基于激光視覺(jué)的焊縫特征提取算法研究

顧冬霞+呂學(xué)勤+王裕東+瞿艷

摘要： 隨著工業(yè)技術(shù)的發(fā)展，基于視覺(jué)傳感器的焊縫跟蹤得到了廣泛應(yīng)用和快速發(fā)展。實(shí)現(xiàn)焊縫跟蹤，其中最關(guān)鍵的步驟是要實(shí)現(xiàn)焊縫的自動(dòng)識(shí)別。基于視覺(jué)傳感的焊縫識(shí)別需要用到圖像處理技術(shù)，圖像處理的復(fù)雜性、多樣性等特點(diǎn)促使對(duì)焊縫的識(shí)別成為研究熱點(diǎn)。視覺(jué)傳感器得到的是一段包含焊縫輪廓信息的條紋圖像，文中主要針對(duì)的是激光條紋中心線及焊縫坡口特征點(diǎn)提取的研究現(xiàn)狀進(jìn)行了論述。

關(guān)鍵詞： 激光視覺(jué)；圖像處理；特征提取

中圖分類號(hào)： TP391.4

Abstract： With the development of industrial technology， weld tracking based on visual sensor has been widely used and developed rapidly. The most important step of the weld tracking is to realize the automatic recognition of the weld. Image processing technology needs to be used in the seam recognition based on visual sensing. The complexity and diversity of image processing make the seam recognition become a hot spot. Visual sensor obtains a streak image which contains information of weld outline. The research status of the extraction of the center line of laser stripe and the feature point of weld groove is mainly discussed in this paper.

Key words： laser vision； image processing； feature extraction

0 前言

隨著工業(yè)自動(dòng)化的迅猛發(fā)展，焊接自動(dòng)化的應(yīng)用領(lǐng)域也越來(lái)越廣泛，尤其是在應(yīng)對(duì)一些高難度高要求的大型鋼結(jié)構(gòu)設(shè)備焊接中，如飛機(jī)、輪船等[1]。焊縫自動(dòng)跟蹤是實(shí)現(xiàn)焊接自動(dòng)化的關(guān)鍵。為實(shí)現(xiàn)焊縫自動(dòng)跟蹤[2]，需要獲得焊接過(guò)程中焊縫的寬度、深度、中心線等特征信息。傳感器是焊縫跟蹤系統(tǒng)中重要的組成部分，它可以提供焊接過(guò)程中焊縫的特征信息。多種傳感器應(yīng)用于焊縫實(shí)時(shí)跟蹤過(guò)程中，如位移傳感器、電弧傳感器、視覺(jué)傳感器等。視覺(jué)傳感器是最有應(yīng)用前景的傳感器，與其他傳感器相比，它具有信息量大、非接觸，速度快、精度高等優(yōu)點(diǎn)。目前，它正在快速發(fā)展并得到了廣泛應(yīng)用，其中由CCD（Charge-coupled Device）和激光組成的激光視覺(jué)傳感器由于具有結(jié)構(gòu)簡(jiǎn)單、測(cè)量精度高等優(yōu)點(diǎn)更得到了廣泛應(yīng)用[3-4]。激光視覺(jué)傳感是將結(jié)構(gòu)光投射到焊縫表面，得到包含焊縫輪廓信息的條紋，因此，在圖像處理中，首先需要得到光條中心，再進(jìn)一步分析處理得到焊縫特征信息。鑒于以上情況，文中對(duì)當(dāng)前已有的焊縫圖像提取方法進(jìn)行了概述，主要是激光條紋中心及焊縫坡口特征信息的提取。1 激光視覺(jué)傳感器原理激光視覺(jué)傳感器的工作原理如圖1所示，包含CCD和激光器。接通電源工作時(shí)，激光器發(fā)出特定波長(zhǎng)的光經(jīng)過(guò)透鏡折射后形成一個(gè)平面的線激光，照在焊件上從而形成一條有一定寬度的光帶。光帶經(jīng)過(guò)反射或散射后，途經(jīng)保留該特定波長(zhǎng)的濾光片，進(jìn)入攝像機(jī)成像。激光器與攝像機(jī)兩者的中心線位于同一平面并呈一個(gè)小于90°的夾角，這使得圖像采集時(shí)攝像機(jī)正好能拍攝到激光條紋在工件上的投影[5]。

由圖1可知，攝像機(jī)拍攝到的圖片是一段包含焊縫輪廓信息的條紋，由此，通過(guò)焊縫圖像處理可以提取激光條紋中心線和焊縫坡口特征點(diǎn)。2 激光條紋中心線提取方法激光條紋中心（簡(jiǎn)稱光條中心）提取的精度和處理速度會(huì)直接影響整個(gè)焊縫特征信息的處理精度與處理速度。光條中心的提取是焊縫特征信息提取的關(guān)鍵之一。目前，光條中心的提取方法有很多：骨架細(xì)化法、幾何中心法、極值法、灰度重心法、Steger算法等，國(guó)內(nèi)外學(xué)者對(duì)其進(jìn)行了大量研究。2.1 骨架細(xì)化法骨架細(xì)化法是重復(fù)地剝掉二值圖像的邊界像素，在剝離的過(guò)程中必須保持目標(biāo)的連通性，直到得到圖像的骨架。目前的細(xì)化算法有：形態(tài)學(xué)細(xì)化算法[6]、Hilditch算法[7]、Pavlidis算法[8]、Rosenfeld算法[6]。形態(tài)學(xué)細(xì)化算法是通過(guò)數(shù)學(xué)形態(tài)學(xué)運(yùn)算對(duì)圖像進(jìn)行細(xì)化處理；Hilditch算法比較普通，是一般的算法；Pavlidis算法是通過(guò)并行和串行混合處理來(lái)實(shí)現(xiàn)，用位運(yùn)算進(jìn)行特定模式的匹配，所得的骨架是8連接的；Rosenfeld算法是一種并行細(xì)化算法，所得的骨架形態(tài)是8連接的。要使結(jié)構(gòu)光光條完全變成單像素寬的細(xì)線，需要進(jìn)行多次細(xì)化才能實(shí)現(xiàn)。因此，細(xì)化是一件非常費(fèi)時(shí)的操作，特別是當(dāng)圖像尺寸較大時(shí)，細(xì)化一幅圖像可能需要幾秒甚至十幾秒的時(shí)間。2.2 幾何中心法幾何中心法一般先采用Roberts算子、Sobel算子、LoG算子或Canny算子等對(duì)激光條紋圖像進(jìn)行邊緣檢測(cè)，檢測(cè)出光條邊界l、h后，把兩邊界的中間線l+h2作為激光條紋的中心線。該方法具有簡(jiǎn)單，處理速度快的優(yōu)點(diǎn)，但是對(duì)圖像質(zhì)量要求高，要求圖像提取的光條邊界必須精確，否則會(huì)影響最后中心線的提取結(jié)果。文獻(xiàn)[9]采用自適應(yīng)閾值分割的方法對(duì)圖像進(jìn)行二值分割，采用二值形態(tài)學(xué)的邊緣檢測(cè)方法對(duì)二值后的圖像進(jìn)行孤點(diǎn)濾波和邊緣檢測(cè)，使激光光帶的上下邊界比較齊整，再采用幾何中心法提取中心線，原始圖像和中心線提取后的圖像如圖2所示。

2.3 極值法極值法是將激光條紋橫截面上灰度值最大點(diǎn)作為激光條紋的中心。該方法對(duì)于條紋灰度分布呈理想高斯分布的情況有很好的效果，但很容易受到噪聲的影響。為了克服極值法的缺點(diǎn)，文獻(xiàn)[10]提出了一種激光條紋中心檢測(cè)方法，通過(guò)對(duì)極值法獲得的中心點(diǎn)的擬合，計(jì)算出光條各處的法線方向，并在法線截面上用遺傳算法進(jìn)一步優(yōu)化出灰度的極大值點(diǎn)。實(shí)驗(yàn)結(jié)果表明在合理選擇遺傳算法的交叉率和變異率的情況下，該方法可以有效地獲取光條紋中心，滿足系統(tǒng)精度要求。原始圖像和中心線提取后圖像如圖3所示。endprint

2.4 灰度重心法灰度重心法就是對(duì)圖像中的每一列（行）提取灰度重心作為激光條紋的中心位置。若某行的非零區(qū)間為[p，q]，則該行的灰度重心位置為：Xk=∑qi=pi·Ii∑qi=pIi（1）式中，Ii是第i個(gè)像素點(diǎn)的灰度值。灰度重心法能夠比較精確地定位光條的高斯分布中心，提取精度可以達(dá)到亞像素級(jí)。由于該方法是按行掃描進(jìn)行計(jì)算的，故條紋方向變化較大的時(shí)候，精度會(huì)受到影響；其次，也易受環(huán)境噪聲影響。針對(duì)灰度重心法受噪聲影響的問(wèn)題，曲岳等人[11]采用改進(jìn)的灰度重心法對(duì)目標(biāo)區(qū)域進(jìn)行中心線提取，該方法實(shí)際上就是通過(guò)平方加權(quán)的方式增大了光帶上灰度值大的點(diǎn)在確定光帶中心時(shí)的權(quán)重，這就使得實(shí)際提取的光帶中心更加接近于實(shí)際上的光帶中心，提高提取的精度。原始圖像和中心線提取后圖像如圖4所示。

李丹等人[12]選用基于極值法的灰度重心法提取激光條中心線，該方法是每次選取光條圖像每列（行）中灰度極大值點(diǎn)領(lǐng)域范圍內(nèi)的k個(gè)（k 為經(jīng)驗(yàn)值，10≤k≤15）像素點(diǎn)，采用重心法計(jì)算出該列（行）的中心。原始圖像和中心線提取后圖像如圖5所示。2.5 曲線擬合法曲線擬合法是把條紋橫截面上的灰度分布近似看成高斯分布，以光條上像素點(diǎn)的灰度值，擬合出曲線來(lái)得到光條中心。擬合曲線可以是拋物線或者高斯曲線，該方法精度高，但需要的采樣點(diǎn)較多，不適合多條窄帶光條中心提取。文獻(xiàn)[13]提出了一種基于曲線擬合的線結(jié)構(gòu)光光條中心的亞像素提取方法。該方法通過(guò)腐蝕細(xì)化獲得光條的基本骨架，采用均方灰度梯度求取骨架上每一點(diǎn)的法線方向，利用加權(quán)灰度重心法獲得光條中心初始點(diǎn)，應(yīng)用分段3次多項(xiàng)式曲線擬合獲得光滑的光條亞像素中心坐標(biāo)。該方法可以提高中心線提取的精度。

文獻(xiàn)[14]針對(duì)非高斯非對(duì)稱分布激光條的匹配中心線提取精度較低的問(wèn)題，提出了一種基于高斯混合模型的激光中心線提取方法。首先選擇均值濾波方法有效的去除激光散斑噪聲對(duì)圖像的影響；接著利用最大類間方差法（OTSU）對(duì)光條位置進(jìn)行粗定位；最后，利用高斯混合模型提取激光條亞像素中心線。實(shí)驗(yàn)結(jié)果表明該方法能夠使光條中心線的提取達(dá)到亞像素級(jí)別，穩(wěn)定性較好。

2.6 方向模板法 方向模板是從灰度重心法的思想發(fā)展而來(lái)，根據(jù)以每一行各點(diǎn)為中心的、大小為M*N的矩陣灰度值來(lái)確定該行的灰度重心，作為光條中心。它的思路是：在小尺度情況下，可以認(rèn)為結(jié)構(gòu)光條紋形狀有四種模式：水平、垂直、左斜45°，右斜45°，針對(duì)這四種模式，設(shè)計(jì)相對(duì)應(yīng)的方向模板，分別記為K1，K2，K3，K4。以7*5方向模板為例，四個(gè)模板為：

模板K4（右斜45°）將四個(gè)方向模板分別沿著圖像移動(dòng)，當(dāng)在圖像第j列移動(dòng)時(shí)，對(duì)第i行，像素點(diǎn)（i， j）定義為：Ht（i，j）=∑M-1u=0∑N-1v=0C（i-M2+u，j-N2+v）×Kt（u，v）（2）其中，t=1～4，Kt（u， v）是四個(gè)方向模板，C（i， j）是圖像中某點(diǎn)（i， j）的灰度值。所以，第（i， j）像素點(diǎn)的Hk（i，j）=max（Ht（i，j）），此時(shí)該點(diǎn)附近的圖像的斜率最接近第K個(gè)模板的方向。如果有Hk（p，j）=max（Hk（i，j）），那么在第j列上激光光條中心位置為第P行。采用這種模板能夠檢測(cè)出激光條紋中心。由算法的基本原理可以看出，由于在求條紋中心時(shí)要對(duì)整幅圖像每個(gè)點(diǎn)進(jìn)行四次方向模板計(jì)算，導(dǎo)致算法的運(yùn)算量很大，很難實(shí)現(xiàn)結(jié)構(gòu)光條紋中心線的快速提取，不能滿足實(shí)時(shí)性要求較高的應(yīng)用場(chǎng)合。因此，國(guó)內(nèi)外學(xué)者對(duì)此進(jìn)行了改進(jìn)。其中包括了將閾值法和方向模板相結(jié)合，將可變方向模板法和灰度重心法相結(jié)合，充分發(fā)揮兩者優(yōu)點(diǎn)的光條中心提取方法。此外，文獻(xiàn)[15]提出了自適應(yīng)方向模板提取結(jié)構(gòu)光條紋中心方法。該方法首先在圖像預(yù)處理階段統(tǒng)計(jì)出每行激光條紋寬度，接著采用自適應(yīng)方向模板法針對(duì)每一行結(jié)構(gòu)光條的寬度生成對(duì)應(yīng)的模板，提取光條中心。實(shí)驗(yàn)結(jié)果表明，該方法能夠很好地適應(yīng)結(jié)構(gòu)光條紋不均勻情況下的中心線提取。2.7 Steger算法Steger算法[16]是利用Hessian矩陣確定圖像中光條紋的法線方向，在其法線方向上利用泰勒展開(kāi)得到光條橫截面上一階導(dǎo)數(shù)過(guò)零點(diǎn)，求出光條紋中心的亞像素位置。在光條圖像中，Hessian矩陣表示為：

（3）式中，Z（x， y）是圖像中各點(diǎn)的像素，g（x， y）是高斯函數(shù)，rxx，rxy，ryy是圖像與高斯核卷積后得到的偏導(dǎo)數(shù)。該方法具有處理精度高，魯棒性好等優(yōu)點(diǎn)，但是運(yùn)算量大，處理速度慢。針對(duì)該方法的運(yùn)算量大，研究者進(jìn)行了一些改進(jìn)，包括了將大模板高斯卷積的遞歸思想應(yīng)用到的Hessian矩陣的求取中，及將脊線跟蹤與Hessian矩陣相結(jié)合。此外，岳龍等人[17]在Steger方法的基礎(chǔ)上，提出了一種自適應(yīng)復(fù)雜光條紋中心提取算法。該方法首先根據(jù)線激光寬度選擇固定的尺度因子，對(duì)圖像進(jìn)行高斯核卷積，得到各點(diǎn)Hessian矩陣；然后求得對(duì)應(yīng)的法向?qū)挾龋⒁源藖?lái)選擇對(duì)應(yīng)的二階法向偏導(dǎo)數(shù)的閾值，再結(jié)合一階法向偏導(dǎo)為零計(jì)算出條紋在不同寬度處的中心點(diǎn)，中心線提取后圖像如圖6所示。

3 特征點(diǎn)提取算法在焊接過(guò)程中，需要實(shí)時(shí)獲取焊縫輪廓數(shù)據(jù)。為給焊縫跟蹤、規(guī)劃?rùn)C(jī)器人運(yùn)動(dòng)軌跡提供焊縫位置信息，需要在激光條紋中心線的基礎(chǔ)上，進(jìn)一步提取焊縫信息特征點(diǎn)。目前，針對(duì)基于線結(jié)構(gòu)光的焊縫坡口特征點(diǎn)識(shí)別方法有很多，斜率分析法、投影法、最小二乘法、Hough變換等。3.1 斜率分析法斜率分析法[18]中圖像條紋中心各點(diǎn)的斜率計(jì)算公式為：Ki=yi-yi-1（4）式中，yi，yi-1分別為第i，i-1個(gè)像素點(diǎn)的縱坐標(biāo)。各點(diǎn)斜率計(jì)算出來(lái)后，再通過(guò)比較相鄰點(diǎn)的斜率，即計(jì)算相鄰點(diǎn)斜率的差值，若某一點(diǎn)斜率變化較大即認(rèn)為為特征拐點(diǎn)。為保證計(jì)算的可靠性，將斜率公式進(jìn)行修正

斜率分析法有簡(jiǎn)單、計(jì)算速度快的優(yōu)點(diǎn)，但適應(yīng)性不好、精度不高，無(wú)法識(shí)別復(fù)雜深坡口。因此，雷正龍等人[19]提出一種新的特征點(diǎn)提取思想—由形到點(diǎn)，將焊縫坡口特征點(diǎn)分為直角拐點(diǎn)和斜角拐點(diǎn)，分別設(shè)計(jì)斜率極值法和斜率截距法來(lái)提取。實(shí)際焊縫跟蹤時(shí)，根據(jù)拐點(diǎn)類型分別調(diào)用對(duì)應(yīng)的提取算法，完成全部焊縫坡口所有特征點(diǎn)的提取。結(jié)果表明，“由形到點(diǎn)”提取特征點(diǎn)精度高，抗干擾能力強(qiáng)，對(duì)不同焊縫坡口形式適應(yīng)性好。Y形焊縫坡口特征點(diǎn)提取示意圖如圖7所示。endprint

3.2 投影法投影法是對(duì)中心線后的二值圖像進(jìn)行行（列）投影，統(tǒng)計(jì)每行（列）的“白點(diǎn)”數(shù)量，進(jìn)行比較，獲得焊縫坡口的特征信息。

首先得到光條中心線的最低點(diǎn)，即為焊縫根部特征點(diǎn)。其次，由于結(jié)構(gòu)光圖像中的光條通常都是平行于圖像的行，采用投影法將圖像向垂直方向投影時(shí)，此時(shí)必然出現(xiàn)一個(gè)峰值，保留該峰值所在的行的條紋中心線。通過(guò)比較該中心線與焊縫根部特征點(diǎn)的坐標(biāo)，獲得焊縫坡口的特征信息。該方法對(duì)激光條紋水平度的要求較高，當(dāng)激光條紋水平度不高時(shí)，會(huì)導(dǎo)致提取的精度低。針對(duì)該問(wèn)題，楊雪君等人[20]將掃描投影法和最小二乘法相結(jié)合，通過(guò)掃描投影法獲得焊縫特征點(diǎn)初始坐標(biāo)，根據(jù)此坐標(biāo)對(duì)中心線進(jìn)行坐標(biāo)分離，形成4個(gè)區(qū)域，在每一區(qū)域內(nèi)用最小二乘法進(jìn)行擬合，擬合交點(diǎn)即為焊縫特征點(diǎn)，原始圖像和識(shí)別的特征點(diǎn)如圖8所示。

3.3 直線擬合采用直線擬合對(duì)焊縫坡口邊緣進(jìn)行擬合，擬合的交點(diǎn)即為特征點(diǎn)。目前，直線擬合用的比較頻繁的方法有兩種：一種是Hough變換，另一種是最小二乘法。3.3.1 最小二乘法用最小二乘法[21]來(lái)對(duì)中心線進(jìn)行擬合，直線方程表示為： y=kx+b（6）

采用最小二乘法對(duì)焊縫坡口進(jìn)行直線擬合，首要問(wèn)題是選取特征點(diǎn)進(jìn)行分類，而確定特征點(diǎn)又恰恰是我們要解決的問(wèn)題。可以通過(guò)采用投影法[20]可靠地找到特征點(diǎn)的大致位置，也可以采用斜率分析法進(jìn)行斜率計(jì)算，最后確定拐點(diǎn)，以此通過(guò)曲線擬合算法精確地計(jì)算中心點(diǎn)和兩個(gè)拐點(diǎn)的位置[22]，原始圖像和中心線上的特征點(diǎn)如圖9所示。

3.3.2 Hough變換提取出激光條紋中心線后，可以采用Hough變換提取焊縫中心點(diǎn)的位置及焊縫寬度等信息[23]。Hough變換是利用圖像坐標(biāo)系與參數(shù)坐標(biāo)系中點(diǎn)與線的對(duì)偶性，即在圖像坐標(biāo)系下的一個(gè)點(diǎn)對(duì)應(yīng)了參數(shù)坐標(biāo)系中的一條直線，同樣參數(shù)坐標(biāo)系的一條直線對(duì)應(yīng)圖像坐標(biāo)系下的一個(gè)點(diǎn)。最終在圖像坐標(biāo)系中呈現(xiàn)為同一條直線的所有點(diǎn)，它們的斜率和截距相同，所以它們?cè)趨?shù)坐標(biāo)系下對(duì)應(yīng)于同一個(gè)點(diǎn)。將圖像坐標(biāo)系下的各個(gè)點(diǎn)投影到參數(shù)坐標(biāo)系下之后，檢查參數(shù)坐標(biāo)系下是否有聚集點(diǎn)，此聚集點(diǎn)就對(duì)應(yīng)了原始圖像坐標(biāo)系下的直線。

考慮到直線的斜率可能會(huì)接近無(wú)窮大，為使變換有意義，將直線方程用法線式表示為xcosθ+ysinθ=ρ，圖像平面上的一條直線就對(duì)應(yīng)到ρ-θ平面上的一個(gè)點(diǎn)，找出共線點(diǎn)的峰值點(diǎn)，可以檢測(cè)出直線。

Hough變換抗干擾性強(qiáng)，即使待測(cè)線條上有小的擾動(dòng)、斷裂，甚至是虛線，經(jīng)Hough變換后，仍可得到明顯的峰點(diǎn)，但該方法進(jìn)行直線檢測(cè)時(shí)計(jì)算量大，處理速度慢。針對(duì)此，研究者進(jìn)行了一些改進(jìn)，包括了概率Hough變換[24]和隨機(jī)Hough變換[25]等。Qianqian Wu等人[26]研究了改進(jìn)Hough變換在GMA焊縫圖像處理的應(yīng)用，實(shí)驗(yàn)表明該方法可以在較短的時(shí)間內(nèi)提取出焊接位置。4 結(jié)論在基于視覺(jué)傳感器的焊縫跟蹤系統(tǒng)中，圖像處理技術(shù)至關(guān)重要，本文對(duì)當(dāng)前已有的焊縫識(shí)別方法進(jìn)行了較為全面的綜述。由于視覺(jué)傳感器得到的是一段包含焊縫輪廓信息的條紋圖像，本文主要包括了激光條紋中心線及焊縫坡口特征點(diǎn)的提取兩個(gè)方面。目前的焊縫識(shí)別算法大多數(shù)只能在特定坡口類型下得到比較好的結(jié)果，在實(shí)際應(yīng)用中需要根據(jù)實(shí)際情況選擇合適的算法。目前尚缺少適合范圍比較廣泛的解決算法。今后應(yīng)該探索多種坡口特征提取算法的普遍規(guī)律，以期找到一種能夠適用于各種坡口特征提取的識(shí)別算法。

參考文獻(xiàn)

[1] Zahran O， Kasban H， El-Kordy M， et al. Automatic weld defect identification from radiographic images[J]. NDT & E International， 2013， 57（6）： 26-35.

[2] Lü X， Zhang K， Wu Y. The seam position detection and tracking for the mobile welding robot [J]. International Journal of Advanced Manufacturing Technology， 2017， 88（5-8）： 2201-2210.

[3] Shi Y， Zhang G， Ma X J， et al. Laser-vision-based measurement and analysis of weld pool oscillation frequency in GTAW-P [J]. Welding Journal， 2015， 94（5）： 176-187.

[4] Muhammad J， Altun H， Abo-Serie E. Welding seam profiling techniques based on active vision sensing for intelligent robotic welding [J]. The International Journal of Advanced Manufacturing Technology， 2017， 88（1-4）： 127-145.

[5] Villan A F， Acevedo R G， Alvarez E A， et al. Low-cost system for weld tracking based on artificial vision [J]. IEEE Transactions on Industry Applications， 2011， 47（3）： 1159-1167.

[6] 賈挺猛， 荀一， 鮑官軍， 等. 基于機(jī)器視覺(jué)的葡萄樹(shù)枝骨架提取算法研究[J]. 機(jī)電工程， 2013， 30（4）： 501-504.endprint

[7] 湯瑞華. 基于自適應(yīng)圖像分割自動(dòng)提取道路中心線[J]. 測(cè)繪工程， 2015， 24（7）： 29-33.

[8] 李艷華， 丁建麗， 閆人華. 基于國(guó)產(chǎn)GF-1遙感影像的山區(qū)細(xì)小水體提取方法研究[J]. 資源科學(xué)， 2015， 37（2）： 408-416.

[9] 霍平， 李軍萌， 曾翰林， 等. 一種基于結(jié)構(gòu)光的V型焊縫實(shí)時(shí)圖像處理方法[J]. 電焊機(jī)， 2014， 44（12）： 144-148.

[10] 楊雪嬌， 池海紅. 一種改進(jìn)的光條中心提取方法[J]. 應(yīng)用科技， 2009， 36（12）： 41-44.

[11] 曲岳， 劉艷瀅， 王延杰， 等. 基于FPGA的光條中心線實(shí)時(shí)提取方法[J]. 液晶與顯示， 2016， 31（8）： 818-824.

[12] 李丹， 耿楠， 亢娟娜. 復(fù)雜背景下光條中心提取算法研究[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2013， 30（3）： 271-273.

[13] 江永付， 江開(kāi)勇， 林俊義. 線結(jié)構(gòu)光光條中心亞像素精確提取方法[J]. 激光與光電子學(xué)進(jìn)展， 2015， 52（7）： 179-185.

[14] 劉巍， 張馳， 劉陽(yáng)， 等. 高斯混合分布激光中心線提取方法[J]. 激光與紅外， 2015， 45（11）：1397-1402.

[15] 王澤浩， 張中煒. 自適應(yīng)方向模板線結(jié)構(gòu)光條紋中心提取方法[J]. 激光雜志， 2017， 38（1）： 60-64.

[16] Xu G， Sun L， Li X， et al. Adaptable center detection of a laser line with a normalization approach using hessian-matrix eigenvalues [J]. Journal of the Optical Society of Korea， 2014， 18（4）： 317-329.

[17] 岳龍， 郭喜慶， 余錦. 自適應(yīng)復(fù)雜光條紋中心提取方法研究[J]. 科學(xué)技術(shù)與工程， 2016， 16（14）： 236-239.

[18] Li L， Fu L， Zhou X， et al. Image processing of seam tracking system using laser vision [C]. International Conference on Robotic Welding， Intelligence and Automation， 2007： 319-324.

[19] 雷正龍， 呂濤， 陳彥賓， 等. 基于掃描激光視覺(jué)傳感的焊縫圖像特征信息識(shí)別[J]. 焊接學(xué)報(bào)， 2013， 34（5）： 54-58.

[20] 楊雪君， 許燕玲， 黃色吉， 等. 一種基于結(jié)構(gòu)光的V型坡口焊縫特征點(diǎn)識(shí)別算法[J]. 上海交通大學(xué)學(xué)報(bào)， 2016， 50（10）： 1573-1577.

[21] 劉子騰， 白瑞林， 王秀平. 基于激光視覺(jué)的角焊縫圖像特征點(diǎn)提取[J]. 焊接學(xué)報(bào)， 2016， 37（2）： 89-93.

[22] Xu M， Zhao M， Zhang C. Image processing method for weld quality inspection system of tailored blanks laser welding [C]. International Conference on Measuring Technology and Mechatronics Automation （ICMTMA）， 2010： 422-426.

[23] 王秀平， 白瑞林. 雙隊(duì)列控制的激光視覺(jué)焊縫跟蹤系統(tǒng)研究[J]. 計(jì)算機(jī)工程與應(yīng)用， 2015， 51（2）： 30-34.

[24] 鞏學(xué)美， 高昆， 王研， 等. 一種基于概率Hough變換的遙感圖像中線目標(biāo)檢測(cè)新方法[J]. 影像科學(xué)與光化學(xué)， 2017， 35（2）： 162-167.

[25] 喬寅騏， 肖健華， 黃銀和， 等. 基于最小二乘修正的隨機(jī)Hough變換直線檢測(cè)[J]. 計(jì)算機(jī)應(yīng)用， 2015， 35（11）： 3312-3315.

[26] Wu Q Q， Lee J P， Park M H， et al. A study on the modified Hough algorithm for image processing in weld seam tracking [J]. Journal of Mechanical Science & Technology， 2015， 29（11）： 4859-4865.endprint