• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      一種V型坡口焊縫圖像處理方法及特征提取算法研究

      2021-02-25 03:09:50梁立鵬陸永華
      測試技術(shù)學(xué)報 2021年1期
      關(guān)鍵詞:光條角點坡口

      梁立鵬,陸永華,譚 杰

      (1.南京航空航天大學(xué) 機(jī)電學(xué)院,江蘇 南京 210016;2.國營錦江機(jī)器廠,四川 成都 610000)

      0 引 言

      隨著現(xiàn)代化智能制造技術(shù)的發(fā)展,自動化焊接得到了越來越廣泛的應(yīng)用[1].由于視覺傳感器具有測量信息豐富、精度高且無接觸的特點[2],被廣泛應(yīng)用于自動化焊接的焊縫跟蹤系統(tǒng)中,其中基于結(jié)構(gòu)光的視覺傳感器是最常用的一種傳感器[3].在焊縫自動跟蹤過程中,對焊前坡口焊縫位置的精準(zhǔn)、高效定位是其關(guān)鍵技術(shù)[2,4],會嚴(yán)重影響自動化焊接的質(zhì)量和效率.而在實際焊接工作現(xiàn)場,由于焊接過程中存在大量弧光、光斑、反射噪聲等干擾,實現(xiàn)焊縫跟蹤變得十分困難,如何從采集圖像中去除噪聲,準(zhǔn)確提取坡口焊縫的特征點是亟待解決的首要問題[5].提取圖像感興趣點(Region of Interest,ROI)后進(jìn)行配準(zhǔn)預(yù)處理可大大減少圖形處理的復(fù)雜度[6].

      在焊縫圖像預(yù)處理方面,蔡志勇等[7]利用小波變換檢測信號邊緣的優(yōu)勢,提出了基于小波變換的V型坡口光條提取算法,能有效抵抗弧光的干擾,但其算法實現(xiàn)復(fù)雜,運行效率有待提高.常用的預(yù)處理操作還有圖像濾波、邊緣檢測等[8].角點檢測方法主要分為基于灰度圖像與基于輪廓曲線的方法[9],其中基于灰度圖像的角點檢測主要考慮像素鄰域點的灰度變化,如Harris角點檢測法[10]、Shi-Tomasi角點檢測法等[11].基于輪廓曲線的角點檢測主要依據(jù)輪廓曲率的變化,主要有基于曲率尺度空間(Curvature Scale Space,CSS) 的角點檢測算法[12]、斜率分析法以及基于斜率變化的尖銳度角點檢測法[13]等.趙亞利等[14]提出的角點檢測算法不同于僅利用邊緣輪廓的傳統(tǒng)角點檢測器,其結(jié)合了邊緣像素灰度信息,并采用自適應(yīng)全局閾值,避免了角點的誤判,該算法的檢測性能較優(yōu),對噪聲具有穩(wěn)健性.Huang等[15]在識別不同焊接接頭類型的基礎(chǔ)上對檢測焊縫特征點進(jìn)行了研究.

      針對復(fù)雜焊縫圖像特征點的提取,本文提出一種基于ROI開窗和多尺度空間卷積運算的圖像預(yù)處理方法,并結(jié)合開運算和小連通域去除,差異化地消除噪聲的干擾,提取出二值化光條紋.首先采用幾何中心法(Geometric Center Method,GCM)細(xì)化光條紋,獲得單像素寬的坡口焊縫光條,再利用局部窗口在圖像上移動分析光條曲率變化,初步定位焊縫角點,進(jìn)行光條區(qū)域劃分,然后采用自適應(yīng)寬度的二次加權(quán)重心法分段提取光條中心線,最后根據(jù)直線相交法和最小距離法提取出精確的焊縫特征點.

      1 基于ROI開窗的圖像預(yù)處理

      金屬表面大部分比較光滑,但磨削切割時會產(chǎn)生細(xì)微的表面紋理,激光投射于坡口焊縫上往往會發(fā)生不同程度的鏡面反射和漫反射,使得采集圖像上除了調(diào)制后的光條紋,還會存在較多的噪聲,與此同時噪聲的特性也與光條紋邊緣特性相近,簡單的圖像預(yù)處理算法很難有效濾除噪聲、準(zhǔn)確還原光條信息.因此,本文采用基于ROI開窗的圖像預(yù)處理算法提取二值化光條.

      1.1 ROI區(qū)域劃分

      采集的一幅V型坡口光條圖像如圖1(a) 所示,光條部分為左右水平光條、左右坡口光條以及中央水平光條;噪聲部分主要為反射光噪聲、漫射光噪聲以及孤點噪聲.將光條圖像劃分為左、中、右3個ROI區(qū)域,大致如圖1 中虛線框所示.

      (a) 圖像各部分含義

      光條圖像水平累加灰度值的分布情況如圖1(b) 所示,灰度累加值最大的一行(如圖1(b) 中的①號線所示)即為光條紋中心位置,然后在此位置上下延展一定寬度即可完成左右ROI區(qū)域的劃分.根據(jù)左右ROI區(qū)域可確定中央坡口區(qū)域的上邊界,下邊界采用從下至上按行檢索獲取灰度極大值像素點確定.

      根據(jù)上述定位方法提取出的3個ROI區(qū)域如圖2 所示,通過ROI區(qū)域劃分,可以將光條與距離較遠(yuǎn)的噪聲部分分隔開,不僅明顯去除了一定的干擾信息,更利于差異化分離光條與噪聲,而且顯著減少了圖像預(yù)處理過程中的計算量.

      圖2 V型坡口光條圖像ROI區(qū)域Fig.2 ROI of the V-groove stripe image

      1.2 光條圖像增強(qiáng)

      受光條圖像中噪聲、反射光斑的影響,若直接進(jìn)行圖像分割,會將噪聲和光斑誤當(dāng)做灰度值較高的光條.因此,本文在對光條紋與噪聲形態(tài)學(xué)差異分析的基礎(chǔ)上,提出了一種基于光條形態(tài)特征的線狀空間卷積與圖像差分相結(jié)合的圖像增強(qiáng)方法.該方法采用不同尺度的卷積運算后進(jìn)行圖像差分操作,使噪聲和光斑更加顆粒化.

      圖3 左、右ROI區(qū)域豎直方向空間卷積核Fig.3 Vertical spatial convolution kernel of left and right ROI

      將M1分別與左、右ROI圖像進(jìn)行卷積運算,光條紋被進(jìn)一步增強(qiáng),并仍保持水平延展的特性;而ROI噪聲區(qū)域內(nèi)灰度值較大的像素點被增強(qiáng),灰度值偏低的暗部像素點被進(jìn)一步削弱,使得該區(qū)域變得離散化、顆?;?,圖像增強(qiáng)結(jié)果如圖4 所示.

      圖4 光條圖像ROI區(qū)域M1卷積結(jié)果Fig.4 M1 convolution result of stripe image ROI

      圖5 中央ROI區(qū)域多尺度空間卷積核Fig.5 Different spatial convolution kernels of central ROI

      圖6(a) 所示為M2模板與中央ROI圖像進(jìn)行卷積運算的結(jié)果,可以看出,由于該區(qū)域內(nèi)的左、右坡口光條具有一定斜率,上述卷積模板同樣適用于坡口光條的增強(qiáng),在保留了坡口光條的像素灰度值信息的同時,擴(kuò)大了水平光條與周圍光斑在形態(tài)上的差異.

      圖6 光條圖像中央ROI區(qū)域圖像增強(qiáng)結(jié)果Fig.6 Image enhancement result of central ROI

      此外,對于中央ROI圖像,該區(qū)域內(nèi)噪聲面積更大且與光條形態(tài)更為接近,所以本文還對噪聲的豎直方向進(jìn)行了增強(qiáng),使其形態(tài)更加離散化,構(gòu)建的水平空間卷積模板為1×5型矩陣M3,如圖5(b) 所示.

      將M3與中央ROI區(qū)域進(jìn)行卷積運算,結(jié)果如圖6(b) 所示,然后用M2卷積結(jié)果與M3卷積結(jié)果進(jìn)行圖像差分,其二值化分割圖像如圖6(c) 所示,可見圖像差分后使得噪聲顆粒更為細(xì)小,并維持了坡口光條連續(xù)性、均勻性分布的特點,使光條與噪聲之間的差異凸顯.

      1.3 小連通域去除

      由于圖像中噪聲連通面積相對光條而言在數(shù)量級上差距顯著,因此,本文采用形態(tài)學(xué)開運算與基于輪廓查找的微小連通域去除相結(jié)合的方法去除干擾噪聲.

      首先對圖像增強(qiáng)后的各ROI進(jìn)行5×5的形態(tài)學(xué)開運算,圖7(a) 所示為中央ROI開運算結(jié)果,可見開操作在保證連續(xù)的光條紋不受影響的同時,能夠去除絕大多數(shù)的噪聲顆粒,但仍有一些小面積的噪聲連通域存在.基于輪廓查找的微小連通域去除法:查找出二值化光條圖像中的全部輪廓,并獲取各輪廓面積,通過設(shè)定輪廓面積閾值去除微小的噪聲連通域,去噪效果如圖7(b) 所示.采用本文圖像預(yù)處理算法對V型坡口光條圖像進(jìn)行預(yù)處理的結(jié)果如圖7(c) 所示,可見該算法效果顯著,能夠準(zhǔn)確提取出完整的二值化光條.

      (a) 開運算結(jié)果

      2 基于形態(tài)學(xué)特征的角點檢測

      本文對二值化光條圖像采用幾何中心法對光條紋進(jìn)行細(xì)化,提取出光條紋的像素級中心線,結(jié)果如圖8(a)所示.然后依據(jù)細(xì)化后的V型坡口光條的形態(tài)學(xué)變化特征,在單像素寬的V型坡口光條基礎(chǔ)上,定位出圖8(b)中所標(biāo)識角點.

      圖8 單像素V型坡口光條Fig.8 Single-pixel V-groove stripe

      對于A′(F′)和C′(D′)角點,僅需遍歷像素點獲取x坐標(biāo)、y坐標(biāo)極值像素點即可,G′(H′)角點則為距離C′(D′)角點最近的像素點,實現(xiàn)算法均比較簡單.對于B′(E′)角點的提取,本文采用的算法原理如圖9 所示.

      圖9 光條紋第一對角點B′(E′)提取原理示意圖Fig.9 The extraction principle of the corners B′(E′)

      設(shè)一移動矩形窗口(如圖中實線框所示)的寬度為2a+1,位于窗口中心處的像素點記為中心像素點Pc,該點坐標(biāo)為(c,y(c)),其左右兩側(cè)均有a個像素點(如圖中虛線框所示).窗口從光條紋邊界點A′(F′)開始移動,本文的移動方向為從左向右(從右向左),步長為S.分別求取窗口內(nèi)中心點Pc左右兩側(cè)光條的平均斜率kl、kr,計算表達(dá)式為

      窗口每移動一個步長,便計算獲得平均斜率kl和kr,為了表征中心點左右兩側(cè)光條紋的形態(tài)差異(即曲率變化),本文引入斜率的絕對變化量Δk, Δk由平均斜率kl和kr求得,即

      Δk=|kl-kr|.(3)

      如圖10 所示,當(dāng)中心點Pc左右兩側(cè)的光條紋無明顯變化,Δk較小趨近于0;當(dāng)中心點Pc左右兩側(cè)光條紋變化十分顯著,對于V型坡口光條來說,即為左右兩側(cè)光條近乎垂直,則Δk趨近于無窮大.因此,通過絕對變化量Δk就可以定量地分析出光條曲率的變化.

      (a) 無明顯變化

      當(dāng)Δk大于閾值km時,該中心點可能是所要定位的角點,將其作為備選角點存入容器Vec中,然后移動窗口,本文步長S設(shè)置為1個像素;重復(fù)上述操作,將符合條件的中心點存入Vec中;通過對坡口光條圖像特征的分析,本文認(rèn)為當(dāng)中心點與已提取光條邊界點A′的y坐標(biāo)之差大于20個像素時,不可能再出現(xiàn)滿足條件的角點,窗口停止繼續(xù)移動.

      最后,通過非極大值抑制篩選出真正的角點.在存放備選角點的容器Vec中找到斜率絕對變化量Δk最大時的中心點,則該點就是滿足條件的角點B′(E′),即

      PB(E)=Pc(max(Δk)), (Pc(Δk)∈Vec).(4)

      3 亞像素特征點提取

      采用分段式精確提取特征點的方式,即根據(jù)初步檢測出的像素級角點,對V型光條紋進(jìn)行區(qū)域的劃分,結(jié)果如圖8(b) 所示,然后分段提取其亞像素級光條中心線,在此基礎(chǔ)上提取出V型坡口光條的亞像素特征點.

      3.1 自適應(yīng)光條中心提取

      基于自適應(yīng)寬度的二次加權(quán)重心法提取激光條紋亞像素中心點的計算原理如圖11 所示.首先,通過掃描二值化光條紋的邊界獲得激光條紋每個橫截面的寬度wi和光條灰度圖中第i列的像素集合G(i,y),然后采用式(5)計算出光條紋每列中心點的坐標(biāo),如圖中Pi所示,圖中的圓點即為提取出的亞像素級中心點.根據(jù)wi和第i列的像素集合G(i,y)計算出光條各截面中心點的坐標(biāo)

      圖11 基于自適應(yīng)寬度的二次加權(quán)重心法原理圖Fig.11 Schematic diagram of the quadratic weighted grayscale centroid method based on adaptive width

      3.2 光條特征點提取

      光條特征點的亞像素坐標(biāo)提取采用直線相交法和最小距離法,直線相交法用于光條紋存在連續(xù)兩段直線的情況,當(dāng)光條紋特征點相對孤立時則采用最小距離法.實現(xiàn)原理如圖12 所示,對于B,E特征點,即為中心線l1與l2,l4與l5的交點;對于C,D,G和H特征點,則為中心線l2,l3和l4上與初步定位的角點C′,D′,G′和H′距離最近的點.

      圖12 亞像素特征點提取原理示意圖Fig.12 Schematic diagram of sub-pixel feature points extraction

      4 實驗結(jié)果與分析

      為了驗證本文算法的實現(xiàn)效果,搭建基于線結(jié)構(gòu)光視覺檢測系統(tǒng),如圖13 所示,其由線激光器、電荷耦合器件(Charge-Coupled Devices,CCD)工業(yè)相機(jī)、夾具模塊、實驗檢測臺和計算機(jī)組成.

      圖13 線結(jié)構(gòu)光視覺檢測系統(tǒng)Fig.13 Vision detection system based on linear structure light

      4.1 圖像預(yù)處理實驗

      分別采用中值濾波、直方圖均衡化、Log變換法以及本文預(yù)處理算法對V型坡口光條圖像進(jìn)行噪聲去除,然后通過Otsu閾值分割提取二值化光條,實驗結(jié)果如圖14 所示.可以看出,一般的圖像預(yù)處理流程很難將噪聲和光條部分區(qū)別開,而本文處理算法能夠有效濾除噪聲,提取出完整的二值化光條.

      圖14 不同圖像預(yù)處理算法提取的二值化光條圖像Fig.14 Binary stripe images extracted by different image preprocessing algorithms

      4.2 特征點檢測實驗

      采用本文算法對V型坡口光條進(jìn)行特征點檢測的結(jié)果圖像如圖15 所示,直線段為提取出的光條中心線,實心圓點即為特征點.

      圖15 光條中心提取及特征點提取結(jié)果Fig.15 Extraction result of stripe center-line and feature points

      為了驗證本文算法的有效性和準(zhǔn)確性,將所提方法與現(xiàn)有的角點檢測算法進(jìn)行對比,檢測結(jié)果如圖16 所示.

      圖16 不同角點檢測算法提取角點結(jié)果Fig.16 Extraction results of different corner detection algorithms

      為了客觀評價不同算法的角點檢測效果,本文采用誤檢率、漏檢率、正確角點定位誤差以及運行時間4項指標(biāo)進(jìn)行評價,其中正確角點定位誤差為正確角點與人工標(biāo)記角點之間的平均距離,誤檢率為錯誤角點數(shù)占需檢測角點數(shù)的比重,評價結(jié)果如表1 所示.從表1數(shù)據(jù)可知,本文算法的角點檢測正確率明顯高于其他算法,誤檢率與漏檢率均為0,角點定位誤差僅為0.50 pixel,檢測準(zhǔn)確性較高,可見本文算法對V型坡口焊縫特征點的檢測更加有效.在角點檢測的效率上,本文算法的運行時間為31 ms,略長于基于尖銳度算法,但相比Harris算法效率提升60%,仍然具有較高的實時性.此外,上述對比算法檢測角點僅為像素級,而本文算法最終提取出亞像素特征點,算法的精確性得到了進(jìn)一步的提高.

      表1 不同角點檢測算法評價結(jié)果Tab.1 Evaluation result of different corner detection algorithms

      5 結(jié) 論

      針對復(fù)雜坡口焊縫圖像中噪聲去除、特征點提取的難題,本文提出基于ROI開窗的圖像預(yù)處理方法,有效去除了光斑、噪聲的干擾,并準(zhǔn)確提取出二值化光條.在檢測出焊縫角點基礎(chǔ)上采用變寬限二次加權(quán)重心法分段提取光條中心線以及焊縫特征點,進(jìn)一步提高了特征點提取的精度.本文算法的檢測準(zhǔn)確率達(dá)100%,遠(yuǎn)高于其它角點檢測算法,并且檢測效率比傳統(tǒng)角點檢測方法提升至少60%.焊縫特征點提取的目的是為了實現(xiàn)空間幾何尺寸的視覺檢測,因此,在下一步的研究中將會完成系統(tǒng)標(biāo)定,獲取焊縫實際幾何尺寸的測量并完成系統(tǒng)精度檢測實驗與分析.

      猜你喜歡
      光條角點坡口
      面向復(fù)雜環(huán)境的線結(jié)構(gòu)光光條中心提取算法
      鋼結(jié)構(gòu)生產(chǎn)中常用坡口選用及經(jīng)濟(jì)性分析
      Steger算法在運動鞋底表面光條圖像中心提取的應(yīng)用
      基于塊匹配的激光條紋亞像素中心提取
      激光與紅外(2021年6期)2021-07-23 09:27:32
      激光坡口切割技術(shù)應(yīng)用與研究
      基于FAST角點檢測算法上對Y型與X型角點的檢測
      基于邊緣的角點分類和描述算法
      電子科技(2016年12期)2016-12-26 02:25:49
      基于圓環(huán)模板的改進(jìn)Harris角點檢測算法
      復(fù)合鋼板焊接坡口的制定
      大型鑄鍛件(2015年4期)2016-01-12 06:35:27
      船用便攜式切割機(jī)的坡口切割誤差分析
      子洲县| 馆陶县| 余姚市| 鹤峰县| 海门市| 澄城县| 基隆市| 都安| 焦作市| 六盘水市| 延川县| 会昌县| 仙游县| 郯城县| 深州市| 永川市| 尉氏县| 山阴县| 贡觉县| 文昌市| 儋州市| 武汉市| 凤城市| 江源县| 施秉县| 藁城市| 临高县| 新丰县| 天水市| 崇礼县| 时尚| 宜春市| 桂平市| 攀枝花市| 聂拉木县| 宿迁市| 金山区| 云浮市| 定安县| 康马县| 朝阳区|