一种基于机器视觉的车桥焊接区域识别方法与流程

1.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：

2.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。
3.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。


技术实现要素：

4.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：位置，所使用的蜻蜓算法的第一适应度函数为：位置，所使用的蜻蜓算法的第一适应度函数为：其中，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，、、、、、、、以及分别表示坐标、、、、、、、以及处像素点的灰度值，和分别表示坐标(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。
5.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。
6.进一步的，所述蜻蜓算法的第二适应度函数为：其中，表示第二适应度函数，，，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。
7.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：其中，是当前迭代次数下的惯性权重，是最大惯性权重，是最小惯性权重，表示最大迭代次数，表示当前迭代次数。
8.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：其中，为蜻蜓下一时刻飞行移动的步长向量，为蜻蜓当前时刻飞行移动的步长向量，为惯性权重，为蜻蜓的分离度，为蜻蜓个体的对齐度，为蜻蜓个体的聚集度，为蜻蜓的食物吸引度，为蜻蜓的天敌驱散度。
9.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：
其中，为像素点与聚类中心点的相似度，表示聚类中心点处像素点的灰度值，表示图像中任意一点处像素点的灰度值，与分别表示所述车桥灰度图像的长和宽。
附图说明
10.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
11.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。
12.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。
13.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。
14.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。
15.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。
16.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。
17.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。
18.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。
19.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。
20.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。
21.1、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。
22.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。
23.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。
24.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。
25.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。
26.分离行为指个体与周围其他个体间避免碰撞：公式中，为蜻蜓的分离度，为当前蜻蜓的位置，n表示领域内蜻蜓的个体数，为领域内个体p的位置。
27.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：公式中为领域内个体p的飞行速度。表示蜻蜓个体p的对齐度。
28.聚集行为指蜻蜓向群体中心聚集：聚集行为指蜻蜓向群体中心聚集：表示蜻蜓个体p的聚集度。
29.形成小群体后下一步进行觅食：
式中为待趋近的目标位置，表示蜻蜓的食物吸引度。
30.逃离天敌的过程为：其中为天敌的位置。表示蜻蜓的天敌驱散度。
31.如此就得到了蜻蜓移动的步长：如此就得到了蜻蜓移动的步长：其中，为下一时刻蜻蜓所处位置向量，为当前时刻蜻蜓所处位置向量，为蜻蜓下一时刻飞行移动的步长向量，为蜻蜓当前时刻飞行移动的步长向量，为惯性权重，为分离权重，为对齐权重，为聚集权重，为猎物权重，e为天敌权重。
32.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。
33.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：法的最优值放在焊接区域，本实施例构建适应度函数为：法的最优值放在焊接区域，本实施例构建适应度函数为：其中，为适应度函数，、、、、、、、以及分别表示坐标、、、、、、、以及处像素点的灰度值，和分别表示坐标(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。
34.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。
35.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的值，并适当提高对齐权重的值，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：其中，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。
36.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的值，将惯性权重控制在前期较大而后期较小的状态。调节的公式如下：公式中是当前迭代次数下的惯性权重，是最大惯性权重，本实施例优选0.9，是最小惯性权重，本实施例优选0.2。表示最大迭代次数，表示当前迭代次数。
37.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。
38.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。
39.2、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。
40.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。
41.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。
42.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：该公式中，，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，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。
43.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。
44.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。
45.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。
46.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：其中，为像素点与聚类中心点的相似度，表示聚类中心点处像素点的灰度值，表示图像中任意一点处像素点的灰度值，与分别表示所述车桥灰度图像的长和宽。
47.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。
48.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。