基于圖像處理的縫隙焊接識別研究

程曉鈺

摘 要：針對光照變化導致的材料縫隙焊接識別與定位效果不理想的問題，提出一種基于圖像處理的縫隙焊接識別方法，通過圖像特征提取、改進BP的縫隙焊接與非縫隙焊接圖像分類、縫隙焊接圖像識別定位等步驟，實現(xiàn)了縫隙焊接的識別。MATLAB仿真結果表明，基于圖像處理的縫隙焊接識別方法可在不同光照條件有效識別定位材料的縫隙焊接，且有重疊識別的檢測率達到91.5%，虛警率為7.2%，無重疊識別的檢測率為86.3%，虛警率為4.3%。相較于傳統(tǒng)的Ostu識別，這方法檢測率更高，性能更好。

關鍵詞：圖像識別;圖像處理;BP神經網絡;LM算法

中圖分類號：TG40?????? 文獻標識碼：A文章編號：1001-5922（2022）01-0099-07

Research on seam welding recognition based on image processing

CHENG Xiaoyu

（School of Mathematics and Computer Science，Yunnan University for Nationalities，Kunming 650500，China）

Abstract：Aiming at the problem that the recognition and location effect of seam welding is not ideal due to the change of light，a new method of seam welding recognition based on image processing is proposed.Through image feature extraction，gap welding and non seam welding image classification based on improved BP network，and seam welding image recognition and location，the seam welding recognition is realized.Finally，the validity of the identification method is verified by simulation in MATLAB software.The results show that the method of seam welding recognition based on image processing can effectively identify the location seam welding under different lighting conditions.The detection rate of overlap recognition is 91.5%，the false alarm rate is 7.2%，the detection rate of non overlapping recognition is 86.3%，and the false alarm rate is 4.3%.Compared with traditional recognition method Ostu recognition，the detection rate and performance of this method are better.

Key words：Image recognition;image processing;BP neural network;LM algorithm

精確的縫隙焊接識別是判斷焊接質量與焊接可靠性的主要方法，是確保焊接結構完整性和安全性的主要手段。作為焊接質量管理的關鍵，縫隙焊接識別已成為焊接研究的重點課題。近年來，隨著智能化技術與自動化技術在焊接技術中的應用，超聲識別、結構光等縫隙焊接識別技術使縫隙焊接智能識別檢測進入一個全新發(fā)展領域，如利用超聲導波技術對損傷管道以及焊接彎管進行識別與定位，實現(xiàn)了對管段損傷及縫隙焊接的精確定位[1-2];基于結構光的激光視覺焊縫辨識方法，通過定義描述激光形態(tài)和激光條紋間距的5個變量，建立十字形、T字形焊縫交叉的統(tǒng)一辨識模型，可在各種工況下準確辨識焊縫接頭，為后續(xù)的焊縫的識別與實時跟蹤奠定基礎[3-4]。但上述方法通常存在檢測設備貴、檢測成本較高的問題。為解決該問題，研究利用在圖像識別領域應用廣泛的圖像處理技術，提出一種基于圖像處理的縫隙焊接識別方法，并針對當前縫隙識別中因光照變化帶來的識別難題，進行識別定位與仿真，驗證了該方法的有效性。

1 基本算法

1.1 BP神經網絡

BP神經網絡是一種多層前饋神經網絡，基本結構由輸入層、隱含層、輸出層組成。其訓練思想是通過梯度下降和梯度搜索以使實際輸出值和期望輸出值的誤差最小，包括正向計算和反向計算兩個過程[5]。

定義網絡輸入向量為x，輸出向量為y，訓練樣本為（x1，y1），（x2，y2），…，（xn，yn），其中n表示訓練樣本個數(shù);l-1層、l層分別包括m和k個節(jié)點，則l層的第j個節(jié)點輸出alj可用式（1）表示;l層的輸出組成的向量al可用式（2）表示。

alj=f（zlj）=∑mi=1wljial-1i+blj

（1）

al=f（zl）=f（Wlal-1+bl）（2）

式中：Wlji，blj分別表示l-1層節(jié)點i到l層節(jié)點j的權重和偏倚;f（z）表示激活函數(shù);Wl表示第l層的權重組成的k×m的矩陣;bl表示第l層偏倚輸出組成的k×1的向量。

1.2 算法改進

通過上述分析可知，BP神經網絡存在收斂速度緩慢的缺點。為解決該問題，研究采用LM算法對其進行改進。LM算法是一種結合梯度下降法和高斯-牛頓法的分線性優(yōu)化方法，同時具備梯度下降法的全局性和高斯-牛頓法收斂速度快的特點。其數(shù)學描述如式（3）[6]：

xk+1=xk--1JT（xk）v（xk）（3）

當μ=0時，式（3）為高斯-牛頓法;當μ取值較大時，式（3）近似梯度下降法。

LM算法迭代的基本流程如下：

步驟1：初始化參數(shù)，包括訓練性能指數(shù)ε，μ0和μ的變化參數(shù)θ（0<θ<1）;

步驟2：根據式（4）、式（5）計算網絡輸入和誤差eq≈tq-aMq，根據式（6）計算輸入均方誤差和F（x）;

a0=p（4）

am+1=fm+1（wm+1am+bm+1）（5）

（m=0，1，…，M-1）

F（x）=∑Qq=1（tq-aq）T（tq-aq）=

∑Qq=1eqTeq

=∑Qq=1

∑SMj=1（ejq）2

（6）

式中：ej，q表示第q個輸入/目標對的誤差第j個元素。

步驟3：計算雅克比矩陣的個元素和Δx;

步驟4：采用xk+Δxk反復計算平方誤差和，若該和小于ε，算法結束;若該和大于ε，且小于eq，則用μ乘θ，并設置xk+1=xk+Δxk，返回步驟2;若該和大于ε且大于eq，則除以θ，返回計算Δxk迭代，直到平方誤差和小于ε。

2 基于圖像處理的材料縫隙焊接識別

基于圖像處理的縫隙焊接識別包括圖像特征提取、圖像分類訓練、圖像縫隙焊接識別定位3個步驟。

（1）圖像特征提取。圖像特征提取包括訓練圖像特征提取和測試圖像特征提取。其中，訓練圖像的特征提取主要用于基于改進BP神經網絡的訓練，測試圖像的特征提取主要用于圖像的縫隙焊接識別與定位。針對訓練圖像特征提取，主要是將縫隙焊接區(qū)域和非縫隙焊接區(qū)域按照有重疊和無重疊的提取模式獲取訓練矩陣，然后通過PCA降維訓練矩陣[7]。針對測試圖像特征提取，主要是將測試圖像根據有重疊和無重疊的提取模式獲取訓練矩陣，并利用第一部分獲取的變換矩陣進行數(shù)據降維，得到特征矩陣;

（2）基于改進BP算法的圖像分類。首先，根據縫隙焊接特征的目標值t=1和非縫隙焊接特征目標值t=0確定訓練目標值[8];然后采用改進BP算法對提取的訓練圖像特征進行訓練，即可實現(xiàn)縫隙焊接圖像和非縫隙焊接圖像的分類;

（3）縫隙焊接識別與定位。將改進BP算法分類圖像按照特征提取的逆過程進行重構，然后進行閾值分割，再通過橫向灰度值平均g即可確定縫隙焊接位置。通過反復實驗，研究將閾值f設置為0.5，將f<0.5的非縫隙焊接區(qū)域賦予灰度值為0，將f≥0.5的縫隙焊接區(qū)域賦予灰度值為255[9];將g=90設置為長距離模式，g=160設置為短距離模式[10]。

通過上述分析，基于圖像識別的縫隙焊接識別流程可用如圖1所示示意如下。

3 仿真實驗

3.1 實驗環(huán)境

本實驗在MATLAB軟件中進行仿真，選用實驗室提供的CCD圖像傳感器采集圖像，選用鞍山焊管廠提供的焊管作為實驗樣品。

3.2 數(shù)據集來源及預處理

本實驗選用CCD圖像傳感器在白天和黑夜采集的焊管縫隙焊接與非縫隙焊接灰度圖像作為實驗圖像樣本。采集圖像傳感器鏡頭光圈分別為F1.4、F4、F8、F16，采集圖像距離d分別為200、400和600 mm。采集過程中，為探究光照變化對采集圖像的影響，實驗加入1～8級強弱的藍色LED光照作為光源，每采集一幅圖像旋轉30°。通過上述操作，研究共采集到的2 304幅圖像樣本，并通過去除弱光、光圈小等導致的無效圖像后，研究共采集到的765幅有效圖像樣本。其中，縫隙焊接圖像66幅，非縫隙焊接圖像699幅;從縫隙焊接圖像中選取25幅作為訓練樣本，剩余41幅作為測試樣本，并編號為1～41。部分樣本圖像如圖2所示。

3.3 參數(shù)設置

本實驗通過多次實驗，將改進BP網絡算法參數(shù)設置為：圖像特征5維、隱含層數(shù)4層、隱含層和輸出層傳輸函數(shù)為雙曲對數(shù)S型tansig，μ=0.001，θ=0.1，最小性能梯度為1× 10-7，個層權值和偏置值：

w1=1.003 43.782 63.397 60.540 6-0.076 337

1.990 12.486 8-5.092 11.956 61.506 2

-1.914-1.550 50.209 21-0.319 89-0.882 51

0.176 390.156 810.767 46-0.611 70.622 57

;

b1=-1.372 7

-0.935 94

0.143 44

2.891 4

（7）

w2=（2.855 5 2.190 1 4.741 6 1.155 1）;b2=1.072（8）

3.4 識別結果

基于圖像處理的縫隙焊接識別中，由于識別方式存在短距離和長距離識別，且圖像塊的提取方式存在無重疊和有重疊兩種方式。因此，通過排列組合，可將縫隙焊接識別模式分為短距離有重疊、短距離無重疊、長距離有重疊、長距離無重疊4種。研究通過分別對上述4種模式進行識別，得到如下識別結果。

3.4.1 短距離有重疊識別結果

圖3依次為縫隙焊接樣本原圖、分類重構、閾值分割、焊縫標定、橫向灰度值的統(tǒng)計識別效果圖。其中，前5幅為縫隙焊接距離d=400 mm的圖像，第6幅為分析焊接距離d=200 mm的圖像。由圖3可知，通過神經網絡重構的圖像縫隙焊接位置正確且紋理清晰，非焊接區(qū)域對識別不存在明顯干擾。隨著縫隙焊接區(qū)域寬度增大，識別圖像的亮度明顯提高，且圖像局部開始出現(xiàn)反光;而通過神經網絡重構圖像后，可減弱這種反光。

3.4.2 短距離無重疊識別結果

圖4依次為縫隙焊接樣本原圖、分類重構、閾值分割、焊縫標定、橫向灰度值的統(tǒng)計識別效果圖。其中，前5幅為縫隙焊接距離d=400 mm的圖像，第6幅為分析焊接距離d=200 mm的圖像。由圖4可知，縫隙焊接區(qū)域和非縫隙焊接區(qū)域明顯，本研究識別方法可一對一識別縫隙焊接區(qū)域。

3.4.3 長距離有重疊識別結果

圖5為縫隙焊接樣本長距離有重疊識別結果。由圖5可知，縫隙焊接的特征不明顯，但經過神經網絡訓練后，縫隙焊接特征與非縫隙特征的區(qū)分度逐漸加大，可清晰定位長距離有重疊縫隙焊接。

3.4.4 長距離無重疊識別結果

圖6為縫隙焊接樣本長距離無重疊識別結果。由圖6可知，本研究識別方法可正確識別定位縫隙焊接區(qū)域，但經過閾值分類后，一定程度上弱化了縫隙焊接區(qū)域的識別。相較于長距離有重疊識別，長距離無重疊識別區(qū)域明顯弱化。分析其原因，一方面是圖像樣本本身特征不明顯;另一方面是有重疊識別的識別單位較多，而無重疊識別的識別單位較少。整體來看，長距離無重疊識別仍可正確識別定位縫隙焊接區(qū)域。

3.4.5 識別特例分析

通過對圖像庫中所有縫隙焊接圖像識別，研究發(fā)現(xiàn)存在長距離無法識別，而短距離時有重疊與無重疊時識別結果不同的情況，具體見圖7、圖8。

由圖7可知，本研究方法只能識別該圖像縫隙焊接處紋理趨勢，并通過橫向灰度值平均處理后確定其為非縫隙焊接。針對該問題，研究通過比對圖庫發(fā)現(xiàn)，該圖像是在無光源且光圈較小的條件下進行采集的，若采集時增大光圈即可解決該問題。由此說明，該特例對本研究算法有效性的分析影響不大。圖8為縫隙焊接距離d=200 mm時的識別圖。

由圖8可知，無重疊和有重疊識別結果不同，有重疊識別時雖然縫隙焊接寬度和橫向灰度值平均g達到標準，但其橫向灰度值平均出現(xiàn)了多個波峰，即被判定為無縫隙。而無重疊識別時，橫向灰度值平均在波峰處波動較小，可有效對其進行識別。由此說明在縫隙焊接識別定位時，無重疊比有重疊更具優(yōu)勢。

3.5 性能評估

為驗證本研究基于圖像處理的縫隙焊接識別方法的性能，研究從識別率方面對算法進行了驗證，并對比了Ostu識別方法，驗證結果如表1所示。由表1可知，有重疊識別的檢測率最高，達到91.5%;其次為無重疊識別，Ostu識別率最低，為63.4%。分析其原因，可能是有重疊識別的圖像區(qū)域更大，獲取的特征信息更豐富;而無重疊識別僅反映了單一區(qū)域的特征信息，故其檢測率低于有重疊識別。Ostu識別由于其抗干擾能力較差，因此其整體檢測率較低。

4 結語

綜上所述，本研究提出的基于圖像處理的縫隙焊接識別方法，通過圖像特征提取可有效提取有重疊圖像特征和無重疊圖像特征，然后通過LM改進的BP網絡，可有效對縫隙焊接圖像和非縫隙焊接圖像進行分類;最后通過橫向灰度值平均判斷方法，可對不同光照條件的縫隙焊接進行有效識別定位，且有重疊識別的檢測率達到91.5%，無重疊檢測率達到86.3%，相較于Ostu識別，本研究識別方法性能更好。但本研究在縫隙焊接識別中仍存在一些不足，如本研究的縫隙焊接樣品均選自同一廠家提供的焊管，沒有對其他樣品進行實驗。這導致本研究算法雖在理論上具有一定的適用性，但無法證明其廣泛的適用性，因此下一步將從這一方面進行深入研究。

【參考文獻】

[1] 周琛，何建，胡暮平，等.基于L（0，2）超聲導波的管段結構損傷定位研究[J].儀器儀表學報，2020，41（12）：181-191.

[2] 支澤林，姜洪權，楊得焱，等.圖譜數(shù)據深度學習融合模型及焊縫缺陷識別方法[J].西安交通大學學報，2021，55（5）：73-82.

[3] 胡韻松，王軍民，付嘉瑋，等.基于線結構光的亞像素精度焊縫提取方法研究[J].計算機測量與控制，2020，28（7）：162-166.

[4] 劉東來，崔亞飛，羅輝，等.基于機器視覺的弧焊機器人焊縫識別及路徑生成研究[J].制造技術與機床，2021（12）：26-32.

[5] 楊國威，周楠，楊敏，等.融合卷積神經網絡和相關濾波的焊縫自動跟蹤[J]中國激光，2021，48（22）：111-121.

[6] 蔣寶，徐冬至，黃瑞生，等.基于視覺傳感的焊接機器人焊縫識別跟蹤技術研究現(xiàn)狀[J].金屬加工（熱加工），2022（1）：10-17.

[7] 廉杰，呂學勤，顧冬霞，等.基于焊縫圖像信息的光條紋中心線提取[J].上海電力大學學報，2021，37（2）：195-199.

[8] 成慧翔，馬艷娥，李新衛(wèi).基于改進神經網絡的激光焊接偏差智能識別研究[J].激光雜志，2021，42（12）：165-169.

[9] 段萬政，郭波，曾瑄，等.基于改進Edlines算法的坡口邊緣識別研究[J].南昌工程學院學報，2021，40（1）：77-82.

[10] 何煊，李冰，翟永杰.基于視覺傳感的薄板焊縫識別方法研究[J].現(xiàn)代電子技術，2021，44（12）：16-20.