Feature Extraction of Welding Seam Image Based论文笔记

Feature Extraction of Welding Seam Image Based

1、总结

为提高焊缝识别的速度和精度，提出了基于不同类型坡口的焊缝图像特征提取算法。

• 首先对含有激光条纹的坡口图像进行预处理，包括滤波、阈值分割和感兴趣区域（ROI）；
• 采用脊线跟踪和方向模板算法提取激光条纹中心线；
• 采用斜率分析法和最小二乘法提取焊缝特征信息：分析了激光条纹中心线在凹槽处的斜率，采用最小二乘法对中心线的每一段进行拟合，得到直线拟合线的所有交点，即特征点。
• 与已有的研究结果相比，本文提出的方法由于图像处理点数少，计算速度快。方向模板法可以使提取的中心线精度达到亚像素级。

2、优势

1. 通过脊线跟踪方法，只从中心线提取激光条纹附近的直线。因此，图像处理面积小，处理速度快。
2. 通过方向模板法，激光条纹中心线的提取精度达到亚像素级，使得中心线的提取精度较高。
3. 采用斜率分析法和最小二乘法提取焊缝特征点，具有较强的抗干扰能力，能够满足焊缝跟踪的高精度要求。

3、焊接机器人系统

机器人本体、视觉传感器、动力系统和PC处理器。

使用单线激光器处理简单；焊缝和传感器之间的距离约为35厘米，可以拍摄到焊接板上5cm2范围；该机器人以每秒3毫米的慢速运行，可满足每30毫秒1次的图像采集频率。

4、图像特征提取方法和实验结果

4.1 图像滤波

中值滤波，能很好地滤除椒盐噪声，保护目标图像的边缘。

4.2 图像分割

Otsu法，考虑焊接表面灰度值的不均匀性等多种因素。

V型焊接原图

加噪声

滤波

二值化

4.3 中心线提取

提取激光条纹中心线的算法有极值法、阈值法、重力法、Steger法和方向模板法。
方向模板法每个点的方向模板计算量是原来的4倍，在此基础上改进。

原理图

流程图

随机选择当前窗口下的最大灰度点之一作为初始跟踪参考点A，使用方向模板确定当前跟踪点的法向k，并计算法向上的亚像素光带中心点C ₁作为最终脊线的起点，方向模板用于确定当前中心跟踪点的切线方向h，当前中心跟踪点沿切线方向延伸一个像素步，并向上舍入到下一个点C ₂。 到大边界或超出ROI时停止，得到的点的总数与图像的宽度一致时认为中心线完整。

4.4 特征点提取

$K_1=\frac{\frac{y_{i+1}-y_{i-1}}{2}+\frac{y_{i+2}-y_{i-2}}{4}+\frac{y_{i+3}-y_{i-3}}{6}+\frac{y_{i+4}-y_{i-4}}{8}}{4}$ 和 $x_c=\frac{1}{2}(x_a+x_b)$

优化：考虑到焊接工件表面的缺陷、不同的焊缝坡口角度、激光条纹不平整以及激光条纹在焊缝坡口处的反射等因素。划分四个区域分别进行拟合，得到线的交点。

区域划分

5、其他实验

重力法提取条纹中心

本文算法提取条纹中心

比较：中心点到拟合线的平均距离

$$\frac{d=|a+b{x}_i-y_i|}{\sqrt{a^2+b^2}}$$

Y型焊缝原图

滤波

二值化

提取中心线

提取特征点

整体流程

Y型焊缝

提取结果

I型焊缝

提取结果

其他类型焊缝

参数：各个特征点像素坐标、焊缝宽度高度像素数