基于主動形狀模型的焊縫定位算法*

劉美菊， 姜金懌

(沈陽建筑大學 信息與控制工程學院， 沈陽 110168)

伴隨我國現代化建設與發展，焊接工藝將越來越顯現出其重要性，智能化和柔性化的焊接方式已成為焊接發展的必然趨勢[1].精準可靠的視覺焊縫跟蹤系統在焊接自動化領域中備受重視，成為國內外科研機構和學者的研究熱點.

中國科學院李原等學者設計了一種基于激光結構光的視覺傳感器可以對不同形狀的焊縫圖像進行處理，但循環周期較長，處理效率有待提高[2].湘潭大學劉習文等學者根據激光在坡口圖像中的特點進行Radon變換，計算出激光條紋所在的位置，再利用Radon逆變換復原圖像，這種方法具有較強的抗干擾性，處理周期短但焊接精度有待于加強[3].中心線提取法和曲線擬合法是當今常用的焊縫定位方法.中心線提取法多采用灰度分布曲線峰值提取算法，其準確度較好但是檢測時間長.曲線擬合方法多采用霍夫變換[4]、最小二乘法[5]和小波分析[6]等算法，運行時間短但準確性較差，難以滿足日益精確的焊接質量要求.此外，這兩種方法容易受到焊件本身材質反光、熱變形、焊縫走向等誤差影響，從而造成焊槍偏離焊縫中心，焊接質量嚴重下降.

為了解決上述算法所涉及的問題，本文提出了一種改進主動形狀模型的算法用于焊縫定位.首先用方向梯度直方圖和支持向量機進行初始形狀定位，然后根據焊縫圖像特征構建特征模型，從而實現了焊縫定位檢測.

1 算法描述

1.1 HOG確定初始形狀

初始形狀距離真實形狀較遠時，主動形狀模型的迭代次數增加，收斂到局部值的可能性也會增加.為了能更快更精準地確定初始形狀，先對圖像進行初始形狀定位[7].

方向梯度直方圖[8](HOG)是一種對圖像局部重疊區域的密集型描述符，它通過計算局部區域的梯度方向直方圖來構成特征.HOG特征結合支持向量機(SVM)的方法已經被廣泛應用于圖像識別中.為了減少光照因素對圖像的影響，本文采用Gamma校正方法對圖像進行歸一化處理，其表達式為

(1)

計算梯度信息，統計局部圖像梯度信息并進行量化，得到局部圖像區域的特征描述向量.將提取好的HOG特征輸入SVM分類器進行訓練，訓練后的分類器可以用于焊縫圖像的初定位.

1.2 建立形狀模型

1.2.1 手動記錄每個訓練樣本的特征點

主動形狀模型是基于統計學的方法，在建立形狀模型之前需要手動標記若干個特征點，并且把這些特征點作為原始形狀向量[9].常在目標的邊緣位置、拐角點位置、連接等處標定特征點.

本文以“V”字型焊縫為例，隨機選擇N幅焊縫圖像作為訓練數據，為每幅圖像手動標記n個特征點，如圖1所示.

圖1 手動標記特征點Fig.1 Manually marked feature points

1.2.2 構建訓練集的形狀向量

根據標記的特征點可以得到的特征點集為

X={(x1，y1)，(x2，y2)，…，(xn，yn)}

(2)

可以把它看成一個形狀向量，即

Si=(xi1，yi1，yi2，yi2，…，xin，yin)T

(3)

式中：(xij，yij)為第i幅圖像第j個特征點的坐標；n為每幅圖像標記的點數.每一幅圖像的特征點代表一個形狀向量，一共有n個形狀向量.

1.2.3 形狀歸一化

E= (Xi-M(S，θj)[xj]-tj)T·

W(Xi-M(S，θj)[xj]-tj)

(4)

1.2.4 對形狀向量進行PCA處理

前文得到的2K維向量維數較高，但它們之間有很強的相關性，彼此位置距離大致不變.因此，采用常用主成分分析法(PCA)進行降維，具體步驟如下：

1) 平均形狀向量為

(5)

2) 協方差矩陣為

(6)

3) 計算Z的特征值λ并從大到小排列以及對應的特征向量P=(p1，p2，…，pt)，則任何一個用于訓練的形狀向量都可以表示為

(7)

式中：P為特征向量；b為t維特征值向量.

1.3 構建局部特征

在查找每一個特征點的新位置時需要用到每個特征點的局部特征模型，如圖2所示，在第I個特征點的周圍建立一個半徑為m像素的圓，在圓內閾值為0的像素點向圓心特征點I做方向向量，即

gIJ=(gIJ1，gIJ2，…，gIJ(2m+1))T

(8)

圖2 構建特征點局部特征Fig.2 Local characteristics for establishingfeature points

將方向向量進行差分和歸一化計算可得

(9)

對其他樣本的第I個特征點進行同樣計算，可以得到每個特征點的局部特征，即

(10)

1.4 測試樣本搜索

主動形狀模型的搜索過程[10-11]為：

1) 對平均形狀進行仿射變換得到初始模型，即

X=M(s，θ)[ai]+Xc

(11)

dX=(dX1，dX2，…，dXk)

(12)

3) 調整參數ds、dθ、dXc、dYc，使得當前特征點的位置X與對應的新位置X+dX最為接近.

4) 當仿射變換的參數變化不是很大或者迭代次數達到Nmax時，結束該搜索過程.

綜上所述，本文算法實驗流程如圖3所示.

圖3 實驗流程圖Fig.3 Experimental flow chart

2 實驗與分析

本文在Windows系統下，利用Qt平臺使用Opencv庫進行焊縫檢測實驗.利用激光三角法拍攝100張圖片作為焊縫樣本，如圖4所示，其中80張作為訓練庫，另外20張作為測試樣本.圖5為測試樣本初定位結果，圖6為本文算法測試結果.

圖4 焊縫樣本Fig.4 Weld samples

圖5 測試樣本初定位檢測結果Fig.5 Detection results of initial positioningof test samples

利用曲線擬合和中心線提取兩種焊縫檢測方法對焊縫圖像進行處理得到如圖7所示的檢測結果.

圖6 本文算法檢測結果Fig.6 Detection results of proposed algorithm

圖7 傳統激光焊縫檢測結果Fig.7 Detection results of traditional laser weld

由圖6、7可以看出，對于傳統的焊縫檢測方法，當焊縫有光照因素或者焊件本身材質反光影響時無法準確地檢測出焊縫位置.本文基于主動形狀模型的方法可以免去光照影響和焊件本身做工誤差，從而使檢測更精確.

3 仿真對比

本文采用平均定位準確性方法衡量算法的定位結果[12]，認為特征點偏差在3像素內為定位正確，誤差在3像素內所占的比例為

(13)

式中：errij為特征點偏移量；Is(x)為判定函數.

針對傳統的焊縫定位方法與本文算法進行定量對比分析，根據不同算法對焊縫定位的精度進行了計算和比較，結果如表1所示.

表1 定位精度比較Tab.1 Comparison in positioning accuracy

根據不同算法的運行時間進行比較，得到的結果如表2所示.

表2 運行時間比較Tab.2 Comparison in running time

通過實驗數據對比可以看出，基于主動形狀模型的焊縫定位方法比曲線擬合和中心線提取法的定位精度更高.從運行時間上看，本文算法的運行時間比曲線擬合法要低很多，且大部分運行時間低于中心線提取法.

綜合兩項對比得出本文提出的基于主動形狀模型的焊縫定位方法具有精度高、抗干擾能力強、時間短的優點.

4 結 論

本文對激光焊縫定位提出了一種新的方法.借助梯度方向信息作為表征進行初始形狀定位減小迭代次數，提高焊縫定位效率，建立特征模型并構建特征點局部特征，用特征模型在新的圖像中進行搜索計算求得新位置.從定性和定量兩種不同的角度進行分析可知，本文所提出的方法運行時間較短，抗干擾能力強，準確性更高.