【论文阅读】An Effective Method of Weld Defect Detectionand Classification Based on Machine Vision

方法及概念：

混合高斯模型进行背景分割，提取缺陷区域

检测的缺陷类型：焊缝熔合、焊接穿孔、冷焊点、伪缺陷（灰尘、防锈胶等混合物）

焊缝缺陷分类算法区分焊缝缺陷，区分算法为灰度值曲线算法

焊缝特征：焊缝区域为微倾斜的矩形区域、同一批图像中，倾斜角几乎相同、正常焊缝图像特征稳定、焊缝区域边界光滑、一般情况下，焊缝区域是一个完全联通的焊缝区域，不会划分成几个区域、对于缺陷焊缝，焊缝内部和两侧的织构与正常焊缝相比存在显著差异

两次高斯混合模型提取焊缝缺陷

构建背景 （3步走）线性插值法对均值标准差进行更新

1.高斯混合模型参数的定义与初始化

后初始化确定模型初始值：

选择一批图像中一张-OTSU大津法得到分割阈值T，根据阈值将图像分为L1、L2，灰度值小于T的为L1焊缝区域，灰度值大于T的为L2空白区域，L1、L2的初始平均值和初始标准差，对应模型的初始值，权重因子，初始值皆为1

2. 通过拍摄样本对模型进行训练，并使用线性插值方法更新均值、标准差和权重因子

3.比较两个高斯混合模型在每个像素点的权重因子，选择相应的均值作为背景模型的像素灰度值：计算两个高斯混合模型再每个像素点的权重，选择权重系数较高的高斯模型模型的均值作为像素点的灰度值

焊缝缺陷特征提取（3步走）

1. 输入图像与背景图像相减，提取前景的二值图像，阈值设置T = 3 * σi（标准差）

2. 二值图像去噪获取焊缝缺陷区域，数学形态学的方法去除噪声区域 9x9正方形结构单元去噪

3. 对二值图像矩阵与原始图像矩阵进行点积，得到焊缝缺陷的特征图像

更新背景模型

Haritaoglu等人[32]提出的更新策略。在该算法中，如果20张连续拍摄的图像与背景图像相减后，每张图像中像素的灰度值差异超过阈值比例(如本文为60%)，则认为背景变化较大，需要更新。当需要更新背景模型时，再次使用第III-C节（上述方法）中的算法构建新的背景模型

焊缝缺陷分类算法：

缺陷区域检测算法

伪缺陷分类（面积）：

S为焊缝缺陷特征区域的像素数，T1为缺陷区域的阈值，根据我们的经验，设为T1 = 1 × 10(4)

缺陷亮度检测算法（其他三种缺陷检测）

区分冷焊点与其他两种缺陷的公式，冷焊点高亮度、其他低亮度

区分焊缝熔合和焊缝穿孔，根据焊缝区域的缺陷宽度和边缘，采用曲线检测算法（3步走）

1. 特征图像中各列像素的灰度值求和

2. 曲线平滑 均值滤波

3. 基于灰度值一阶差分的距离判断  两个像素点的距离w来设定阈值T3，改进的一阶差分，并非相邻像素点灰度值，而是距离w的像素点灰度值

 焊缝缺陷分类器

 决策树分类器

对比不同种熔丝的熔合和穿孔范围R与w的变化关系，当w为60时，大部分焊缝穿孔与焊缝熔合的范围变化趋向稳定，比较两种缺陷灰度值，选择T3为53在w=60一阶差分时，明显区分开来。

参考文献：

J. Sun, C. Li, X. -J. Wu, V. Palade and W. Fang, "An Effective Method of Weld Defect Detection and Classification Based on Machine Vision," in IEEE Transactions on Industrial Informatics, vol. 15, no. 12, pp. 6322-6333, Dec. 2019, doi: 10.1109/TII.2019.2896357.

I. Haritaoglu, D. Harwood, and L. S. Davis, “W 4: Real-time surveillance of people and their activities,” IEEE Trans. Pattern Anal. Mach. Intell.,vol. 22, no. 8, pp. 809–830, Aug. 2000.

20 27