基于信息融合与多图像特征获取的焊道自动识别

研究了焊接过程中焊道的自动识别,针对单一的图像特征提取方法难以适应复杂和多变工况的现状,采用基于信息融合与多图像特征获取的焊道自动识别方法,抽象出焊缝边沿形貌和灰度特征的概率密度和置信度,利用信息融合算法,构造了多图像特征信息融合识别结果的决策函数,在灰度和焊缝形貌特征变化时实现了焊缝的精确定位。实验表明,基于信息融合与多图像特征获取的焊道自动识别的算法提高了焊道识别的稳定性和准确度,有效解决了单一特征图像处理过程中由于系统某一特征的变化而带来的识别出错和失效难题,为实现焊道的自动识别提供了一种行之有效的方法。     

基于OpenCV的焊缝图像识别算法研究

针对自动焊机器人的视觉引导问题,提出了一种基于OpenCV计算机视觉库的焊缝识别算法。焊缝边缘是焊接图像识别中的重要特征,文中使用分水岭算法进行前景检测与图像分割,Canny算法进行边缘提取,Hough直线检测算法提取焊缝边缘特征,实现对焊缝的图像识别,并加入自动阈值提高算法适用性。识别程序通过Python语言实现,结果表明,该算法计算效率高、适用性强,可以满足机器视觉引导系统中的要求。     

基于改进的边界追踪算法的管道法兰焊缝识别

针对目前管道法兰焊接中存在的缺点,文中对管道法兰焊缝进行先检测后识别,提出了一种基于改进的边界追踪算法的管道法兰焊缝识别方法.在焊缝检测阶段,利用曲率角估计的方法精确确定焊缝位置.在焊缝识别阶段,利用膨胀和掩码操作,根据检测到的焊缝位置,提出了一种在原图中设置不规则感兴趣区域的方法;细化边缘,并提出一种过滤伪边缘的算法.通过实际焊缝的试验验证,结果表明,基于改进的边界追踪算法的管道法兰焊缝识别方法能够准确的识别焊缝边缘,并且系统的识别稳定性好.     

微间隙焊缝磁光图像增强方法

针对激光焊接紧密对接焊缝(焊缝间隙不大于0.1 mm),研究焊缝图像增强方法,提出利用自适应中值滤波法去除焊缝磁光图像噪声,并结合小波变换图像增强技术,进一步突出焊缝过渡带边缘特征,实现焊缝位置的识别。试验结果表明,自适应中值滤波融合小波变换图像增强算法能够准确地识别焊缝过渡带并提取焊缝中心坐标,为焊缝的准确识别与跟踪奠定基础。     

基于视觉传感的焊缝中心检测技术研究

通过视觉传感器获取焊缝图像，采用多种去噪技术对焊缝图像中的噪声进行滤波试验。针对焯缝图像中的干扰噪声特性，对各种滤波方法进行了分析和比较，并对滤波效果较好的焊缝图像进行边缘检测计算。提出3种识别焊缝特征的组合图像处理方法，并研究提取焊缝中心特征信息的效果和精度。试验结果表明，对焊缝图像采用Wiener滤波与Robert边缘检测算法能较好地提取焊缝中心位置的特征信息。     

基于焊缝纹理特征的视觉识别方法

基于焊缝纹理特征的视觉识别方法,对于在多层多道焊的后续焊、盖面焊步骤中实现焊缝自动跟踪具有重要意义.从充分利用焊缝图像纹理特征的思路出发,分别对焊缝视觉识别的两个步骤(图像处理和位置识别)进行了方法探究和算法设计.在图像处理中使用了±45.的Sobel算子进行边缘检测,在位置识别中结合了投影法和区域积分的方法,用以确定焊缝中轴线的位置.结果表明,提出的方法在原理上简单易行,且能够同时满足实时性和准确性的要求.     

基于束波变换的焊缝图像处理技术

叙述了束举步维艰变换的原理,提出一种基于束以变换的焊接缝边缘检测算法,并增加了方向阈值.为了可靠地检测低信噪比的加噪焊缝图像中的焊缝边缘特征,提出了一种二次扫描方法.利用海底干式高压焊接舱中获取的原始焊缝图像和加噪图像进行了焊缝边缘提取试验.结果表明,算法能从富含噪声的焊缝图像中直接检测出焊缝边缘,而无须进行任何预处理或后处理,极大地提高了焊缝图像处理的效率.试验还表明,算法具有很强的抗噪性能,其与二次扫描方法相结合,特别适合于提取低信噪比的焊缝图像中的直线特征.     

紧密对接焊缝多尺度形态学磁光成像检测方法

利用磁光传感器获取紧密对接微间隙（0~0.1 mm）焊缝磁光图像.针对传统形态学图像处理方法检测微间隙焊缝时容易出现边缘细节丢失的问题和存在检测精度不高的缺点,在四个不同方向上各选取三种不同尺度的结构元素,应用多尺度多结构元素形态学方法提取微间隙焊缝边缘信息,并与小波边缘检测和Sobel边缘检测结果相比较.在激励磁场变化情况下进行三组试验,分别采用多尺度形态学算法和传统形态学算法提取焊缝中心位置.结果表明,多尺度多结构元素形态学算法能更有效地检测出微间隙焊缝中心位置,为紧密对接焊缝的识别与跟踪控制提供试验依据.     

焊缝识别算法的参数优化设计

利用正交设计方法对焊缝识别算法进行参数优化,以线性滤波、二值化、边缘提取法和宽度识别法为因素因子,对各因素的影响因子进行分析,分辨出各因素对识别焊缝宽度的主次关系。通过正交设计的极差和方差分析,得出焊缝识别算法的最优解,并对各因素间的交互作用进行系统地分析,确定因素间的相互作用对试验结果的影响程度。试验结果表明,正交设计方法适用于焊缝图像处理与识别领域,能够为焊缝识别算法的优化提供正确的分析标准。     

基于Canny算子的焊缝图像边缘提取技术

焊缝边缘是焊缝图像的最主要特征,选用适当的边缘检测算子得到准确的焊缝信息是焊缝图像处理的关键步骤.选用并研究Canny算子来提取焊缝的边缘特征,详尽地叙述Canny算子的基本原理和算法实现过程.最后为了验证Canny边缘检测算子的效果,分别用Canny、Kirsch、Prewitt、Robert、Sobel和Gauss-Laplace算子对焊缝图像进行边缘检测试验,根据边缘处理结果和焊缝中心坐标图像,得出Canny边缘检测算子是边缘检测的一种十分有效的方法,适合于视觉传感的焊缝跟踪图像处理过程.     

基于多探头源数据融合的焊缝缺陷识别

当今的无损检测领域中,缺陷性质的识别是检测的难点,为此研究了一种基于多探头源数据融合的焊缝缺陷识别新方法.该方法通过对多探头信息的融合,提高了检测结果的可靠性及缺陷识别的准确性.选用两个不同入射角度的斜探头对含有气孔、夹渣、裂纹、未焊透和未熔合五类典型焊接缺陷的焊件分别进行了检测,提取缺陷的超声回波信号特征,构建基于特征层和决策层两级融合的多探头源缺陷智能识别分类器,实现五类焊缝缺陷的多源数据融合识别.在特征融合层采用了BP神经网络作为特征融合器,并利用其融合输出构建每个探头源的基本概率分布函数及其对每类缺陷的基本概率赋值.在决策融合层利用D-S证据理论,合并每个探头源的基本概率分布函数,实现缺陷的融合智能识别.结果表明,该方法融合了多探头源的互补信息,有效的提高了缺陷的识别率,有助于焊缝质量的评定.     

基于空间位置和轮廓线距离的船舶焊缝特征参数提取

为了实现船舶焊接件数字模型中焊缝特征参数的精确提取,进而完成机器人数据库系统中焊接工艺的自适应快速匹配和快速选择,提出了基于空间位置和轮廓线距离的船舶焊缝特征参数提取算法.首先基于海伦公式识别待判定面来确定接头空间位置关系,并结合最小轮廓线距离完成焊缝特征识别;然后基于轮廓线总条数和最小轮廓线距离的两端点,识别出焊缝坡口处特征点及线;最后基于三类焊接接头所建的数学模型提取出与焊接工艺相关的焊缝特征参数.测试结果表明,文中焊缝特征参数提取算法能准确识别4类接头形式和10种坡口类型,以及准确提取焊缝间隙、坡口夹角和焊接件板厚等参数,具有焊缝特征识别广且信息提取齐全的优点.与其他相关识别算法相比,文中算法的识别率达到100%,而识别效率提升了16.06%,从而进一步验证了算法的有效性.     

厚板T形接头焊接位置自主决策贝叶斯网络的实现

提出了一种基于贝叶斯网络模型的厚板T形接头GMAW焊接位置的实时自主决策方法。该方法首先根据视觉传感获得的坡口轮廓特征信息,将焊脚要求和当前填充状态转换为视觉描述特征,实现上述信息的实时判定,利用实时识别的焊缝轮廓特征点、判定的焊接状态建立贝叶斯网络模型,并依据焊接经验设计先验概率计算方法,利用自适应重要性抽样算法,基于最大后验概率准则实现焊接位置实时决策。 结果表明,与层次分析法的对比,提出的该模型能满足不同厚度T形接头多道焊焊接位置实时自主决策要求,具有更高的决策稳定性,对伪特征点的抗干扰能力强,其决策结果与依据焊接经验实施的决策结果一致,正确率约为95%。 该方法能提高焊接效率,同时可为提高厚板GMAW自动化焊接水平提供实现的途径。 创新点： (1)根据视觉传感获得的坡口轮廓特征信息,将焊脚要求和当前填充状态转换为视觉描述特征,实现上述信息的实时判定。 (2)利用实时识别的焊缝轮廓特征点、判定的焊接状态建立贝叶斯网络模型。 (3)依据焊接经验设计了贝叶斯网络中相应节点的先验概率计算方法。     

结构光视觉鲁棒焊接接头跟踪

针对焊接时严重的干扰降低了接头特征提取效率的问题,提出了一种预测-匹配-估计的闭环递推机制来完成起弧下的接头特征跟踪检测.通过对焊接接头位置与形状的预测给出了结构光轮廓信号在图像中所在的区域,进一步通过基于模型的轮廓匹配方法识别出焊缝接头,最后利用基于可信度的滤波方法估计出合理的焊接轨迹,结果表明,该方法不仅明显地提升了焊缝接头轮廓识别的成功率和实时性,即使在面对接头特征识别结果出现粗值或者提取失败的不利情况下,依旧能够保证焊缝跟踪的可靠性.     

Method of weld recognition based on textural feature matching

In this paper an automatic visual method of seam recognizing and seam tracking based on textural feature matching was proposed,in order to recognize the weld of multi-layer or multi-pass welding in which the weld is difficult to be recognized by conventional visual methods.This method focuses on the obvious difference of image textural feature between the weld region and the base metal region,as well as the similarity of the textural features along the welding direction.The method consists of the following steps: setting image template and choosing the edge region as ROI (region of interest),extracting the image textural feature of the template and the edge region,feature matching,and recognition of weld region.Experiment showed that the method proposed was effective for weld seam recognition in multi-layer welding.     

基于Kalman滤波的磁控旋转电弧传感器焊缝跟踪偏差预测

针对磁控摆动电弧扫描焊缝获取有用信息量少的问题,提出了一种基于Kalman滤波的磁控旋转电弧传感器焊缝跟踪偏差预测方法. 文中简述了磁控旋转电弧传感器的基本原理,对磁控旋转电弧的运动轨迹进行了仿真,利用位置传感器对电弧进行定位,采用四分圆周采样法,运用Kalman滤波原理进行滤波处理,分析了这种方法的基本原理和计算步骤,在此基础上得到空间曲线焊缝的偏差信息,并引入加权预测矫正因子对焊缝的偏差信息进行预测矫正. 结果表明,该方法用于磁控旋转电弧焊缝自动跟踪可行,提高了焊缝跟踪的精度,为预测方法用于焊缝偏差算法提供了科学依据.     

基于激光视觉的薄板焊缝跟踪方法研究北大核心

由于示教型焊接机器人在进行汽车薄板件连续焊工艺时存在装夹误差和热变形等问题,导致焊缝实际轨迹与示教轨迹存在较大误差。为提高焊接质量,基于焊接机器人构建激光视觉焊缝检测跟踪系统,提出基于目标估计准则的焊缝跟踪算法,实时跟踪焊缝中心点三维位置变化。以传统图像处理法提取初始帧焊缝特征点,通过改进的孪生神经网络对强干扰下的焊缝特征点进行跟踪提取。通过坐标转换得到机器人基坐标系下的焊缝中心特征点三维坐标。结果表明:该算法能精确提取跟踪焊缝特征点,平均误差为0.48 mm,平均帧率为90帧/s,优于传统图像处理方法和基于相关滤波的方法,能够实现快速准确的跟踪。     

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.     

基于视觉注意机制的机器人厚板焊接焊缝轮廓的识别

设计了一种视觉传感器同时采集熔池和焊缝轮廓, 并提出一种基于视觉注意机制的机器人厚板焊接焊缝轮廓的提取方法. 该方法以图像的亮度信息和方向信息作为初级视觉特征,并以焊缝图像作为亮度特征图,把对焊缝图像进行膨胀处理再进行Gabor滤波的结果作为方向特征图. 对上述两种特征图进行显著性度量,然后对度量结果进行自适应特征融合获取综合显著图,并对其进行阈值分割和最近邻聚类. 结果表明,最后在所有类别中以成员数最多的类所覆盖的区域作为最先被注意的区域,而其包含的数据即为焊缝轮廓信息.     

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.