基于機器視覺的光電傳感器焊縫自動識別方法

董亞男

（長春教育學院，長春 130052）

0 引言

近年來，伴隨著機械自動化領域的快速發展，焊縫技術被廣泛應用于計算機、汽車制造、化工業、制造業等領域[1]。為了提高焊縫效率、提升成品質量，我國焊縫工作人員一直在對光電傳感器焊縫[2]進行研究，為實現焊縫過程的高效化做努力。其中的關鍵就是對光電傳感器焊縫自動識別系統進行創新和改造。由實驗證明和理論依據可知，在機器視覺的基礎上，對光電傳感器焊縫自動識別具有重大意義。

樂猛[3]等人將大背景下的激光紋路圖像差異化作為依據，利用深灰度頻率法提取圖像信息，剔除圖像中的冗余信息，確定激光紋路的中心點，再將中心點輸入到Takagi Sugeno模型中進行濾波處理，得到具有焊縫特點的中心區域，結合快速排序法確定出焊縫區域的新中心點，反復執行，從而完成對光電傳感器焊縫的自動識別，但是該方法的識別率和召回率較低，導致F1值較小。黃畢堯[4]等人利用高低頻焊縫路徑的差異化進行自動識別，首先追蹤低頻焊縫識別路徑，結合高頻焊縫測距，將焊縫拓撲測試法應用到低頻焊縫路徑，在高頻路徑中展開試點應用，進而完成對光電傳感器焊縫的自動識別，但是該方法的運算復雜度較高。修延飛[5]等人利用分散型數據模型模擬出焊縫之間的視覺曲線關系，結合雙激光紋理傳感技術對整個區域進行識別，完成了焊縫區域的信息提取，從而完成對光電傳感器焊縫的自動識別。但是該方法進行焊縫識別的時間較長。

為了解決上述方法中存在的問題，本文利用機器視覺技術對光電傳感器焊縫自動識別方法展開研究。

1 光電傳感器焊縫圖像采集與目標區域檢測

1.1 基于于機器視覺的圖像采集

圖像采集是進行光電傳感器焊縫自動識別的關鍵環節，獲取高清的光電傳感器焊縫圖像才能更有效、更精準的檢測出圖像的目標區域，以提升光電傳感器焊縫識別精度。而機器視覺技術是一種圖像采集技術，其運算簡單，并且采集到的圖像質量較高，因此，本文利用機器視覺技術對光電傳感器焊縫圖像進行采集，為后續的光電傳感器焊縫自動識別奠定基礎。

由于通過相機CCD對待識別的光電傳感器焊縫圖像進行采集時，需要考慮光源問題，以使照明效果呈最佳狀態，從而獲取清晰圖像，因此，根據光電傳感器焊縫的大小和工作需求，本文結合相機CCD并選取XF-5MDT05X65型號的鏡頭，對待識別的光電傳感器焊縫圖像進行采集，保證光電傳感器焊縫圖像的灰度值均勻。

設定光電傳感器焊縫視覺分布灰度像素值為d(x，y)，則構建的光電傳感器焊縫圖像采集模型為：

式(1)中，E為圖像分形系數；xi表示像素值。

1.2 基于高斯模型的目標區域檢測

為了對光電傳感器焊縫進行自動識別，首先需要對焊縫圖像進行目標檢測，常見的檢測方法就是高斯模型，它一般由2～6個單高斯模型組成，設定該模型個數為L，權重為y，分布情況為h，則高斯模型的表達式如下：

式(2)中，Q表示目標數據密度；V表示高斯模型平均值；U表示閾值；ζ表示高斯模型方差值；x表示目標數據。

根據高斯模型的特點對光電傳感器焊縫圖像目標區域檢測，分為以下幾個步驟：

1）計算出相鄰模型的均差值，與閾值比較。若均差值小于閾值，則使用如下公式更新模型，其中，λ為參數學習率。

2）光電傳感器焊縫自動識別環境復雜，為了提高識別效率，引入噪聲識別因子，用式(4)表示，其中O表示噪聲識別因子，m為函數，g為模型函數。

3）噪聲識別因子加入后，使用如下公式更新算法，舍棄權值小于零的模型，反復操作即可抑制噪聲對識別結果的影響。

式(5)中，μ表示高斯模型均值；σ表示參照數值；?表示采樣數。

4）以目標區域作為參照物，選擇平均方差強度大于假設閾值的區域作為關鍵區域，使用如下公式，完成焊縫圖像目標區域的檢測，其中，D為關鍵區域中的目標圖像；Q為關鍵區域的特征。

2 光電傳感器焊縫識別

2.1 特征提取

光電傳感器焊縫具有不穩定等特征，需要對此進行特征提取來降低數據的密度，具體過程如下：

1）利用海森矩陣模型J進行特征點檢測，海森模型可通過下式進行描述，其中x，y代表矩陣中的任一點；ζ代表矩陣尺度距離；M代表海森導數。

2）為了保證光電傳感器焊縫特征的穩定性，需要確定一個可以反復利用的特征點，首先以之前的特征點為圓心，取ζ為直徑，劃分出特征區域，計算出x和y的變換率，進而預測出特征點方向。

3）利用特征點方向對梯度方向進行校正，根據以下公式計算出梯度方向，其中，?代表特征點的方向；Y代表標準化特征向量；V代表向量維數；λ代表本體向量系數。

4）為了減少運算時間，運用主成分分析法將目標向量的維數度降低，首先運用以下公式計算出特征向量所有集合的協方差，設定D代表矩陣模型，U代表矩陣維度。

2.2 量子門神經網絡自動識別模型

量子是一種具有代表性的計算單位，它可以在同一時間分別處于兩個量子狀態中，所以量子門神經網絡自動識別模型具有優秀的區分功能，準確性強，對自動識別具有明顯的作用。運用量子門神經網絡對光電傳感器焊縫進行自動識別時，可用圖1表示流程，具體步驟如下：

圖1 量子門神經網絡模型流程

1）將預處理后的光電傳感器焊縫特征數據輸入到量子門神經網絡模型中，計算出量子態S，其中，σ為概率幅度；i為像素所在點。

2）計算網絡誤差，將產生網絡誤差的量子刪除，重新計算，并得到反向傳播誤差信息。

3）根據梯度降低法則，運用以下公式更新出?和y值。其中，A代表隱藏幅度；B代表模型輸出的概率幅度；?代表隱藏矩陣；γ代表模型輸出矩陣；n代表隱藏矩陣個數。

4）根據最優迭代方法，輸出精準度最高的數據，結合梯度降低算法可以得到量子神經網絡模型中的計算結果，進而完成對光電傳感器焊縫的自動識別。梯度降低公式如下：

3 實驗與分析

為了驗證基于機器視覺的光電傳感器焊縫自動識別方法的有效性，通過MATLAB仿真軟件進行仿真實驗測試。光電焊縫傳感器控制臺如圖2所示。

圖2 光電焊縫傳感器控制臺

在上述實驗環境下進行參數設置，如表1所示。

表1 實驗參數設置

本文采用的實驗樣本為350mm×80mm×4mm的Q235A鋼試板，用白色粉筆在樣本上將對接焊縫畫出來，實驗樣本如圖3所示。

圖3 實驗樣本樣本

將F1值、浮點運算數和時間作為指標，采用基于機器視覺的光電傳感器焊縫自動識別方法、文獻[3]方法、文獻[4]和文獻[5]方法進行對比測試。

1）F1值

F1數值是用來衡量自動識別方法性能的指標，在統計學中很有代表性，其計算公式如下：

式(13)中，Jz表示召回率；Ac表示準確率；TP表示正確識別的正常光電傳感器焊縫結果，TN表示正確識別的異常光電傳感器焊縫結果，FP表示錯誤識別的結果，FN表示錯誤識別的異常結果。

判斷光電傳感器焊縫識別的優劣主要依靠識別準確率、召回率及F1值等指標進行驗證，對所提方法、文獻[3]方法、文獻[4]方法和文獻[5]方法分別進行準確率、召回率以及F1值的計算。不同方法的識別率如表2所示，召回率測試結果如圖4所示，F1值測試結果如圖5所示。

圖4 召回率測試結果

圖5 F1值測試結果

表2 不同方法的識別率

分析表2中的數據可知，隨著實驗次數的增加，所提方法的識別率均高于文獻[3]方法和文獻[5]方法，并且所提方法的識別率比較穩定，沒有出現太大波動，而文獻[3]方法和文獻[5]方法的識別率隨著實驗次數的增加發生較大波動，實驗結果表明，針對光電傳感器焊縫的自動識別，所提方法具有較高的識別率。

根據表2、圖4和圖5可知，本文方法在三種測試指標中數值最高，準確率最高值為97%，召回率最高為98%，最高F1值為94。本文方法的測試指標值均高于對比的三種方法。是因為本文采用海森矩陣提取光電傳感器焊縫目標區域的特征點，然后將提取的特征點輸入到量子門神經網絡模型中，精準獲取光電傳感器焊縫的自動識別結果。

2）浮點運算數

浮點運算數是用來衡量焊縫識別方法的復雜度，用F代表，F值越小，說明識別復雜度越小；F值越大，說明識別復雜度越大，F可通過下式計算得到：

式(14)中，I表示被輸入數據矩陣的高；X表示被輸入數據矩陣的寬；D表示數據矩陣的通道系數；L表示矩陣尺寸；J表示輸入模型的維度個數，P表示輸出的矩陣維度個數。

所提方法、文獻[4]方法和文獻[5]方法的浮點運算數測試結果如圖6所示。

圖6 不同方法的浮點運算數值

對圖6進行分析可知，所提方法、文獻[4]和文獻[5]方法的F值有一定差異。其中，無論是哪個數據集，所提方法的F值均高于文獻[4]和文獻[5]。并且，隨著數量集的變化，所提方法的F值并未有太大變化，而文獻[4]和文獻[5]方法的F值變化差異較大，表明所提方法的識別復雜度較低。

3）時間測試

采用所提方法、文獻[3]方法和文獻[5]方法，對光電傳感器焊縫的自動識別時間進行對比分析，對比結果如圖7所示。

根據圖7可知，本文方法進行光電傳感器焊縫自動識別所消耗的時間在6s內，文獻[3]方法進行光電傳感器焊縫自動識別所消耗的時間在20s內，文獻[5]方法進行光電傳感器焊縫自動識別所消耗的時間在22s內，本文方法進行光電傳感器焊縫自動識別所消耗的時間最短，識別效率最高。

圖7 三種方法的光電傳感器焊縫識別時間

4 結語

隨著工業生產的自動化、機械化和智能化，光電傳感器焊縫自動識別技術已成為制造業中不可缺少的一步。經測試發現，目前光電傳感器焊縫自動識別技術存在識別率和召回率低、識別復雜度高和識別時間長的問題，為此提出基于機器視覺的光電傳感器焊縫自動識別方法，該方法首先通過機器視覺技術對光電傳感器焊縫圖像進行采集，再采用高斯模型提取目標區域，將處理后的圖像輸入到量子門網絡識別模型，完成識別，降低了識別復雜度的同時，也提高了識別率、F1值和識別效率。