CN115601362A - 一种基于图像处理的焊接质量评估方法 - Google Patents

Abstract

本发明涉及图像处理领域，具体涉及一种基于图像处理的焊接质量评估方法。采集焊接完成后的工件表面灰度图像；获取工件表面灰度图像中每个像素点的邻域像素点，获取每个像素点的聚集性；并将聚集性大于第一阈值的像素点作为初始聚类中心点；对工件表面灰度图像分别进行不同尺度的高斯采样，获取每个初始聚类中心点在每个尺度下的模糊程度；获取每个初始聚类中心在每个尺度下的权重；对初始聚类中心进行筛选，得到多个最终聚类中心；根据多个最终聚类中心对工件表面灰度图像进行聚类，获取工件表面灰度图像中的缺陷区域。本发明通过自适应选取图像中的聚类中心，能够保证对图像的分割精度，从而实现质量评估。

Description

一种基于图像处理的焊接质量评估方法

技术领域

本发明涉及图像处理领域，具体涉及一种基于图像处理的焊接质量评估方法。

背景技术

焊接机器人是从事焊接（包括切割与喷涂）的工业机器人，从60年代开始用于生产以来，其技术已日益成熟，在焊接过程中，弧焊是难度较大的一种焊接方式，丝端头的运动轨迹、焊枪姿态、焊接参数都要求精确控制，如果电弧斑点压力不均，会造成接在工件上的正离子在机械压力的冲击下爆出大颗粒飞溅，导致工件的表面产生麻点缺陷，此时需要对工件中的麻点缺陷进行检测，来保证焊接后工件的质量。

现有技术中对麻点缺陷的检测方法较多，其中模糊C均值聚类算法（FCM）对表面较小的麻点分割效果非常好，但是该聚类算法主要受到聚类中心的影响，聚类中心的选取直接影响分割的效果，选取的聚类中心如果不合适，会使得聚类算法的迭代次数较多，增加算法的计算量；而迭代次数过少，对图像中像素点聚类的效果就会比较差，导致缺陷检测的结果不够准确。

发明内容

为了解决现有技术中对聚类算法的聚类中心选取不合适，导致缺陷检测的结果不够准确，无法得到准确的质量评估结果的问题，本发明提供一种基于图像处理的焊接质量评估方法，该方案包括：采集焊接完成后的工件表面灰度图像；获取工件表面灰度图像中每个像素点的邻域像素点，获取每个像素点的聚集性；并将聚集性大于第一阈值的像素点作为初始聚类中心点；对工件表面灰度图像分别进行不同尺度的高斯采样，获取每个初始聚类中心点在每个尺度下的模糊程度；获取每个初始聚类中心在每个尺度下的权重；对初始聚类中心进行筛选，得到多个最终聚类中心；根据多个最终聚类中心对工件表面灰度图像进行聚类，获取工件表面灰度图像中的缺陷区域。本发明通过自适应选取图像中的聚类中心，能够保证对图像的分割精度，从而实现质量评估。

本发明采用如下技术方案，一种基于图像处理的焊接质量评估方法，包括：

采集焊接完成后的工件表面灰度图像；

根据工件表面灰度图像中，每个像素点的邻域像素点中与该像素点梯度幅值相同的邻域像素点个数获取每个像素点的聚集性；

将工件表面灰度图像中聚集性大于第一阈值的像素点作为目标像素点；对工件表面灰度图像中的目标像素点进行聚类，获取每个聚类结果的聚类中心作为初始聚类中心；

分别利用不同尺度的高斯核对工件表面灰度图像采样，得到多个尺度的采样图像；根据初始聚类中心点在每个尺度的采样图像中的灰度值，获取每个初始聚类中心点在每个尺度下的模糊程度；

根据每个初始聚类中心点在每个尺度下的模糊程度获取每个初始聚类中心在每个尺度下的权重；

根据每个初始聚类中心在各个尺度下的权重对初始聚类中心进行筛选，得到多个最终聚类中心；

根据多个最终聚类中心对工件表面灰度图像进行聚类，获取工件表面灰度图像中的缺陷区域，根据工件表面灰度图像中的缺陷区域对工件的焊接质量进行评估。

进一步的，一种基于图像处理的焊接质量评估方法，获取工件表面灰度图像中每个像素点的邻域像素点的方法包括：

以工件表面灰度图像中每个像素点为中心点，建立大小为5×5的窗口；

将窗口内中心点的八邻域像素点，作为对应每个像素点的第一邻域像素点；

获取窗口内中心点的八邻域以外的像素点，作为对应每个像素点的第二邻域像素点。

进一步的，一种基于图像处理的焊接质量评估方法，获取每个像素点的聚集性的方法为：

分别获取每个像素点的第一邻域像素点中，与该像素点的梯度幅值相同的第一邻域像素点数量，以及每个像素点的第二邻域像素点中，与该像素点的梯度幅值相同的第二邻域像素点数量；

以该第一邻域像素点数量以及该第二邻域像素点数量分别构建以自然常数e为底的指数函数，根据构建的两个指数函数获取每个像素点的聚集性。

进一步的，一种基于图像处理的焊接质量评估方法，获取每个初始聚类中心点在各个尺度下的模糊程度的方法为：

获取每个初始聚类中心在每个尺度的采样图像中的灰度值，以及每个初始聚类中心的八邻域像素点在每个尺度的采样图像中对应的灰度值；

根据每个初始聚类中心与其八邻域像素点在每个尺度的采样图像中的灰度值方差，将该方差与对应尺度的乘积进行负相关映射并归一化，得到每个初始聚类中心在每个尺度下的模糊程度。

进一步的，一种基于图像处理的焊接质量评估方法，获取每个初始聚类中心在对应尺度下的权重的方法为：

将每个初始聚类中心在每个尺度下的模糊程度的相反数构建指数函数，得到每个初始聚类中心在每个尺度下的指数函数值；

获取每个初始聚类中心的灰度值与工件表面灰度图像的灰度均值之差；

将每个初始聚类中心在每个尺度下的模糊程度负相关映射并归一化后，与每个初始聚类中心的灰度值与每个尺度下采样图像的灰度均值之差、初始聚类中心的梯度幅值相乘，将乘积的负相关映射进行归一化，得到每个初始聚类中心在每个尺度下的权重。

进一步的，一种基于图像处理的焊接质量评估方法，根据每个初始聚类中心在各个尺度下的权重对初始聚类中心进行筛选的方法为：

判断每个初始聚类中心在各个尺度下的权重是否大于第二阈值；

将各个尺度下的权重均大于第二阈值的初始聚类中心作为最终聚类中心。

进一步的，一种基于图像处理的焊接质量评估方法，获取工件表面灰度图像中的缺陷区域的方法为：

根据多个最终聚类中心对工件表面灰度图像进行聚类，得到多个聚类区域；

利用区域生长算法对每个聚类区域中的像素点进行区域生长，得到工件表面灰度图像中的缺陷区域。

进一步的，一种基于图像处理的焊接质量评估方法，获取每个聚类结果的聚类中心作为初始聚类中心的方法为：

对工件表面灰度图像中的目标像素点进行密度聚类，得到多个聚类大簇；

对每个聚类大簇中的目标像素点进行灰度聚类，得到多个聚类小簇，将每个聚类小簇的聚类中心作为初始聚类中心。

本发明的有益效果是：本发明首先计算图像中每个像素点的聚集性，并通过每个像素点的聚集性进行初始聚类中心的筛选，聚集性特征能够反映每个像素点所在区域的梯度变化，使得筛选出来的初始聚类中心都处于具有较大梯度变化的区域，便于后续在此基础上筛选缺陷区域的聚类中心；对图像进行不同尺度的高斯核采样，能够得到聚类中心在不同尺度下的特征，由此本发明通过聚类中心在不同尺度下的模糊程度来计算聚类中心在不同尺度下的权重，模糊程度能够反映聚类中心所处的区域是否为缺陷区域，通过每个尺度下的权重对聚类中心进行筛选，能够筛选出所有缺陷区域的聚类中心，从而根据得到的最终聚类中心进行聚类，能够准确得到图像中的缺陷区域，保证了在对工件进行质量评估的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的一种基于图像处理的焊接质量评估方法结构示意图。

具体实施方式

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，所描述的实施例仅仅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。

如图1所示，给出了本发明实施例的一种基于图像处理的焊接质量评估方法结构示意图，包括：

101.采集焊接完成后的工件表面灰度图像。

在工业生产线上使用焊机机器人对预设好的工件的焊机焊接区域进行焊接时，由于焊接过程中会因为容电弧斑点压力不均，造成接在工件上的正离子在机械压力的冲击下，爆出大颗粒飞溅，在工件的表面产生麻点缺陷；本发明的主要目的是对焊接完成的工件表面进行缺陷检测，因此需要采集工件表面的图像，而在采集图像的过程中，因为金属会产生发光，因此需要在采集图像的时候光照均匀，并且使用高清相机进行拍摄，对采集得到的图像进行灰度化处理，获得对应的灰度图像；本发明使用加权均值法对采集得到的RGB图像进行灰度化处理，此技术为现有公知技术，在此不再赘述。

102. 对工件表面灰度图像中的目标像素点进行聚类，获取初始聚类中心。

聚类中心的确定关系到图像分割的准确性，因此选择的聚类中心需要是不同分割区域的关键像素点，这样在聚类的时候才能将整个区域的像素点完整的聚为一类，本发明所应用的场景为缺陷像素点的分割，因为在焊接过程中焊锡飞溅留下的麻点缺陷的灰度值比整幅图像的平均灰度值较小，因此在对图像进行分割时，根据图像像素点灰度的变化来确定聚类中心，使得选择的聚类中心包含所有似缺陷区域。

因为不同区域像素点的灰度变化不同，区分不同区域主要是为了找到区域的边缘，首先计算图像中每个像素点的梯度幅值

，因为两个区域边缘处的像素点的梯度较大，而处于边缘梯度大的像素点的数量多，因此根据梯度计算每个像素点在固定邻域内，具有同一梯度像素点的聚集性，邻域内像素点的聚集性越大，说明该区域的像素点是同一区域的像素点。

获取工件表面灰度图像中每个像素点的邻域像素点的方法包括：

以工件表面灰度图像中每个像素点为中心点，建立大小为5×5的窗口；

将窗口内中心点的八邻域像素点，作为对应每个像素点的第一邻域像素点；

获取窗口内中心点的八邻域以外的像素点，作为对应每个像素点的第二邻域像素点。

本发明计算每一个像素点与其5×5邻域内具有相同梯度大小的像素点的聚集性，而这里计算像素点的聚集性的目的是为了获得图像中的梯度变化较大的区域，因为梯度变化较大的区域可能为缺陷的边缘，而后续在进行聚类中心的筛选的过程中，需要将缺陷上的聚类中心赋予较大的权重，没有缺陷的区域获得较小的权重，因此聚集性越大的区域赋予的权重较大。

获取每个像素点的聚集性的方法为：

分别获取每个像素点的第一邻域像素点中，与该像素点的梯度幅值相同的第一邻域像素点数量，以及每个像素点的第二邻域像素点中，与该像素点的梯度幅值相同的第二邻域像素点数量；

以该第一邻域像素点数量以及该第二邻域像素点数量分别构建指数函数，根据构建的指数函数获取每个像素点的聚集性，表达式为：

其中，

表示第i个像素点的聚集性，m表示与第i个像素点梯度幅值相同的第一邻域像素点个数，即第i个像素点的5×5的邻域内圈中具有相同梯度幅值的像素点个数，n表示与第i个像素点梯度幅值相同的第二邻域像素点个数，即第i个像素点的5×5的邻域外圈中具有相同梯度幅值的像素点个数，本发明中5×5邻域的内圈与外圈分别表示的是在一个5*5窗口中，内圈表示的是中心像素点在窗口内的八邻域像素点，外圈表示窗口内最外侧的16个像素点，e为自然常数，

、

表示随着

、

的增加其值增大，因为在5×5邻域中，内圈邻域与外圈邻域在计算聚集性时相互不影响，因此本发明用

表示，通过减2使分母的取值在

内，且分母不为0。

在5×5的窗口内，通过相同梯度幅值下周围邻域像素点与中心像素点数量来计算每个像素点的聚集性，5×5的窗口内相同梯度负值的像素点的数量越多说明对应像素点的聚集性越大。

本发明根据像素点的聚集性对像素点进行选取，将

的中心像素点作为目标像素点保留，此处给出的第一阈值为本发明根据经验值设定的，可根据具体情况进行调整。

然后对保留下来的目标像素点进行密度聚类，获得若干个聚类大簇；然后再对每一个聚类大簇进行灰度聚类，将灰度值相同的像素点聚为一类，作为聚类小簇，最后获得每个聚类小簇的聚类中心，将其作为初始聚类中心，本发明将初始聚类中心的数量为记为N，通过聚类将同一区域内的像素点尽可能的聚为一类，保证在最终进行图像分割的时候不会出现错分的情况。

获取每个聚类结果的聚类中心作为初始聚类中心的方法为：

对工件表面灰度图像中的目标像素点进行密度聚类，得到多个聚类大簇；

对每个聚类大簇中的目标像素点进行灰度聚类，得到多个聚类小簇，将每个聚类小簇的聚类中心作为初始聚类中心。

103.获取每个初始聚类中心点在每个尺度下的模糊程度。

因为在图像分割的时候聚类中心过多会导致图像出现过度分割的情况，因此计算不同聚类中心的模糊程度来获得对应的权重大小，缺陷区域在进行分割的时候需要分割的更加准确，所需要的权重的较大；而平坦区域在分割时，只需要将其划归出来即可，需要较小的权重，并且需要对权重较小的聚类中心进行筛选，将多余的聚类中心筛除，能够减小聚类过程的计算量。

假如整幅图像只存在两个区域，A区域表示缺陷区域，其灰度值较小；B区域表示正常区域，其灰度值较大，因为A区域与B区域的交界处因为灰度值的变化较大，则像素点的梯度较大，而A区域的内部与B区域的内部梯度较小，则在进行点的筛选的时候，会将A区域内部与B区域内部的像素点进行保留，边缘像素点只会保留一部分。因此在进行聚类得到的聚类中心，能够包含A区域内部与B区域内部，但是对边缘区域只能包含一部分，因此在进行筛选的时候需要将A区域内部与B区域内部的聚类中心筛选掉一部分，而边缘的聚类中心全部保留。

本发明通过SIFT（尺度不变特征变换）算法来筛选初始聚类中心，因为处于缺陷边缘的聚类中心其像素点的梯度较大，相当于强边缘上的像素点，而处于正常区域的像素点其梯度较小，相当于弱边缘上的像素点，并且麻点缺陷像素点的灰度值比正常区域像素点的灰度值较小，因此在对图像进行不同尺度的高斯核采样时，随着采样尺度的变化，处于弱边缘上的聚类中心会逐渐模糊，即模糊程度较大，而处于强边缘上的聚类中心灰度较小，其模糊程度也就较小，而在对图像进行不同尺度的高斯核采样过程中，麻点区域的聚类中心的像素点相当于处于强边缘上，而没有缺陷区域处的聚类中心相当于处于弱边缘，因此在进行采样的过程中，麻点区域的聚类中心的像素点的模糊程度较小，正常区域处的聚类中心的像素点的模糊程度大，因此根据不同尺度的高斯核图像计算聚类中心像素点的模糊程度，获取每个初始聚类中心点在各个尺度下的模糊程度的方法为：

获取每个初始聚类中心在每个尺度的采样图像中的灰度值，以及每个初始聚类中心的八邻域像素点在每个尺度的采样图像中对应的灰度值；

根据每个初始聚类中心与其八邻域像素点在每个尺度的采样图像中的灰度值之差，获取每个初始聚类中心在每个尺度下的模糊程度，表达式为：

其中，

表示第l尺度下的第r个聚类中心的模糊程度，

表示第r个聚类中心的灰度值，

表示以第r个聚类中心为中心的八邻域中第j个像素点的灰度值，e为自然常数，

表示第r个聚类中心与邻域像素点的灰度差值，

乘上

的目的是因为采样层数越少，灰度差异越小，则模糊程度越大；相反，采样层数越多，灰度差异越大，则模糊程度越小。

通过计算每个聚类中心与其邻域像素点的灰度差值，若差值越小，则说明聚类中心像素点的模糊程度越大，可以表示在不同尺度下的高斯核图像中，每个聚类中心出现模糊的程度。

104.获取每个初始聚类中心在每个尺度下的权重。

模糊程度越大，则聚类中心的权重越小，模糊程度越小，则聚类中心的权重越大，获取每个初始聚类中心在对应尺度下的权重的方法为：

将每个初始聚类中心在每个尺度下的模糊程度的相反数构建指数函数，得到每个初始聚类中心在每个尺度下的指数函数值；

获取每个初始聚类中心的灰度值与工件表面灰度图像的灰度均值之差；

根据每个初始聚类中心在每个尺度下的指数函数值、每个初始聚类中心的灰度值与每个尺度下采样图像的灰度均值之差，以及初始聚类中心的梯度幅值获取每个初始聚类中心在每个尺度下的权重，表达式为：

其中，

表示第r个聚类中心的权重，

表示第r个聚类中心的灰度值，

表示工件灰度图像中像素点的平均灰度值，

表示第r个聚类中心与整幅图像的灰度值之差，差值越大，说明该聚类中心处于缺陷区域的可能程度越大，

表示第r个聚类中心的梯度幅值，梯度幅值越大，说明该聚类中心处于缺陷边缘的可能程度越大，

表示模糊程度越小，整体值越大，则对应聚类中心的权重越大，e为自然常数。

因为缺陷区域像素点的灰度值比整幅图像的平均灰度值较小，聚类中心像素点的灰度值与整幅图像的平均灰度值的差异越大，此处的聚类中心像素点的模糊程度越小，说明是该聚类中心是缺陷区域像素点的可能越大，则该聚类中心的权重越大，而像素点的梯度越大，则该聚类中心处于缺陷边缘的可能程度越大，则该聚类中心的权重也就越大，因此根据聚类中心的灰度值与梯度幅度值能够获得该聚类中心的权重，从而根据灰度与梯度的变化获得不同聚类中心的权重，权重越大的聚类中心需要进行保留，权重小的聚类中心筛选掉一部分。

105.对初始聚类中心进行筛选，得到多个最终聚类中心。

根据每个初始聚类中心在各个尺度下的权重对初始聚类中心进行筛选的方法为：

判断每个初始聚类中心在各个尺度下的权重是否大于第二阈值；

将各个尺度下的权重均大于第二阈值的初始聚类中心作为最终聚类中心。

本发明设置的第二阈值为0.13，若

时，将该聚类中心舍弃，需要说明的是，每个聚类中心在各个尺度下均具有一个权重值，本发明选择的尺度数为5，即每个聚类中心具有五个尺度下的权重值，分别用每个权重值与第二阈值进行比较，若存在一个权重值小于第二阈值，则将该聚类中心舍弃，若五个权重值全部大于第二阈值，则将该聚类中心保留作为最终聚类中心，第二阈值可根据实际情况自行设定。

106.根据工件表面灰度图像中的缺陷区域对工件的焊接质量进行评估。

获取工件表面灰度图像中的缺陷区域的方法为：

根据多个最终聚类中心对工件表面灰度图像进行模糊C均值聚类，得到多个聚类区域；

利用区域生长算法对每个聚类区域中的像素点进行区域生长，得到工件表面灰度图像中的缺陷区域。

因为在焊接机器人焊接的过程中会造成麻点缺陷，产生麻点缺陷的面积以及数量是评价焊接质量的关键，根据经验知识，若分割得到的缺陷区域在每平方厘米中数量不超过一个，其面积不大于2平方毫米，则焊接质量为合格，若在每平方厘米中数量超过一个或面积大于2平方毫米，则焊接质量不合格，本发明中缺陷的面积可以直接通过统计像素点的个数得到。

本发明首先计算图像中每个像素点的聚集性，并通过每个像素点的聚集性进行初始聚类中心的筛选，聚集性特征能够反映每个像素点所在区域的梯度变化，使得筛选出来的初始聚类中心都处于具有较大梯度变化的区域，便于后续在此基础上筛选缺陷区域的聚类中心；对图像进行不同尺度的高斯核采样，能够得到聚类中心在不同尺度下的特征，由此本发明通过聚类中心在不同尺度下的模糊程度来计算聚类中心在不同尺度下的权重，模糊程度能够反映聚类中心所处的区域是否为缺陷区域，通过每个尺度下的权重对聚类中心进行筛选，能够筛选出所有缺陷区域的聚类中心，从而根据得到的最终聚类中心进行聚类，能够准确得到图像中的缺陷区域，保证了在对工件进行质量评估的准确度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于图像处理的焊接质量评估方法，其特征在于，包括：

采集焊接完成后的工件表面灰度图像；

根据工件表面灰度图像中，每个像素点的邻域像素点中与该像素点梯度幅值相同的邻域像素点个数获取每个像素点的聚集性；

将工件表面灰度图像中聚集性大于第一阈值的像素点作为目标像素点；对工件表面灰度图像中的目标像素点进行聚类，获取每个聚类结果的聚类中心作为初始聚类中心；

分别利用不同尺度的高斯核对工件表面灰度图像采样，得到多个尺度的采样图像；根据初始聚类中心点在每个尺度的采样图像中的灰度值，获取每个初始聚类中心点在每个尺度下的模糊程度；

根据每个初始聚类中心点在每个尺度下的模糊程度获取每个初始聚类中心在每个尺度下的权重；

根据每个初始聚类中心在各个尺度下的权重对初始聚类中心进行筛选，得到多个最终聚类中心；

根据多个最终聚类中心对工件表面灰度图像进行聚类，获取工件表面灰度图像中的缺陷区域，根据工件表面灰度图像中的缺陷区域对工件的焊接质量进行评估。

2.根据权利要求1所述的一种基于图像处理的焊接质量评估方法，其特征在于，每个像素点的邻域像素点包括：

以工件表面灰度图像中每个像素点为中心点，建立大小为5×5的窗口；

将窗口内中心点的八邻域像素点，作为对应每个像素点的第一邻域像素点；

获取窗口内中心点的八邻域以外的像素点，作为对应每个像素点的第二邻域像素点。

3.根据权利要求2所述的一种基于图像处理的焊接质量评估方法，其特征在于，获取每个像素点的聚集性的方法为：

分别获取每个像素点的第一邻域像素点中，与该像素点的梯度幅值相同的第一邻域像素点数量，以及每个像素点的第二邻域像素点中，与该像素点的梯度幅值相同的第二邻域像素点数量；

以该第一邻域像素点数量以及该第二邻域像素点数量分别构建以自然常数e为底的指数函数，根据构建的两个指数函数获取每个像素点的聚集性。

4.根据权利要求1所述的一种基于图像处理的焊接质量评估方法，其特征在于，获取每个初始聚类中心点在各个尺度下的模糊程度的方法为：

获取每个初始聚类中心在每个尺度的采样图像中的灰度值，以及每个初始聚类中心的八邻域像素点在每个尺度的采样图像中对应的灰度值；

根据每个初始聚类中心与其八邻域像素点在每个尺度的采样图像中的灰度值方差，将该方差与对应尺度的乘积进行负相关映射并归一化，得到每个初始聚类中心在每个尺度下的模糊程度。

5.根据权利要求1所述的一种基于图像处理的焊接质量评估方法，其特征在于，获取每个初始聚类中心在对应尺度下的权重的方法为：

获取每个初始聚类中心的灰度值与工件表面灰度图像的灰度均值之差；

将每个初始聚类中心在每个尺度下的模糊程度负相关映射并归一化后，与每个初始聚类中心的灰度值与每个尺度下采样图像的灰度均值之差、初始聚类中心的梯度幅值相乘，将乘积的负相关映射进行归一化，得到每个初始聚类中心在每个尺度下的权重。

6.根据权利要求1所述的一种基于图像处理的焊接质量评估方法，其特征在于，根据每个初始聚类中心在各个尺度下的权重对初始聚类中心进行筛选的方法为：

判断每个初始聚类中心在各个尺度下的权重是否大于第二阈值；

将各个尺度下的权重均大于第二阈值的初始聚类中心作为最终聚类中心。

7.根据权利要求1所述的一种基于图像处理的焊接质量评估方法，其特征在于，获取工件表面灰度图像中的缺陷区域的方法为：

根据多个最终聚类中心对工件表面灰度图像进行聚类，得到多个聚类区域；

利用区域生长算法对每个聚类区域中的像素点进行区域生长，得到工件表面灰度图像中的缺陷区域。

8.根据权利要求1所述的一种基于图像处理的焊接质量评估方法，其特征在于，获取每个聚类结果的聚类中心作为初始聚类中心的方法为：

对工件表面灰度图像中的目标像素点进行密度聚类，得到多个聚类大簇；

对每个聚类大簇中的目标像素点进行灰度聚类，得到多个聚类小簇，将每个聚类小簇的聚类中心作为初始聚类中心。

Images