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