CN115984283A - 一种钢筋笼焊接质量智能检测方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种钢筋笼焊接质量智能检测方法。首先获取钢筋笼焊接的灰度图像，通过神经网络获取对应特征信号图，并通过灰度图像与正常焊接位置处的像素点亮度差异获取焊接的异常区域。根据异常区域中的像素点的梯度信息获得流光向量场，根据流光向量场中像素点之间的流光向量方向差异获得收束点和发散点，根据收束点和发散点的位置自适应获取不同的收束窗口和发散窗口，通过不同的窗口对神经网络进行训练，提高了神经网络的训练速度和识别准确性。训练完成后的神经网络对待检测钢筋笼焊接图像进行识别，判断焊接缺陷。

Description

一种钢筋笼焊接质量智能检测方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种钢筋笼焊接质量智能检测方法。

背景技术

钢筋笼在焊接的过程中，焊接处的质量决定了钢筋笼的整体质量，故为了保证钢筋笼的焊接质量，在焊接完成后，需要对焊接处的状况进行检测，由于钢筋笼的焊接位置较多，人工检测方法不仅效率低下同时可能出现遗漏，而且难以把握检测准确率。

通过神经网络对钢筋笼焊接的图像进行识别，相对人工检测速度更快准确率更高，但由于焊接位置数量多，神经网络中传统遍历方式选取特征窗口计算量较大、消耗算力多且耗费时间。同时由于焊接处金属表面遇见光照出现反射的情况，影响神经网络的识别结果，降低了焊接缺陷的检测准确性。

发明内容

为了解决上述神经网络对焊接缺陷识别速度慢以及准确率不高的技术问题，本发明的目的在于提供一种钢筋笼焊接质量智能检测方法，所采用的技术方案具体如下：

获取钢筋笼焊接的灰度图像，将所述灰度图像通过神经网络卷积层获得对应的特征信号图，根据所述灰度图像与钢筋笼正常焊接位置处的像素点亮度差异获得异常区域；

获取异常区域中像素点的梯度信息，根据所述梯度信息构建流光向量，根据所有流光向量获得异常区域的流光向量场；根据所述流光向量场中像素点与预设邻域范围内像素点之间的流光向量差异特征获得对应像素点的关键度，根据像素点的关键度筛选关键像素点；

根据关键像素点的预设邻域范围内像素点的流光向量方向确定收束点和发散点；根据不同收束点在特征信号图中的距离特征获得收束窗口，根据不同发散点在特征信号图中的距离特征获得发散窗口；

将所述收束窗口和所述发散窗口通过神经网络池化层获得相同尺寸的特征向量，根据所述特征向量训练神经网络，通过训练好的神经网络对待检测钢筋笼焊接图像进行识别，检测焊接缺陷。

进一步地，所述异常区域的获取步骤包括：

预先确定钢筋笼焊接正常位置处像素点的亮度范围，作为先验亮度值范围，获取所述灰度图像中亮度值不在先验亮度值范围中的像素点，作为异常像素点，根据异常像素点获得对应的异常区域。

进一步地，所述流光向量的获取步骤包括：

计算异常区域中像素点各个方向下的所述梯度信息；所述梯度信息包括梯度幅值和梯度方向；选择最大梯度幅值对应的梯度方向作为所述流光向量的方向，结合所述最大梯度幅值构建所述流光向量。

进一步地，所述像素点的关键度的获取步骤包括：

计算目标像素点所述预设邻域中任意一侧邻域像素点与其另一侧对位像素点的流光向量余弦相似度的和值，作为第一数值，将第一数值进行负相关映射并进行归一化，获得目标像素点的关键度。

进一步地，所述收束点和发散点的获取步骤包括：

当所述关键像素点的预设邻域内邻域像素点的流光向量方向指向关键像素点的数量大于预设邻域内邻域像素点数量的一半时，所述关键像素点为收束点；当所述关键像素点的预设邻域内邻域像素点的流光向量方向指向关键像素点的数量小于预设邻域内邻域像素点数量的一半时，所述关键像素点为发散点。

进一步地，所述收束窗口的获取步骤包括：

在所述异常区域中，寻找与所述收束点的欧氏距离小于预设距离的其他收束点，根据所述收束点和对应其他收束点在对应的特征信号图中的位置构建最小外接矩形，作为所述收束点的收束窗口；遍历所述异常区域中所有收束点，获得所述收束窗口。

进一步地，所述神经网络为卷积神经网络。

进一步地，所述检测焊接缺陷的步骤包括：

将待检测钢筋笼焊接图像通过训练好的神经网络进行识别，将焊接缺陷标记的位置进行假彩色增强并可视化显示至显示设备，得到缺陷检测结果。

进一步地，所述灰度图像的获取步骤包括：

将钢筋笼焊接的原始RGB图像转化至LAB颜色空间，选取亮度分量L，通过灰度拉伸算法将亮度分量映射，获得钢筋笼焊接的灰度图像。

本发明具有如下有益效果：

在本发明实施例中，为了减少使用全局特征进行判断造成的特征模糊，以及减少大量均匀背景像素点提高处理速度，故根据灰度图像与钢筋笼正常焊接位置处的像素点亮度差异获得异常区域。异常区域中像素点的最大亮度梯度能够表征对应位置处的亮度变化情况，故通过梯度信息表示流光向量。因为灰度图像中存在光照反射位置处的流光向量向四周发散；焊接高温氧化瑕疵处的流光向量的方向指向缺陷处，故通过流光向量场中目标像素点与预设邻域范围内的流光向量差异特征获得目标像素点的关键度，通过关键度筛选反映光照反射和焊接缺陷的关键像素点。因收束点和发散点的周围像素点的流光向量指向不同，故通过关键像素点的预设邻域范围内像素点的流光向量方向确定收束点和发散点。根据不同的收束点获得收束窗口、不同的发散点获得发散窗口的目标是能够根据异常区域中像素点的特征自适应选取被标记的特征窗口和特征向量，减少神经网络的训练时间，以及提高神经网络对钢筋笼焊接图像的识别准确性，减少光线反射对识别结果的干扰，最终增加了焊接缺陷检测的效率和准确率。

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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种钢筋笼焊接质量智能检测方法流程图；

图2为本发明一个实施例所提供的一种流光向量场示意图；

图3为本发明一个实施例所提供的一种发散点的八邻域流光向量朝向示意图；

图4为本发明一个实施例所提供的一种收束点的八邻域流光向量朝向示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种钢筋笼焊接质量智能检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种钢筋笼焊接质量智能检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种钢筋笼焊接质量智能检测方法流程图，该方法包括以下步骤：

步骤S1，获取钢筋笼焊接的灰度图像，将灰度图像通过神经网络卷积层获得对应的特征信号图，根据灰度图像与钢筋笼正常焊接位置处的像素点亮度差异获得异常区域。

在本发明实施例中，实施场景为对钢筋笼焊接质量的检测。在神经网络对钢筋笼焊接的图像进行识别和判断焊接质量的过程中，由于钢筋笼的焊点数量较多，传统神经网络遍历选取特征窗口位置的计算量庞大，影响检测效率与算力浪费。与此同时，若采集焊接图像过程中存在光照反射会影响焊接质量的检测。故为了更高效且准确地检测钢筋笼焊接的质量，需要对神经网络识别过程进行改进。首先，获取钢筋笼焊接的灰度图像，由于钢筋笼整体面积较大，安装工业相机获取不同钢筋笼区域的焊接图像，将多个焊接图像组合为对应钢筋笼的完整图像组，后续步骤对图像组中所有图像进行处理分析。由于工业相机在拍摄过程中会进行补光，金属表面存在较为明显的反光特征，钢筋笼不同位置处的亮度不同。故将钢筋笼焊接的原始RGB图像转化至LAB颜色空间，选取亮度分量L，通过灰度拉伸算法将亮度分量范围由[0,100]映射为[0,255]，获得钢筋笼焊接的灰度图像。需要说明的是，灰度拉伸算法属于现有技术，具体步骤不再赘述。

进一步地，获得钢筋笼焊接的灰度图像后，为了完成对焊接质量的检测，首先通过神经网络获取灰度图像的特征信号图，后续需要在特征信号图中选取不同的窗口并获得特征向量。在本发明实施例中，将灰度图像输入至卷积神经网络的卷积层，获取对应的特征信号图，需要说明的是，卷积神经网络属于现有技术，具体步骤不再赘述。

因为工业相机在获取图像时会进行补光，焊接缺陷位置会与焊接正常区域产生亮度差异，而焊接处的金属材质自身会存在光线折射，表现为不完美的镜面，同样在灰度图像中形成亮度差异的区域。因此可通过获取灰度图像中的亮度异常区域，从整幅的灰度图像中筛分出异常区域，能够减少使用全局特征进行判断造成的特征模糊。根据灰度图像与钢筋笼正常焊接位置处的像素点亮度差异获得异常区域，具体包括：预先确定钢筋笼焊接正常位置处像素点的亮度范围，作为先验亮度值范围，获取灰度图像中亮度值不在先验亮度值范围中的像素点，作为异常像素点，根据异常像素点获得对应的异常区域。至此，通过获取异常区域，排除了大量背景像素，明确了特征区域，减少大量均匀的背景像素对于奇异特征位置波动不敏感的情况。但是异常区域的筛选范围较为宽松，因此获得的异常区域并不为实际准确的缺陷区域，需要对异常区域进一步分析选取关键像素点。

步骤S2，获取异常区域中像素点的梯度信息，根据梯度信息构建流光向量，根据所有流光向量获得异常区域的流光向量场；根据流光向量场中像素点与预设邻域范围内像素点之间的流光向量差异特征获得对应像素点的关键度，根据像素点的关键度筛选关键像素点。

仅通过提取异常区域不能够反映焊接存在的缺陷部位形态较随机的特点。焊接质量差会形成焊接缺陷，浮现在焊接表层，在工业相机拍摄补光时，在异常区域中缺陷位置与焊接正常的反射亮度纹路对于亮度变化方向的规则程度不同，故通过异常区域中不同位置的亮度变化情况进行具体分析。

首先，获取异常区域中像素点的梯度信息。若对于一边缘点，与周围像素点存在足够亮度差异，则该边缘点对于周围像素点形成一种差异吸引，令周围像素点的最大亮度梯度指向该点，形成数对相对梯度。因此，在本发明实施例中，计算异常区域中像素点各个方向下的梯度信息；梯度信息包括梯度幅值和梯度方向；选择最大梯度幅值对应的梯度方向作为流光向量的方向，结合最大梯度幅值构建流光向量，需要说明的是，获取梯度信息的方法为现有技术，具体获取步骤不再赘述。

获得异常区域像素点的流光向量后，根据所有流光向量获取对应异常区域的流光向量场，如图2示出了一种流光向量场示意图。

对于焊接质量好的焊缝或焊点，其焊接表面较为光滑，且亮度呈现由顶端起向边缘逐渐衰减的形式；而焊接缺陷会破坏亮度衰减流向的均匀性，造成对应位置处的流光向量异常。同时焊接表面对光线反射同样形成梯度流向区域，因此可以通过流光向量的方向变化趋势进行分析，将光照缺陷即焊接缺陷的特征窗口进行标记，进一步提高神经网络对特征学习的准确性以及效率。

在获取的流光向量场中，由于光线反射产生的亮度的发散点，其亮度最高值逐渐向外衰减，形成发散点在预设邻域范围内的流光向量从发散点向外发散式的分布，在本发明实施例中将预设邻域范围设为八邻域，实施者可根据实施场景自行确定预设邻域范围。如图3示出了一种发散点的八邻域流光向量朝向示意图。而焊接位置中夹杂的瑕疵缺陷由于高温氧化呈现深色分布，出现周围的流光向量朝向中间的亮度的收束点，如图4示出了一种收束点的八邻域流光向量朝向示意图。因此可根据异常区域中收束点和发散点的位置挑选神经网络中的窗口，提高神经网络对特征学习的准确性及效率。

为了能够从流光向量场中筛选出亮度的发散点和收束点，首先需要根据流光向量场中目标像素点与预设邻域范围内像素点的流光向量差异特征获得目标像素点的关键度。流光向量的差异特征能够表示目标像素点的邻域流光向量指向特征，邻域流光向量指向特征越特殊，其目标像素点为收束点或发散点的可能性越大，则目标像素点在获取窗口的步骤中越关键，故通过流光向量差异特征获得目标像素点的关键度。目标像素点指异常区域中任意像素点，具体包括：计算目标像素点的预设邻域中任意一侧邻域像素点与其另一侧对位像素点的流光向量余弦相似度的和值，作为第一数值，将第一数值进行负相关映射并进行归一化，获得目标像素点的关键度。关键度的获取公式包括：

式中，表示目标像素点的关键度；表示双曲正切函数，目的是归一化处理；表示以自然常数为底的指数函数；表示目标像素点的预设邻域中任意一侧邻域像素点中的一个，表示目标像素点的预设邻域中任意一侧邻域像素点的数量，任意一侧邻域像素点获取方法为将预设邻域等分为两侧，取其中的任意一侧；表示第个像素点的流光向量，表示第个像素点的对位像素点的流光向量，即第个像素点相对目标像素点位置所对称的像素点；表示第个像素点和其对位像素点的余弦相似度，为第一数值。

因为两个向量的夹角越接近一百八十度时，余弦相似度的值越接近负一，在本发明实施例中预设邻域范围为八邻域，故当目标像素点的八邻域像素点任意两个对位的流光向量越接近一百八十度，此时余弦相似度越接近负一。所以可以通过余弦相似度反映目标像素点的关键度，当式中余弦相似度之和越接近负四，意味着目标像素点八邻域像素点的所有对位流光向量的夹角都接近一百八十度，因收束点和发散点的八邻域像素点的对位流光向量的夹角接近一百八十度，故目标像素点的关键度越大，其作为收束点或发散点的可能性越大。

因关键度公式通过双曲正切函数进行了归一化处理，故当目标像素点的关键度越接近1，其作为收束点或发散点的可能性越大。所以可以设置关键度阈值筛选出关键像素点，在本发明实施例中，预设关键度阈值为0.8，当异常区域中的任意像素点的关键度值大于0.8，则此像素点为关键像素点，通过关键像素点继续分析其为收束点或发散点，需要说明的是，实施者可根据实施场景自行设定关键度阈值。

步骤S3，根据关键像素点的预设邻域范围内像素点的流光向量方向确定收束点和发散点；根据不同收束点在特征信号图中的距离特征获得收束窗口，根据不同发散点在特征信号图中的距离特征获得发散窗口。

因收束点和发散点表示不同的含义，收束点表示由于高温氧化呈现深色分布的焊接瑕疵情况，而发散点是光线反射造成亮度发散的情况，为了提高神经网络识别的准确性和训练速度，需要通过收束点和发散点的具体位置获得对应标记的收束窗口或发散窗口。因关键度只能筛选关键像素点，不能区分收束点或发散点，故需要通过关键像素点的预设邻域流光向量的方向判断收束点和发散点，具体包括：

当关键像素点的预设邻域内邻域像素点的流光向量方向指向关键像素点的数量大于预设邻域内邻域像素点数量的一半时，关键像素点为收束点；当关键像素点的预设邻域内邻域像素点的流光向量方向指向关键像素点的数量小于预设邻域内邻域像素点数量的一半时，关键像素点为发散点。因为收束点的含义是其预设邻域像素点中大部分流光向量都指向中心，故当关键像素点的预设邻域像素点中超过一半的流光向量指向关键像素点时，其为收束点的可能性越大；当关键像素点的预设邻域像素点中少于一半的流光向量指向关键像素点时，其为发散点的可能性越大。

至此，通过关键像素点的预设邻域像素点的流光向量指向确定了收束点和发散点，进而可以根据收束点和发散点位置获得不同的收束窗口和发散窗口，提高神经网络识别的准确性和训练速度。进一步地，根据不同收束点在特征信号图中的距离特征获得收束窗口，根据不同发散点在特征信号图中的距离特征获得发散窗口，具体包括：在异常区域中，寻找与某收束点的欧氏距离小于预设距离的其他收束点，根据某收束点和对应其他收束点在对应的特征信号图中的位置构建最小外接矩形，作为某收束点的收束窗口；遍历异常区域中所有收束点，获得所有收束窗口。

在本发明实施例中，预设距离为20，获取与某收束点小于预设距离的其他收束点，根据某收束点和对应其他收束点在对应特征信号图中的位置通过最小外接矩形方法获得对应的收束窗口，需要说明的是，最小外接矩形为现有技术，具体计算步骤不再赘述，实施者可根据实施场景自行确定预设距离。因发散窗口的获取方式和收束窗口的获取方式相同，根据发散点之间的欧氏距离进行获取，具体步骤不再赘述。至此，获取并标记所有的收束窗口和发散窗口。

焊接缺陷区域在较小时产生的灰度差异影响较小，而焊接处在相机采集过程中产生的光线反射痕迹产生更高的灰度差异。特征信号图中信号强弱反映缺陷具有的灰度边缘对周围正常焊点部位的均匀灰度产生破坏的强度，而卷积过程中强信号逐渐将弱信号覆盖，仅通过信号强弱判断窗口尺寸容易选取噪声。通过原始灰度图像中异常区域的像素点的不同特征，综合特征信号图中信号强度分布的差异进行缺陷区域的自适应选取。在本发明实施例中，通过流光向量的朝向能够评价边缘的出现情况，而对应至特征信号图中信号强度未出现符合边缘的信号波动，则代表卷积层可能出现信号遮盖，需要调整窗口尺寸及位置。因此通过获取收束点和发散点的位置自适应确定收束窗口和发散窗口的尺寸和位置，提高后续神经网络训练速度和识别准确性。

步骤S4，将收束窗口和发散窗口通过神经网络池化层获得相同尺寸的特征向量，根据特征向量训练神经网络，通过训练好的神经网络对待检测钢筋笼焊接图像进行识别，检测焊接缺陷。

收束窗口和发散窗口选取了特征信号图中的位置，虽然窗口尺寸不一，但本发明实施例将卷积神经网络中传统的池化层替换为SPP池化层，SPP池化层能够将卷积层输出的特征信号图不同尺寸的特征区域转化为相同尺寸特征向量输出，满足后续全连接层的输入条件，将收束窗口和发散窗口输入SPP池化层进行池化，输出相同尺寸的特征向量。获得相同尺寸的特征向量后，对卷积神经网络训练。由于不同的窗口标记了收束或发散，收束反映了焊接缺陷的情况，发散反映了光照反射的情况，因此神经网络训练完成后能够将焊点中的缺陷进行识别，判断是焊接缺陷还是光照反射影响。通过自适应大小的收束窗口和发散窗口获得的特征向量，减少了神经网络的训练时间以及提高了识别准确性。需要说明的是，SPP池化层和卷积神经网络为现有技术，具体步骤不再赘述。

神经网络训练完成后，将待检测钢筋笼焊接图像通过神经网络进行识别，将焊接缺陷标记的位置进行假彩色增强并可视化显示至显示设备，得到缺陷检测结果。需要说明的是，假彩色增强属于现有技术，具体步骤不再赘述。

综上所述，本发明实施例提供了一种钢筋笼焊接质量智能检测方法，首先获取钢筋笼焊接的灰度图像，通过神经网络获取对应特征信号图，并通过灰度图像与正常焊接位置处的像素点亮度差异获取焊接的异常区域。根据异常区域中的像素点的梯度信息获得流光向量场，根据流光向量场中像素点之间的流光向量方向差异获得收束点和发散点，根据收束点和发散点的位置自适应获取不同的收束窗口和发散窗口，通过不同的窗口对神经网络进行训练，提高了神经网络的训练速度和识别准确性。训练完成后的神经网络对待检测钢筋笼焊接图像进行识别，判断焊接缺陷。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (9)

1.一种钢筋笼焊接质量智能检测方法，其特征在于，该方法包括以下步骤：

获取钢筋笼焊接的灰度图像，将所述灰度图像通过神经网络卷积层获得对应的特征信号图，根据所述灰度图像与钢筋笼正常焊接位置处的像素点亮度差异获得异常区域；

获取异常区域中像素点的梯度信息，根据所述梯度信息构建流光向量，根据所有流光向量获得异常区域的流光向量场；根据所述流光向量场中像素点与预设邻域范围内像素点之间的流光向量差异特征获得对应像素点的关键度，根据像素点的关键度筛选关键像素点；

根据关键像素点的预设邻域范围内像素点的流光向量方向确定收束点和发散点；根据不同收束点在特征信号图中的距离特征获得收束窗口，根据不同发散点在特征信号图中的距离特征获得发散窗口；

将所述收束窗口和所述发散窗口通过神经网络池化层获得相同尺寸的特征向量，根据所述特征向量训练神经网络，通过训练好的神经网络对待检测钢筋笼焊接图像进行识别，检测焊接缺陷。

2.根据权利要求1所述的一种钢筋笼焊接质量智能检测方法，其特征在于，所述异常区域的获取步骤包括：

预先确定钢筋笼焊接正常位置处像素点的亮度范围，作为先验亮度值范围，获取所述灰度图像中亮度值不在先验亮度值范围中的像素点，作为异常像素点，根据异常像素点获得对应的异常区域。

3.根据权利要求1所述的一种钢筋笼焊接质量智能检测方法，其特征在于，所述流光向量的获取步骤包括：

计算异常区域中像素点各个方向下的所述梯度信息；所述梯度信息包括梯度幅值和梯度方向；选择最大梯度幅值对应的梯度方向作为所述流光向量的方向，结合所述最大梯度幅值构建所述流光向量。

4.根据权利要求1所述的一种钢筋笼焊接质量智能检测方法，其特征在于，所述像素点的关键度的获取步骤包括：

计算目标像素点预设邻域中任意一侧邻域像素点与其另一侧对位像素点的流光向量余弦相似度的和值，作为第一数值，将第一数值进行负相关映射并进行归一化，获得目标像素点的关键度。

5.根据权利要求1所述的一种钢筋笼焊接质量智能检测方法，其特征在于，所述收束点和发散点的获取步骤包括：

当所述关键像素点的预设邻域内邻域像素点的流光向量方向指向关键像素点的数量大于预设邻域内邻域像素点数量的一半时，所述关键像素点为收束点；当所述关键像素点的预设邻域内邻域像素点的流光向量方向指向关键像素点的数量小于预设邻域内邻域像素点数量的一半时，所述关键像素点为发散点。

6.根据权利要求1所述的一种钢筋笼焊接质量智能检测方法，其特征在于，所述收束窗口的获取步骤包括：

在所述异常区域中，寻找与所述收束点的欧氏距离小于预设距离的其他收束点，根据所述收束点和对应其他收束点在对应的特征信号图中的位置构建最小外接矩形，作为所述收束点的收束窗口；遍历所述异常区域中所有收束点，获得所述收束窗口。

7.根据权利要求1所述的一种钢筋笼焊接质量智能检测方法，其特征在于，所述神经网络为卷积神经网络。

8.根据权利要求7所述的一种钢筋笼焊接质量智能检测方法，其特征在于，所述检测焊接缺陷的步骤包括：

将待检测钢筋笼焊接图像通过训练好的神经网络进行识别，将焊接缺陷标记的位置进行假彩色增强并可视化显示至显示设备，得到缺陷检测结果。

9.根据权利要求1所述的一种钢筋笼焊接质量智能检测方法，其特征在于，所述灰度图像的获取步骤包括：

将钢筋笼焊接的原始RGB图像转化至LAB颜色空间，选取亮度分量L，通过灰度拉伸算法将亮度分量映射，获得钢筋笼焊接的灰度图像。

Images