基于Contourlet和KPCA的焊接缺陷图像特征提取

为了进一步提高焊接缺陷识别的准确度和效率,提出了一种基于Contourlet变换和混沌粒子群优化核主成分分析(kernel principal component analysis,KPCA)的焊接缺陷图像特征提取方法.首先通过Contourlet变换将焊接缺陷图像进行多尺度分解,提取低频分量和特定方向上的高频分量;然后运用混沌粒子群优化后的KPCA分别提取缺陷训练样本和缺陷测试样本的特征;最后根据测试样本特征与训练样本特征之间的欧式距离确定缺陷测试样本的类型.结果表明,与基于核主成分分析特征提取法、基于小波的核主成分分析特征提取法相比,文中方法提取的特征更为完整,识别率更高,运行速度较快.     

焊接检验及其设备

20092236GMAW短路过渡焊接熔池的视觉检测/王德民…//焊接学报.-2008,29(10):84~88针对GMAW短路过渡焊接过程的熔池视觉检测,采用普通工业CCD摄像机,通过光谱分析选择窄带复合滤光器。设置了CCD摄像机曝光时间,分析短路过渡电压波形,确定了CCD摄像机采集时刻并设计了短路检测及CCD摄像机外触发电路,准确地将CCD摄像机的曝光时刻定位于短路过渡阶段。提出了正前方小角度和正后方大角度的图像采集方式。结果表明,采用以上图像采集方案,利用普通工业CCD摄像机可拍摄到连续清晰且不失真的熔池图像。并设计了图像处理算法,提取出完整的熔池边缘。图9参620092237基于纹理特征的焊缝识别方法/王胜华…//焊接学报.-2008,29(11):5~8提出了一种基于纹理特征的焊缝自主识别视觉方法。不同于通常利用被焊工件的宏观结构特征的主动视觉和利用工件图像中明显的灰度梯度的被动视觉,该方法利用待焊区(焊缝位置)与母材区之间明显的纹理特征差异来实现;能够解决多层多道焊后几层、道次的焊接时通常视觉方法不易识别焊缝的问题。在该方法中,先对图像进行纹理分析,提取纹理特征,再利用待焊区和母材区的纹理特征差异,...     

焊接检验及其设备

20092236GMAW短路过渡焊接熔池的视觉检测/王德民…//焊接学报.-2008,29(10):84~88针对GMAW短路过渡焊接过程的熔池视觉检测,采用普通工业CCD摄像机,通过光谱分析选择窄带复合滤光器。设置了CCD摄像机曝光时间,分析短路过渡电压波形,确定了CCD摄像机采集时刻并设计了短路检测及CCD摄像机外触发电路,准确地将CCD摄像机的曝光时刻定位于短路过渡阶段。提出了正前方小角度和正后方大角度的图像采集方式。结果表明,采用以上图像采集方案,利用普通工业CCD摄像机可拍摄到连续清晰且不失真的熔池图像。并设计了图像处理算法,提取出完整的熔池边缘。图9参620092237基于纹理特征的焊缝识别方法/王胜华…//焊接学报.-2008,29(11):5~8提出了一种基于纹理特征的焊缝自主识别视觉方法。不同于通常利用被焊工件的宏观结构特征的主动视觉和利用工件图像中明显的灰度梯度的被动视觉,该方法利用待焊区(焊缝位置)与母材区之间明显的纹理特征差异来实现;能够解决多层多道焊后几层、道次的焊接时通常视觉方法不易识别焊缝的问题。在该方法中,先对图像进行纹理分析,提取纹理特征,再利用待焊区和母材区的纹理特征差异,...     

基于磁光图像纹理特征的焊缝识别

研究一种基于磁光图像纹理特征的紧密对接焊缝(间隙小于0.1mm)的焊缝识别方法。与传统采用视觉传感器捕捉焊缝图像并利用焊缝灰度梯度特征进行焊缝边缘检测方法不同,通过磁光传感器采集焊接区域紧密对接焊缝图像,焊件在磁场激励器作用下形成反映焊缝位置特征的磁光图像,利用焊缝位置和母材的磁光成像纹理差异识别焊缝位置。对磁光图像的待焊区和母材区进行纹理分析,提取纹理特征,再利用纹理特征差别,将磁光图形划分为若干子区域,进行图像分割,确定焊缝区域。试验结果表明,该方法能够精确地识别微间隙紧密对接焊缝。     

基于纹理特征的焊缝识别方法

提出了一种基于纹理特征的焊缝自主识别视觉方法.不同于通常利用被焊工件的宏观结构特征的主动视觉和利用工件图像中明显的灰度梯度的被动视觉,该方法利用待焊区(焊缝位置)与母材区之间明显的纹理特征差异来实现;能够解决多层多道焊后几层、道次的焊接时通常视觉方法不易识别焊缝的问题.在该方法中,先对图像进行纹理分析.提取纹理特征,再利用待焊区和母材区的纹理特征差异,采用图像分割的方法,确定焊缝区域位置以及焊缝中心.结果表明,该方法能够适用于多层焊盖面焊焊缝识别.     

焊接缺陷磁光成像纹理特征GLCM-Gabor识别方法

一种基于磁光图像纹理特征的焊接缺陷无损检测方法,首先用法拉第磁致旋光效应,结合漏磁场及磁畴理论分析焊接缺陷与磁光图像关系.针对缺陷磁光图像特点,通过灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取磁光图像纹理特征.由于裂纹和凹坑的GLCM纹理特征参数区分度不高,提出用Gabor变换法进一步提取磁光图像纹理特征.将GLCM-Gabor纹理特征作为输入量,用支持向量机(support vector machine,SVM)构造缺陷分类模型.结果表明,该方法可有效识别焊缝表面及亚表面特征(凹坑、裂纹、未熔透、无缺陷),分类模型整体识别率可达89.7%.     

高强钢薄钢板焊缝高精度视觉跟踪控制

针对薄钢板焊缝焊接机器人,提出一类高精度、柔性的视觉跟踪控制方法,以实现窄焊缝的在线实时感知和视觉控制。提出了一种抗干扰能力强的焊缝图像处理方案,实现窄焊缝特征的可靠提取和通信传输。提出了一种基于图像的闭环视觉控制方法,开发了视觉控制器及其执行系统,实现了焊接机器人焊缝轨迹的实时高精度跟踪。实验结果表明,该视觉控制方法对弧光、烟雾、飞溅和外界照明变化具有很强的鲁棒性,可以精确地识别出焊缝特征坐标,快速地实现焊枪对焊缝的跟踪,达到了期望的控制精度和焊接质量,结果令人满意。     

高强钢焊接缺陷磁光成像分形特征检测

研究一种基于磁光成像原理的焊接缺陷无损检测新方法.以高强钢表面微小焊接缺陷为例,采用分形维数对焊缝磁光图像进行特征识别并估计最优尺度,根据Adabost分类算法对提取的焊接缺陷特征进行分析和训练,构建焊接缺陷特征量并对高强钢表面缺陷磁光图像进行自动识别.结果表明,运用磁光成像方法可以获取高强钢焊接缺陷特征,并通过图像分形维数分析可识别焊缝缺陷的位置、形状和类别.     

弧焊机器人中焊缝的识别处理

图像的处理与识别在焊接机器人的视觉系统中起着关键的作用,在本试验中通过摄像头拍摄焊缝,获取原始图像,然后通过图像采集卡将拍摄的图片采集到计算机内部,对原始图进行灰度处理、滤波、阈值处理,提取出焊缝的初始轮廓,由计算系统进行处理,提取出轮廓特征,然后转换为计算机容易识别的数据,机器人焊接系统根据这些有用数据对目标对象进行控制、监测或其他操作,以实现焊接生产智能化、提高焊缝质量和焊接生产率.提供给弧焊机器人的视觉处理系统的这些数据,可以提高弧焊机器人的焊接精度,实现自动纠偏,并对焊接系统提供可靠的数据.     

基于视觉传感器的焊缝图像识别与跟踪控制技术研究

针对传统"示教法"机器人焊接效率低、精度不高的问题,基于视觉传感技术对焊缝图像识别与跟踪技术进行研究。利用中值滤波和阈值分割的方法对图像进行预处理,并采用动态ROI提取与最小二乘法相结合的方法提取焊缝特征点,以解决弧光、飞溅等因素对图像的影响。同时,设计了激光焊缝跟踪系统,并将焊枪姿态作为指标对对焊缝的跟踪效果进行了实验分析。研究结果表明:所设计的视觉传感系统可有效提取焊接图像特征,识别精度高。焊缝跟踪系统可实时校正焊枪位置,焊枪高度误差始终保持在0. 2 mm以内,焊缝角度识别误差不超过0. 4°,说明该系统抗干扰能力强,焊接精度高,实时性好。     

棱形管与法兰角焊缝图像处理及特征提取

由于棱形管与法兰角焊缝的位置多变,且实际生产中棱形管端面加工精度不高,自动化焊接程度低,文中搭建了一套棱形管与法兰环焊缝的自动化焊接系统,对于提高棱形管与法兰焊接的自动化程度有较大的应用价值。该系统通过CMOS相机和单条纹激光组成激光视觉传感器,获取角焊缝位置和间隙信息。针对采集的图像及工件特征,设计了适合的图像处理算法,首先采用了灰度变换、均值滤波和形态学处理的方法对图像进行预处理,然后根据对激光条纹图像灰度值分析结果,寻找合适的阈值,并采用极值法提取光条中心点,最后采用霍夫变换拟合直线,提取出角焊缝位置信息,并提出激光条纹端点搜索方法,提取出了角焊缝间隙大小。结果表明,该图像处理方案效果较好,抗干扰能力较强,可以准确的提取出焊缝中心位置和间隙大小,满足焊接机器人对焊缝跟踪的要求以实现自动化焊接。 创新点： (1)设计出适用于棱形管与法兰角焊缝的自动化焊接系统。 (2)设计了适用于该系统的焊缝中心位置提取算法。 (3)设计了角焊缝间隙提取算法。     

焊缝缺陷图像特征提取的研究

由于焊缝缺陷图像存在噪声多、对比度不高、图像边缘模糊等缺点,从而影响到焊缝缺陷区域特征的提取,不利于焊缝缺陷的分类和识别。文中针对焊缝缺陷图像的复杂性,提出了一种有效提取焊缝缺陷区域特征的方法。首先对焊缝图像进行图像预处理、图像分割、缺陷图像背景去除,提取到焊缝缺陷区域;然后采用8连通区域标记的方法对处理之后的二值化缺陷图像进行标记;最后对每一个标记后的缺陷区域的周长、面积、圆形度等几何参数进行提取。试验结果表明,这种图像处理的方法能较准确地提取出焊缝缺陷图像的特征,具有良好的适应性与实用性。     

压力容器焊缝检测机器人焊缝跟随系统设计

采用图像模块,采集机器人行驶路径上的焊缝图像数据,通过无线网络将图像数据传至上位机,上位机系统利用图像处理算法,提取图像中的焊缝,进一步生成机器人行走控制命令,控制机器人对行驶路径进行修正,达到跟随焊缝的效果。实验结果表明,该系统能对行驶路径上的焊缝进行实时识别和跟随,当爬壁机器人初始位置与焊缝位置偏差较大时,仍然能自我修正行驶方向,使得爬壁机器人行驶方向与焊缝位置重合。     

基于最小二乘支持向量机的激光拼焊焊缝识别

激光拼焊焊缝质量结构光视觉检测中,对焊缝的准确识别是实现高精度检测的关键. 针对检测图像中结构光光纹畸变特征不明显,无法准确识别焊缝的问题,依据焊缝纹理特征信息,提出了一种基于最小二乘支持向量机的焊缝识别方法. 首先,分析并提取焊缝区和非焊缝区差异明显的纹理特征. 其次,训练最小二乘支持向量机模型,对焊缝进行粗识别. 最后,采用Laws纹理滤波提取焊缝区域,并通过阈值分割方法精确识别焊缝. 针对不同工艺参数下的激光拼焊焊缝开展焊缝识别试验,结果表明,该方法能够有效地识别焊缝.     

基于超声信号和图像融合的焊缝缺陷识别

超声无损检测已被广泛用来检测材料内部的缺陷,然而对缺陷性质的识别始终是检测的难点,为此研究了一种基于超声信号和图像融合的焊缝缺陷识别新方法.该方法充分利用检测数据,通过对缺陷回波信号特征与缺陷形态特征的数据融合,实现了焊缝缺陷的有效识别.利用自主研制的超声成像手动检测系统对含有气孔、夹渣、裂纹、未焊透和未熔合五类典型焊接缺陷的焊件进行了检测,分别提取缺陷的超声回波信号特征和缺陷图像的形态特征,构建神经网络实现超声信号和图像特征的数据融合.结果表明,该方法实现了多类缺陷的识别,提高了缺陷识别率,有助于焊缝质量评定.     

焊缝表面缺陷激光视觉传感HOG-SVM的检测方法

为了实现对焊缝表面缺陷的自动检测与分类,研究一种有效识别焊缝表面缺陷的激光视觉检测方法.通过激光视觉传感器采集焊缝图像并进行预处理,包括图像分割,灰度化,平滑去噪以及焊缝轮廓提取.采用方向梯度直方图(Histogram of Oriented Gradient, HOG)提取焊缝激光条纹轮廓图像的特征向量.其次,基于5折-交叉验证网格搜索方法进行模型参数寻优,最终建立了支持向量机(Support Vector Machine, SVM)智能模型识别与分类焊缝表面缺陷.通过调整焊缝轮廓提取算法、HOG特征维度得到不同特征数据并进行对比、分析焊缝缺陷的识别效果.在相同试验条件下,发现支持向量机比随机森林分类器、K最近邻分类器以及朴素贝叶斯分类器的识别率更高,达到97.86%.基于HOG-SVM的焊缝表面缺陷智能识别方法可有效提高焊缝缺陷(气孔、凹陷、咬边)及无缺陷的分类精度.     

基于图像空间的焊接机器人起始点自动识别与自动控制

以集装箱薄钢板对接焊为背景,提出了一种焊接机器人起始点自动识别与焊枪精确对位的图像空间控制方法。分别以迭代圆形霍夫变换方法、直线霍夫变换方法确定了包含焊枪特征点的圆形感兴趣区域,实现焊枪特征点、焊缝直线的识别和焊缝特征点提取,设计了基于图像空间的焊缝起始点视觉控制策略,实现了起始点的精确定位控制。实验表明:该方法能够精确地识别焊缝特征和焊枪坐标,快速精确定位焊枪,具有较好的鲁棒性。     

基于线结构光视觉的焊缝类型识别与特征提取

提出一种基于概率神经网络的焊缝类型识别和亚像素级焊缝检测与特征提取算法。先对激光视觉传感器采集的焊接图像进行兴趣区提取、滤波、二值化等预处理操作,再采用概率神经网络识别焊缝类型,采用改进的Steger算法提取激光条纹中心线,并根据不同焊缝类型从Hough变换所得的条纹中心直线中提取出焊缝中心点位置、焊缝宽度等特征信息。实验结果表明,该方法的焊缝类型识别率和特征提取精度较高,具有很好的实用价值。     

机器人焊接轨迹自动跟踪视觉技术研究

针对目前机器人焊接常用的自动跟踪视觉技术方法之不足,即传统的主动视觉方法难于识别空间几何特征不明显的结构,而被动视觉方法又过于依赖灰度梯度特征,在阐述分析焊缝跟踪视觉技术实际应用情况的基础上,提出了利用焊缝纹理特征的视觉检测新思路,给出了基于纹理特征匹配和纹理分割的二种实现方法,并就具体的焊缝图像分析算法的可行性和适用性进行了研究和验证.所提出的在线视觉技术方法为更好地实现机器人多层多道电弧焊接轨迹自动跟踪提供了新的途径.     

基于多结构元素形态学的射线焊缝缺陷检测方法

针对射线探伤中采集的焊缝图像存在对比度低,噪声干扰及边界模糊等特点,提出了一种基于多结构元素形态学的射线焊接图像缺陷边缘检测方法。在对原始射线焊接图像进行预处理、焊道提取后,选取了多尺度多结构元素,运用灰度形态学方法对焊接图像进行缺陷边缘检测与提取。试验结果表明,对比传统的边缘检测算法,该方法能有效提取图像中的焊接缺陷边缘,且其连续性和完整性较好。