[发明专利]基于视觉注意的厚板T形接头GMAW焊接焊缝轮廓提取方法

说明书

本发明公开基于视觉注意的厚板T形接头GMAW焊接焊缝轮廓提取方法，包括以下步骤，通过视觉注意模型对CCD采集到焊缝图像进行预处理，抑制图像中的高频干扰；采用阈值分割的方法将焊缝轮廓与显著干扰分割开来，去除分割开的显著干扰；采用改进的近邻聚类算法对图像进行分类，提取出图像中的焊缝轮廓；计算提取出的焊缝轮廓的横向宽度，根据提取出的焊缝轮廓的横向跨度与图像的宽度的比值对阈值分割算法进行反馈调节；对焊缝轮廓进行补全，得到完整的焊缝轮廓。具有降低时间消耗、测量精度高以及鲁棒性强等优点。

技术领域

本发明涉及自动化焊接技术领域，特别涉及基于视觉注意的厚板T形接头GMAW焊接焊缝轮廓提取方法。

背景技术

随着工业的发展，由人工来完成的传统焊接工作，极大地受焊接工人技术水平的影响，焊接质量无法保证，焊接效率和精度低。传统的手工焊接已经无法满足工业的发展，焊接自动化成为焊接技术发展的必然趋势。其中，焊缝图像处理是焊接机器人视觉系统的关键部分，是实现焊接自动化的关键。焊缝图像处理是通过图像处理算法和计算机对原始焊缝图像进行变换，以获得的符合要求的目标图像或图像中的特征目标图像。焊接焊缝的提取是焊缝图像处理中最重要的步骤，它需要采用特定的图像处理算法对数字图像矩阵进行运算，计算量通常非常大。因此，快速高效的图像处理算法对提高视觉系统的实时性有很大的好处。视觉注意机制可以模拟人的视觉系统，将图像中的目标区域快速筛选出来，使计算机资源的分配更加合理、可靠，使计算机能像人类处理图像一样高效，这对于充分利用计算机资源，更好地、更高效地处理图像任务具有重要意义。

现有的大部分焊缝轮廓提取算法都无法适用于厚板的焊接焊缝以及强干扰背景下的焊缝图像，存在普适性与鲁棒性差等问题。

发明内容

针对现有技术中的上述不足，本发明提供了基于视觉注意的厚板T形接头GMAW焊接焊缝轮廓提取方法，其对具有强电弧光干扰的焊接情景下，通过对算法过程的优化，实现在强干扰背景下的焊缝轮廓的准确提取。

为了达到上述发明目的，本发明采用的技术方案为：

基于视觉注意的厚板T形接头GMAW焊接焊缝轮廓提取方法，包括以下步骤：

步骤一：通过视觉注意模型对CCD采集到焊缝图像进行预处理，抑制图像中的高频干扰；

步骤二：采用阈值分割的方法将焊缝轮廓与显著干扰分割开来，去除分割开的显著干扰；

步骤三：采用改进的近邻聚类算法对图像进行分类，提取出图像中的焊缝轮廓；

步骤四：计算提取出的焊缝轮廓的横向宽度，根据提取出的焊缝轮廓的横向跨度与图像的宽度的比值对阈值分割算法进行反馈调节；

步骤五：对焊缝轮廓进行补全，得到完整的焊缝轮廓。

进一步的，所述步骤一中的视觉注意模型为Itti模型，该模型能够抑制图像中的高频部分干扰，增大图像中的显著区域的对比度，突出图像中的焊缝轮廓，为后续焊缝轮廓的提取打下了坚实的基础。

进一步的，所述步骤二的阈值分割为基于直方图均衡化的自适应阈值分割，具体步骤为，

S1、通过直方图均衡化使图像的直方图分布更加均匀，增强了显著区域的对比度，并使得显著区域更加密集；

S2、通过直方图中的灰度变化率的临界值来确定阈值，对图像进行分割，去除图像中的显著干扰，得到图像中的显著区域。

进一步的，所述S2中灰度变化率的临界值，主要是由焊缝图像直方图中的不同灰度变化率时进行阈值分割后图像中的像素数与灰度变化率为1时进行阈值分割后图像中的像素数之比确定的。

进一步的，所述S2中去除图像中的显著干扰的具体步骤为，