论文部分内容阅读
本文依托于实验室的探伤机器人项目,设计了一套基于视觉的焊缝检测系统,可以实时提取焊缝中心线在图像中的偏角和偏距信息。对提高探伤机器人的自动化程度,进一步提高焊缝的检测精度和跟踪可靠性具有重要的意义。搭建了焊缝检测系统的软硬件平台,硬件方面完成了机器视觉系统包括相机、镜头和光源的选型设计,软件方面构建了从图像采集,焊缝检测,中心线提取到串口通信这一实现方式,并对焊缝检测算法和中心线提取算法这一关键技术进行了深入的研究,分别采用传统的图像处理、BP神经网络和卷积神经网络三种方法展开研究。在传统的图像处理中,按照图像预处理、边缘检测、图像后处理的步骤进行焊缝检测。在图像后处理中,在已有的区域生长算法基础上改进提出一种基于区域生长标号去噪的算法去除小面积噪声,并提出一种基于质心的中心线提取算法快速求出焊缝中心线的直线方程。针对传统的图像处理算法对光照比较敏感,自适应性较差的缺点,在普通神经网络的基础上,提出一种基于子区域BP神经网络的算法,该算法把图像的子区域作为网络的输入,把子区域的分类作为网络的输出。然后对该算法进行改进提出子区域BP_Adaboost算法,把子区域BP网络作为弱分类器,实验表明可以提高子区域BP神经网络的分类准确率。针对子区域神经网络挑选特征样本十分繁琐,且整张图片的焊缝识别正确率要比子区域的分类正确率低很多的问题,采用基于卷积神经网络的Faster RCNN算法进行焊缝检测,直接把整张图片作为输入,焊缝的位置作为输出,测试的准确率可以达到90%。对基于子区域神经网络和基于卷积神经网络的焊缝检测对应的中心线提取,提出一种结合最小二乘法和基于邻域的Hough变换的算法,可以得到3种类型的焊缝中心线的直线方程。本文设计了3个实验。首先进行相机的距离标定实验,得到图像的像素和实际距离之间的比例关系;第二个实验对3种焊缝检测算法的正确率和平均运行时间进行了对比;第3个实验证明了基于卷积神经网络的焊缝检测算法具有较好的稳定性。