基于机器视觉的光电传感器焊缝自动识别方法

董亚男

（长春教育学院，长春 130052）

0 引言

近年来，伴随着机械自动化领域的快速发展，焊缝技术被广泛应用于计算机、汽车制造、化工业、制造业等领域[1]。为了提高焊缝效率、提升成品质量，我国焊缝工作人员一直在对光电传感器焊缝[2]进行研究，为实现焊缝过程的高效化做努力。其中的关键就是对光电传感器焊缝自动识别系统进行创新和改造。由实验证明和理论依据可知，在机器视觉的基础上，对光电传感器焊缝自动识别具有重大意义。

乐猛[3]等人将大背景下的激光纹路图像差异化作为依据，利用深灰度频率法提取图像信息，剔除图像中的冗余信息，确定激光纹路的中心点，再将中心点输入到Takagi Sugeno模型中进行滤波处理，得到具有焊缝特点的中心区域，结合快速排序法确定出焊缝区域的新中心点，反复执行，从而完成对光电传感器焊缝的自动识别，但是该方法的识别率和召回率较低，导致F1值较小。黄毕尧[4]等人利用高低频焊缝路径的差异化进行自动识别，首先追踪低频焊缝识别路径，结合高频焊缝测距，将焊缝拓扑测试法应用到低频焊缝路径，在高频路径中展开试点应用，进而完成对光电传感器焊缝的自动识别，但是该方法的运算复杂度较高。修延飞[5]等人利用分散型数据模型模拟出焊缝之间的视觉曲线关系，结合双激光纹理传感技术对整个区域进行识别，完成了焊缝区域的信息提取，从而完成对光电传感器焊缝的自动识别。但是该方法进行焊缝识别的时间较长。

为了解决上述方法中存在的问题，本文利用机器视觉技术对光电传感器焊缝自动识别方法展开研究。

1 光电传感器焊缝图像采集与目标区域检测

1.1 基于于机器视觉的图像采集

图像采集是进行光电传感器焊缝自动识别的关键环节，获取高清的光电传感器焊缝图像才能更有效、更精准的检测出图像的目标区域，以提升光电传感器焊缝识别精度。而机器视觉技术是一种图像采集技术，其运算简单，并且采集到的图像质量较高，因此，本文利用机器视觉技术对光电传感器焊缝图像进行采集，为后续的光电传感器焊缝自动识别奠定基础。

由于通过相机CCD对待识别的光电传感器焊缝图像进行采集时，需要考虑光源问题，以使照明效果呈最佳状态，从而获取清晰图像，因此，根据光电传感器焊缝的大小和工作需求，本文结合相机CCD并选取XF-5MDT05X65型号的镜头，对待识别的光电传感器焊缝图像进行采集，保证光电传感器焊缝图像的灰度值均匀。

设定光电传感器焊缝视觉分布灰度像素值为d(x，y)，则构建的光电传感器焊缝图像采集模型为：

式(1)中，E为图像分形系数；xi表示像素值。

1.2 基于高斯模型的目标区域检测

为了对光电传感器焊缝进行自动识别，首先需要对焊缝图像进行目标检测，常见的检测方法就是高斯模型，它一般由2～6个单高斯模型组成，设定该模型个数为L，权重为y，分布情况为h，则高斯模型的表达式如下：

式(2)中，Q表示目标数据密度；V表示高斯模型平均值；U表示阈值；ζ表示高斯模型方差值；x表示目标数据。

根据高斯模型的特点对光电传感器焊缝图像目标区域检测，分为以下几个步骤：

1）计算出相邻模型的均差值，与阈值比较。若均差值小于阈值，则使用如下公式更新模型，其中，λ为参数学习率。

2）光电传感器焊缝自动识别环境复杂，为了提高识别效率，引入噪声识别因子，用式(4)表示，其中O表示噪声识别因子，m为函数，g为模型函数。

3）噪声识别因子加入后，使用如下公式更新算法，舍弃权值小于零的模型，反复操作即可抑制噪声对识别结果的影响。

式(5)中，μ表示高斯模型均值；σ表示参照数值；∂表示采样数。

4）以目标区域作为参照物，选择平均方差强度大于假设阈值的区域作为关键区域，使用如下公式，完成焊缝图像目标区域的检测，其中，D为关键区域中的目标图像；Q为关键区域的特征。

2 光电传感器焊缝识别

2.1 特征提取

光电传感器焊缝具有不稳定等特征，需要对此进行特征提取来降低数据的密度，具体过程如下：

1）利用海森矩阵模型J进行特征点检测，海森模型可通过下式进行描述，其中x，y代表矩阵中的任一点；ζ代表矩阵尺度距离；M代表海森导数。

2）为了保证光电传感器焊缝特征的稳定性，需要确定一个可以反复利用的特征点，首先以之前的特征点为圆心，取ζ为直径，划分出特征区域，计算出x和y的变换率，进而预测出特征点方向。

3）利用特征点方向对梯度方向进行校正，根据以下公式计算出梯度方向，其中，ϑ代表特征点的方向；Y代表标准化特征向量；V代表向量维数；λ代表本体向量系数。

4）为了减少运算时间，运用主成分分析法将目标向量的维数度降低，首先运用以下公式计算出特征向量所有集合的协方差，设定D代表矩阵模型，U代表矩阵维度。

2.2 量子门神经网络自动识别模型

量子是一种具有代表性的计算单位，它可以在同一时间分别处于两个量子状态中，所以量子门神经网络自动识别模型具有优秀的区分功能，准确性强，对自动识别具有明显的作用。运用量子门神经网络对光电传感器焊缝进行自动识别时，可用图1表示流程，具体步骤如下：

图1 量子门神经网络模型流程

1）将预处理后的光电传感器焊缝特征数据输入到量子门神经网络模型中，计算出量子态S，其中，σ为概率幅度；i为像素所在点。

2）计算网络误差，将产生网络误差的量子删除，重新计算，并得到反向传播误差信息。

3）根据梯度降低法则，运用以下公式更新出ϑ和y值。其中，A代表隐藏幅度；B代表模型输出的概率幅度；ϑ代表隐藏矩阵；γ代表模型输出矩阵；n代表隐藏矩阵个数。

4）根据最优迭代方法，输出精准度最高的数据，结合梯度降低算法可以得到量子神经网络模型中的计算结果，进而完成对光电传感器焊缝的自动识别。梯度降低公式如下：

3 实验与分析

为了验证基于机器视觉的光电传感器焊缝自动识别方法的有效性，通过MATLAB仿真软件进行仿真实验测试。光电焊缝传感器控制台如图2所示。

图2 光电焊缝传感器控制台

在上述实验环境下进行参数设置，如表1所示。

表1 实验参数设置

本文采用的实验样本为350mm×80mm×4mm的Q235A钢试板，用白色粉笔在样本上将对接焊缝画出来，实验样本如图3所示。

图3 实验样本样本

将F1值、浮点运算数和时间作为指标，采用基于机器视觉的光电传感器焊缝自动识别方法、文献[3]方法、文献[4]和文献[5]方法进行对比测试。

1）F1值

F1数值是用来衡量自动识别方法性能的指标，在统计学中很有代表性，其计算公式如下：

式(13)中，Jz表示召回率；Ac表示准确率；TP表示正确识别的正常光电传感器焊缝结果，TN表示正确识别的异常光电传感器焊缝结果，FP表示错误识别的结果，FN表示错误识别的异常结果。

判断光电传感器焊缝识别的优劣主要依靠识别准确率、召回率及F1值等指标进行验证，对所提方法、文献[3]方法、文献[4]方法和文献[5]方法分别进行准确率、召回率以及F1值的计算。不同方法的识别率如表2所示，召回率测试结果如图4所示，F1值测试结果如图5所示。

图4 召回率测试结果

图5 F1值测试结果

表2 不同方法的识别率

分析表2中的数据可知，随着实验次数的增加，所提方法的识别率均高于文献[3]方法和文献[5]方法，并且所提方法的识别率比较稳定，没有出现太大波动，而文献[3]方法和文献[5]方法的识别率随着实验次数的增加发生较大波动，实验结果表明，针对光电传感器焊缝的自动识别，所提方法具有较高的识别率。

根据表2、图4和图5可知，本文方法在三种测试指标中数值最高，准确率最高值为97%，召回率最高为98%，最高F1值为94。本文方法的测试指标值均高于对比的三种方法。是因为本文采用海森矩阵提取光电传感器焊缝目标区域的特征点，然后将提取的特征点输入到量子门神经网络模型中，精准获取光电传感器焊缝的自动识别结果。

2）浮点运算数

浮点运算数是用来衡量焊缝识别方法的复杂度，用F代表，F值越小，说明识别复杂度越小；F值越大，说明识别复杂度越大，F可通过下式计算得到：

式(14)中，I表示被输入数据矩阵的高；X表示被输入数据矩阵的宽；D表示数据矩阵的通道系数；L表示矩阵尺寸；J表示输入模型的维度个数，P表示输出的矩阵维度个数。

所提方法、文献[4]方法和文献[5]方法的浮点运算数测试结果如图6所示。

图6 不同方法的浮点运算数值

对图6进行分析可知，所提方法、文献[4]和文献[5]方法的F值有一定差异。其中，无论是哪个数据集，所提方法的F值均高于文献[4]和文献[5]。并且，随着数量集的变化，所提方法的F值并未有太大变化，而文献[4]和文献[5]方法的F值变化差异较大，表明所提方法的识别复杂度较低。

3）时间测试

采用所提方法、文献[3]方法和文献[5]方法，对光电传感器焊缝的自动识别时间进行对比分析，对比结果如图7所示。

根据图7可知，本文方法进行光电传感器焊缝自动识别所消耗的时间在6s内，文献[3]方法进行光电传感器焊缝自动识别所消耗的时间在20s内，文献[5]方法进行光电传感器焊缝自动识别所消耗的时间在22s内，本文方法进行光电传感器焊缝自动识别所消耗的时间最短，识别效率最高。

图7 三种方法的光电传感器焊缝识别时间

4 结语

随着工业生产的自动化、机械化和智能化，光电传感器焊缝自动识别技术已成为制造业中不可缺少的一步。经测试发现，目前光电传感器焊缝自动识别技术存在识别率和召回率低、识别复杂度高和识别时间长的问题，为此提出基于机器视觉的光电传感器焊缝自动识别方法，该方法首先通过机器视觉技术对光电传感器焊缝图像进行采集，再采用高斯模型提取目标区域，将处理后的图像输入到量子门网络识别模型，完成识别，降低了识别复杂度的同时，也提高了识别率、F1值和识别效率。