基于PCA-DBSCAN 聚類的焊縫提取研究*

郭 奧 景會成② 葛 超 邸志剛

（①華北理工大學電氣工程學院，河北 唐山 063210；②唐山四維智能科技有限公司，河北 唐山 063210）

焊接技術是能夠連接金屬材料的加工技術之一，在現代機械制造領域發揮著重要作用，廣泛應用于車輛制造、建筑工程和航天工程[1-4]。當今制造業飛速發展，伴隨著被焊接產品的數量劇增和產品結構復雜程度的不斷提高，對于檢測焊接質量提出了更加嚴格的要求，僅僅靠工人來檢測焊縫質量已不能適應現代焊接技術發展的需要，因此研究如何更準確地提取焊后焊縫可以促進焊縫質量的智能化檢測技術發展。

目前主流的焊縫提取方式都是通過傳感器采集聲、光、磁信號獲取信息來提取焊縫，而視覺技術由于其非接觸、適應性強等優點逐漸被人們采納并愈發完善。以機器視覺為基礎的焊縫提取技術可根據外部輔助光源的有無，分為主動光視覺與被動光視覺[5]。

主動光視覺技術是將外部輔助光源投向工件形成不同形狀的結構光，然后用相機獲取圖像[6]。Kiddee P 等[7]提出了一種基于十字標記結構光的焊縫識別方法，配合自創建模板和修改模板匹配兩種技術，提高了檢測過程中的匹配精度。胡丹等[8]基于線結構光提出了邊界限定的灰度重心法來提取激光條紋中心線識別焊縫輪廓，提高了算法穩定性。Zhang K 等[9]提出了一種三線激光結構光視覺傳感方法，并采用Freeman 鏈碼方法對骨架進行標記，可以在室外提取焊縫，使室外焊縫定位精度大大提高。由此可見，基于激光與結構光的主動光視覺技術較為常用，然而這種方法需要多次采集圖片才能獲取完整的焊縫信息，且結構復雜，效率比較低。

被動光視覺技術直接用相機拍攝自然光或燈光投射到工件獲取焊縫圖像[10-12]。莫玲等[13]提出了基于小波分析的圖像增強算法，突出焊縫過渡帶邊緣特征，實現焊縫位置的提取。劉東來等[14]提出了一種焊縫軌跡識別算法，設計提取焊縫的中心線結合自適應多項式焊縫曲線擬合生成了焊縫軌跡，但是被動光視覺技術受環境影響較嚴重，魯棒性差。

綜上所述，目前主要研究結構光提取和識別焊后焊縫，但焊縫圖像存在噪聲多、對比度不高、圖像邊緣模糊等缺點，從而影響到焊縫的提取。本文綜合考慮了各種因素對焊縫提取的影響，提出一種DBSCAN 聚類與主成分分析算法融合的焊縫提取算法，利用主成分分析算法對邊緣檢測后的圖像像素進行向量映射并根據位置信息進行統計，提取出了焊縫的準確位置。通過實驗驗證，本文算法可以有效提取圖像中的焊縫位置信息，從而為未來更精確地檢測焊縫的缺陷簡化了工作難度。

1 總體框架

本文實驗的硬件為松下焊接機器人，待焊工件的焊接方式采用鎢極氬弧焊對接焊接，如圖1 所示。

圖1 焊接設備

為了模擬焊縫提取的真實情況，考慮不同影響因素，需要設置不同圖像分辨率、焊縫焊接方向、不同光照情況等因素的對比實驗。室內光照強度一般在100～550 lux，本實驗分別采集了50 組環形光源下三種光照的三種分辨率、兩種焊接方式的多種角度的焊縫圖片，樣本圖像如圖2 所示。

圖2 樣本圖片

2 算法分析

圖像的特征可以用來描述圖像的基本屬性，通過對不同的信息加以分析可以對圖像進行區分。焊縫與母材的區別主要是焊縫一般為細長型，因此后續的研究都可以利用這個特點來進行。

2.1 圖像預處理

原焊縫目標焊縫位置如圖2 所示，由于環境光線干擾，采集的圖像中包含大量的顏色噪聲，而且焊接工件的表面除了焊縫，一般會存在凹凸不平的現象，造成圖像信息存在大量的噪聲信息。為了降低圖像噪聲的干擾，對原焊縫圖像進行預處理，通過圖像濾波可以去除一定的噪聲干擾，并保留焊縫的邊緣信息，使圖像提取更穩定。傳統的濾波方式如均值濾波、低通濾波，難以保存焊縫這種紋理信息復雜圖像的有效信息，而自適應中值濾波算法在去除噪聲時可以最大程度上保留邊緣信息，便于后續邊緣檢測時獲得更多圖像信息，因此在去除噪聲的情境中有著廣泛的應用空間。預處理流程如圖3所示。

圖3 預處理流程圖

2.2 DBSCAN 密度聚類算法

針對經過Canny 邊緣檢測處理的焊縫圖像消除噪聲的同時會丟失部分邊緣信息，使得檢測結果中出現邊緣模糊等情況，為了降低計算機運算量，本文采用DBSCAN 聚類算法去除噪聲點。DBSCAN進行密度聚類主要是依靠鄰域和樣本最小數量兩個參數（ε,MinPts），其中 ε表示核心點的鄰域閾值，MinPts表示核心點距離 ε范圍內樣本點數量的最小值。

假設輸入樣本集 D=(x1,x2,···,xm)，鄰域參數（ε,MinPts），樣本距離度量方式為對于j=1,2,···,m，通過距離度量的方式，找到樣本xj的 ε-鄰域子樣本集 Nε(xj)。如果子樣本集的樣本個數滿足：

將核心對象樣本加入樣本集合：

式中：Ω為樣本集合。

如果兩個核心對象的鄰域相互包含，則稱兩個核心對象密度相連，合并為一類，在本研究中區域中的點在整張圖片中的點比例超過30%，保留比例超過30%的聚類，這樣就可以除去比例較小的噪聲分類。聚類框架如圖4 所示。

圖4 聚類框架

由圖4d 可以看出，聚類后圖像可以確定焊縫的大致形狀，但是焊縫的邊緣仍不清晰，還存在一些噪聲影響焊縫的提取質量，因此再使用改進的PCA 算法尋找焊縫的主成分，并對焊縫邊緣進一步優化剔除焊縫邊緣的噪聲。

2.3 PCA 主成分分析算法

主成分分析是對高維數據進行降維，并且去除噪聲，但這樣容易產生邊緣信息的損失，降低焊縫提取的準確度，導致算法在一定程度上失去準確性。本文算法的核心思想是借助圖像像素點坐標的協方差矩陣的兩個特征值和特征向量，通過計算圖像各像素點坐標的協方差矩陣[15]，對數據點進行某一向量映射，從而得到數據點的特征，如圖5 所示。

圖5 PCA 示意圖

設圖像坐標信息為m組2 維數據，按列將數據組成2 行m列矩陣，中心化所有樣本。

式中：xi為中心化樣本；xj為所有樣本。計算樣本的協方差矩陣：

式中：C為樣本的協方差矩陣；X為中心化后的樣本矩陣。根據公式解出焊縫圖像協方差矩陣的特征值和特征向量，并將特征向量按特征值大小從大到小排列組成矩陣，通過分別向兩個向量、映射可以大致擬合出焊縫的形狀，這樣可以將焊縫從原有坐標系轉化到以焊縫中心點為原點、兩個垂直向量為橫縱坐標的新坐標系，因此可以提取任意方向的直型焊縫。

3 實驗結果與分析

焊縫分析平臺如圖6 所示，提取焊縫的設備主要有：計算機、海康威視工業相機、鏡頭、環形光源以及相機固定支架等。開發環境為Windows 11 ×64，基于Visual Studio2022 開發軟件，配備OpenCV 4.5.5圖像處理開源庫和Eigen 3.4.0 矩陣向量運算庫，實驗材料使用Q275 鋼板。

圖6 焊縫分析平臺

對圖2a 灰度化后計算圖像直方圖如圖7 所示，由灰度直方圖只有一個峰值可知，焊縫的灰度值集中于圖像的某一區域，因此后續可以依此完成焊縫的提取。

圖7 焊縫灰度直方圖

3.1 焊縫提取實驗

圖8 圖2a 在方向映射計數

圖9 圖2b 在方向映射計數

圖10 圖2 c 在方向映射計數

圖11 分配閾值

圖12 焊縫邊界圖

圖13 焊縫完整形狀圖

3.2 提取結果分析

本研究采集了環形光源下三種光照的三種分辨率、兩種焊接方式的多種角度的焊縫圖像各50 組，從中隨機選取了不同圖像分辨率的不同角度的焊縫圖像，提取效果如圖14 所示。

圖14 不同分辨率的提取效果圖

為了更加詳細地展示此算法的效果，以本文算法為基礎進行實驗分析，不同焊縫提取方法對比效果如圖15 所示，不同分辨率的比較見表1，不同焊接方式的比較見表2。針對傳統的焊縫提取方法與本文算法進行定量對比分析，根據不同算法對焊縫提取的精度進行了計算和比較，對照文獻[16-17]中的焊縫識別方法來驗證其精確性，結果見表3。

表1 不同分辨率對比

表2 不同焊接方式對比

表3 不同方法對比

圖15 焊縫提取方法對比

由上述表格可知，本文算法在160～239 lux 光照強度下，對1 280×720 分辨率的鎢極氬弧焊采集圖像提取正確率最高，為96.08%。隨著分辨率的升高，邊緣檢測保留像素點個數會增加，邊緣信息愈發清晰，更有利于后續焊縫的提取。通過鎢極氬弧焊與CO2保護手工焊對比實驗發現，CO2保護手工焊受環境和工人身體狀況影響，影響焊縫的質量。根據光照強度對比可知，光照太強會損失邊緣特征，光照太弱則會降低圖像質量，在環形光源下，160～239 lux 光強比較適宜焊縫的提取。本文算法專注于焊縫各邊界的提取，因此相較于其他提取方法適應性更強，更能確定焊縫的位置。

4 結語

為了研究不同分辨率、焊接方式和光照強度對本算法精度的影響，以及了解本算法更適合什么類型的焊縫，基于實驗平臺和分析平臺設計了三組對比實驗，得出如下結論：

（1）通過DBSCAN 聚類和主成分分析算法，映射統計直線型焊縫，獲取了焊縫的四個邊界，提取出焊縫的具體位置，取得了良好的效果。

（2）通過實驗發現1 280×720 分辨率的圖像提取正確率最高，為96.08%。

（3）通過鎢極氬弧焊與二氧化碳保護手工焊對比實驗發現，本文算法對鎢極氬弧焊的識別率要高于二氧化碳保護手工焊，說明手工焊受工人的焊接技術、身體狀態等影響較嚴重，因此需要提出更加完善的焊縫提取算法。

（4）本文算法相較于其他方法更注重焊縫邊界的提取，因此能更好地確定焊縫位置，提高了算法的適應性與穩定性。

視覺焊縫提取算法具有獨到的優勢，憑借這些優點可以在自動化焊接行業占據越來越重要的地位，通過視覺算法和機器人技術相結合，可以實現焊縫的全自動化識別。