高精密金属制品焊接坏点性识别原理研究

高精密金属制品焊接坏点性识别原理研究

温磊

（无锡市申冶钢铁有限公司，江苏无锡214037）

摘要：随着冶金技术的不断发展和完善，高精密金属制品已经成为冶金领域的主要产品，具有较高的经济价值和实用价值。在高精密金属制品生产过程中，如何保证金属制品的质量，已经成为该领域需要研究的重点问题。

关键词：高精密；金属制品；焊接坏点

1引言

在高精密金属制品生产过程中，假设金属制品中出现焊接坏点，将使高精密金属制品成为瑕疵品。因此，需要对高精密金属焊接坏点进行有效的识别。现阶段，主流的高精密金属焊接坏点识别方法包括基于蚁群算法的高精密金属焊接坏点识别方法、基于中值滤波算法的高精密金属焊接坏点识别方法和基于形态边缘识别算法的高精密金属焊接坏点识别方法。其中，最常用的是基于形态边缘识别算法的高精密金属焊接坏点识别方法。由于高精密金属焊接坏点识别方法拥有很大的发展空间，因此，受到了很多专家的重视，拥有良好的发展前景。

在高精密金属焊接坏点识别过程中，假设焊接坏点分布的均匀性较差，将无法对金属焊接坏点进行准确的识别。一旦焊接坏点分布过于集中，将导致焊接坏点识别的精度降低，无法为高精密金属制品的生存提供质量保障。为了避免上述缺陷，提出基于计算机视觉的高精密金属焊接坏点识别方法。采集高精密金属焊接坏点计算机视觉图像，针对上述图像进行特征提取，并对提取的特征进行离散小波变换处理，获取增强处理后的视觉图像。根据增强处理后的视觉图像特征值，获取高精密金属焊接坏点的分布密度，计算焊接坏点的空间位置，实现高精密金属焊接坏点识别。实验结果表明，利用改进算法进行高精密金属焊接坏点识别，提高识别精确度，满足高精密金属识别的实际需求。

2高精密金属焊接坏点性识别原理

在高精密金属焊接坏点识别过程中，需要采集大量的高精密金属计算机视觉图像，上述图像构成的集合能够用h进行描述，对上述图像进行有效的分解，可以获取高精密金属图像的子带。

根据下述公式可以计算高精密金属图像子带的灰度平均值:

根据下述公式可以计算高精密金属图像子带模值的方差:

在上述公式中，l=1，2，…，T，T能够用来描述高精密金属计算机视觉图像的子带行数，E能够用来描述该图像子带的列数。

根据下述公式可以获取高精密金属视觉图像特征构成的集合:

设置高精密金属计算机视觉图像的子带相角值构成的矩阵是Pq，根据下述公式可以计算高精密金属图像子带的相位特征值:

根据下述公式可以提取高精密金属计算机视觉图像的相位特征:

根据高精密金属计算机视觉图像的相位特征，可以提取焊接坏点边缘像素，实现焊接坏点识别。其详细流程如下所述:

1)设置采集的高精密金属视觉图像中，全部像素元结构的数目是m，全部像素元结构构成的集合是Dk，对上述结构元进行膨胀变换，获取的多等级结构元是qDk。

2)设置初始高精密金属计算机视觉图像是H(z，a)，通过运算能够获取该图像的梯度系数Iqk(z，a)。

3)针对所有的高精密金属图像进行多尺度合成，在合成图像中可以利用下述公式提取高精密金属图像的边缘像素:

在上述公式中，h(z，a)可以表示高精密金属计算机视觉图像的边缘，［m，n］表示上述图像边缘像素的灰度值取值范围，αq是不同高精密金属图像在合成过程中的比率。

4)针对高精密金属图像的边缘进行灰度变换，可以完成高精密金属焊接坏点的识别。

通过上面阐述的方法进行高精密金属焊接坏点识别，获取的结果如图1所示。

图1高精密金属焊接坏点识别结果

根据上面阐述的方法，能够进行高精密金属图像的焊接坏点识别，为高精密金属制品的生产提供质量保证。

3高精密金属图像焊接坏点识别优化方法

高精密金属图像焊接坏点识别方法，是冶金制品生产领域需要研究的核心问题。利用传统算法进行高精密金属焊接坏点识别，无法避免由于焊接坏点分布不均匀造成无法准确识别焊接坏点的缺陷，降低了识别的精确度。为此，提出基于计算机视觉的高精密金属焊接坏点识别方法。

参考文献

[1]王静，王海亮，向茂生，韦立登，刘忠胜．基于非极大值抑制的圆目标亚像素中心定位[J]．仪器仪表学报，2012－7:1460－1468．

[2\余鸿铭，陈兴无，万敏，刘志强．复杂边缘目标的亚像素定位［J］．计算机仿真，2009－12:190－192．