CN115063415A - 一种基于机器视觉的车桥焊接区域识别方法 - Google Patents

一种基于机器视觉的车桥焊接区域识别方法 Download PDF

Info

Publication number
CN115063415A
CN115063415A CN202210940941.8A CN202210940941A CN115063415A CN 115063415 A CN115063415 A CN 115063415A CN 202210940941 A CN202210940941 A CN 202210940941A CN 115063415 A CN115063415 A CN 115063415A
Authority
CN
China
Prior art keywords
axle
gray
dragonfly
image
welding area
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.)
Granted
Application number
CN202210940941.8A
Other languages
English (en)
Other versions
CN115063415B (zh
Inventor
李大成
李广建
王九川
于东序
靳庆文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Zhengyang Technology Co ltd
Original Assignee
Shandong Zhengyang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Zhengyang Technology Co ltd filed Critical Shandong Zhengyang Technology Co ltd
Priority to CN202210940941.8A priority Critical patent/CN115063415B/zh
Publication of CN115063415A publication Critical patent/CN115063415A/zh
Application granted granted Critical
Publication of CN115063415B publication Critical patent/CN115063415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种基于机器视觉的车桥焊接区域识别方法。该方法在对车桥灰度图像进行k‑means聚类分割以确定车桥焊接区域时，将车桥灰度图像划分为背景区域、车桥焊接区域和车桥非焊接区域三种，然后在车桥焊接区域和车桥非焊接区域分别借助适应度函数针对性设置的蜻蜓算法，确定了两区域上初始聚类中心点的位置，并同时确定了背景区域上初始聚类中心点的位置，以确定的更为准确的初始聚类中心点位置对车桥灰度图像进行k‑means聚类分割确定车桥焊接区域，有效减小了聚类分割计算量并降低了k‑means算法陷入局部最优解的概率，提高了k‑means聚类分割确定车桥焊接区域的效率和准确度。

Description

一种基于机器视觉的车桥焊接区域识别方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种基于机器视觉的车桥焊接区域识别方法。
背景技术
汽车车桥是所有类型与所有型号的汽车中一个重要的部件，随着汽车制造行业自动化程度的提高，且由于汽车加工生产过程中的环境较为恶劣，当前车桥生产过程中的焊接步骤已基本由机器人完成。
车桥焊接完成后，需要对焊接质量进行检测并在焊接出现问题时进行重焊。现有焊接质量检测方法一般为图像识别检测，而为了借助图像识别准确完成焊接质量检测，便需要首先对具体的车桥焊接区域进行准确识别。所以，当前车桥生产过程中存在着需快速准确识别车桥焊接区域的需求。
发明内容
为实现对车桥焊接区域的快速准确识别，本发明提供了一种基于机器视觉的车桥焊接区域识别方法，所采用的技术方案具体如下：
本发明的一种基于机器视觉的车桥焊接区域识别方法，包括以下步骤：
获取车桥图像，灰度化处理后得到车桥灰度图像；
根据车桥上焊接点的数量，确定对车桥灰度图像进行k-means聚类分割时车桥焊接区域的初始聚类中心点的数量，然后以蜻蜓算法确定车桥焊接区域的初始聚类中心点的位置，所使用的蜻蜓算法的第一适应度函数为：
Figure 718345DEST_PATH_IMAGE002
Figure 911429DEST_PATH_IMAGE004
Figure 863335DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为确定车桥焊接区域的初始聚类中心点的位置时所使用的蜻蜓算法的第一适应度函数，
Figure 558015DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE009
、
Figure 948677DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
、
Figure 307851DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
、
Figure 758556DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE015
以及
Figure 206111DEST_PATH_IMAGE016
分别表示坐标
Figure DEST_PATH_IMAGE017
、
Figure 134884DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
、
Figure 348565DEST_PATH_IMAGE020
、
Figure DEST_PATH_IMAGE021
、
Figure 970170DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE023
、
Figure 893303DEST_PATH_IMAGE024
以及
Figure DEST_PATH_IMAGE025
处像素点的灰度值，
Figure 625767DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE027
分别表示坐标(i，j)处像素点在水平和竖直方向上的灰度梯度值；
以第一适应度函数取值最大时的方向为蜻蜓算法迭代过程中的步长方向，迭代确定车桥焊接区域的初始聚类中心点的位置；
对车桥灰度图像进行前景分割，在剔除背景区域的车桥灰度图像中，计算每个像素点邻域内所有像素点的平均灰度值、灰度值中位数以及灰度值标准差，以所得平均灰度值、灰度值中位数以及灰度值标准差，构建以蜻蜓算法确定车桥非焊接区域的初始聚类中心点的位置时，所使用的蜻蜓算法的第二适应度函数，以第二适应度函数取值最小时的方向为蜻蜓算法迭代过程中的步长方向，迭代确定在对车桥灰度图像进行k-means聚类分割时，车桥非焊接区域的初始聚类中心点位置；
在所剔除的背景区域中，以灰度值最小的像素点作为在对车桥灰度图像进行k-means聚类分割时，背景区域的初始聚类中心点位置；
根据所确定的所有初始聚类中心点位置，对车桥灰度图像进行k-means聚类分割，确定车桥焊接区域。
本发明的有益效果为：
本发明该方法在对车桥灰度图像进行k-means聚类分割以确定车桥焊接区域时，将车桥灰度图像划分为背景区域、车桥焊接区域以及车桥非焊接区域三种，然后在车桥焊接区域以及车桥非焊接区域分别运用一次蜻蜓算法确定了对应区域上的初始聚类中心点位置，并同时确定了背景区域的初始聚类中心点位置，以所确定的更为准确的初始聚类中心点位置对车桥灰度图像进行k-means聚类分割确定车桥焊接区域，有效减小了聚类分割计算量并降低了K-Means算法陷入局部最优解的概率，提高k-means聚类分割确定车桥焊接区域的效率和准确度。
进一步的，所述蜻蜓算法的第二适应度函数为：
Figure DEST_PATH_IMAGE029
其中，
Figure 772583DEST_PATH_IMAGE030
表示第二适应度函数，
Figure DEST_PATH_IMAGE031
，
Figure 66555DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
分别表示所述剔除背景区域的车桥灰度图像中，第z个像素点8邻域内的灰度值均值、灰度值中位数和灰度值标准差。
进一步的，在以蜻蜓算法确定车桥焊接区域的初始聚类中心点的位置时，确定蜻蜓算法步长所使用的惯性权重为：
Figure DEST_PATH_IMAGE035
其中，
Figure 564401DEST_PATH_IMAGE036
是当前迭代次数下的惯性权重，
Figure DEST_PATH_IMAGE037
是最大惯性权重，
Figure 834976DEST_PATH_IMAGE038
是最小惯性权重，
Figure DEST_PATH_IMAGE039
表示最大迭代次数，
Figure 26180DEST_PATH_IMAGE040
表示当前迭代次数。
进一步的，在以蜻蜓算法确定车桥焊接区域的初始聚类中心点的位置时，蜻蜓算法步长为：
Figure 176538DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
为蜻蜓下一时刻飞行移动的步长向量，
Figure 584517DEST_PATH_IMAGE044
为蜻蜓当前时刻飞行移动的步长向量，
Figure DEST_PATH_IMAGE045
为惯性权重，
Figure 422898DEST_PATH_IMAGE046
为蜻蜓的分离度，
Figure DEST_PATH_IMAGE047
为蜻蜓个体的对齐度，
Figure 219340DEST_PATH_IMAGE048
为蜻蜓个体的聚集度，
Figure DEST_PATH_IMAGE049
为蜻蜓的食物吸引度，
Figure 619228DEST_PATH_IMAGE050
为蜻蜓的天敌驱散度。
进一步的，对车桥灰度图像进行k-means聚类分割时所使用的相似度函数为：
Figure 701454DEST_PATH_IMAGE052
其中，
Figure DEST_PATH_IMAGE053
为像素点与聚类中心点的相似度，
Figure 94258DEST_PATH_IMAGE054
表示聚类中心点
Figure DEST_PATH_IMAGE055
处像素点的灰度值，
Figure 271772DEST_PATH_IMAGE056
表示图像中任意一点
Figure DEST_PATH_IMAGE057
处像素点的灰度值，
Figure 108141DEST_PATH_IMAGE058
与
Figure DEST_PATH_IMAGE059
分别表示所述车桥灰度图像的长和宽。
附图说明
图1是本发明该种基于机器视觉的车桥焊接区域识别方法的流程图；
图2是本发明使用蜻蜓算法确定k-means聚类分别在车桥焊接区域、车桥非焊接区域以及背景区域的初始聚类中心点的流程图。
具体实施方式
本发明的构思为：本发明采用k均值聚类的方法对所拍摄的焊接后的车桥图像进行分割，并在选取k均值聚类的初始聚类中心时，采用蜻蜓算法进行迭代来确定最合适的k均值聚类的初始聚类中心，以减小聚类过程中的计算量，使图像聚类分割速度更快，对焊接区域的识别更为准确。
下面结合附图及实施例，对本发明的一种基于机器视觉的车桥焊接区域识别方法进行详细说明。
方法实施例：
本发明的一种基于机器视觉的车桥焊接区域识别方法实施例，其整体流程如图1所示，具体过程如下：
步骤一、使用图像采集装置获取车桥图像，灰度化处理得到车桥灰度图像。
在车桥生产完成后，要对车桥进行焊接质量检测，因此需要定位到车桥的焊接区域，本方案采用图像分割的方法将焊接部分和车桥其他区域分割，再进行焊接区域的识别定位。
为此，使用图像采集装置如工业相机拍摄得到包含车桥的车桥图像，并使用加权平均法对图像进行灰度化，得到车桥灰度图像。
步骤二、使用蜻蜓算法确定k-means聚类分别在车桥焊接区域、车桥非焊接区域以及背景区域的初始聚类中心点。
在基于图像的特定区域识别中，k-means聚类是最常用的方法，该方法是根据聚类对象间的相似度实现对样本的划分，影响该聚类方法聚类准确度的因素有两个，分别是初始聚类中心的选择和相似度函数的选择。
本实施例采用k-means聚类的方法来对图像进行分割提取确定车桥焊接区域，由于使用k-means聚类分割时，k所代表的初始聚类中心点的位置选取是一个难题，选取的位置不合适，会大大增加聚类的计算量，从而导致图像分割速度变慢，且一定程度影响分割准确率，所以本实施例选择采用蜻蜓算法来确定k-means聚类时的初始聚类中心，通过找到最优初始聚类中心的方式使k-means聚类的计算量最小，并降低K-Means算法陷入局部最优解的概率，以所确定的最优初始聚类中心完成图像分割，提高聚类结果的准确率和算法迭代计算过程的效率，实现车桥焊接区域的快速准确识别。
由于所获取的车桥灰度图像不但包括车桥区域，还包括非车桥的背景区域，所以在所获取的车桥灰度图像中，像素点大致可归于三类，分别为车桥上焊接区域的像素点，车桥上非焊接区域的像素点以及背景区域的像素点。
如图2所示，本实施例分别对车桥上的焊接区域、车桥上的非焊接区域以及背景区域三部分进行初始聚类中心点的位置确定。
1、确定在对车桥灰度图像进行k-means聚类分割时，车桥焊接区域的初始聚类中心点位置。
由于车桥上各个焊接处的位置不相连，所以焊接区域中各个焊接处对应应该均为一个分割聚类区域，所以对应均应包括一个K-Means聚类算法的初始聚类中心。
根据先验知识可确定车桥焊接区域上不相连区域的数量也即焊接处的数量U，并结合背景区域和车桥非焊接区域，可得到在对车桥灰度图像进行k-means聚类分割时总共的初始聚类中心点数量K。
在确定了对车桥灰度图像进行k-means聚类分割时，车桥焊接区域的初始聚类中心点的数量U后，本实施例采用蜻蜓算法确定车桥焊接区域的各个初始聚类中心点的具体位置。
使用蜻蜓算法时，需要定义蜻蜓的5种行为，分别是分离、对齐、聚集、捕食、避敌。在图像中给定与车桥焊接区域的初始聚类中心点的数量U相同数量的蜻蜓，使其按照上述五种行为逻辑进行移动。
分离行为指个体与周围其他个体间避免碰撞：
Figure DEST_PATH_IMAGE061
公式中，
Figure 802297DEST_PATH_IMAGE046
为蜻蜓的分离度，
Figure 405316DEST_PATH_IMAGE062
为当前蜻蜓的位置，N表示领域内蜻蜓的个体数，
Figure DEST_PATH_IMAGE063
为领域内个体p的位置。
列队行为表示个体与领域内其他个体之间的飞行速度匹配：
Figure DEST_PATH_IMAGE065
公式中
Figure 769826DEST_PATH_IMAGE066
为领域内个体p的飞行速度。
Figure 167309DEST_PATH_IMAGE047
表示蜻蜓个体p的对齐度。
聚集行为指蜻蜓向群体中心聚集：
Figure 473395DEST_PATH_IMAGE068
Figure 365258DEST_PATH_IMAGE048
表示蜻蜓个体p的聚集度。
形成小群体后下一步进行觅食：
Figure 191132DEST_PATH_IMAGE070
式中
Figure DEST_PATH_IMAGE071
为待趋近的目标位置，
Figure 605189DEST_PATH_IMAGE049
表示蜻蜓的食物吸引度。
逃离天敌的过程为：
Figure DEST_PATH_IMAGE073
其中
Figure 696773DEST_PATH_IMAGE074
为天敌的位置。
Figure 156442DEST_PATH_IMAGE050
表示蜻蜓的天敌驱散度。
如此就得到了蜻蜓移动的步长：
Figure 587555DEST_PATH_IMAGE076
Figure 592420DEST_PATH_IMAGE078
其中，
Figure DEST_PATH_IMAGE079
为下一时刻蜻蜓所处位置向量，
Figure 938344DEST_PATH_IMAGE080
为当前时刻蜻蜓所处位置向量，
Figure 437589DEST_PATH_IMAGE043
为蜻蜓下一时刻飞行移动的步长向量，
Figure 221744DEST_PATH_IMAGE044
为蜻蜓当前时刻飞行移动的步长向量，
Figure 131931DEST_PATH_IMAGE045
为惯性权重，
Figure DEST_PATH_IMAGE081
为分离权重，
Figure 932528DEST_PATH_IMAGE082
为对齐权重，
Figure DEST_PATH_IMAGE083
为聚集权重，
Figure 787527DEST_PATH_IMAGE084
为猎物权重，e为天敌权重。
在确定蜻蜓算法中蜻蜓移动方法后，为了找到最合适的初始聚类中心点位置，本实施例继续构建蜻蜓算法的适应度函数，根据适应度函数来计算其蜻蜓算法的食物和天敌，即最优值和最差值。
由先验知识可知，金属焊接之后，焊接处会出现不同的色差，焊接处所构成的焊接区域对应图像上便存在灰度的变化，基于焊接区域所存在的灰度变化，为了实现将蜻蜓算法的最优值放在焊接区域，本实施例构建适应度函数为：
Figure 927653DEST_PATH_IMAGE002
Figure 539899DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE085
其中，
Figure 326328DEST_PATH_IMAGE007
为适应度函数，
Figure 901797DEST_PATH_IMAGE008
、、
Figure 411275DEST_PATH_IMAGE010
、
Figure 181042DEST_PATH_IMAGE011
、
Figure 143181DEST_PATH_IMAGE012
、
Figure 522341DEST_PATH_IMAGE013
、
Figure 620747DEST_PATH_IMAGE014
、
Figure 824064DEST_PATH_IMAGE015
以及
Figure 24233DEST_PATH_IMAGE016
分别表示坐标
Figure 190772DEST_PATH_IMAGE017
、
Figure 661461DEST_PATH_IMAGE018
、
Figure 786412DEST_PATH_IMAGE019
、
Figure 208297DEST_PATH_IMAGE020
、
Figure 444106DEST_PATH_IMAGE021
、
Figure 766372DEST_PATH_IMAGE022
、
Figure 62224DEST_PATH_IMAGE023
、
Figure 971405DEST_PATH_IMAGE024
以及
Figure 745326DEST_PATH_IMAGE025
处像素点的灰度值，
Figure 456187DEST_PATH_IMAGE026
和
Figure 408093DEST_PATH_IMAGE027
分别表示坐标(i，j)处像素点在水平和竖直方向上的灰度梯度值。适应度函数取值最大的时候就是本实施例中蜻蜓算法的最优值，适应度函数取值最小的时候就是本实施例中蜻蜓算法的最差值。
蜻蜓算法的过程就是在设定初始搜索半径后，使蜻蜓搜索其半径区域，在半径区域内计算各个移动方向上的适应度函数值，则适应度函数取值最大时所对应的方向，即为蜻蜓的移动方向，并由此确定该方向下的步长，每次搜索后增加半径，继续以适应度函数取值最大为目标寻找下一次移动的移动方向并对应确定步长。本实施例中，优选每次搜索后半径增加值为2。
由于本实施例使用的是全局搜索，所以需要适当降低聚集权重
Figure 319418DEST_PATH_IMAGE083
的值，并适当提高对齐权重
Figure 880718DEST_PATH_IMAGE082
的值，同时，为了使蜻蜓算法更好地找到最优值，也即更好地完成觅食，本实施例给予猎物权重
Figure 193887DEST_PATH_IMAGE084
较大的取值，由此本实施例给出了一种优选的步长计算方法：
Figure 582275DEST_PATH_IMAGE042
其中，
Figure 715316DEST_PATH_IMAGE045
为惯性权重，其同样可以影响蜻蜓算法对全局和局部的搜索性能。
由于在全局寻优之后，要进行局部寻优，因此本实施例选择动态调节
Figure 94955DEST_PATH_IMAGE045
的值，将惯性权重控制在前期较大而后期较小的状态。调节
Figure 13364DEST_PATH_IMAGE045
的公式如下：
Figure 556341DEST_PATH_IMAGE086
公式中
Figure 425945DEST_PATH_IMAGE036
是当前迭代次数下的惯性权重，
Figure 610939DEST_PATH_IMAGE037
是最大惯性权重，本实施例优选0.9，
Figure 118275DEST_PATH_IMAGE038
是最小惯性权重，本实施例优选0.2。
Figure 832153DEST_PATH_IMAGE039
表示最大迭代次数，
Figure 457563DEST_PATH_IMAGE040
表示当前迭代次数。
至此，通过蜻蜓算法的步长调整计算，设定其终止条件为所有蜻蜓都有聚集，并且通过先验知识已知焊接区域存在U个，所以可设置蜻蜓算法的迭代终止条件为蜻蜓分布为U个聚集群或迭代次数超过100。
最终，便确定了在对车桥灰度图像进行k-means聚类分割时，车桥焊接区域的初始聚类中心点位置。
2、确定在对车桥灰度图像进行k-means聚类分割时，车桥非焊接区域的初始聚类中心点位置以及背景区域的初始聚类中心点位置。
关于背景区域，由于背景区域的灰度值变化不大且在车桥灰度图像中最小，所以本实施例从背景区域中选取一个灰度值最小的点作为背景区域的初始聚类中心点位置。
而关于车桥非焊接区域，本实施例则同样使用蜻蜓算法迭代得到其最佳的初始聚类中心点位置。
本实施例首先优选大津阈值分割算法对车桥灰度图像进行分割，将背景区域剔除，剩余像素点大体都是车桥非焊接区域的像素点和焊接区域的像素点。然后，由于车桥非焊接区域相比于焊接区域的面积要大很多，所以本实施例选择直接计算背景区域剔除后的图像中，各个像素点邻域内所有像素点的平均灰度值、灰度值中位数以及灰度值标准差，用这三个值来反应车桥区域的灰度值情况，然后基于所得的三个参数，得到在确定车桥非焊接区域的初始聚类中心点位置的过程中，所使用的蜻蜓算法的适应度函数：
Figure 915089DEST_PATH_IMAGE029
该公式中
Figure 542510DEST_PATH_IMAGE031
，
Figure 942137DEST_PATH_IMAGE032
，
Figure 271487DEST_PATH_IMAGE033
分别表示第z个像素点8邻域内的灰度值均值、灰度值中位数和灰度值标准差，
Figure 283436DEST_PATH_IMAGE030
表示在确定车桥非焊接区域的初始聚类中心点位置的过程中，所使用的蜻蜓算法的适应度函数。适应度函数
Figure 280211DEST_PATH_IMAGE030
取值最小时所对应的方向，即为蜻蜓的移动方向，并由此确定该方向下的步长，完成蜻蜓算法的迭代确定车桥非焊接区域的初始聚类中心点位置。
综上，便可得到在对车桥灰度图像进行k-means聚类分割时的所有初始聚类中心点的具体位置。
步骤三、基于所确定的初始聚类中心点，对车桥灰度图像进行聚类分割，确定车桥焊接区域。
k-means均值聚类的核心思想是将图像中的每个像素点分别和所有初始聚类中心点进行相似度计算，并且根据计算得到的相似度值将像素点分在某个初始聚类中心点的聚类中，之后进行聚类中心点的更迭，再次计算所有像素点与更迭后的聚类中心点之间的相似度并聚类。聚类的终止条件是当所有聚类中心点的位置全部不再变化时，停止聚类。
聚类中的相似度函数在本方案中根据像素点的灰度值，像素点的位置来计算，计算公式如下所示：
Figure DEST_PATH_IMAGE087
其中，
Figure 181564DEST_PATH_IMAGE053
为像素点与聚类中心点的相似度，
Figure 748943DEST_PATH_IMAGE054
表示聚类中心点
Figure 328698DEST_PATH_IMAGE055
处像素点的灰度值，
Figure 914400DEST_PATH_IMAGE056
表示图像中任意一点
Figure 891714DEST_PATH_IMAGE057
处像素点的灰度值，
Figure 461236DEST_PATH_IMAGE058
与
Figure 582032DEST_PATH_IMAGE059
分别表示所述车桥灰度图像的长和宽。
基于所得初始聚类中心点位置以及相似度计算公式，对车桥灰度图像进行k-means均值聚类分割，最终便可确定具体的车桥焊接区域。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (5)

1.一种基于机器视觉的车桥焊接区域识别方法，其特征在于，包括以下步骤：
获取车桥图像，灰度化处理后得到车桥灰度图像；
根据车桥上焊接点的数量，确定对车桥灰度图像进行k-means聚类分割时车桥焊接区域的初始聚类中心点的数量，然后以蜻蜓算法确定车桥焊接区域的初始聚类中心点的位置，所使用的蜻蜓算法的第一适应度函数为：
Figure 284448DEST_PATH_IMAGE001
Figure 698243DEST_PATH_IMAGE002
Figure 958323DEST_PATH_IMAGE003
其中，
Figure 411039DEST_PATH_IMAGE004
为确定车桥焊接区域的初始聚类中心点的位置时所使用的蜻蜓算法的第一适应度函数，
Figure 722065DEST_PATH_IMAGE005
、
Figure 24871DEST_PATH_IMAGE006
、
Figure 352340DEST_PATH_IMAGE007
、
Figure 31583DEST_PATH_IMAGE008
、
Figure 728275DEST_PATH_IMAGE009
、
Figure 513566DEST_PATH_IMAGE010
、
Figure 13818DEST_PATH_IMAGE011
、
Figure 247484DEST_PATH_IMAGE012
以及
Figure 577445DEST_PATH_IMAGE013
分别表示坐标
Figure 487632DEST_PATH_IMAGE014
、
Figure 225912DEST_PATH_IMAGE015
、
Figure 309275DEST_PATH_IMAGE016
、
Figure 682356DEST_PATH_IMAGE017
、
Figure 576494DEST_PATH_IMAGE018
、
Figure 520179DEST_PATH_IMAGE019
、
Figure 659430DEST_PATH_IMAGE020
、
Figure 637750DEST_PATH_IMAGE021
以及
Figure 906052DEST_PATH_IMAGE022
处像素点的灰度值，
Figure 914197DEST_PATH_IMAGE023
和
Figure 277045DEST_PATH_IMAGE024
分别表示坐标(i，j)处像素点在水平和竖直方向上的灰度梯度值；
以第一适应度函数取值最大时的方向为蜻蜓算法迭代过程中的步长方向，迭代确定车桥焊接区域的初始聚类中心点的位置；
对车桥灰度图像进行前景分割，在剔除背景区域的车桥灰度图像中，计算每个像素点邻域内所有像素点的平均灰度值、灰度值中位数以及灰度值标准差，以所得平均灰度值、灰度值中位数以及灰度值标准差，构建以蜻蜓算法确定车桥非焊接区域的初始聚类中心点的位置时，所使用的蜻蜓算法的第二适应度函数，以第二适应度函数取值最小时的方向为蜻蜓算法迭代过程中的步长方向，迭代确定在对车桥灰度图像进行k-means聚类分割时，车桥非焊接区域的初始聚类中心点位置；
在所剔除的背景区域中，以灰度值最小的像素点作为在对车桥灰度图像进行k-means聚类分割时，背景区域的初始聚类中心点位置；
根据所确定的所有初始聚类中心点位置，对车桥灰度图像进行k-means聚类分割，确定车桥焊接区域。
2.根据权利要求1所述的基于机器视觉的车桥焊接区域识别方法，其特征在于，所述蜻蜓算法的第二适应度函数为：
Figure 922921DEST_PATH_IMAGE025
其中，
Figure 611391DEST_PATH_IMAGE026
表示第二适应度函数，
Figure 781866DEST_PATH_IMAGE027
，
Figure 761454DEST_PATH_IMAGE028
，
Figure 511105DEST_PATH_IMAGE029
分别表示所述剔除背景区域的车桥灰度图像中，第z个像素点8邻域内的灰度值均值、灰度值中位数和灰度值标准差。
3.根据权利要求1所述的基于机器视觉的车桥焊接区域识别方法，其特征在于，在以蜻蜓算法确定车桥焊接区域的初始聚类中心点的位置时，确定蜻蜓算法步长所使用的惯性权重为：
Figure 619744DEST_PATH_IMAGE030
其中，
Figure 25317DEST_PATH_IMAGE031
是当前迭代次数下的惯性权重，
Figure 543017DEST_PATH_IMAGE032
是最大惯性权重，
Figure 602634DEST_PATH_IMAGE033
是最小惯性权重，
Figure 429644DEST_PATH_IMAGE034
表示最大迭代次数，
Figure 869984DEST_PATH_IMAGE035
表示当前迭代次数。
4.权利要求1-3任一项所述的基于机器视觉的车桥焊接区域识别方法，其特征在于，在以蜻蜓算法确定车桥焊接区域的初始聚类中心点的位置时，蜻蜓算法步长为：
Figure 424331DEST_PATH_IMAGE036
其中，
Figure 899306DEST_PATH_IMAGE037
为蜻蜓下一时刻飞行移动的步长向量，
Figure 834901DEST_PATH_IMAGE038
为蜻蜓当前时刻飞行移动的步长向量，
Figure 252283DEST_PATH_IMAGE039
为惯性权重，
Figure 564315DEST_PATH_IMAGE040
为蜻蜓的分离度，
Figure 159376DEST_PATH_IMAGE041
为蜻蜓个体的对齐度，
Figure 515140DEST_PATH_IMAGE042
为蜻蜓个体的聚集度，
Figure 179339DEST_PATH_IMAGE043
为蜻蜓的食物吸引度，
Figure 780216DEST_PATH_IMAGE044
为蜻蜓的天敌驱散度。
5.根据权利要求1-3任一项所述的基于机器视觉的车桥焊接区域识别方法，其特征在于，对车桥灰度图像进行k-means聚类分割时所使用的相似度函数为：
Figure 465669DEST_PATH_IMAGE045
其中，
Figure 992334DEST_PATH_IMAGE046
为像素点与聚类中心点的相似度，
Figure 894562DEST_PATH_IMAGE047
表示聚类中心点
Figure 282818DEST_PATH_IMAGE048
处像素点的灰度值，
Figure 88356DEST_PATH_IMAGE049
表示图像中任意一点
Figure 349704DEST_PATH_IMAGE050
处像素点的灰度值，
Figure 722917DEST_PATH_IMAGE051
与
Figure 164131DEST_PATH_IMAGE052
分别表示所述车桥灰度图像的长和宽。
CN202210940941.8A 2022-08-08 2022-08-08 一种基于机器视觉的车桥焊接区域识别方法 Active CN115063415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210940941.8A CN115063415B (zh) 2022-08-08 2022-08-08 一种基于机器视觉的车桥焊接区域识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210940941.8A CN115063415B (zh) 2022-08-08 2022-08-08 一种基于机器视觉的车桥焊接区域识别方法

Publications (2)

Publication Number Publication Date
CN115063415A true CN115063415A (zh) 2022-09-16
CN115063415B CN115063415B (zh) 2022-11-01

Family

ID=83208043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210940941.8A Active CN115063415B (zh) 2022-08-08 2022-08-08 一种基于机器视觉的车桥焊接区域识别方法

Country Status (1)

Country Link
CN (1) CN115063415B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311484A (zh) * 2022-10-12 2022-11-08 南通虎神金属制品有限公司 一种焊缝数据的优化聚类分割方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1600351A1 (en) * 2004-04-01 2005-11-30 Heuristics GmbH Method and system for detecting defects and hazardous conditions in passing rail vehicles
CN103240569A (zh) * 2013-04-19 2013-08-14 镇江精功车桥有限公司 基于工业机器人的车桥柔性焊接加工工艺
CN113032902A (zh) * 2021-03-18 2021-06-25 中南大学 一种基于机器学习优化的高速列车气动头部外形设计方法
CN114580763A (zh) * 2022-03-10 2022-06-03 南京工业大学 一种基于改进蜻蜓与轻量级梯度提升树模型的电力负荷预测方法
CN114641006A (zh) * 2022-03-23 2022-06-17 山东建筑大学 一种基于二进制蜻蜓优化算法的认知无线电网络的频谱分配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1600351A1 (en) * 2004-04-01 2005-11-30 Heuristics GmbH Method and system for detecting defects and hazardous conditions in passing rail vehicles
CN103240569A (zh) * 2013-04-19 2013-08-14 镇江精功车桥有限公司 基于工业机器人的车桥柔性焊接加工工艺
CN113032902A (zh) * 2021-03-18 2021-06-25 中南大学 一种基于机器学习优化的高速列车气动头部外形设计方法
CN114580763A (zh) * 2022-03-10 2022-06-03 南京工业大学 一种基于改进蜻蜓与轻量级梯度提升树模型的电力负荷预测方法
CN114641006A (zh) * 2022-03-23 2022-06-17 山东建筑大学 一种基于二进制蜻蜓优化算法的认知无线电网络的频谱分配方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MIODRAG ZIVKOVIC等: "Enhanced Dragonfly Algorithm Adapted for Wireless Sensor Network Lifetime Optimization", 《DATA INTELLIGENCE AND COGNITIVE INFORMATICS》 *
杜晓昕 等: "基于聚类和探测精英引导的蜻蜓算法", 《浙江大学学报(工学版)》 *
王华: "基于计算机视觉的车架纵梁在线检测关键技术研究", 《中国博士学位论文全文数据库信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311484A (zh) * 2022-10-12 2022-11-08 南通虎神金属制品有限公司 一种焊缝数据的优化聚类分割方法

Also Published As

Publication number Publication date
CN115063415B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN111325764B (zh) 一种果实图像轮廓识别方法
CN109460754B (zh) 一种水面异物检测方法、装置、设备及存储介质
CN109146972B (zh) 基于快速特征点提取及网格化三角形约束的视觉导航方法
CN110399884B (zh) 一种特征融合自适应锚框模型车辆检测方法
CN111444767B (zh) 一种基于激光雷达的行人检测和追踪方法
CN110942000A (zh) 一种基于深度学习的无人驾驶车辆目标检测方法
CN110532946B (zh) 一种基于卷积神经网络识别绿通车车辆轴型的方法
CN111476817A (zh) 一种基于yolov3的多目标行人检测跟踪方法
JP2020038660A (ja) ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を利用して車線を検出するための学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置｛ＬＥＡＲＮＩＮＧ ＭＥＴＨＯＤ， ＬＥＡＲＮＩＮＧ ＤＥＶＩＣＥ ＦＯＲ ＤＥＴＥＣＴＩＮＧ ＬＡＮＥ ＵＳＩＮＧ ＣＮＮ ＡＮＤ ＴＥＳＴ ＭＥＴＨＯＤ， ＴＥＳＴ ＤＥＶＩＣＥ ＵＳＩＮＧ ＴＨＥ ＳＡＭＥ｝
CN112270679B (zh) 一种结合凹点与凹边的凸多边形轮廓的图像分割方法
CN115063415B (zh) 一种基于机器视觉的车桥焊接区域识别方法
CN113327272A (zh) 一种基于相关滤波的鲁棒性长时跟踪方法
CN110633727A (zh) 基于选择性搜索的深度神经网络舰船目标细粒度识别方法
CN112364881B (zh) 一种进阶采样一致性图像匹配方法
CN117576079A (zh) 一种工业产品表面异常检测方法、装置及系统
CN111583146A (zh) 一种基于改进多尺度循环网络的人脸图像去模糊方法
CN111783722A (zh) 一种激光点云的车道线提取方法和电子设备
CN111144497B (zh) 基于美学分析的多任务深度网络下的图像显著性预测方法
CN116664867B (zh) 一种基于多证据融合选取训练样本的特征提取方法及装置
CN109657577B (zh) 一种基于熵和运动偏移量的动物检测方法
CN116665097A (zh) 一种结合上下文感知的自适应目标跟踪方法
CN109063543B (zh) 一种考虑局部形变的视频车辆重识别方法、系统及装置
CN111860264B (zh) 一种基于梯度均衡策略的多任务实例级道路场景理解算法
CN114757916A (zh) 基于特征提取和bp网络的工业ct图像缺陷分类方法
CN109492685B (zh) 一种用于对称特征的目标物体视觉检测方法

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