基于主動形狀模型的焊縫定位算法*

劉美菊， 姜金懌

(沈陽建筑大學(xué) 信息與控制工程學(xué)院， 沈陽 110168)

伴隨我國現(xiàn)代化建設(shè)與發(fā)展，焊接工藝將越來越顯現(xiàn)出其重要性，智能化和柔性化的焊接方式已成為焊接發(fā)展的必然趨勢[1].精準(zhǔn)可靠的視覺焊縫跟蹤系統(tǒng)在焊接自動化領(lǐng)域中備受重視，成為國內(nèi)外科研機(jī)構(gòu)和學(xué)者的研究熱點.

中國科學(xué)院李原等學(xué)者設(shè)計了一種基于激光結(jié)構(gòu)光的視覺傳感器可以對不同形狀的焊縫圖像進(jìn)行處理，但循環(huán)周期較長，處理效率有待提高[2].湘潭大學(xué)劉習(xí)文等學(xué)者根據(jù)激光在坡口圖像中的特點進(jìn)行Radon變換，計算出激光條紋所在的位置，再利用Radon逆變換復(fù)原圖像，這種方法具有較強的抗干擾性，處理周期短但焊接精度有待于加強[3].中心線提取法和曲線擬合法是當(dāng)今常用的焊縫定位方法.中心線提取法多采用灰度分布曲線峰值提取算法，其準(zhǔn)確度較好但是檢測時間長.曲線擬合方法多采用霍夫變換[4]、最小二乘法[5]和小波分析[6]等算法，運行時間短但準(zhǔn)確性較差，難以滿足日益精確的焊接質(zhì)量要求.此外，這兩種方法容易受到焊件本身材質(zhì)反光、熱變形、焊縫走向等誤差影響，從而造成焊槍偏離焊縫中心，焊接質(zhì)量嚴(yán)重下降.

為了解決上述算法所涉及的問題，本文提出了一種改進(jìn)主動形狀模型的算法用于焊縫定位.首先用方向梯度直方圖和支持向量機(jī)進(jìn)行初始形狀定位，然后根據(jù)焊縫圖像特征構(gòu)建特征模型，從而實現(xiàn)了焊縫定位檢測.

1 算法描述

1.1 HOG確定初始形狀

初始形狀距離真實形狀較遠(yuǎn)時，主動形狀模型的迭代次數(shù)增加，收斂到局部值的可能性也會增加.為了能更快更精準(zhǔn)地確定初始形狀，先對圖像進(jìn)行初始形狀定位[7].

方向梯度直方圖[8](HOG)是一種對圖像局部重疊區(qū)域的密集型描述符，它通過計算局部區(qū)域的梯度方向直方圖來構(gòu)成特征.HOG特征結(jié)合支持向量機(jī)(SVM)的方法已經(jīng)被廣泛應(yīng)用于圖像識別中.為了減少光照因素對圖像的影響，本文采用Gamma校正方法對圖像進(jìn)行歸一化處理，其表達(dá)式為

(1)

計算梯度信息，統(tǒng)計局部圖像梯度信息并進(jìn)行量化，得到局部圖像區(qū)域的特征描述向量.將提取好的HOG特征輸入SVM分類器進(jìn)行訓(xùn)練，訓(xùn)練后的分類器可以用于焊縫圖像的初定位.

1.2 建立形狀模型

1.2.1 手動記錄每個訓(xùn)練樣本的特征點

主動形狀模型是基于統(tǒng)計學(xué)的方法，在建立形狀模型之前需要手動標(biāo)記若干個特征點，并且把這些特征點作為原始形狀向量[9].常在目標(biāo)的邊緣位置、拐角點位置、連接等處標(biāo)定特征點.

本文以“V”字型焊縫為例，隨機(jī)選擇N幅焊縫圖像作為訓(xùn)練數(shù)據(jù)，為每幅圖像手動標(biāo)記n個特征點，如圖1所示.

圖1 手動標(biāo)記特征點Fig.1 Manually marked feature points

1.2.2 構(gòu)建訓(xùn)練集的形狀向量

根據(jù)標(biāo)記的特征點可以得到的特征點集為

X={(x1，y1)，(x2，y2)，…，(xn，yn)}

(2)

可以把它看成一個形狀向量，即

Si=(xi1，yi1，yi2，yi2，…，xin，yin)T

(3)

式中：(xij，yij)為第i幅圖像第j個特征點的坐標(biāo)；n為每幅圖像標(biāo)記的點數(shù).每一幅圖像的特征點代表一個形狀向量，一共有n個形狀向量.

1.2.3 形狀歸一化

E= (Xi-M(S，θj)[xj]-tj)T·

W(Xi-M(S，θj)[xj]-tj)

(4)

1.2.4 對形狀向量進(jìn)行PCA處理

前文得到的2K維向量維數(shù)較高，但它們之間有很強的相關(guān)性，彼此位置距離大致不變.因此，采用常用主成分分析法(PCA)進(jìn)行降維，具體步驟如下：

1) 平均形狀向量為

(5)

2) 協(xié)方差矩陣為

(6)

3) 計算Z的特征值λ并從大到小排列以及對應(yīng)的特征向量P=(p1，p2，…，pt)，則任何一個用于訓(xùn)練的形狀向量都可以表示為

(7)

式中：P為特征向量；b為t維特征值向量.

1.3 構(gòu)建局部特征

在查找每一個特征點的新位置時需要用到每個特征點的局部特征模型，如圖2所示，在第I個特征點的周圍建立一個半徑為m像素的圓，在圓內(nèi)閾值為0的像素點向圓心特征點I做方向向量，即

gIJ=(gIJ1，gIJ2，…，gIJ(2m+1))T

(8)

圖2 構(gòu)建特征點局部特征Fig.2 Local characteristics for establishingfeature points

將方向向量進(jìn)行差分和歸一化計算可得

(9)

對其他樣本的第I個特征點進(jìn)行同樣計算，可以得到每個特征點的局部特征，即

(10)

1.4 測試樣本搜索

主動形狀模型的搜索過程[10-11]為：

1) 對平均形狀進(jìn)行仿射變換得到初始模型，即

X=M(s，θ)[ai]+Xc

(11)

dX=(dX1，dX2，…，dXk)

(12)

3) 調(diào)整參數(shù)ds、dθ、dXc、dYc，使得當(dāng)前特征點的位置X與對應(yīng)的新位置X+dX最為接近.

4) 當(dāng)仿射變換的參數(shù)變化不是很大或者迭代次數(shù)達(dá)到Nmax時，結(jié)束該搜索過程.

綜上所述，本文算法實驗流程如圖3所示.

圖3 實驗流程圖Fig.3 Experimental flow chart

2 實驗與分析

本文在Windows系統(tǒng)下，利用Qt平臺使用Opencv庫進(jìn)行焊縫檢測實驗.利用激光三角法拍攝100張圖片作為焊縫樣本，如圖4所示，其中80張作為訓(xùn)練庫，另外20張作為測試樣本.圖5為測試樣本初定位結(jié)果，圖6為本文算法測試結(jié)果.

圖4 焊縫樣本Fig.4 Weld samples

圖5 測試樣本初定位檢測結(jié)果Fig.5 Detection results of initial positioningof test samples

利用曲線擬合和中心線提取兩種焊縫檢測方法對焊縫圖像進(jìn)行處理得到如圖7所示的檢測結(jié)果.

圖6 本文算法檢測結(jié)果Fig.6 Detection results of proposed algorithm

圖7 傳統(tǒng)激光焊縫檢測結(jié)果Fig.7 Detection results of traditional laser weld

由圖6、7可以看出，對于傳統(tǒng)的焊縫檢測方法，當(dāng)焊縫有光照因素或者焊件本身材質(zhì)反光影響時無法準(zhǔn)確地檢測出焊縫位置.本文基于主動形狀模型的方法可以免去光照影響和焊件本身做工誤差，從而使檢測更精確.

3 仿真對比

本文采用平均定位準(zhǔn)確性方法衡量算法的定位結(jié)果[12]，認(rèn)為特征點偏差在3像素內(nèi)為定位正確，誤差在3像素內(nèi)所占的比例為

(13)

式中：errij為特征點偏移量；Is(x)為判定函數(shù).

針對傳統(tǒng)的焊縫定位方法與本文算法進(jìn)行定量對比分析，根據(jù)不同算法對焊縫定位的精度進(jìn)行了計算和比較，結(jié)果如表1所示.

表1 定位精度比較Tab.1 Comparison in positioning accuracy

根據(jù)不同算法的運行時間進(jìn)行比較，得到的結(jié)果如表2所示.

表2 運行時間比較Tab.2 Comparison in running time

通過實驗數(shù)據(jù)對比可以看出，基于主動形狀模型的焊縫定位方法比曲線擬合和中心線提取法的定位精度更高.從運行時間上看，本文算法的運行時間比曲線擬合法要低很多，且大部分運行時間低于中心線提取法.

綜合兩項對比得出本文提出的基于主動形狀模型的焊縫定位方法具有精度高、抗干擾能力強、時間短的優(yōu)點.

4 結(jié) 論

本文對激光焊縫定位提出了一種新的方法.借助梯度方向信息作為表征進(jìn)行初始形狀定位減小迭代次數(shù)，提高焊縫定位效率，建立特征模型并構(gòu)建特征點局部特征，用特征模型在新的圖像中進(jìn)行搜索計算求得新位置.從定性和定量兩種不同的角度進(jìn)行分析可知，本文所提出的方法運行時間較短，抗干擾能力強，準(zhǔn)確性更高.