FniesonBomnuter-idedcladingngineerning计算机辅助焊接工程专题描 PCA和贝叶斯分类技术在焊缝缺陷识别中的应用
藜晓龙穆向阳高炜欣李亮
西安石油大学陕西省钻机控制重点实验室（710065）
以埋弧焊管焊缝的X射线检测图像为应用对象，针对图像中噪声点与微小缺陷易混滑的问题，提出将
摘要
朴素贝叶斯与主成分分析法相结合，应用到焊缝图像的缺陷识别中的思路。首先，通过主成分分析进行特征向量的去允余和正交化处理；其次，采用核密度估计的方法进行未知分布样本的条件概率密度函数估计。最后，利用贝叶斯原理实现缺陷类型的判别。试验表明，通过与主成分分析法的结合，朴素员叶斯方法在焊缝缺陷识别的准确率上提高了5.5%，可有效地应用于焊缝检测图像的缺陷识别。
关键词：补素贝叶斯主成分分析缺陷识别中图分类号：TG441.7
0前言
近年来，图像识别技术在焊接检验领域的应用研
究取得了很大的进展，如何利用图像中的特征信息进行缺陷类型识别成为了研究的热点，诸如专家系统、支持向量机、神经网络等方法均已被应用到了焊缝缺陷的识别中[1-3]。然而，这些方法通常都具有较复杂的算法，且实时性和准确性很难同时满足；具有最小错误率的朴素贝叶斯（NaiveBayesianClassifier，NBC）方法以其算法简单、分类效果稳定的特点，在文本分类等领域均取得了较好的应用效果[4,8]。对此，文中考虑将朴素贝叶斯分类方法应用到焊缝图像的缺陷识别领域中。
研究以埋弧焊管焊缝的X射线检测图像为应用对象，借助主成分分析（PrincipalComponentAnalysis， PCA)进行特征向量的主元分析，在满足朴素贝叶斯算法关于变量独立性的假设下，利用朴素贝叶斯算法实现了焊缝缺陷和图像噪声（伪缺陷）的分类识别。
1PCA算法和朴素贝叶斯原理 1.1PCA原理及算法
主成分分析(PCA)就是通过线性变换构造原始观测变量的一系列线性组合，使得各线性组合在互不相关的的前提下尽可能多的反映原始数据的信息。该方法通过正交变换构造相互独立的线性组合（主元），以每个主元的方差贡献率表示其综合信息的能力，对其
收稿日期：20140121
基金项目：陕西省自然科学基础研究计对项目（2010JQ8033）。
按照贡献率由大到小排列，依次称为第一、第二主元，取使得累计贡献率大于某一综合指标的前M个主元作为观测变量的主成分[3)。具体步骤如下。
(1)假设观测矩阵是以P维向量x=（；，*2，""， x，）构成的N个样本X,=（，a，""%），i=1,2，"",N， N>P。首先，按式(1)对其进行标准化处理，以消除不同指标间的量纲差异和数量级差异。
X,-x 2g =
year(x,)
()
式中，X是第i个观测变量的第i个观测数据；X是第j 个观测变量的平均值；ar(X）是第j个观测变量的标准差。
(2)求步骤(1)中数据集Z的相关系数矩阵R。
(3)计算相关系数矩阵R的特征值入；及相应的特征向量U.,i=1,2，P；并对特征值由大到小排列.前 M个依次为主成分空间对应的方差。
(4)计算主成分方差贡献率和累计方差贡献率。
入a—，主元
其中，第K个主成分方差表示为：a，=
"，"，}。的累计贡献率为：
ZA Z.A
贡献率大于某一综合指标确定M的值。
.A
通过累计方差
(5)利用前M个特征向量U=（U,，Us，"，U）* 按式(2)计算观测矩阵的主成分。
U,=z,U,j=1,2,,M
(2)
PCA在保证变量独立性的条件下实现了数据的降维，减少了特征描述的允余和重叠，考虑将其应用于特
2014年第3期
31