面,并通过相机捕捉光的变形来实现三维重建,但需要激光器和精密相机,标定复杂,不适用于小口径管道焊缝内部检测。

针对小口径清洁管道出厂前的焊缝识别与检测,现提出一种基于灰度共生矩阵纹理特征提取的焊缝识别方法,利用图像中的熵、角二阶矩、对比度与逆差矩典型特征值来区分焊缝区域与非焊缝区域。该方法具备计算复杂度低、集成度高等优势,尤其适用于空间受限、实时性要求高的小型检测机器人系统。结合结构设计、图像分析与处理,实现了对小口径管道焊缝的精准定位与完整图像采集。

1 基于灰度共生矩阵的焊缝图像检测方法

1.1 管道内壁与检测要求

在小口径清洁管道中,由于内部环境封闭、空间狭小、照明条件受限等因素,焊缝的自动化识别具有一定挑战性,普通检测方式难以兼顾焊缝图像的快速识别性与准确率。由于管道内部焊缝表面特征与普通管壁相比较为突出,焊缝区域具有明显的灰度突变和纹理结构,如图1所示。相较而言,普通管壁区域体现出较为均匀的灰度分布,纹理特征不明显,该图像特征差异为本文检测方法提供了良好的区分依据。

本文中管道机器人的检测对象为出厂前的3英寸清洁不锈钢管道,内壁采用机械抛光或电解抛光处理,无照明条件下内壁为黑暗状态。被测管道带有T形管和90°标准弯管,其外径为76.38 mm,内径为72.82 mm,弯管为1.5倍曲率半径。焊缝一般在不同形态管道交接处,位置不固定。管道内外径尺寸如图2所示,待检管道如图3所示。

为保证管道机器人在3英寸小口径管道内的移动巡检过程中,系统能够稳定运行并传输有效数据,焊缝检测算法应满足以下3个需求:一是在移动过程中能够快速准确识别到焊缝区域,响应时间短,满足实时性的需求;二是在识别到焊缝后,机器人自动停下并控制摄像头整周转动,实现完整图像采集;三是根据实时传输的图像信息,焊缝区域要尽可能位于图像中心,保证纹理特征提取的清晰度及图像后处理拼接的完整性。

1.2 管道焊缝图像纹理特征分析

针对以上识别要求,采用灰度共生矩阵^[15-16]算法提取图像纹理特征,通过图像灰度级分布,分析焊缝与管壁区域灰度变化所形成的纹理特征差异。由于灰度共生矩阵能够反映图像像素灰度值间的空间关系,其所提取的特征在描述焊缝区域与普通管壁区域的结构差异方面具有良好的区分能力。

清洁管道内壁通常为光滑均匀的金属表面,图像灰度分布平稳、变化较小,纹理特征较弱;而焊缝区域由于焊接过程中金属熔化后冷却收缩所形成的凸起与凹槽,其表面粗糙度显著增加,导致图像呈现出较强的纹理特征及灰度突变。该物理差异经图像转化为稳定的纹理模式,为灰度共生矩阵特征提供了可靠的提取基础。

因此,基于灰度共生矩阵的纹理特征能够良好适应管道机器人在固定光源下的图像环境。虽然管道内壁可能引发局部反光,但作为一种统计特征,灰度共生矩阵对整体线性光照变化的敏感性较弱^[17],且管道内的光线由机器人所带固定光源进入管道后所提供,也保证了管道内的光照一致性和灰度共生矩阵特征值的相对稳定。并且,由于灰度共生矩阵是基于宏观区域内像素对的共生概率进行计算,焊缝的整体纹理结构在统计意义上显著强于局部高光所造成的微小扰动,因此对局部噪声与高光也具备一定的包容性^[18]。在该机制下,灰度共生矩阵所提取的特征值能够较稳定地表征纹理在宏观上的均匀性与复杂性,并持续捕捉焊缝边缘的灰度突变。

图像中焊缝区域与管壁区域之间所存在的纹理差异,在空间灰度分布上表现出较强的对比性与局部灰度不连续性,在纹理特征维度上具有差异性。因此,对焊缝纹理的差异性特征进行量化提取,并将其部署到小体积管道机器人中进行自适应判别,是提升小口径清洁管道图像识别准确率的有效途径。部分焊缝与管壁图像样本如图4、图5所示。

1.3 灰度共生矩阵构建原理与参数设置

纹理特征作为衡量图像灰度在空间结构中分布规律的统计性描述,能够综合反映出焊缝区域的粗糙度、灰度分布特征等,是实现焊缝区域自动化识别的关键依据。传统的超声波^[19-20]检测方法,虽然能够检测内部缺陷,但对焊缝表面状态要求较高,且对操作人员技术要求较高;渗透检测^[21-22]方法虽然对微小的表面开口缺陷检测灵敏度高,但只能检测表面开口缺陷,无法检测内部缺陷,并且需要对管壁进行预处理。针对不同焊缝识别方法在小口径管道场景适用性对比如表1所示,由于小口径管道的场景局限性,基于纹理特征的灰度共生矩阵分析方法能够更稳定地区分出管道内部焊缝区域与普通管壁图像的变化,从而进一步实现对焊缝的精准识别与检测,较好地适应小口径管道的场景,因此选择用灰度共生矩阵方法在小口径管道内通过机器人对焊缝进行图像检测并采集。

由于灰度共生矩阵的维度较大,一般不直接作为区分纹理的特征,而是基于它构建的一些统计量作为纹理分类特征。为提取焊缝区域与普通管壁之间的纹理差异,选取灰度共生矩阵中以下4种纹理特征:对比度,反映灰度变化剧烈程度;角二阶矩,衡量图像灰度的分布均匀程度;熵,表明图像灰度分布的复杂程度;逆方差,反映灰度元素在行或列方向上的相似度。基于4个特征值对图像分别进行特征值纹理提取,结果如图6~图9所示,左侧为输入图像,右侧为可视化的热力图。

根据对特征值的纹理提取结果分析发现,对比度和熵对焊缝与管壁的纹理差异具有显著区分性,说明在焊缝区域,图像灰度变化剧烈,且随机复杂程度相较管壁区域更为显著;而角二阶矩和逆方差的特征提取并没有更好地区分焊缝和管壁图像。

为了更好地找到区分度较高的特征值指标,选取大量样本图像进行纹理特征提取与分析,从多个样本图像中提取上述4个特征值,结果如图10、图11所示。通过进一步对样本特征值指标进行平均值计算与峰值对比发现,在选取对比度和熵进行纹理特征提取时,焊缝图像的特征值平均值显著高于管壁图像,且峰值区域差异明显,但角二阶矩和逆方差对应图像的区分对比并不显著。

为实现自动识别判定,现将对比度和熵作为阈值判断的主要指标,角二阶矩和逆方差作为辅助指标。设定当对比度>T₁且熵>T₂时,判定为焊缝区域。

其中,T₁、T₂为经验阈值,由大量图像样本中提取的特征分布统计获得,并结合少量易混淆样本进行多重验证确定。该方法能够快速准确完成图像中对焊缝区域的判定。焊缝与管壁图像样本主要特征值指标分析如图12所示。

1.4 基于灰度共生矩阵的焊缝检测算法实现

本文中焊缝检测算法主要包括图像采集与预处理、灰度共生矩阵构建、纹理特征提取、阈值判定与控制输出。为提升实时性、降低计算量并减小噪声,将采集的RGB图像数据转为单通道灰度图,同时将灰度区间由[0,255]压缩至[0,16],以生成二维灰度共生矩阵,降低多余特征维度减少计算量;提取熵、对比度、角二阶矩、逆差矩4个纹理特征指标;对特征值进行双重阈值判定是否为焊缝区域;当识别判定当前为焊缝时,则控制输出信号驱动摄像头旋转完成全景拍摄。

在检测过程中,算法以连续帧图像为输入,逐帧进行纹理特征提取与判定,以判定图像是焊缝为输出来实现对焊缝的自动化精准检测。检测程序流程图如图13所示。

2 系统平台设计与算法集成实现

2.1 系统总体架构设计

为了实现复杂小口径管道内焊缝的高效识别与图像采集,设计并搭建了一套具有图像采集、实时处理与运动控制等功能的履带式智能焊缝检测机器人系统。系统平台整体由三部分构成,分别是移动机器人本体系统,采用履带式结构与电机驱动,进入管道后匀速前进,具备良好的通过性,需要在直径76.38 mm的3英寸清洁管道中顺利通过弯管和T形管且稳定运行;视觉采集与控制系统,搭载500万像素摄像头及辅助对称LED(light emitting diode)光源,利用树莓派模块进行图像采集、预处理、纹理识别与运动控制指令下发;焊缝图像处理与决策系统,运行基于灰度共生矩阵的焊缝识别算法,结合阈值判定机制,控制摄像头旋转实现全景图像采集。

2.2 机器人本体机械结构

本文中管道焊缝检测机器人结构本体以狭小空间高通过性、稳定运动可控性、图像采集稳定性为设计目的,采用履带式驱动结构结合舵机驱动摄像云台模块,构建自动识别与响应的检测平台。机器人主体结构采用对称布局,电机等主要配重部件对称安装。在单元体几何约束下,对其进行主体结构最小化设计。

机器人本体系统主要由4个模块构成:履带驱动模块、图像采集模块、旋转拍摄模组和嵌入式控制模块。履带驱动模块通过电机驱动实现管道内部行进,履带设计保证机器人在90°弯管和T形管接口等复杂结构中具备良好的摩擦阻力和抗打滑能力;图像采集模组安装于机身前端,通过摄像头以及灯光补偿获取管道内部图像。采集到的图像实时传输至嵌入式处理模块,由图像处理单元执行预处理与纹理特征提取。当前进至焊缝区域后,算法判定结果将触发采集模块工作,舵机控制摄像头整周旋转并配合多次拍摄,提高焊缝图像完整性。机器人整体内部结构设计如图14所示,整体结构设计如图15所示。

管道检测机器人能够顺利进入管道并进行正常作业,机器人的整体尺寸需要满足几何尺寸约束条件。管道的转弯处是管道机器人外形尺寸设计所考虑的重要因素之一,管道包括T形管及管道弯度为90°的弯管。为了让机器人能够顺利通过弯道和T形管,机器人的几何尺寸必须满足弯道的几何约束。管道检测机器人通过弯管和T形管的几何尺寸约束如图16、图17所示。

当机器人处在弯道的极限位置时,机器人的两个端面都处在弯道的弯曲部分,若机器人在这个位置能够通过管道,那么机器人整体能够顺利通过弯道就能够得到保障。通过T形管时,机器人容易掉入侧支管与主干管交汇接口处的截面端口,必须保证机器人身长L > 管道直径D时,在履带与管壁的摩擦及车轮驱动下方可直行通过T形管,同时为了确保机器人顺利直行通过T形管,轮距应小于管道直径的50%~60%。

2.3 焊缝识别算法部署与集成

为验证基于灰度共生矩阵的焊缝识别算法在实际场景下的可行性,将算法部署至嵌入式焊缝检测系统中,并完成软硬件集成、图像采集与纹理特征提取等功能模块的搭建。

由于灰度共生矩阵进行图像识别处理的过程复杂程度较高,计算量大,过程中还需要调用OpenCV库,这种库占用内存大,结合管道机器人体积较小并实时处理的要求,算法开发平台选用树莓派Zero作为嵌入式计算核心,树莓派Zero的ARMv6架构具有数字信号处理和节省内存的能力,适合嵌入式应用,并且具备低功耗、小体积以及较强的图像处理能力,运行速度较快,可直接在本地进行编译运行,并对实时采集的图像信息进行储存,适合在小口径管道机器人中进行集成。

图像采集模块采用通用系统接口(common system interface,CSI)图像传感器,结合对称LED点光源补光模块在管内黑暗环境下提供稳定照明条件;图像处理框架通过V4L2驱动获取摄像头数据流,图像数据通过图像传感器OV5647采集模块进行采集,实时传输捕获每一帧图像数据;图像处理部分基于Python环境进行图像灰度化、灰度共生矩阵构建与纹理特征提取;系统在实时图像采集传输过程中,通过灰度共生矩阵对角二阶矩与对比度特征值的快速判定,完成机器人制动并驱动ES9251微型舵机带动摄像云台对焊缝进行整周图像采集与获取。

3 样机制作与实验验证

3.1 样机制作

该机器人的结构主体采用3D打印。为平衡结构强度与制作成本,主体结构选用了刚性较好、成本较低的黑色PLA(polylactic acid)材料,其打印层厚参数设置为0.2 mm。对于齿轮、舵机连接件等需要承受较大扭矩的关键传动部件,则选用金属材料以确保可靠性。

机器人的驱动系统采用履带式结构。履带由具备类橡胶弹性的热塑性聚氨酯(TPU)材料3D打印制成。橡胶/弹性体与干燥钢表面的静摩擦系数^[23]通常在0.8左右。TPU作为一类高性能弹性体,其摩擦特性与此范围相符,且显著高于PLA(0.3~0.4)。同时,圆弧形TPU履带的柔韧性使其能够与管道内壁形成紧密贴合的面接触,提供充足的附着力,有效避免了刚性履带因“点接触”或“线接触”而导致的打滑。

关键组件如电机、控制板、图像传感器等均采用模块化设计,并通过标准接口与主体结构连接,不仅便于维修和更换,也增强了不同功能模块间的互换性,从而提升机器人的使用寿命,并降低了维护成本。制作样机如图18所示,样机参数如表2所示。

3.2 通过性测试

针对管道机器人在某制药装备公司提供的样品管道弯管和T形管进行通过性实验。分为机械抛光管、电解抛光管两种管道,均含有90°弯管和T形管。机器人均从管道左端进入,右端驶出。测试管道如图19所示。

如图20、图21所示为机器人通过90°弯管和T形管的过程,管道通过性验证测试效果良好,机器人可以顺利通过弯管和T形管,为内部焊缝检测和图像采集提供了稳定可靠的移动载体。

在图像采集过程中,为了使摄像头在图像采集次数尽量少的情况下完整拍摄整周焊缝图像,摄像头旋转拍摄7次以保证焊缝图像完整性,每张图像有一定的重复以验证完整获取焊缝一周。如图22所示为拼接而成的图片,并没有做裁剪处理,如图23所示为摄像头拍摄焊缝完整性测试。

3.3 焊缝检测性能测试

在某制药装备公司提供的管道样品基础下对焊缝进行测试,共检测6根管道29条焊缝。其中针对管道制造工艺,分为机械抛光和电解抛光两种。机器人以自动模式进入管道,摄像头均匀旋转7次可以拍到完整的整周焊缝。待测试管道如图24所示,管道机器人检测焊缝并后处理拼接效果如图25所示。

检测实验结果表明,该机器人可以适用于3英寸管道并通过90°弯管和T形管,可以实现对管道焊缝的自动检测和图像采集,焊缝图像清晰。机器人在直角弯管处车身转动受到限制的情况下,可以实现大部分焊缝的完整采集,焊缝识别率达到98.94%,焊缝完整采集率达到97.87%,焊缝检测实验结果如表3所示。

为了更全面地评估本方法的有效性及可行性,将本文方法与其他主流模型进行对比分析,选择与YOLOv5s-GhostNet-GAM(global attention mechanism)^[24]模型、改进的YOLOv5^[25]模型、改进的CADETR(detection transformer with concatenated expand convolutions and augmented feature pyramid networks)^[26]模型进行对比,对比的核心指标包括精确率、召回率、均值平均精度(mean average precision,mAP)及平均检测速率,计算公式为

(1)P=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$×100%

(2)R=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$×100%

(3)AP=${\int }_{0}^{1}\mathrm{ }$P(R)dR

(4)mAP=$\frac{1}{\mathit{k}}\stackrel{\mathit{k}}{\sum _{\mathit{i}=1}}$AP_i×100%

式中:P为被检出目标中真实焊缝所占的比例;R为所有真实焊缝目标中被正确检测出来的比例;TP为正确预测为焊缝正样本个数;FP为将实际非焊缝错误预测为焊缝的正样本个数;FN为将实际焊缝错误预测为非焊缝的负样本个数;AP为一个类别的平均精度;mAP为k个AP值的均值;k为类别数;AP(i)为第i个类别的AP值。

经过实验测试,对比数据如表4所示。结果表明,本文方法在均值平均精度mAP方面高于YOLOv5s-GhostNet-GAM模型、改进的YOLOv5模型、改进的CADETR模型,其中mAP达到93.83%;同时在平均检测速率方面,本文方法实现了37.04 f/s(帧/秒),虽然低于改进的YOLOv5模型,但优于YOLOv5s-GhostNet-GAM模型与CADETR模型,在基于严苛的小口径管道空间与自动化的前提下兼顾了检测精度与检测效率,体现了良好的实时性与稳定性。

然而,实际测试中仍存在极少量检测局限性,主要集中于机器人过弯后的姿态恢复与图像误判问题。如图26所示,由于机器人通过90°弯管后机身回正需要一定直线距离,若焊缝距离弯管较近,可能导致摄像头尚未回正即进入检测状态,进而出现焊缝区域未完全进入视野而导致图像拍摄不完整的现象,如图27所示。该问题在特定工况下对检测完整性与准确性产生一定影响,后续工作需要进一步优化识别算法的抗干扰能力,以提升系统在复杂结构环境下的适应性。

4 结论

针对小口径清洁管道焊缝质量检测较难、自动化集成度不高的问题,通过提出相关算法、完成系统化部署并验证效果,得到以下结论。

(1)提出一种基于灰度共生矩阵特征的焊缝识别方法并完成算法嵌入式部署与系统集成,有效提升对管道焊缝的检测能力与自动化水平。该方法综合对比度、角二阶矩、熵、逆差矩等纹理指标构建判别模型,可有效区分焊缝区域与平滑管壁,提升对管道表面结构的识别能力;同时将图像处理与识别逻辑在树莓派平台上轻量化实现,结合脉宽调制控制实现对旋转摄像头的精准控制,满足实时检测需求,解决了小口径清洁管道焊缝检测自动化集成度不高的问题。

(2)提出的焊缝检测算法及部署的嵌入式巡检机器人系统,在小口径清洁管道焊缝检测中具备高精度、高稳定性与良好的工程应用性,检测效果优于传统方法。在3英寸管道实验中,该系统的焊缝识别准确率达98.94%,完整焊缝图像采集率为97.87%,mAP达到93.83%,检测速率达到37.04 f/s,不仅实现了高精度、低功耗的焊缝区域自动识别与整周图像采集,还解决了小口径清洁管道中焊缝质量检测较难的问题,整体效果优于传统焊缝检测方法,具备良好的稳定性与工程应用性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	孙乐辰, 万菁菁, 杜天昊, 等. 输油管道内检测机器人结构设计与仿真[J]. 石油机械, 2022, 50(12): 124-133.

[2]	Sun Lechen, Wan Jingjing, Du Tianhao, et al. Structural design and simulation of oil pipeline inspection robots[J]. Petroleum Machinery, 2022, 50(12): 124-133.

[3]	Bhardwaj H, Shaukat N, Barber A, et al. Autonomous, collaborative, and confined infrastructure assessment with purpose-built Mega-Joey robots[J]. Robotics, 2025, 14(6): 80.

[4]	Heesik J, Moon H K, Sub M L, et al. Development of modularized in-pipe inspection robotic system: MRINSPECT VII+[J]. Robotica, 2021, 40(5): 1361-1384.

[5]	谭红伟, 关昊, 倪颖倩, 等. 基于改进YOLOv8的管道损伤检测算法[J]. 计算机应用, 2025, 45(S1): 257-262.

[6]	Tan Hongwei, Guan Hao, Ni Yingqian, et al. Pipeline damage detection algorithm based on improved YOLOv8[J]. Computer Applications, 2025, 45(S1): 257-262.

[7]	卢鸿玮, 周慧慧, 龚青山, 等. 基于YOLOv8n的轻量化焊缝缺陷检测算法[J]. 仪表技术与传感器, 2025(5): 56-65.

[8]	Lu Hongwei, Zhou Huihui, Gong Qingshan, et al. Lightweight weld defect detection algorithm based on YOLOv8n[J]. Instrumentation Technology and Sensors, 2025(5): 56-65.

[9]	Lu K, Wang W, Feng X, et al. FCCNet: surface defects identification of hot rolled strip based on lightweight convolutional neural network: regular article[J]. ISIJ International, 2023, 63(12): 2010-2016.

[10]	Satish S, Shital C. Enhancing weld defect detection and classification with MDCBNet: a multi-scale dense cross block network for improved explainability[J]. NDT and E International, 2024, 142: 103029.

[11]	段晓美, 王晨阳. 压力管道焊缝缺陷的相控阵超声检测技术研究[J]. 今日制造与升级, 2025(5): 87-89.

[12]	Duan Xiaomei, Wang Chenyang. Research on phased array ultrasonic testing technology for weld defects in pressure pipelines[J]. Journal of Today’s Manufacturing and Upgrading, 2025(5): 87-89.

[13]	刘琰, 吴宇轩, 杨锋平, 等. B型套筒角焊缝缺陷相控阵超声检测定量方法[J]. 应用声学, 2023, 42(1): 145-153.

[14]	Liu Yan, Wu Yuxuan, Yang Fengping, et al. Quantitative method for phased array ultrasonic testing of corner weld defects in type B socket[J]. Applied Acoustics, 2023, 42(1): 145-153.

[15]	Liu F P. Application of ultrasonic phased array technology in the inspection of small diameter pipe welds on the heating surface of circulating fluidized bed boilers[J]. Journal of Physics: Conference Series, 2023, 2442(1): 012005.

[16]	Tang Y, Zhuo J, Dou G, et al. Structured light device and algorithmic enhancements for automated bridge steel bar weld inspection[J]. CE/Papers, 2025, 8(2): 988-995.

[17]	戴忠晨, 陈祺, 丁亚萍, 等. 基于线结构光的铝合金焊缝在线检测系统设计[J]. 热加工工艺, 2024, 53(13): 68-74.

[18]	Dai Zhongchen, Chen Qi, Ding Yaping, et al. Design of an online detection system for aluminum alloy welds based on line structured light[J]. Journal of Thermal Processing Technology, 2024, 53(13): 68-74.

[19]	陈兵, 贺晟, 刘坚, 等. 基于轻量化DeepLab v3+网络的焊缝结构光图像分割[J]. 中国激光, 2023, 50(8): 49-58.

[20]	Chen Bing, He Sheng, Liu Jian, et al. Image segmentation of weld seam structure based on lightweight DeepLab v3+ network[J]. Chinese Laser, 2023, 50(8): 49-58.

[21]	邓贤东, 刘春华, 陈晓辉, 等. 基于深度学习的焊缝视觉跟踪方法研究[J]. 现代制造工程, 2023(6): 124-131.

[22]	Deng Xiandong, Liu Chunhua, Chen Xiaohui, et al. Research on weld seam visual tracking method based on deep learning[J]. Modern Manufacturing Engineering, 2023(6): 124-131.

[23]	Yu Y B, Ni C W, Cui W T, et al. Dynamic evolution characteristics of loaded coal fractures based on gray level co-occurrence matrix and digital volume correlation[J]. Journal of Angular Second Moment Engineering, 2025, 151(4): 04025033.

[24]	代欣欣, 高向东, 郑俏俏, 等. 焊缝缺陷磁光成像模糊聚类识别方法[J]. 焊接学报, 2021, 42(1): 54-57, 101.

[25]	Dai Xinxin, Gao Xiangdong, Zheng Qiaoqiao, et al. Magneto-optical imaging and fuzzy clustering recognition method for weld seam defects[J]. Journal of Welding, 2021, 42(1): 54-57, 101.

[26]	江苏蓬, 向伟, 刘云鹏, 等. 采用多特征共生矩阵的模板匹配[J]. 光学精密工程, 2021, 29(6): 1459-1467.

[27]	Jiang Supeng, Xiang Wei, Liu Yunpeng, et al. Template matching using multi-feature co-occurrence matrix[J]. Optical Precision Engineering, 2021, 29(6): 1459-1467.

[28]	Dhingra S, Bansal P. Experimental analogy of different texture feature extraction techniques in image retrieval systems[J]. Multimedia Tools and Applications, 2020, 79(37): 27391-27406.

[29]	Etienne P, Luc L. Periodical monitoring of 3D welds and defects generated from ultrasound scans[J]. The International Journal of Advanced Manufacturing Technology, 2023, 125(3/4): 1239-1249.

[30]	涂东坤, 陈振华, 张琦, 等. 燃气PE管道力学性能退化的智能非线性超声检测[J]. 科学技术与工程, 2025, 25(18): 7551-7557.

[31]	Tu Dongkun, Chen Zhenhua, Zhang Qi, et al. Intelligent nonlinear ultrasonic testing of the mechanical performance degradation of gas PE pipelines[J]. Science Technology and Engineering, 2025, 25(18): 7551-7557.

[32]	Li C, Wang Q Y, Jiao W H, et al. Deep learning-based detection of penetration from weld pool reflection images[J]. Welding Journal, 2020, 99(9): 239-245.

[33]	李彰, 欧越, 陈建文, 等. 面向管道焊缝渗透检测机器人的管道定位与规划方法[J]. 科学技术与工程, 2024, 24(17): 7168-7176.

[34]	Li Zhang, Ou Yue, Chen Jianwen, et al. A pipeline positioning and planning method for pipeline weld penetration detection robots[J]. Science Technology and Engineering, 2024, 24(17): 7168-7176.

[35]	成大先. 机械设计手册(第1卷)[M]. 7版. 北京: 化学工业出版社, 2025.

[36]	Cheng Daxian. Mechanical design handbook(Volume 1)[M]. 7th Edition. Beijing: Chemical Industry Press, 2025.

[37]	周翌晨, 虞旦, 李佳成, 等. 基于改进YOLOv5的焊缝识别算法研究[J]. 制造技术与机床, 2024(7): 19-25.

[38]	Zhou Yichen, Yu Dan, Li Jiacheng, et al. Research on weld seam recognition algorithm based on improved YOLOv5[J]. Manufacturing Technology and Machine Tools, 2024(7): 19-25.

[39]	徐向前, 李星, 张永安. 基于改进的YOLOv5焊缝表面缺陷检测算法[J]. 西安石油大学学报(自然科学版), 2025, 40(4): 98-106.

[40]	Xu Xiangqian, Li Xing, Zhang Yong’an. Weld surface defect detection algorithm based on improved YOLOv5[J]. Journal of Xi’an Shiyou University (Natural Science Edition), 2025, 40(4): 98-106.

[41]	戴铮, 刘骁佳, 潘泉. 基于改进DETR算法的焊缝缺陷检测方法研究[J]. 电子与信息学报, 2025, 47(7): 2298-2307.

[42]	Dai Zheng, Liu Xiaojia, Pan Quan. Research on weld defect detection method based on improved DETR algorithm[J]. Journal of Electronics & Information Technology, 2025, 47(7): 2298-2307.