基于深度学习主动视觉压力容器焊缝质量参数检测方法.pdf

May2023Chinese Journal of Scientific Instrument2023年5月Vol.44 No.5第5期第44卷表报仪仪器学DOI:10.19650/ki.cjsi.J2311266基于深度学习主动视觉压力容器焊缝质量参数检测方法*刘桂雄，廖普，杨宁祥2（1.华南理工大学机械与汽车工程学院广州5510640；2.广东省特种设备检测研究院珠海检测院珠海519001)摘要：压力容器A、B类对接焊缝是重要受力部位，其质量参数测量是焊接质量评估重要环节，本文研究基于深度学习主动视觉压力容器焊缝质量参数检测方法。提出多缺陷共存下焊缝参数计算方法，突破焊缝缺陷参数共存下存在焊缝质量参数难以计算或无法计算问题；开展编码-解码图像特征点提取网络（EDE-net）结构设计，较好实现焊缝表面参数特征点一次性准确提取；研究深度网络结构化通道剪枝方法，有效提高压力容器焊缝检测实时性能。以不同尺寸压力容器焊缝为实验对象，结果表明Resnet50骨干的EDE-net网络在模型整体压缩率CR=0.5下，单张图片提取时间由0.31s降低到0.19 s，减少38.7%；第三方检测机构给出测试报告，装置同时测量对接焊缝（A、B类）焊缝5个参数耗时 0.6 3s，测量误差允许误差0.0 8 mm。关键词：压力容器；焊缝表面参数；深度学习；模型剪枝。中图分类号：0 4399TH74文献标识码：A国家标准学科分类代码：46 0.40Active vision pressure vessel weld quality parameterdetection method based on deep learningLiu Guixiong,Liao Pu,Yang Ningxiang2(1.School of Mechanical and Automotive Engineering,South China University of Technology,Guangzhou 510640,China;2.Guangdong Province Special Equipment Testing and Research Institute Zhuhai Testing Institute,Zhuhai 519001,China)Abstract:Class A and B butt welds of pressure vessels are important stress-bearing parts,and the measurement of their qualityparameters is an important part of welding quality evaluation.This article studies the detection method of weld quality parameters ofpressure vessels based on deep learning active vision.A calculation method for weld parameters is proposed under the coexistence ofmultiple defects,which breaks through the problem that the weld quality parameters are difficult or impossible to calculate under thecoexistence of weld defect parameters.We carry out the structural design of the encoding-decoding image feature point extraction network(EDE-net),which can better realize the one-time and accurate extraction of weld surface parameter feature points.We study the deepnetwork structured channel pruning method to effectively improve the real-time performance of pressure vessel weld detection.Taking thewelds of pressure vessels of different sizes as the experimental objects,the results show that the EDE-net network with the backbone ofResnet50 has CR=0.5 as the overall compression rate of the model,and the extraction time of a single image is reduced from the original0.31 s to 0.19 s,a reduction of 38.7%.The test report is given by the third-party testing agency,and the device simultaneouslymeasures 5 parameters of the butt weld(Class A,B)weld,which takes less than 0.63 s,and the allowable error of the measurementerror is 0.08 mm.Keywords:pressure vessel;weld surface parameters;deep learning;model pruning收稿日期：2 0 2 3-0 4-0 4ReceivedDate:2023-04-04*基金项目：原国家质量监督检验检疫总局科技计划项目（2 0 17 QK105）、国家市场监督管理总局科技计划项目（2 0 19 MK143）资助表仪仪报器第44卷学0引言压力容器A、B类对接焊缝是重要受力部位，国家标准GB1502011规定的焊缝宽度、余高、咬边深度、错边量以及棱角度5个参数的焊缝三维形态参数直接反映焊接位置处应力集中程度，对其测量是焊接质量评估的重要环节 1-2】，目前比较成熟方法还是由人工使用放大镜、焊缝检验尺、棱角度尺等工具完成，存在精度低、效率低、工作量大、劳动强度大的问题。鉴于机器视觉检测方法具有非接触性、快速的特点，在焊接过程检测或焊缝三维形态参数部分参数已经有不同程度的研究与应用。主动视觉焊缝检测方法通常将结构激光打在焊缝表面，焊缝表面激光线呈现特定形状后成像，该曲线形状中焊缝表面参数信息的反映为曲线特征点 3-4】，从焊缝激光线中提取焊缝参数测量特征点是主动视觉焊缝测量重要内容 5近年深度学习在机器视觉研究领域发展迅速，图像中提取指定特征点处理方法归类于姿态估计算法，将深度学习图像特征提取方法与主动视觉焊缝检测技术相结合，为焊缝检测领域提供一种新思路。文献 6 首次DeepPose网络用于图像特征估计，该网络前端采用深度卷积网络（convolutionalneural networks，CNN）提取多尺度下图像特征信息，受限于当时CNN网络特征提取性能,DeepPose准确度较低；文献 7 提出级联金字塔网络（c a s c a d e d p y r a m i d n e t w o r k，CPN），网络分为GlobalNet、RefineNet两个部分，是目前特征点提取效果较佳网络。基于深度学习图像特征点提取算法网络结构加深，其提取准确性提高同时也会带来网络部署与正向传播慢问题 8，深度学习加速方法是解决这个问题有效办法，它是利用深度网络结构、卷积层尺度与权重的余性精简模型，在达到相同输出精度下得到轻量化的卷积核与网络结构，减少过量网络参数导致计算时间长、模型过拟合、泛化能力差等影响，其中结构化网络剪枝方法在层数较深CNN网络压缩效果明显，但需系统研究其剪枝优化函数设计、剪枝后精度恢复方法 9-12 本文在上述深度特征点提取网络与剪枝加速方法基础上，提出基于深度学习的主动视觉压力容器焊缝质量参数检测方法，包括压力容器焊缝表面多缺陷共存下参数计算方法、基于深度学习的压力容器焊缝参数特征点提取方法、深度特征点提取网络结构化通道剪枝方法等，有效提升压力容器A、B类焊缝质量参数检测性能。1基于深度学习的主动视觉压力容器焊缝质量参数检测框架图1为本文提出的基于深度学习主动视觉压力容器焊缝质量参数检测框架图，包含焊缝表面轮廓成像、焊缝参数计算、特征点提取深度学习网络设计、深度学习网络训练等模块。其中，焊缝表面轮廓成像模块采用主动视觉成像装置，经系列图像处理后，得到焊缝轮廓点集S，再由焊缝轮廓点集生成轮廓图像；焊缝参数计算模块突破焊缝质量参数特征点（PePuial Pua)ut/Pmis_align)到余高hre、宽度Liah、咬边hun_cu、错边量hmiain、Ppeaking棱角度hpekig数值计算，为多参数同时测量奠定理论基础；特征点提取深度学习网络设计模块采用“多层CNN降采样+反卷积上采样结构”主流架构设计深度学习特征点提取网络（encoding decoding characteristics extractionnetwork,EDE-net)实现焊缝轮廓曲线图像，输出焊缝参数最佳估计特征点坐标，实现特征点准确提取；深度学习网络训练模块将实际采集焊缝轮廓图像与由图像增强的仿真焊缝图像一同训练初始化权重的EDE-net,并将训练完成网络权重进行压缩，提高EDE-net正向传播实时性能，使得仪器在线测量成为可能1深度特征点提取网络训练实际轮廊图像增强PPreTePPwidthwidthPPuncutun.cutPPmisalignmisaligtEDE-net仿真轮廓曲线图像P轮廓曲线图像peaking初始化网络Ppeaking标签标签特征点提取深度学习网络设计焊缝表面轮廓成像山焊缝参数山计算h.hPuwiathmis_alignP焊缝轮廓EDE-net训练完成网络P点集SuncutmisalignPhpeakingpeaking特征点参数数值轮廓曲线图像主动视觉成像EDE-net网络权重压缩图1基于深度学习的主动视觉压力容器焊缝质量参数检测框架图Fig.1 Framework for detecting quality parameters of pressure vessel weld seams based on deep learning刘桂雄等：基于深度学习主动视觉压力容器焊缝质量参数检测方法第5期2压力容器焊缝表面多缺陷共存下参数计算方法根据GB1502011压力容器【13要求，压力容器焊缝以A、B类（纵、环焊缝）对接焊缝为主，其表面质量关键参数包括余高、宽度、咬边、错边量、棱角度等，图2 为对接焊缝质量参数示意图（母材实线为纵焊缝、虚线为环焊缝）。主动视觉传感搭建焊缝表面质量参数检测模型，以上述标准定义测量示意为参考，宽度Iwidh、错边量hmisalign特征点为两侧焊趾点P（P）、Pm（Pa）；余高h特征点为曲线凸出部分顶点Pm，g若存在错变量，则这时焊缝两侧余高hlehiht；咬边hun-cur特征点为曲线剧烈凹陷之谷Puncu，若焊缝两侧咬边存在,则分为 hl。h righ,14un_cutcutlwidth正常圆弧正常圆弧(a)余高、宽度、咬边(b)错边量(c)棱角度(A类焊缝)(d)棱角度(B类焊缝)(a)Reinforcement,width,(b)Misalignment(c)Peakingofclass Aweld(d)Peakingofclass Bweldundercut图2 对接焊缝质量参数示意图Fig.2Schematic diagram of butt weld quality parameters受咬边缺陷hun-cut影响，严格定义下该咬边侧的PuaPmln特征点不存在，需估定PuaiPmin图3为存在咬边缺陷hun cut焊缝轮廓曲线局部放大图，图中咬边区域凹陷最低点为咬边特征点PPuncut,母材曲线延长线与焊缝曲线延长线相交于宽度参数理想特征点Puo，但缺陷hama存在，导致P不在焊缝轮廓实体曲线上。令焊缝区域轮廓点集为Peweda，若取Puweda中某点PuwiahEPweldea作为宽度特征点，则该点在X、Y两个方向偏差Awidh(Pwidlh）、A h e i g h（Pw i d t h）分别为：Awidh(Pw/xwidth-Xwidththeor=width(1)Aheigh(Pwidh)=/theorwidthDtheorwidthPmis_alignwidthunPun_cut凹陷最低点图3存在缺陷huncu焊缝轮廓曲线局部放大图Fig.3Partial enlarged view of the weld profile curvewith defect hun_ut可选取焊缝区域与咬边区域交点作为存在咬边缺陷huncul 焊缝轮廓宽度参数Lwa的Pwah,，Pw i a 为Pweda中最靠近Plheo点，这是由于：vidthVPwidthEPwelded,(Pwidth+公（PwidthAwidth（Pwidth+dth（Pwidth(2)同时，考虑训练集标注方便性，可选择母材区与咬边凹陷区交界点为Pmis_alin，作为存在咬边缺陷hunmcu焊缝轮廓错边量hmisalign最佳估计特征点。因此，找到最佳估计特征点PPwial/PmPmialn后，再结合已有特征点Pre、Pl e fP，多缺陷共存下参数un_cuthrighthun_cutvhmis_align 土均可计算 14，这样就可克服焊缝缺陷参数共存下存在焊缝质量参数难以计算或无法计算问题缺陷共存情况下，对于主动机器视觉采用文献13的标准推荐的预定直径样板法不便于在线测量，需重新研究新测量计算方法，得到 hmkina。由于A、B类焊缝棱角度特征差别较大，下面分别从A、B类焊缝棱角度定义出发，系统分析研究压力容器焊缝表面多缺陷共存下主动视觉棱角度hpeaking参数测量计算方法。A类纵焊缝棱角度hpeaking反映实际卷制钢板圆筒与设计压力容器理论圆弧偏离情况，由焊缝两侧母材轮廓曲线预测宽度特征点PmP在X轴方向中点位置P，属于数据趋势预测问题。压力容器多缺陷共存A类焊缝母材曲线多为不规则曲线，对于不规则曲线趋势预测可用采用逻辑回归方法实现。为提高逻辑回归方法适用性，可采用增长型分段逻辑回归（piece-wiselogisticregression,PLR）的A类纵焊缝虚拟特征点估计方法。对于增长率kpLR、总量TpLR、微调参数pLR，由于母材点集不同位置增长率kpLR、总量TpLR随位置变化，在点集长度为n的焊缝母材轮廓点集S=(s1,s2，,s,中引人分界点表仪报器仪第44卷学CP=cp1,cP2,cpmlCS,nm,定义入=入1,2,入，入；Laplace（O,T）即服从拉普拉斯分布，点集S任意分界点区域内增长率kpLR（x）、b p LR（）分别服从正态分布kpLR(x）N(0,)bpLR(x）N(O,),pLR(x)服从正态分布pLr（x）N(1,g），改进增长型PLR为 15：TpLR+a,(x)入;f()=kpLR+入(x)=(cp:-bpuR-Z(x）)kpLR+ii入ji(3)cP;x cPi+1其中,i=1,.,m;a(x)其他这就是用于A类纵焊缝两侧母材轮廓曲线预测宽度特征点PPu在在X轴方向中点位置P的数据趋peaking势预测模型B类环焊缝棱角度hpeaking反反映直板母材接头处突出情况，由焊缝两侧母材轮廓直线预测宽度特征点PlmwidthP在X轴两侧的中间位置处PPP属于数据趋势预测问题，压力容器多缺陷共存焊缝母材直线可用采用贝叶斯线性回归方法实现。由于实际多缺陷共存B类环焊缝母材部分多为非规则直线，噪声较大，经典贝叶斯线性回归难以胜任其预测问题，可采用分段贝叶斯线性回归模型（piecewiseBayes liner regression,PBLR）的B类环焊缝虚拟特征点估计方法。具体思路是在经典贝叶斯线性回归基础上，引入噪声调整值mpBLR，且mpBLR服从正态分布mpBLRN(0,）。在点集长度为n的焊缝母材轮廓点集S=si,s2，,s,中引人分界点CP=（c p 1，cp2,cpmlCS,nm,定义入=Ai,2,Am,入,Laplace(O,T）即服从拉普拉斯分布，点集S任意分界点区域内增长率kpBLR（x）服从正态分布kpBLR（）N（O，g），令bpBLR为偏置值，PBLR模型为 15g(x)=kpBLR+a(x)入,x+bpBLR+mpBLRJ1,cp;xcPi+1其中,i=1,m;a(x)0，其他(4)这就是用于B类环焊缝两侧母材轮廓曲线预测宽度特征点PlaPrill在在X轴方向中点位置P的数据趋widthpeaking势预测模型。3基于深度学习压力容器焊缝参数特征点提取方法压力容器焊缝参数特征点提取网络采用图4所示EDE-net网络结构，网络输人为焊缝轮廓曲线图像CGweld，网络输出为参数特征点像素坐标信息，其中编码器采用与CNNs骨干网络（VCC16)、R e s n e t l 17 等），拓展能力强；解码器采用二分支3层反卷积结构，提高泛化能力质量及减少网络训练难度。此外，考虑到EDE-net网络输出特征点应该是激光轮廓曲线上的点，可采用如下校正方法提升特征点提取准确度。设网络输出焊缝特征点坐标为（out，Yo u），激光轮廓线上任一点坐标为（R，Y），校正后激光线上焊缝特征点坐标为（xaj，Ya），那么校正提升公式如下：(xaj,ya)=argmin（x o u -x r)+(y o u-y r)(5)EDE-net解EDE-net II编码器反卷积(Sr-2,ker-33xn）特征图解码器CNNs(AlexNet、V G G,ResNet、I n c e p t i o n 等)输入图像反卷积(Sr-2,ker=3x3特征图图4压力容器焊缝参数特征点提取网络EDE-net网络Fig.4EDE-net network for feature point extraction of welding seam parameters in pressure vessels训练集制作方法可使用基于主动视觉成像装置采集焊缝表面轮廓图像，在每幅图像中人工标注特征点位置坐标，但存在工作量大、耗时，甚至还存在样本数量有限问题，须采用压力容器焊缝表面多缺陷共存下质量参数图像增强方法【18，主动视觉成像焊缝表面轮廓曲线包含母材区、焊缝区两个部分，其中母材区轮廓曲线即为压力刘桂雄等：基于深度学习主动视觉压力容器焊缝质量参数检测方法第5期容器原有轮廓曲线，表现为椭圆圆弧线，焊缝参数焊缝曲线可采用3次非均匀有理B样条曲线（non-uniformrationalB-splines，NU R BS）仿真的图像增强方法。4深度特征点提取网络结构化通道剪枝方法EDE-net的CNNs骨干网络结构越深，提取准确性越高，但也带来训练耗时长、正向传播慢等问题，结构化网络剪枝的深度学习加速方法在层数较深CNN网络压缩效果明显。令Resnet结构总层数为N,第t层卷积计算权重矩阵为W=R*xc*;；输人特征图、经t层卷积计算输xhnxhouxwoXw出特征图分别为FinERo,则：inoutEoutxhXWxhI特征图分别为FinEnXWRinnRoutoutE则：outF=WtF(6)Xoutin训练完成卷积权重矩阵W多为满秩矩阵。CNNs模型正向传播计算耗时长，结构化通道剪枝途径是寻找近似权重矩阵W部分通道置O或低秩（部分权重特征值置0)剪枝权重矩阵W。方法1)通道置0 处理：将W中任意通道（第c，通道)内全部元素置0 系结构化通道剪枝通常办法 19，即：W=PR(W,c,),W(7)方法2)低秩处理：卷积权重矩阵W低秩处理，即对W进行SVD分解 2 0,将四维权重矩阵W转换成二维MeRx。令l=chhUeReR*VeR*x,则有：M=UV(8)其中，为斜对角为M特征值的主对角矩阵，特征值个数r=min（n,l）。将矩阵中第rd个特征值进行剪枝操作TDW，T.a），得矩阵之：i=Td(9)i+Td令VV=MU=M，M、M,为二维矩阵，其特征值个数 ,即实现了W低秩处理；最后，再将二维矩阵M、M,转换回四维矩阵WeRxxxW,=R*x1x,即可将单次卷积计算Fm=W?Fl，转化为两次卷积计算式：Fou=WiW,?Fin(10)具体结构化通道剪枝方法可将W部分通道置O、SVD分解低秩处理方法相结合，形成综合单卷积权重通道剪枝方法。设应用综合单卷积权重通道剪枝方法，第t层卷积权重矩阵W可压缩单元为c+r,剪枝d个通道、d个特征值后剪枝卷积核分别为WERE，依据剪枝后卷积计算所减少计算量，W压缩率CR定义为 2 1-2 2 kk(r-d)(c-d)+n(r-d)CR=1 nxcxkxk(11)对于给定网络整体压缩率CR，各层卷积权重矩阵最佳通道置0 个数d。特征值置0 个数d不同，压缩率CR也不同，获取每层最佳压缩率CR是单卷积权重通道剪枝首要任务。因此，可遍历网络每层卷积，分别计算通道置0、特征值置O后剪枝权重W与原始权重W差异，通过最优化问题求解每层卷积权重最佳压缩率CR。最后再经通道置O、SVD 分解权重特征值置0 等处理压缩每层卷积权重至最佳压缩率。5实验与结果分析实验以图5所示的压力容器为对象,其中图5（a）（f)分别为550mm压力管道A类纵焊缝、250mm压力管道A类纵焊缝、600mm压力管道A类纵焊缝、120mm压力管道B类环焊缝、140mm压力管道B类环焊缝、180mm压力管道B类环焊缝。(a)550 mm压力(b)250mm压力(c)600mm压力管道A类纵焊缝管道A类纵焊缝管道A类纵焊缝(a)Class A longitudinal(b)Class A longitudinal(c)Class A longitudinalweldof550mmweldof 250mmweldof600mmpressure pipepressurepipepressure pipe(d)120 mm压力(e)140mm压力(f)180 mm压力管道B类环焊缝管道B类环焊缝管道B类环焊缝(d)Class B girth(e)Class B girth(f)Class Bgirthweldof120mmweldof0140mmweldof0180mmpressurepipepressure pipepressure pipe图5压力容器焊缝轮廓图像特征点提取算例实验压力容器对象与主动视觉成像Fig.51Feature point extraction of pressure vessel weld profileimage experimental pressure vessel object and active vision实验硬件包括主动视觉成像用APTINAMT9P001CMOS工业相机（焦距8 mm、成像分辨率8 0 0 600）、一字线激光器（波长6 50 nm）、基恩士LJV-7080激6表仪报学器仪第44卷光轮廓传感器；边缘计算硬件CPU为i78700k、内存32G,CPU为 GeForce GTX1080Ti。图像数据集（测试集、训练集）：压力容器A类纵向、B类环向焊缝实体采集轮廓图像数据（人工标记）和仿真增强轮廊图像数据各30 0 张，分别记：D（30 0）=（D，Dreal,Dral/(300)、D s m(30 0)=/D j i mu,D s i m,D s j mu)(30 0),选取Drea（30 0）中6 0 张实体采集轮廓图像构成训练过程测试集，记为：/D，D，D（6 0），其余540 张轮廓图像数据集D.Dmm、D r mi s、D a i n 供训练集选用，含D、DDr中2 40 张实体采集轮廓图像训练集Drmmtrain3，Dreal,s,Dmm，1（2 40）30 0 张仿真采集轮廊图像训练train5集/Dim，D（30 0）。训练图像预处理：训练图,Dsimurain3，trains像选取随机旋转角度roc=030、随机缩放尺寸hseale=0.5 0.8 23表1、2 分别为相同测试集（Drll，D l，D m1（6 0)下，应用式（5）校正提升公式后不同骨干EDE-net网络与训练集A、B类焊缝特征点提取AP结果表。表1中分别采用I、12 0 张实体采集轮廓图像训练集Drm，D mstrain5，Dm，1（12 0），表示有限的实体采集轮廊图像；1I、12 0 张实体采集轮廊图像训练集/Dms，.m，（12 0+300张仿真采集轮廓图像训练集1Dm3train3,Dsimutrain5，D！（30 0），表示有限的实体采集轮廓图像+仿真采集轮廊图像；III、2 40 张实体采集轮廓图像训练集1D，train3，Dm.,Dm，1（2 40），表示较充足的实体采集轮廊图像，AP综合反映网络特征的提取精度 16 表1不同骨干EDE-net网络不同训练集下，应用式（5)校正提升公式网络A类纵焊缝特征点提取AP结果表Table 1Applying the correction lifting formula of(5)ondifferent backbone EDE-net network and training set Aclass longitudinal weld feature points extract AP resultsEDE-net骨干训练集APo.5APo.7mAP10.490.370.34Resnet500.590.510.490.640.600.5810.730.630.60Resnet1520.850.770.710.860.780.7110.570.400.36Inception-Resnet0.630.550.53I0.660.580.55可以看出：1)EDE-net在、训练集特征点提取效果APO.5、A PO.7、m A P接近，焊缝轮廓曲线仿真的训练图像增强方法有效；2)所有测试网络提取特征点在进行特征点校正提升后，APO.5、A PO.7、m A P均有提高，故式（5)提出的校正提升方法可有效提高网络特征点输出精度，是特征点提取重要环节；3）相对Resnet50、Inception-Resnet骨干,Resnet152骨干的EDE-net提取效果的相对较佳。因此，骨干为Resnet152的EDE-net是上述压力容器焊缝特征点提取效果相对较好网络，可应用于后续研究。表2不同骨干EDE-net网络不同训练集下，应用式（5）校正提升公式网络B类环焊缝特征点提取AP结果表Table 2Applying the correction lifting formula of(5)ondifferent backbone EDE-net network and training set classB girth weld feature points extract AP resultsEDE-net骨干训练集AP0.5APo.7mAP10.450.360.31Resnet500.550.460.370.560.460.3810.680.590.50Resnet1520.860.790.770.870.790.7810.470.360.35Inception-Resnet0.560.470.410.580.480.41将Resnet152骨干的EDE-net作为教师模型，Resnet50骨干EDE-net为学生模型，对知识蒸馏后 2 4的骨干为Resnet50的EDE-net进一步进行结构化通道剪枝处理，结构化通道剪枝不作用于Resnet50第一层与最后一层卷积。分别设置剪枝整体压缩率CR=0.8、0.5、0.3,表3、4分别为A、B类纵、环焊缝结构化通道剪枝、校正提升方法后骨干CNNs为Resnet50的EDE-net特征点提取精度结果。表3A类纵焊缝结构化剪枝、校正提升方法骨干CNNs为Resnet50的EDE-net特征点提取精度结果Table 3The AP results of the EDE-net feature pointextraction of Resnet50 as the backbone CNNs after thestructured pruning and correction and lifting methodsof class A longitudinal welds整体压缩率APo.5APo.7mAPCR=1.00.810.730.64CR=0.80.790.710.63CR=0.50.800.700.61CR=0.30.620.490.45第5期刘桂雄等：基于深度学习主动视觉压力容焊缝质量参数检测方法表4B类环焊缝结构化剪枝、校正提升方法骨干CNNs为Resnet50的EDE-net特征点提取精度结果Table 4The AP results of the EDE-net feature pointextraction of Resnet50 as the backbone CNNs after thestructured pruning and correction and lifting methodsof class B girth welds整体压缩率APo.5AP0.7mAPCR=1.00.820.750.67CR=0.80.810.730.65CR=0.50.800.720.62CR=0.30.590.500.43可以看出，在CR=0.8、0.5下，模型特征点提取精度相比较于压缩前模型特征点提取精度下降较小，而CR=0.3时模型特征点提取精度下降较大，特征点提取误差较大,结合精度与模型复杂度考虑，选择CR=0.5为模型整体压缩率。表5为剪枝前后单张图片特征点提取时间表。单张图片提取时间由原来的0.31s降低到0.19 s，单张图片提取时间减少38.7%表5剪枝前后单张图片特征点提取时间表Table5Feature point extraction time of a singleimage before and after pruning参数剪枝前剪枝后输入图像分辩率800600800 x600单张图片提取时间/s0.310.19单张图片提取时间提升百分比/%38.7针对对接焊缝5参数测量工具或仪器检测都难以达到0.1m精度，经与有关检测部门研讨，专门设计了高精度线切割工艺加工3件已知5参数的圆筒件模拟焊缝样件，作为测量装置与较高测量仪器测量值比较使用，表6为焊缝样件设计参数，图6 为线切割模拟焊缝样件实物照片,其中图6（a）、（b）分别为A类纵焊缝样件0（有hre/wal参数）、A类纵焊缝样件1（有hao luian、h u a r i、参数）；图6（c）为B类环焊缝样件（有hre、l w i d h、hpeaking(hmisalin参数)。表6焊缝样件设计参数Table 6Weld sampledesignparametersmm样件Lwidhhmis-alinhpekin样件02.58.00000样件11.010.00.80.800.5样件21.09.00.20.31.00(a)A类纵焊缝样件0(b)A类纵焊缝样件1(c)B类纵焊缝样件2(a)Class A longitudinal(b)Class A longitudinal(c)Class Blongitudinalweld sample0weld sample1weld sample2图6 线切割焊缝样件实物照片Fig.6Physical photo of wire cutting weld sample使用马尔公司LD260粗糙度轮廓仪（表7 为其技术参数），仪器分辨率0.8 mm，扫描图6 的模拟焊缝样件表面形貌，手动选取参数特征点计算的焊缝余高hre、宽度Lwidth、咬边humcu、错边量hmi_align、棱角度hpeaking为约定真值，实现对焊缝样件特征提取与参数测量，表8 为使用粗糙度轮廓仪测量的焊缝样件质量参数表7 LD260粗糙度轮廓仪技术参数Table 7LD260 roughness profiler technical parameters分辨率测量速度测量范围粗糙度轮廓MPE/m/nm/(mms-l)/mmMPE/%0.80.1 0.50.12602(1+被测长度/150)表8使用粗糙度轮廓仪测量焊缝样件质量参数Table8Weld sample quality parameters measuredwitha roughness profilermm样件hrelwidhhmisalignhpeaking样件02.5128.2390000样件10.85610.0330.7750.80100.500样件21.0058.8020.1570.3991.0000图7 为高精度激光轮廓仪焊缝三维参数检测实验装置结构图,其中图7（a）、（b）分别为实验装置内部结构、工作中实验装置。装置采用Scheimpflug激光三角测量模型，应用激光器垂直入射、光电探测器倾斜成像传感机理，由激光轮廓传感器、Z轴方向位移电动滑轨、Y轴方向位移手动滑轨、装置固定本体与连接件、外接PC上位机等组成，这里激光轮廓传感器为满足Scheimpflug光路条件相机，在一定景深范围内，被测物在激光线出射方向位移都能在光电探测器上清晰成像，且输出为已经处理的轮廓点集数据，具有较高集成度、准确度、实时传感性能。高精度激光轮廓仪焊缝三维参数检测实验装置的A、B类焊缝检测功能由第三方测试机构按照GB/T8表仪仪报学器第44卷轴位移激光轮厚乙轴位移电动滑轨传感器电动清轿藏光轮传感器Y轴位移手动滑轨手动滑轨(a)实验装置内部结构(b)工作中实验装置(a)Theinternalstructureof(b)Experimental setupatworktheexperimental device图7 高精度激光轮廓仪焊缝三维参数检测实验装置结构图Fig.7 Arrangement of actual measurement device for three-dimensional parameter detection of weld seam withhigh-precision optical wheel library instrument150一2 0 11压力容器进行测试，并给出测试报告（编号：CYD202100317）【2 5。表9 测试报告中焊缝参数测量误差表，测试报告同时显示：装置可以同时测量对接焊缝（A、B类）焊缝余高、宽度、咬边、错边量、棱角度5个参数，5个参数耗时 0.6 3s，测量误差允许误差0.0 8 mm。表9测试报告中焊缝参数测量误差表Table9Weld parameter measurement error tablein the test report模拟轮廓仪评价焊缝检测装置测量示值误差焊缝参数/mm结果/mm/mm余高2.5122.482-0.030宽度8.2398.250+0.011咬边10.0050-0.005样件0咬边20.0180-0.018错边量0.0020.053+0.051棱角度0.0010.021+0.020余高0.8560.872+0.016宽度10.03310.050+0.017咬边10.7750.704-0.071样件1