CN101526480B - 基于视觉的薄板对接焊缝实时检测方法 - Google Patents

Abstract

本发明属于检测技术领域，特别涉及一种基于视觉的薄板对接焊缝实时检测方法。首先对焊缝图像进行列扫描和横扫描，得到焊缝的稀疏特征点列，再对特征点列进行基于粒子滤波的二次曲线拟合，实现对薄板对接焊缝的特征曲线参数的检测。由于采用稀疏点列，大大提高了检测速度和跟踪性能，由于采用的粒子滤波算法，不仅可以减小计算量，还可以有效地避免点固点等干扰的影响并提高了检测精度，其实时性能和抗干扰性能都达到了实际焊接的要求，检测实时性能达到了3ms/帧，检测精度达到了0.05mm。

Description

基于视觉的薄板对接焊缝实时检测方法

技术领域

本发明属于检测技术领域，特别涉及一种基于视觉的薄板对接焊缝实时检测方法。

背景技术

薄板对接焊缝具有较窄的焊缝(1mm以下)，较高的焊接速度(1m/min以上)，采用常规的结构光焊缝跟踪难以检测如此小的焊缝，采用常规的视觉检测技术如边缘检测算子，小波变换等，因为消耗较多的计算用时，难以达到薄板对接焊缝的实时速度，并且点固点等干扰对这些算法的影响较大，检测正确性和精度都难以保障。

发明内容

本发明提供了一种基于视觉的薄板对接焊缝实时检测方法，其特征在于，包括以下步骤：

(1)使用工业微型CCD对薄板对接焊缝进行检测，扫描得到焊缝特征点列根据检测得到焊缝图像，进行横扫描，得到焊缝横扫描的灰度值，根据灰度突变的最大的地方，作为焊缝特征点，最后得到整幅图像的焊缝特征点列，该特征点列的数目远小于整幅图像的数据，因此可以大大减少运算量，提高运算速度；

(2)设图像数据点的采样间隔为T，焊缝点列特征点沿垂直方向的坐标为t_k，k为计数标志，焊缝特征点列的沿着垂直轴线的位置、速度、加速度和加加速度分别为：s_k，v_k，a_k，j_k，则

$\left\{\begin{array}{c}{s}_k=s_{k-1}+v_{k-1}T+a_{k-1}\frac{T^2}{2}\\ v_k=v_{k-1}+a_{k-1}T\\ a_k=a_{k-1}+j_{k-1}T\end{array}\right.$

其中：j_k取值为白噪声随机变量，且相邻两个时间间隔的焊缝图像位移

$Z_k=s_{k,H}=K(v_{k-1}T+a_{k-1}\frac{T^2}{2});$

(3)设特征点在t_k位置的状态变量为X_k＝[s_k，v_k，a_k]^T，系统状态转移矩阵Φ_k，k-1，系统噪声矩阵Γ_k-1和量测矩阵H_k可阵描述为：

$\begin{array}{ccc}{\mathrm{\Φ}}_{k,k-1}=\left[\begin{array}{ccc}1& T& T^2/2\\ 0& 1& T\\ 0& 0& 1\end{array}\right]& {\mathrm{\Γ}}_{k-1}=\left[\begin{array}{c}0\\ 1\\ T\end{array}\right]& H_k=\left[\begin{array}{c}0\\ \mathrm{KT}\\ {\mathrm{KT}}^2\end{array}\right]\end{array}$

在此设定下，根据粒子数确定下一个时刻X_k的粒子，特征点列的参数估计系统可描述为：

$X_k^i={\mathrm{\Φ}}_{k,k-1}{X}_{k-1}^i+{\mathrm{\Γ}}_{k-1}{\mathrm{RW}}_{k-1}^i$ i＝1，2…N

Z_k＝H_kX_k+V_k

其中，W_k-1 ⁱ为均方差为1的高斯白噪声，N为粒子数，R为粒子半径，V_k为量测误差且V_k＝δ·s_k＝[KΔs]-KΔs，其中[]代表图像象素取整；

(4)设定各个粒子的初始权重为： ${\mathrm{\ω}}_k^i=1/N$ i＝1，2…N；

(5)确定观测量及权重更新：

$P\left(Z_k^i\right|X_k^i)=\exp (-\frac{1}{{2\mathrm{\σ}}^2}{r}_{I_{k,k-1}}({\mathrm{HX}}_{\mathrm{kH}}^i,{\mathrm{HX}}_{\mathrm{kV}}^i)),$ 进行归一化处理： $P\left(Z_k\right|X_k^i)=\frac{P\left(Z_k^i\right|X_k^i)}{\mathrm{\ΣP}\left(Z_k^i\right|X_k^i)},$

其中，σ为常数，(HX_kH ⁱ，HX_kV ⁱ)为k-1时刻的焊缝模板在(HX_kH ⁱ，HX_kV ⁱ)的位置上与k时刻焊缝图像相关值；

粒子权重更新得到： ${\mathrm{\ω}}_k^i=P\left(Z_k\right|X_l^i){\mathrm{\ω}}_{k-1}^i;$

(6)对系统进行状态估计： $X_k^i={\mathrm{\ω}}_k^i{X}_k^i;$

(7)粒子重采样：

重采样是对粒子权重为最小的粒子，从权值大的粒子上衍生出一些粒子来代替该粒子，其权值重新设置为1/N；

(8)i＝i+1返回步骤(6)重新确定状态X_k ⁱ，直到X_k ⁱ和上次状态估计的距离 $\left|\right|X_k^i-X_k^{i-1}\left|\right|\≤\mathrm{Th}=1e-6$ 时，获得第次的状态估计X_k，采用其状态估计对焊缝采用非遍历递归最小二乘算法进行二次曲线拟合，得到： $y=s+\mathrm{vx}+\frac{a}{2}{x}^2,$ 由焊缝特征曲线参数即可实现对薄板对接焊缝进行跟踪；

(9)k＝k+1返回步骤(5)进行下一时刻的状态估计和跟踪。

所述焊缝特征点列通过对焊缝图像进行一维横扫描或列扫描得到。

本发明的有益效果为：采用了焊缝稀疏特征点列的非遍历递归最小二乘算法，大大提高了检测速度和跟踪性能；采用的粒子滤波算法，不仅可以减小计算量，还可以有效地避免点固点等干扰的影响并提高了检测精度，其实时性能和抗干扰性能都达到了实际焊接的要求，检测实时性能达到了3ms/帧，检测精度达到了0.05mm。

附图说明

图1为集中箱的焊缝照片；

图2为图像横扫描和特征检测结果；

图3为整幅图像的特征点列检测结果；

图4为焊缝特征参数检测流程；

图5为焊缝曲线检测结果。

具体实施方式

本发明提供了一种基于视觉的薄板对接焊缝实时检测方法，下面通过附图说明和具体实施方式对本发明做进一步说明。

本发明使用中国专利CN200920105035.6所述的装置对薄板对接焊缝进行检测。

根据检测得到焊缝图像，进行横扫描，得到焊缝横扫描的灰度值，根据灰度突变的最大的地方，作为焊缝特征点，如图2所示，最后得到整幅图像的焊缝特征点列，如图3所示，该特征点列的数目远小于整幅图像的数据，因此可以大大减少运算量，提高运算速度。

粒子滤波(particle filter)是求解贝叶斯概率的一种实用算法，它通过非参数化的蒙特卡罗模拟方法来实现递推贝叶斯滤波，适用于任何能用状态空间模型表示的非线性系统，以及传统卡尔曼滤波无法表示的非线性系统，其方法灵活，计算量少，速度快，容易实现等优点。

设图像数据点的采样间隔为T，焊缝点列特征点沿垂直方向的坐标为t_k，焊缝特征点列的沿着垂直轴线的位置、速度、加速度和加加速度分别为：s_k，v_k，a_k，j_k。

$\left\{\begin{array}{c}{s}_k=s_{k-1}+v_{k-1}T+a_{k-1}\frac{T^2}{2}\\ v_k=v_{k-1}+a_{k-1}T\\ a_k=a_{k-1}+j_{k-1}T\end{array}\right.---\left(1\right)$

设j_k为白噪声随机变量，且相邻两个时间间隔的焊缝图像位移为：

$Z_k=s_{k,H}=K(v_{k-1}T+a_{k-1}\frac{T^2}{2})---\left(2\right)$

设特征点在t_k位置的状态变量为X_k＝[s_k，v_k，a_k]^T

系统状态转移矩阵Φ_k，k-1，系统噪声矩阵Γ_k-1和量测矩阵H_k可阵描述为：

$\begin{array}{ccc}{\mathrm{\Φ}}_{k,k-1}=\left[\begin{array}{ccc}1& T& T^2/2\\ 0& 1& T\\ 0& 0& 1\end{array}\right]& {\mathrm{\Γ}}_{k-1}=\left[\begin{array}{c}0\\ 1\\ T\end{array}\right]& H_k=\left[\begin{array}{c}0\\ \mathrm{KT}\\ {\mathrm{KT}}^2\end{array}\right]\end{array}---\left(3\right)$

在此设定下，特征点列的参数估计系统可描述为：

X_k＝Φ_k，k-1X_k-1+Γ_k-1W_k-1            (4)

Z_k＝H_kX_k+V_k

其量测误差为：V_k＝δs_k＝[KΔs]-KΔs    (5)

其中[]代表图像象素取整。

采用粒子滤波进行焊缝跟踪流程如下：

1)系统初始化：

设定计数标志k＝0，设定粒子数N＝512，和粒子半径R＝10，确定系统初始状态变量X₀，其中s_0，H，s_0，V为初始位置，v_0，H，v_0，V，a_0，H，a_0，V为零；

2)状态转移：

根据粒子数确定下一个时刻X_k的粒子：

$X_k^i={\mathrm{\Φ}}_{k,k-1}{X}_{k-1}^i+{\mathrm{\Γ}}_{k-1}{\mathrm{RW}}_{k-1}^i$ i＝1，2…N          (6)

其中W_k-1 ⁱ为均方差为1的高斯白噪声；

设定各个粒子的权重为 ${\mathrm{\ω}}_k^i=1/N$ i＝1，2…N；

3)确定观测量及权重更新：

$P\left(Z_k^i\right|X_k^i)=\exp (-\frac{1}{{2\mathrm{\σ}}^2}{r}_{I_{k,k-1}}({\mathrm{HX}}_{\mathrm{kH}}^i,{\mathrm{HX}}_{\mathrm{kV}}^i))---\left(7\right)$

归一化处理得到：

$P\left(Z_k\right|X_k^i)=\frac{P\left(Z_k^i\right|X_k^i)}{\mathrm{\ΣP}\left(Z_k^i\right|X_k^i)}---\left(8\right)$

σ为常数，选取10；(HX_kH ⁱ，HX_kV ⁱ)为k-1时刻的焊缝模板在(HX_kH ⁱ，HX_kV ⁱ)的位置上与k时刻焊缝图像相关值；

粒子权重更新：

${\mathrm{\ω}}_k^i=P\left(Z_k\right|X_l^i){\mathrm{\ω}}_{k-1}^i---\left(9\right)$

4)状态估计：

$X_k^i={\mathrm{\ω}}_k^i{X}_k^i,$ $Z_k={\mathrm{\ω}}_k^i{Z}_k^i,$ $r_k=r_{I_{k,k-1}}(Z_{\mathrm{kH}}^i,Z_{\mathrm{kV}}^i)---\left(10\right)$

基于粒子滤波的焊缝跟踪的算法流程如图4所示；

5)粒子重采样：

重采样即是在出现某些粒子权值太小时，从权值大的粒子上衍生出一些粒子来代替，其权值重新设置为1/N；

6)i＝i+1，返回步骤(4)重新确定状态X_k ⁱ直到X_k ⁱ和上次状态估计的距离 $\left|\right|X_k^i-X_k^{i-1}\left|\right|\≤\mathrm{Th}=1e-6$ 时，获得第次的状态估计X_k，采用其状态估计对焊缝采用非遍历递归最小二乘算法进行二次曲线拟合，得到：

$y=s+\mathrm{vx}+\frac{a}{2}{x}^2---\left(11\right)$

焊缝特征曲线检测结果如图5所示，由焊缝特征曲线参数即可实现对薄板对接焊缝进行跟踪。

7)k＝k+1，返回步骤(3)进行下一时刻的状态估计和跟踪。

Claims (2)

1.基于视觉的薄板对接焊缝实时检测方法，其特征在于，包括以下步骤：

(1)使用工业微型CCD对薄板对接焊缝进行检测，扫描得到焊缝特征点列根据检测得到焊缝图像，进行横扫描，得到焊缝横扫描的灰度值，根据灰度突变的最大的地方，作为焊缝特征点，最后得到整幅图像的焊缝特征点列，该特征点列的数目远小于整幅图像的数据；

(2)设图像数据点的采样间隔为T，焊缝点列特征点沿垂直方向的坐标为t_k，k为计数标志，焊缝特征点列的沿着垂直轴线的位置、速度、加速度和加加速度分别为：s_k，v_k，a_k，j_k，则

$\left\{\begin{array}{c}{s}_k=s_{k-1}+v_{k-1}T+a_{k-1}\frac{T^2}{2}\\ v_k=v_{k-1}+a_{k-1}T\\ a_k=a_{k-1}+j_{k-1}T\end{array}\right.$

其中：j_k取值为白噪声随机变量，且相邻两个时间间隔的焊缝图像位移

(3)设特征点在t_k位置的状态变量为X_k＝[s_k，v_k，a_k]^T，系统状态转移矩阵Φ_k，k-1，系统噪声矩阵Γ_k-1和量测矩阵H_k可阵描述为：

${\mathrm{\Φ}}_{k,k-1}=\left[\begin{array}{ccc}1& T& T^2/2\\ 0& 1& T\\ 0& 0& 1\end{array}\right]$ ${\mathrm{\Γ}}_{k-1}=\left[\begin{array}{c}0\\ 1\\ T\end{array}\right]$ $H_k=\left[\begin{array}{c}0\\ \mathrm{KT}\\ {\mathrm{KT}}^2\end{array}\right]$

在此设定下，根据粒子数确定下一个时刻X_k的粒子，特征点列的参数估计系统可描述为：

$X_k^i={\mathrm{\Φ}}_{k,k-1}{X}_{k-1}^i+{\mathrm{\Γ}}_{k-1}{\mathrm{RW}}_{k-1}^i$ i＝1，2…N

Z_k＝H_kX_k+V_k

其中，为均方差为1的高斯白噪声，N为粒子数，R为粒子半径，V_k为量测误差且V_k＝δ·s_k＝[KΔs]-KΔs，其中[]代表图像象素取整；

(4)设定各个粒子的初始权重为：i＝1，2…N；

(5)确定观测量及权重更新：

进行归一化处理：

其中，σ为常数，为k-1时刻的焊缝模板在

的位置上与k时刻焊缝图像相关值；

粒子权重更新得到： ${\mathrm{\ω}}_k^i=P\left(Z_k\right|X_k^i){\mathrm{\ω}}_{k-1}^i;$

(6)对系统进行状态估计： $X_k^i={\mathrm{\ω}}_k^i{X}_k^i;$

(7)粒子重采样：

重采样是对粒子权重为最小的粒子，从权值大的粒子上衍生出一些粒子来代替该粒子，其权值重新设置为1/N；

(8)i＝i+1返回步骤(6)重新确定状态直到

和上次状态估计的距离

时，获得第k次的状态估计X_k，采用其状态估计对焊缝采用非遍历递归最小二乘算法进行二次曲线拟合，得到：

由焊缝特征曲线参数即可实现对薄板对接焊缝进行跟踪；

(9)k＝k+1返回步骤(5)进行下一时刻的状态估计和跟踪。

2.根据权利要求1所述的基于视觉的薄板对接焊缝实时检测方法，其特征在于，所述焊缝特征点列通过对焊缝图像进行一维横扫描或列扫描得到。

Images