CN114140669B - 焊接缺陷识别模型训练方法、装置和计算机终端 - Google Patents
焊接缺陷识别模型训练方法、装置和计算机终端 Download PDFInfo
- Publication number
- CN114140669B CN114140669B CN202210115649.2A CN202210115649A CN114140669B CN 114140669 B CN114140669 B CN 114140669B CN 202210115649 A CN202210115649 A CN 202210115649A CN 114140669 B CN114140669 B CN 114140669B
- Authority
- CN
- China
- Prior art keywords
- sample
- welding
- image
- defect
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 230
- 230000007547 defect Effects 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 title claims abstract description 56
- 238000013145 classification model Methods 0.000 claims abstract description 45
- 238000012706 support-vector machine Methods 0.000 claims abstract description 42
- 230000002776 aggregation Effects 0.000 claims abstract description 37
- 238000004220 aggregation Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003348 petrochemical agent Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
- B23K31/125—Weld quality monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种焊接缺陷识别模型训练方法、装置和计算机终端,该方法包括:获取初始焊接样本图像,并将所述初始焊接样本图像划分为训练集和样本集;对所述初始焊接样本图像进行图像处理,以获得焊接缺陷图像样本特征数据;对所述焊接缺陷图像样本特征数据进行模糊C均值聚类,以获得特征聚集度;根据所述特征聚集度和所述训练集构建支持向量机的分类模型;通过所述样本集对所述支持向量机的分类模型进行验证,以得到训练好的焊接缺陷识别模型。本发明能够解决现有的焊接缺陷识别模型识别准确性不高的问题。
Description
技术领域
本发明涉及焊接数据处理技术领域,特别是涉及一种焊接缺陷识别模型训练方法、装置和计算机终端。
背景技术
焊接是金属连接最有效、最经济的方法,广泛应用于汽车、航空、石化、起重机械、矿山机械、建筑及国防等领域。焊接质量直接关系到焊接结构的使用寿命和使用性能,焊接质量的保证和工艺的改进关系到民生经济和国家安全。 根据焊接方式,可以将焊接分为手工焊接、自动焊接和半自动焊接。根据焊接工艺,可以将焊接分为电阻焊、气焊、激光焊接、感应焊接和弧焊等。由于焊接环境和工艺的影响,且焊接过程本身属于典型的不确定性、非线性系统过程,焊接过程会发生复杂的物理化学反应,焊接质量受到各种因素的影响,焊接工艺的复杂性导致不可避免的会出现焊接缺陷,进而影响焊接产品的质量,极大地影响了结构的性能。
在传统的焊接缺陷检测中,主要依靠人工目视检测,要求检验人员积累多年的经验来判断焊缝缺陷的有无、位置等,无法保证检测精度,更不能满足现代化生产要求。现有技术中,有开发出自动化的焊接缺陷识别模型用于焊接缺陷的自动化识别,但目前的焊接缺陷识别模型还存在识别准确性不高的问题。
发明内容
为此,本发明的一个实施例提出一种焊接缺陷识别模型训练方法,以解决现有的焊接缺陷识别模型识别准确性不高的问题。
根据本发明一实施例的焊接缺陷识别模型训练方法,包括:
获取初始焊接样本图像,并将所述初始焊接样本图像划分为训练集和样本集;
对所述初始焊接样本图像进行图像处理,以获得焊接缺陷图像样本特征数据;
对所述焊接缺陷图像样本特征数据进行模糊C均值聚类,以获得特征聚集度;
根据所述特征聚集度和所述训练集构建支持向量机的分类模型;
通过所述样本集对所述支持向量机的分类模型进行验证,以得到训练好的焊接缺陷识别模型;
其中,对所述初始焊接样本图像进行图像处理,以获得焊接缺陷图像样本特征数据的步骤具体包括:
通过均值滤波、sin增强、ostu分割和边缘检测检测出所述初始焊接样本图像中的焊接边缘,并通过Hough变换计算出焊接边界直线的表达式,以确定出焊接区域;
通过灰度密度聚类法在焊接区域内进行缺陷和噪声干扰点的分割,以去除噪声干扰点;
对去除噪声干扰点后的图像进行灰度化处理,以得到灰度图;
对所述灰度图进行形状特征提取,以获得焊接缺陷图像样本特征数据。
根据本发明实施例的焊接缺陷识别模型训练方法,通过均值滤波、sin增强、ostu分割和边缘检测检测出初始焊接样本图像中的焊接边缘,并通过Hough变换计算出焊接边界直线的表达式,以确定出焊接区域,再通过灰度密度聚类法在焊接区域内进行缺陷和噪声干扰点的分割,以去除噪声干扰点,能够有效滤除干扰信息,为提升后续模型识别的准确性提供支撑,此外,通过焊接缺陷图像样本特征数据进行模糊C均值聚类,获得特征聚集度,再根据特征聚集度和所述训练集构建支持向量机的分类模型,能够提升模型的泛化能力,从而抑制模糊边界点对分类模型的影响,最终提升了焊接缺陷识别模型的识别准确性。
另外,根据本发明上述实施例的焊接缺陷识别模型训练方法,还可以具有如下附加的技术特征:
进一步地,对所述灰度图进行形状特征提取,以获得焊接缺陷图像样本特征数据的方法包括如下步骤:
将所述灰度图投射于虚拟坐标系中的平面中,通过标准网格对所述灰度图进行划分以得到多个灰度单元格图块;
对每个所述灰度单元格图块进行特征扫描以得到对应的单元格图块特征,并将每个所述单元格图块特征发送至预设标准图像特征数据集中进行缺陷分析,以确定是否返回对应的节点标识符,其中每个所述灰度单元格图块对应有四个所述节点标识符,所述节点标识符包括空白标识符以及缺陷标识符;
当判断到所述灰度单元格图块对应的节点标识符中至少有一个为所述缺陷标识符,则将与所述灰度单元格图块对应的所述单元格图块特征发送至焊接缺陷图块数据集中;
在所述焊接缺陷图块数据集中,根据每个所述单元格图块特征的属性信息进行图块排列与数据整合以得到所述焊接缺陷图像样本特征数据,其中所述属性信息包括节点位置坐标、缺陷类别、缺陷特征点位置坐标以及缺陷权重值。
进一步地,在所述焊接缺陷图块数据集中,根据每个所述单元格图块特征的属性信息进行图块排列与数据整合以得到所述焊接缺陷图像样本特征数据的方法对应的公式表示为:
其中,表示所述焊接缺陷图像样本特征数据,n表示所述焊接缺陷图像样本特征数据中样本的总数,表示缺陷类别种类,表示当前缺陷类别对应的分类编号,表示缺陷特征点的类别序号,表示缺陷特征点的总数量,表示标准图像特征系数,表示缺陷权重值,表示节点横坐标, 表示节点纵坐标,表示缺陷特征点横坐标,表示缺陷特征点纵坐标。
进一步地,对所述焊接缺陷图像样本特征数据进行模糊C均值聚类,以获得特征聚集度的步骤具体包括:
获取所述焊接缺陷图像样本特征数据中样本的数量;
设定聚类参数,所述聚类参数至少包括聚类中心点总数、模糊加权指数、初始聚类中心矩阵以及迭代次数;
计算所述焊接缺陷图像样本特征数据中任一样本与任一聚类中心点之间的欧式距离;
计算所述焊接缺陷图像样本特征数据中任一样本到任一聚类中心点的隶属度;
根据所述隶属度和所述欧式距离计算所述特征聚集度。
进一步地,计算所述焊接缺陷图像样本特征数据中任一样本到任一聚类中心点的隶属度的步骤中采用下式计算隶属度:
其中,c表示所述聚类中心点总数,i表示第i个样本,j表示第j个聚类中心,表示第i个样本与第j个聚类中心点之间的欧式距离,表示第k个样本与第j个聚类中心点之间的欧式距离,m表示所述模糊加权指数,表示第i个样本到第j个聚类中心点的隶属度。
进一步地,根据所述隶属度和所述欧式距离计算所述特征聚集度的步骤中,采用下式计算特征聚集度:
其中,S表示所述特征聚集度,n表示所述焊接缺陷图像样本特征数据中样本的总数。
进一步地,根据所述特征聚集度和所述训练集构建支持向量机的分类模型的步骤具体包括:
将所述特征聚集度作为支持向量机的分类模型的约束条件,以所述训练集为基础构建支持向量机的分类模型。
进一步地,通过所述样本集对所述支持向量机的分类模型进行验证,以得到训练好的焊接缺陷识别模型的方法包括如下步骤:
获取所述样本集中的所有样本类型,其中每个样本类型对应有样本类型编号;
获取所述支持向量机的分类模型中的多个分类子通道,其中,多个分类子通道的一端连接有通道输入端口,另一端连接有通道输出端口,每个所述分类子通道对应有一分类子通道编号;
判断每个所述样本类型编号对应的样本,是否能通过对应的所述分类子通道编号的分类子通道,且每个所述样本类型编号对应的样本是否能从所述通道输入端口输入并从所述通道输出端口输出;
若是,则确定所述支持向量机的分类模型验证成功,并将多个验证成功后的支持向量机的分类模型作为训练好的焊接缺陷识别模型。
根据本发明一实施例的焊接缺陷识别模型训练装置,包括:
获取模块,用于获取初始焊接样本图像,并将所述初始焊接样本图像划分为训练集和样本集;
处理模块,用于对所述初始焊接样本图像进行图像处理,以获得焊接缺陷图像样本特征数据;
聚类模块,用于对所述焊接缺陷图像样本特征数据进行模糊C均值聚类,以获得特征聚集度;
构建模块,用于根据所述特征聚集度和所述训练集构建支持向量机的分类模型;
验证模块,用于通过所述样本集对所述支持向量机的分类模型进行验证,以得到训练好的焊接缺陷识别模型;
其中,所述处理模块具体用于:
通过均值滤波、sin增强、ostu分割和边缘检测检测出所述初始焊接样本图像中的焊接边缘,并通过Hough变换计算出焊接边界直线的表达式,以确定出焊接区域;
通过灰度密度聚类法在焊接区域内进行缺陷和噪声干扰点的分割,以去除噪声干扰点;
对去除噪声干扰点后的图像进行灰度化处理,以得到灰度图;
对所述灰度图进行形状特征提取,以获得焊接缺陷图像样本特征数据。
根据本发明实施例的焊接缺陷识别模型训练装置,通过均值滤波、sin增强、ostu分割和边缘检测检测出初始焊接样本图像中的焊接边缘,并通过Hough变换计算出焊接边界直线的表达式,以确定出焊接区域,再通过灰度密度聚类法在焊接区域内进行缺陷和噪声干扰点的分割,以去除噪声干扰点,能够有效滤除干扰信息,为提升后续模型识别的准确性提供支撑,此外,通过焊接缺陷图像样本特征数据进行模糊C均值聚类,获得特征聚集度,再根据特征聚集度和所述训练集构建支持向量机的分类模型,能够提升模型的泛化能力,从而抑制模糊边界点对分类模型的影响,最终提升了焊接缺陷识别模型的识别准确性。
另外,根据本发明上述实施例的焊接缺陷识别模型训练装置,还可以具有如下附加的技术特征:
进一步地,所述聚类模块具体包括:
获取单元,用于获取所述焊接缺陷图像样本特征数据中样本的数量;
设定单元,用于设定聚类参数,所述聚类参数至少包括聚类中心点总数、模糊加权指数、初始聚类中心矩阵以及迭代次数;
第一计算单元,用于计算所述焊接缺陷图像样本特征数据中任一样本与任一聚类中心点之间的欧式距离;
第二计算单元,用于计算所述焊接缺陷图像样本特征数据中任一样本到任一聚类中心点的隶属度;
第三计算单元,用于根据所述隶属度和所述欧式距离计算所述特征聚集度。
进一步地,所述第二计算单元用于采用下式计算隶属度:
其中,c表示所述聚类中心点总数,i表示第i个样本,j表示第j个聚类中心,表示第i个样本与第j个聚类中心点之间的欧式距离,表示第k个样本与第j个聚类中心点之间的欧式距离,m表示所述模糊加权指数,表示第i个样本到第j个聚类中心点的隶属度。
进一步地,所述第三计算单元用于采用下式计算特征聚集度:
其中,S表示所述特征聚集度,n表示所述焊接缺陷图像样本特征数据中样本的总数。
进一步地,所述构建模块具体用于:
将所述特征聚集度作为支持向量机的分类模型的约束条件,以所述训练集为基础构建支持向量机的分类模型。
本发明还提供一种计算机终端,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的焊接缺陷识别模型训练方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实施例了解到。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一实施例的焊接缺陷识别模型训练方法的流程图;
图2是图1中步骤102的详细流程图;
图3是图1中步骤103的详细流程图;
图4是图1中步骤105的详细流程图;
图5是根据本发明一实施例的焊接缺陷识别模型训练装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明一实施例提出的焊接缺陷识别模型训练方法,所述方法包括步骤S101~S105:
S101,获取初始焊接样本图像,并将所述初始焊接样本图像划分为训练集和样本集。
其中,可以通过工业检测专用VGA卡采集焊接的扫描图像,从而得到多张尺寸相同的初始焊接样本图像,初始焊接样本图像的具体数据格式例如是BMP图像格式,BMP图像可以存储4种图像格式:单色、16 色、256色和24位真彩色,本实施例中,选择24位真彩色的BMP图像格式,因为其包含最完整的图像信息。然后选取其中部分图像作为训练集,另外一部分作为样本集。训练集与样本集的比例例如为:训练集:样本集=6:4。需要指出的是,在其它实施例中,训练集与样本集的比例大小可以根据实际需要进行调整。
S102,对所述初始焊接样本图像进行图像处理,以获得焊接缺陷图像样本特征数据。
其中,请参阅图2,对所述初始焊接样本图像进行图像处理,以获得焊接缺陷图像样本特征数据的步骤具体包括步骤S1021~S1024:
S1021,通过均值滤波、sin增强、ostu分割和边缘检测检测出所述初始焊接样本图像中的焊接边缘,并通过Hough变换计算出焊接边界直线的表达式,以确定出焊接区域。
由于工业检测专用VGA卡采集到的图像会受到离散的脉冲噪声、椒盐噪声和零均值高斯噪声的影响,其中高斯噪声的影响最为严重,阻性器件中电子随机热运动而产生的电子噪声,一般表现为零均值高斯白噪声,在光的成像和图像传感器的光电转换过程中产生的光电噪声,在弱光情况下表现为泊松分布,强光时泊松分布更趋近于高斯分布,通过均值滤波能够对椒盐噪声和高斯噪声进行有效的滤波处理。具体处理流程是将待处理的像素点放在一个a行b列的模版中,对该模版内的a*b个像素点的灰度值求和,取其平均值作为原像素点新的灰度值,以此方法遍历整幅图像的像素点,即完成了整幅图像的滤波,同时也平滑了图像。
针对对比度较低的图像,需要对其进行sin增强处理,提高焊接处的灰度差,改善图像质量,通过sin增强能够将图像的灰度进行拉伸,使图像中的焊接区域的灰度值分别向高低灰度级集中,从而形成双峰型的分布。
ostu分割也称大津法分割,经过均值滤波和sin增强后的图像减少了强噪声的干扰,并且图像对比度也达到一定的要求。但并非所有图像的对比度都是相同的,不同图像的灰度直方图各有差异,因此采用固定阈值分割法无法实现所有图像的焊接区域分割。而ostu分割方法是一种确定图像二值化分割阈值的方法,它建立在最小二乘法原理的基础上,通过求取使得分割后的两类问题具有最大类间方差或最小类内方差的方法确定分割阈值,适用于双峰型直方图的动态阈值分割,能够有效实现焊接区域的分割。
通过ostu分割后,再通过边缘检测就可以得到分割后的焊缝边界信息,进而检测出初始焊接样本图像中的焊接边缘。
然后再通过Hough变换计算出焊接边界直线的表达式,以确定出焊接区域,在已知区域形状的条件下,通过Hough变换可以方便的检测到边界曲线。
S1022,通过灰度密度聚类法在焊接区域内进行缺陷和噪声干扰点的分割,以去除噪声干扰点。
其中,聚类的基本原理是只要一个区域中点的灰度密度大过某个阈值,就把它加到与之相近的聚类中去。灰度密度聚类是通过计算一定灰度级下像素点的个数(灰度密度),将灰度密度近似相等的像素进行聚类,从而能够分辨模糊的图像。灰度密度聚类法具有清晰的分割效果,能够有效的在焊接区域内进行缺陷和噪声干扰点的分割,从而去除噪声干扰点。
S1023,对去除噪声干扰点后的图像进行灰度化处理,以得到灰度图。
其中,灰度化处理得到的灰度图像能够将前景部分完整的与背景部分分割开,且保存了比较完整的图像色彩细节特征,可用于后续形状特征的提取。
S1024,对所述灰度图进行形状特征提取,以获得焊接缺陷图像样本特征数据。
在本步骤中,对所述灰度图进行形状特征提取,以获得焊接缺陷图像样本特征数据的方法具体包括如下步骤:
S1024a,将所述灰度图投射于虚拟坐标系中的平面中,通过标准网格对所述灰度图进行划分以得到多个灰度单元格图块。
在本实施例中,每个灰度单元格图块的大小均相同。在实际划分中,标准网格可根据灰度图的实际大小自动调整切割方案以得到多个均匀的灰度单元格图块。
S1024b,对每个所述灰度单元格图块进行特征扫描以得到对应的单元格图块特征,并将每个所述单元格图块特征发送至预设标准图像特征数据集中进行缺陷分析,以确定是否返回对应的节点标识符,其中每个所述灰度单元格图块对应有四个所述节点标识符,所述节点标识符包括空白标识符以及缺陷标识符。
在本实施例中,每个灰度单元格图块的形状为正方形。在每个灰度单元格图块的四个直角位置分别对应有一节点标识符。在此需要补充说明的是,空白标识符标识表示不存在图像缺陷。若某一节点周围的四个或两个灰度单元格图块内均无图像缺陷,则返回空白标识符。
S1024c,当判断到所述灰度单元格图块对应的节点标识符中至少有一个为所述缺陷标识符,则将与所述灰度单元格图块对应的所述单元格图块特征发送至焊接缺陷图块数据集中。
可以理解的,当判断到存在缺陷标识符,则认定该灰度单元格图块存在缺陷,因此将对应的单元格图块特征发送至缺陷图块数据集中。
S1024d,在所述焊接缺陷图块数据集中,根据每个所述单元格图块特征的属性信息进行图块排列与数据整合以得到所述焊接缺陷图像样本特征数据,其中所述属性信息包括节点位置坐标、缺陷类别、缺陷特征点位置坐标以及缺陷权重值。
在焊接缺陷图块数据集中,根据每个单元格图块特征的属性信息进行图块排列与数据整合以得到所述焊接缺陷图像样本特征数据的方法对应的公式表示为:
其中,表示所述焊接缺陷图像样本特征数据,n表示所述焊接缺陷图像样本特征数据中样本的总数,表示缺陷类别种类,表示当前缺陷类别对应的分类编号,表示缺陷特征点的类别序号,表示缺陷特征点的总数量,表示标准图像特征系数,表示缺陷权重值,表示节点横坐标, 表示节点纵坐标,表示缺陷特征点横坐标,表示缺陷特征点纵坐标。
S103,对所述焊接缺陷图像样本特征数据进行模糊C均值聚类,以获得特征聚集度。
其中,请参阅图3,对所述焊接缺陷图像样本特征数据进行模糊C均值聚类,以获得特征聚集度的步骤具体包括步骤S1031~S1035:
S1031,获取所述焊接缺陷图像样本特征数据中样本的数量。
S1032,设定聚类参数,所述聚类参数至少包括聚类中心点总数、模糊加权指数、初始聚类中心矩阵以及迭代次数。
S1033,计算所述焊接缺陷图像样本特征数据中任一样本与任一聚类中心点之间的欧式距离。
S1034,计算所述焊接缺陷图像样本特征数据中任一样本到任一聚类中心点的隶属度。
其中,具体采用下式计算隶属度:
其中,c表示所述聚类中心点总数,i表示第i个样本,j表示第j个聚类中心,表示第i个样本与第j个聚类中心点之间的欧式距离,表示第k个样本与第j个聚类中心点之间的欧式距离,m表示所述模糊加权指数,表示第i个样本到第j个聚类中心点的隶属度。
S1035,根据所述隶属度和所述欧式距离计算所述特征聚集度。
其中,具体采用下式计算特征聚集度:
其中,S表示所述特征聚集度,n表示所述焊接缺陷图像样本特征数据中样本的总数。
S104,根据所述特征聚集度和所述训练集构建支持向量机的分类模型。
具体的,将所述特征聚集度作为支持向量机(support vector machine,SVM)的分类模型的约束条件,以所述训练集为基础构建支持向量机的分类模型。
S105,通过所述样本集对所述支持向量机的分类模型进行验证,以得到训练好的焊接缺陷识别模型。
具体的,请参阅图4,步骤S105具体包括如下步骤:
S1051,获取所述样本集中的所有样本类型,其中每个样本类型对应有样本类型编号。
S1052,获取所述支持向量机的分类模型中的多个分类子通道,其中,多个分类子通道的一端连接有通道输入端口,另一端连接有通道输出端口,每个所述分类子通道对应有一分类子通道编号。
S1053,判断每个所述样本类型编号对应的样本,是否能通过对应的所述分类子通道编号的分类子通道,且每个所述样本类型编号对应的样本是否能从所述通道输入端口输入并从所述通道输出端口输出。
由于在实际样本数据的传输中,多个分类子通道之间会发生通道之间的杂糅紊乱,导致样本类型验证失败的问题。因此在本实施例中,不仅需要保证对应样本类型编号的样本能单独通过对应分类子通道编号的分类子通道,还需要保证能从通道输入端口输入并从通道输出端口输出,以保证样本数据的正常验证传输。
S1054,若是,则确定所述支持向量机的分类模型验证成功,并将多个验证成功后的支持向量机的分类模型作为训练好的焊接缺陷识别模型。
在本发明中,根据本实施例提供的焊接缺陷识别模型训练方法,通过均值滤波、sin增强、ostu分割和边缘检测检测出初始焊接样本图像中的焊接边缘,并通过Hough变换计算出焊接边界直线的表达式,以确定出焊接区域,再通过灰度密度聚类法在焊接区域内进行缺陷和噪声干扰点的分割,以去除噪声干扰点,能够有效滤除干扰信息,为提升后续模型识别的准确性提供支撑,此外,通过焊接缺陷图像样本特征数据进行模糊C均值聚类,获得特征聚集度,再根据特征聚集度和所述训练集构建支持向量机的分类模型,能够提升模型的泛化能力,从而抑制模糊边界点对分类模型的影响,最终提升了焊接缺陷识别模型的识别准确性。
请参阅图5,本发明一实施例提出的焊接缺陷识别模型训练装置,所述装置包括:
获取模块,用于获取初始焊接样本图像,并将所述初始焊接样本图像划分为训练集和样本集;
处理模块,用于对所述初始焊接样本图像进行图像处理,以获得焊接缺陷图像样本特征数据;
聚类模块,用于对所述焊接缺陷图像样本特征数据进行模糊C均值聚类,以获得特征聚集度;
构建模块,用于根据所述特征聚集度和所述训练集构建支持向量机的分类模型;
验证模块,用于通过所述样本集对所述支持向量机的分类模型进行验证,以得到训练好的焊接缺陷识别模型。
其中,所述处理模块具体用于:
通过均值滤波、sin增强、ostu分割和边缘检测检测出所述初始焊接样本图像中的焊接边缘,并通过Hough变换计算出焊接边界直线的表达式,以确定出焊接区域;
通过灰度密度聚类法在焊接区域内进行缺陷和噪声干扰点的分割,以去除噪声干扰点;
对去除噪声干扰点后的图像进行灰度化处理,以得到灰度图;
对所述灰度图进行形状特征提取,以获得焊接缺陷图像样本特征数据。
本实施例中,所述聚类模块具体包括:
获取单元,用于获取所述焊接缺陷图像样本特征数据中样本的数量;
设定单元,用于设定聚类参数,所述聚类参数至少包括聚类中心点总数、模糊加权指数、初始聚类中心矩阵以及迭代次数;
第一计算单元,用于计算所述焊接缺陷图像样本特征数据中任一样本与任一聚类中心点之间的欧式距离;
第二计算单元,用于计算所述焊接缺陷图像样本特征数据中任一样本到任一聚类中心点的隶属度;
第三计算单元,用于根据所述隶属度和所述欧式距离计算所述特征聚集度。
本实施例中,所述第二计算单元用于采用下式计算隶属度:
其中,c表示所述聚类中心点总数,i表示第i个样本,j表示第j个聚类中心,表示第i个样本与第j个聚类中心点之间的欧式距离,表示第k个样本与第j个聚类中心点之间的欧式距离,m表示所述模糊加权指数,表示第i个样本到第j个聚类中心点的隶属度。
本实施例中,所述第三计算单元用于采用下式计算特征聚集度:
其中,S表示所述特征聚集度,n表示所述焊接缺陷图像样本特征数据中样本的总数。
本实施例中,所述构建模块具体用于:
将所述特征聚集度作为支持向量机的分类模型的约束条件,以所述训练集为基础构建支持向量机的分类模型。
根据本实施例提供的焊接缺陷识别模型训练装置,通过均值滤波、sin增强、ostu分割和边缘检测检测出初始焊接样本图像中的焊接边缘,并通过Hough变换计算出焊接边界直线的表达式,以确定出焊接区域,再通过灰度密度聚类法在焊接区域内进行缺陷和噪声干扰点的分割,以去除噪声干扰点,能够有效滤除干扰信息,为提升后续模型识别的准确性提供支撑,此外,通过焊接缺陷图像样本特征数据进行模糊C均值聚类,获得特征聚集度,再根据特征聚集度和所述训练集构建支持向量机的分类模型,能够提升模型的泛化能力,从而抑制模糊边界点对分类模型的影响,最终提升了焊接缺陷识别模型的识别准确性。
此外,本发明的实施例还提出一种计算机终端,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述的焊接缺陷识别模型训练方法。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通讯、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。。
Claims (9)
1.一种焊接缺陷识别模型训练方法,其特征在于,包括:
获取初始焊接样本图像,并将所述初始焊接样本图像划分为训练集和样本集;
对所述初始焊接样本图像进行图像处理,以获得焊接缺陷图像样本特征数据;
对所述焊接缺陷图像样本特征数据进行模糊C均值聚类,以获得特征聚集度;
根据所述特征聚集度和所述训练集构建支持向量机的分类模型;
通过所述样本集对所述支持向量机的分类模型进行验证,以得到训练好的焊接缺陷识别模型;
其中,对所述初始焊接样本图像进行图像处理,以获得焊接缺陷图像样本特征数据的步骤具体包括:
通过均值滤波、sin增强、ostu分割和边缘检测检测出所述初始焊接样本图像中的焊接边缘,并通过Hough变换计算出焊接边界直线的表达式,以确定出焊接区域;
通过灰度密度聚类法在焊接区域内进行缺陷和噪声干扰点的分割,以去除噪声干扰点;
对去除噪声干扰点后的图像进行灰度化处理,以得到灰度图;
对所述灰度图进行形状特征提取,以获得焊接缺陷图像样本特征数据;
对所述灰度图进行形状特征提取,以获得焊接缺陷图像样本特征数据的方法包括如下步骤:
将所述灰度图投射于虚拟坐标系中的平面中,通过标准网格对所述灰度图进行划分以得到多个灰度单元格图块;
对每个所述灰度单元格图块进行特征扫描以得到对应的单元格图块特征,并将每个所述单元格图块特征发送至预设标准图像特征数据集中进行缺陷分析,以确定是否返回对应的节点标识符,其中每个所述灰度单元格图块对应有四个所述节点标识符,所述节点标识符包括空白标识符以及缺陷标识符;
当判断到所述灰度单元格图块对应的节点标识符中至少有一个为所述缺陷标识符,则将与所述灰度单元格图块对应的所述单元格图块特征发送至焊接缺陷图块数据集中;
在所述焊接缺陷图块数据集中,根据每个所述单元格图块特征的属性信息进行图块排列与数据整合以得到所述焊接缺陷图像样本特征数据,其中所述属性信息包括节点位置坐标、缺陷类别、缺陷特征点位置坐标以及缺陷权重值。
3.根据权利要求2所述的焊接缺陷识别模型训练方法,其特征在于,对所述焊接缺陷图像样本特征数据进行模糊C均值聚类,以获得特征聚集度的步骤具体包括:
获取所述焊接缺陷图像样本特征数据中样本的数量;
设定聚类参数,所述聚类参数至少包括聚类中心点总数、模糊加权指数、初始聚类中心矩阵以及迭代次数;
计算所述焊接缺陷图像样本特征数据中任一样本与任一聚类中心点之间的欧式距离;
计算所述焊接缺陷图像样本特征数据中任一样本到任一聚类中心点的隶属度;
根据所述隶属度和所述欧式距离计算所述特征聚集度。
6.根据权利要求1所述的焊接缺陷识别模型训练方法,其特征在于,根据所述特征聚集度和所述训练集构建支持向量机的分类模型的步骤具体包括:
将所述特征聚集度作为支持向量机的分类模型的约束条件,以所述训练集为基础构建支持向量机的分类模型。
7.根据权利要求1所述的焊接缺陷识别模型训练方法,其特征在于,通过所述样本集对所述支持向量机的分类模型进行验证,以得到训练好的焊接缺陷识别模型的方法包括如下步骤:
获取所述样本集中的所有样本类型,其中每个样本类型对应有样本类型编号;
获取所述支持向量机的分类模型中的多个分类子通道,其中,多个分类子通道的一端连接有通道输入端口,另一端连接有通道输出端口,每个所述分类子通道对应有一分类子通道编号;
判断每个所述样本类型编号对应的样本,是否能通过对应的所述分类子通道编号的分类子通道,且每个所述样本类型编号对应的样本是否能从所述通道输入端口输入并从所述通道输出端口输出;
若是,则确定所述支持向量机的分类模型验证成功,并将多个验证成功后的支持向量机的分类模型作为训练好的焊接缺陷识别模型。
8.一种焊接缺陷识别模型训练装置,其特征在于,包括:
获取模块,用于获取初始焊接样本图像,并将所述初始焊接样本图像划分为训练集和样本集;
处理模块,用于对所述初始焊接样本图像进行图像处理,以获得焊接缺陷图像样本特征数据;
聚类模块,用于对所述焊接缺陷图像样本特征数据进行模糊C均值聚类,以获得特征聚集度;
构建模块,用于根据所述特征聚集度和所述训练集构建支持向量机的分类模型;
验证模块,用于通过所述样本集对所述支持向量机的分类模型进行验证,以得到训练好的焊接缺陷识别模型;
其中,所述处理模块具体用于:
通过均值滤波、sin增强、ostu分割和边缘检测检测出所述初始焊接样本图像中的焊接边缘,并通过Hough变换计算出焊接边界直线的表达式,以确定出焊接区域;
通过灰度密度聚类法在焊接区域内进行缺陷和噪声干扰点的分割,以去除噪声干扰点;
对去除噪声干扰点后的图像进行灰度化处理,以得到灰度图;
对所述灰度图进行形状特征提取,以获得焊接缺陷图像样本特征数据;
其中,对所述灰度图进行形状特征提取,以获得焊接缺陷图像样本特征数据的方法包括如下步骤:
将所述灰度图投射于虚拟坐标系中的平面中,通过标准网格对所述灰度图进行划分以得到多个灰度单元格图块;
对每个所述灰度单元格图块进行特征扫描以得到对应的单元格图块特征,并将每个所述单元格图块特征发送至预设标准图像特征数据集中进行缺陷分析,以确定是否返回对应的节点标识符,其中每个所述灰度单元格图块对应有四个所述节点标识符,所述节点标识符包括空白标识符以及缺陷标识符;
当判断到所述灰度单元格图块对应的节点标识符中至少有一个为所述缺陷标识符,则将与所述灰度单元格图块对应的所述单元格图块特征发送至焊接缺陷图块数据集中;
在所述焊接缺陷图块数据集中,根据每个所述单元格图块特征的属性信息进行图块排列与数据整合以得到所述焊接缺陷图像样本特征数据,其中所述属性信息包括节点位置坐标、缺陷类别、缺陷特征点位置坐标以及缺陷权重值。
9.一种计算机终端,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210115649.2A CN114140669B (zh) | 2022-02-07 | 2022-02-07 | 焊接缺陷识别模型训练方法、装置和计算机终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210115649.2A CN114140669B (zh) | 2022-02-07 | 2022-02-07 | 焊接缺陷识别模型训练方法、装置和计算机终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114140669A CN114140669A (zh) | 2022-03-04 |
CN114140669B true CN114140669B (zh) | 2022-04-26 |
Family
ID=80381831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210115649.2A Active CN114140669B (zh) | 2022-02-07 | 2022-02-07 | 焊接缺陷识别模型训练方法、装置和计算机终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140669B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114700587B (zh) * | 2022-05-25 | 2022-08-19 | 苏芯物联技术(南京)有限公司 | 一种基于模糊推理和边缘计算的漏焊缺陷实时检测方法及系统 |
CN115122005A (zh) * | 2022-07-27 | 2022-09-30 | 广东省源天工程有限公司 | 一种超大型人字闸门门体焊接装置 |
CN115345877B (zh) * | 2022-10-17 | 2022-12-27 | 南通威森新能源科技有限公司 | 一种用于太阳能电池板虚焊异常的检测方法 |
CN116030034B (zh) * | 2023-02-21 | 2023-06-20 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN117422713B (zh) * | 2023-12-18 | 2024-05-14 | 武汉光谷航天三江激光产业技术研究院有限公司 | 一种根据oct点云提取激光焊接熔深曲线的方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116560A (zh) * | 2020-08-20 | 2020-12-22 | 华南理工大学 | 一种焊接图像缺陷识别方法、装置、存储介质及设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8108324B2 (en) * | 2008-05-15 | 2012-01-31 | Intel Corporation | Forward feature selection for support vector machines |
CN104483326B (zh) * | 2014-12-19 | 2017-12-22 | 长春工程学院 | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 |
CN104794491B (zh) * | 2015-04-28 | 2018-01-23 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN107145896A (zh) * | 2017-03-14 | 2017-09-08 | 西南科技大学 | 基于荧光磁粉的智能缺陷识别系统 |
CN108008006B (zh) * | 2017-12-07 | 2021-05-11 | 广东工业大学 | 一种焊缝缺陷检测方法、装置、设备及系统 |
CN111292303B (zh) * | 2020-01-21 | 2023-09-19 | 湖北文理学院 | 焊缝缺陷类别检测方法、装置、电子设备及存储介质 |
CN113034478B (zh) * | 2021-03-31 | 2023-06-06 | 太原科技大学 | 一种基于深度学习网络的焊缝缺陷识别定位方法、系统 |
CN113781483B (zh) * | 2021-11-12 | 2022-02-11 | 常州微亿智造科技有限公司 | 工业产品外观缺陷检测方法和装置 |
-
2022
- 2022-02-07 CN CN202210115649.2A patent/CN114140669B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116560A (zh) * | 2020-08-20 | 2020-12-22 | 华南理工大学 | 一种焊接图像缺陷识别方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114140669A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114140669B (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
US10438096B2 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
CN106557764B (zh) | 一种基于二进制编码字符水尺和图像处理的水位识别方法 | |
CN113096130B (zh) | 物件缺陷的检测方法、装置 | |
CN101702197A (zh) | 一种道路交通标志的检测方法 | |
CN108090459B (zh) | 一种适用于车载视觉系统的交通标志检测识别方法 | |
CN106875395A (zh) | 基于深度神经网络的超像素级sar图像变化检测方法 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN114897773B (zh) | 一种基于图像处理的扭曲木材检测方法及系统 | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN108734131B (zh) | 一种图像中的交通标志对称性检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN107230188A (zh) | 一种视频运动阴影消除的方法 | |
US20140205174A1 (en) | Methods and apparatus for image analysis using threshold compactness features | |
CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN112288760B (zh) | 一种粘连细胞图像筛除方法、系统及细胞图像分析方法 | |
CN115272305B (zh) | 一种纽扣孔洞缺陷检测方法 | |
CN110415222A (zh) | 一种基于纹理特征的丝饼侧面缺陷识别方法 | |
CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
CN114092456A (zh) | 细胞荧光图像判别方法及系统 | |
CN111368625B (zh) | 一种基于级联优化的行人目标检测方法 | |
CN108765426A (zh) | 自动图像分割方法及装置 | |
CN117037082A (zh) | 一种停车行为的识别方法及系统 | |
CN116612461A (zh) | 一种基于目标检测的指针式仪表全过程自动读数方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |