小波分析在焊缝图像处理中的应用

文章编号：1002－025X(2010)07-0040-04

焊接技术第39卷第7期2010年7月

小波分析在焊缝图像处理中的应用

李秀忠

（佛山职业技术学院，广东佛山528237）

摘要：从原始焊缝图像中准确检测出焊缝边缘、提取出焊缝中心位置，是实现焊缝跟踪的关键技术。将小波分析方法应用于焊缝图像处理中，首先对焊缝图像进行小波分解，然后对分解后的小波系数进行阈值处理，最后用阈值处理后的小波系数进行焊缝图像重构，有效降低了焊缝图像噪声，突出了熔池和焊缝边缘轮廓，便于机器识别及处理。接着再对消噪增强后的焊缝图像进行平滑、边缘检测，提取出焊缝中心线，用于焊缝自动跟踪控制。试验结果表明：该方法效果良好，能有效地提高焊缝跟踪精度。关键词：焊缝图像处理；小波变换；阈值；图像重构中图分类号：TG409；TP391.41

文献标志码：B

术。然而由于焊接过程中受弧光、烟尘、飞溅等干扰

0前言

在基于机器视觉的焊缝跟踪系统中，从CCD拍

信号的影响，使得焊接过程中CCD拍摄的原始焊缝图像存在大量噪声，因而研究一种快速、准确、有效的焊缝图像处理方法一直以来都是焊缝跟踪领域的热点研究课题。近年来迅速发展起来的一种新的时频分析方法小波分析法，具有良好的时频局域化特性，能有效地区分出信号中的突变部分和噪声，广泛应用于

摄的原始焊缝图像中准确地检测出焊缝边缘，提取出焊缝中心位置，是实现焊准确跟踪焊缝的关键技

收稿日期：2010-01-31

···············································抗拉强度拟合如图4所示。从图中也明显看到预测值与试验值极为接近。

8007006005004003002001000

合适的参数设置，无论是通过遗传优化算法还是LM算法均可在一个理性的范围内得到较高的预测精度。相对传统的单纯BP算法神经网络有很大的改进，同时较高的预测精度预示有较好的应用前景。

抗拉强度/MPa预测抗拉强度试验抗拉强度参考文献：

1234567101112131415161718

预测次数图4

抗拉强度拟合

［1］彭金宁，陈炳森，朱平．焊接工艺参数的神经网络智能设计

［J］．焊接学报，1998，19（1）：19-23.［2］张忠典，李

严，何幸平，等．人工神经网络法估测点焊接头力

学性能［J］．焊接学报，1997，18（1）：1-5.

影响接头质量的因素很多，但经系统反复预测可得到对接头质量起决定作用的因素：①与母材相关的因素（母材热处理状态、化学成分）；②与焊接方法和过程有关的因素（焊接参数及操作技术）；③与焊材有关的因素（焊材的化学成分）；④温度因素（预热、道间温度、焊后热处理）。

［3］HidetoshiFUJII，HarshadKDHBHADESHIA．Applicationofneural

networkanalysisinMaterialsScience［J］．ISIJInternational．1999，39（1）：965.

［4］葛哲学，孙志强．神经网络理论与MATLABR2007实现［M］．北

京：电子工业出版社，2007．［5］李敏强，寇纪凇，林

丹．遗传算法的基本理论与应用［M］．北

京：科学出版社，2002.

3结语

利用该平台对焊接接头力学性能进行预测，选择

作者简介：金彦（1978—），男，工程师，主要从事特种设备安全技

术、特种设备信息化管理研究．

WeldingTechnologyVol．39No．7Jul.2010信号处理、图像处理、量子场论、地震勘探、语音识别与合成、音乐、雷达、CT成像、彩色复印、流体湍流、天体识别、机器视觉、机械故障诊断与监控、分形及数字电视等多个领域

［1-2］

。

本文以GTAW焊为例，运用小波分析方法对焊缝图像进行处理，对原始焊缝图像进行消噪、增强、平滑、阈值处理，准确地检测出焊缝边缘和焊缝中心。

1

试验装置

试验装置结构如图1所示，主要包括CCD视觉传感器、焊接设备、控制器和工作台等。工作台和焊可分别在x－y平面和y－z平面作直线运动，x－y平面和y－z平面的移动分别由精密十字滑台和2台步进电机控制。装置采用逆变直流脉冲氩弧电焊机，中频逆变电源。在焊接过程中，由CCD视觉传感器采集焊接区图像，送入控制系统，计算出焊缝偏差，驱动步进电机作纠偏运动。

z轴步进电机

y轴步进电机

图像采集处理系统

CCD传感器

工件

焊缝

焊

运动控制系统

工作台

y轴步进电机

x轴步进电机

图1

试验装置结构示意图

2小波变换

小波分析是20世纪80年代发展起来的一种新的

时频分析方法，它具有多分辨率分析的特点，而且在时频两域都具有表征信号局部特征的能力，是一种窗口大小固定不变，但其形状可改变，时间窗和频率窗都可以根据信号的具体形态动态调整。小波变换在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合探测正常信号中夹带的瞬态反常信号并分析其成分［3］。

设ψ（t）∈L2

（R），其傅里叶变换为ψ

赞（ω）。当ψ赞（ω）·焊接设备与材料·41

2

满足条件Cψ=

乙ψ赞（ω）R

ψdω<∞时，称ψ（t）为基本小

波或母小波。将ψ（t）经伸缩和平移后得小波序列：

ψa，b（t）=

1姨aψ姨t-ba姨，

（1）

式中：a为伸缩因子；b为平移因子；a，b∈R；a≠0。

对任意函数f（t）∈L2（R），其小波变换为：

Wf（a，b）＝

1

姨a乙R

f（t）ψ姨t-ba姨dt，（2）

式中：ψ（t）为ψ（t）的共轭。其重构公式为：

f（t）=11Cψ

乙R

乙R

a2

Wf

（a，b）ψ姨t-ba姨dadb。

（3）

在进行数值计算时，需将小波进行离散化。

3小波分析在焊缝图像处理中的应用3．1

焊缝图像消噪

一般有用信号为低频信号，而噪声信号包含在

较高频率的细节中，所以消噪过程就是进行低通滤

波，滤除高频分量。小波阈值消噪的方法是：首先对图像进行小波分解，然后选择一个合适的阈值对

分解后的各层小波系数进行阈值处理，最后利用阈值处理后的小波系数重构出消噪后的图像，从而达到消除噪声的目的［4］。图2为笔者进行的小波图像消噪图，图2a为原始图像。

（a）原始图像

（b）一次消噪图像

（c）二次消噪图像

（d）三次消噪图像

图2

小波图像消噪

42·焊接设备与材料·用bior2．6小波（Biorthogonal小波系中的一个小波）对焊缝图像进行3层小波分解，用第1层低频系数进行图像小波重构，即将第1层高频系数全部滤除，实现第一次图像消噪，如图2b所示；用第2层低频系数进行图像小波重构，即将第1层低频图像再进行一次低通滤波，实现第二次图像消噪，如图2c所示；用第3层低频系数进行图像小波重构，即将第

2层低频图像再进行一次低通滤波，实现第三次图像

消噪，如图2d所示。随着消噪过程的不断进行，高频噪声信号不断被消除，图像变得越来越平滑，但同时图像边缘越来越模糊，这对图像识别是不利的，所以，在进行图像消噪时应根据要提取的图像信息及噪声的情况合适地选择消噪次数。

3．2焊缝图像增强

在焊接过程中焊缝图像由于受到了干扰信号的影

响，使得图像边缘模糊。为此应提高焊缝图像的质量，使熔池和焊缝及其边缘凸显出来，同时减小或抑制图像中的噪声，便于机器识别及处理。小波图像增强的方法是：首先要对图像进行小波分解，然后对分解后的小波系数进行阈值处理，选择合适的阈值，对大于阈值的小波系数乘以增强系数，使其值进一步增大，对小于阈值的小波系数乘以衰减系数，使其值进一步减小，最后要用变换后的小波系数对图像进行重构，从而实现了图像增强［5］。用db2小波（Daubechies小波系中的一个小波）对原始焊缝图像进行2层小波分解，熔池图像小波分解后的系数值较大，而熔池周围的干扰信号小波分解后的系数值较小。选择合适的小波系数阈值，对大于阈值的小波系数乘以2进行增强，对小于阈值的小波系数乘以0．1进行衰减，然后用阈值处理后的小波系数对图像进行重构，得到的小波变换增强图像如图3所示。

图3小波图像增强

焊接技术第39卷第7期2010年7月

在小波系数变换过程中，选择不同的增强系数和衰减系数，可以得到图像不同的增强效果。

3．3焊缝图像平滑

从图3中可以看出，在图像增强后亮度和对比度

大大加强了，熔池和焊缝及其边缘更加清晰，这对机器识别及处理非常有利。但分析一行图像灰度曲线可知，在图像灰度变化剧烈的位置即图像边缘处出现了“边缘微分效应”，即在曲线上升缘出现了上冲，在曲线的下降缘出现了下冲现象，这对边缘检测是不利的。所以在图像增强后需进行平滑处理，以消除灰度曲线上的尖状凸起。在此选择中值滤波进行图像平滑处理［6］，平滑处理后的图像如图4所示。

图4

图像平滑

3．4焊缝边缘检测

图像边缘检测是图像分割、目标区域识别及区域

形状提取等图像分析的重要基础，只有提取了边缘才能将背景和目标区分开。焊缝图像在经过小波消噪、增强及平滑处理后，再对其进行小波硬阈值处理，得到阈值处理图像如图5所示。然后运用Roberts算子、Prewitt算子、Sobel算子及Canny算子分别对图

5进行边缘检测［7］，得到边缘图像如图6所示。从图6

中可以看出，采用Roberts算子、Prewitt算子以及

Sobel算子检测出的边缘效果较好，利于焊缝中心提取。

图5小波阈值处理

WeldingTechnologyVol．39No．7Jul.2010（a）Roberts边缘检测（b）Prewitt边缘检测

（c）Sobel边缘检测

（d）Canny边缘检测

图6

边缘检测

3．5焊缝中心提取

焊缝图像处理的最终目的是要准确提取出焊缝的

中心位置，图7为笔者进行的焊缝中心提取图。

（a）截取的焊缝区图像

（b）提取的焊缝中心线

图7

焊缝中心提取

在检测出的熔池边缘图像图6中截取出焊缝区图像部分如图7a所示，对图7a对应的像素值数据表进行分析，数值1对应于焊缝边缘，数值0对应于图像背景，在1行中如3个相邻列数据是0，1，0，则将数据1对应像素作为边界点。如在同1行中检测到2个边界点，则将2个边界点列号的平均值作为该行焊缝中心点的列号（即焊缝中心点的位置）；同时将该行作为起始行，在接下来的连续n行（n的值可根据噪声的性质及大小来确定）检测出的中心点位置与起始行中心点位置（列号）相同，则该起始行的焊缝中心点位置就是真正的焊缝中心位置。如再检测接下来

·焊接设备与材料·43

的连续n行过程中，有某一行的焊缝中心点位置与起始行中心点位置不相等，则重新以该行为起始行，搜索接下来的连续n行，直到搜索到满足条件的焊缝中心位置为止［8］。按上述方法检测出的焊缝中心线如图

7b所示。4

结论

小波分析是从频率的角度来分析和处理焊缝图像，通过对焊缝图像进行多尺度小波分解，得到焊缝图像的各种频率成分，然后根据噪声的性质及要提取的目标图像的性质，对分解得到的各种频率分量进行小波阈值变换，最后用变换后的小波系数进行图像重构，得到处理结果图像。

本文运用小波分析方法对焊缝图像进行消噪、增

强，接着进行焊缝图像平滑处理、焊缝边缘检测，从而提取出用于焊缝自动跟踪控制的焊缝中心线。试验结果表明：该方法效果良好，能有效地提高焊缝跟踪精度。

参考文献：

［1］朱希安，金声震，宁书年，等．小波分析的应用现状及展望［J］．

煤田地质与勘探，2003，31（2）：51-55．

［2］MallatS，HwangWL．Singularitydetectionandprocessingwith

wavelet［J］．IEEETrans.onInformationTheory，1992，38（2）：617-3．

［3］胡昌华，李国华，刘

涛，等．基于MATLAB6．X的系统分析与

设计———小波分析［M］．陕西西安：西安电子科技大学出版社，

2004．

［4］陈华丽，李裕能．基于小波变换的自适应阈值消噪法［J］．电力科

学与工程，2003，19（3）：8-10．［5］陈志坚，成

培，李

峰．基于小波变换的多层次图像增强算法

［J］．长沙理工大学学报：自然科学版，2006，3（2）：69-72．［6］张桂华，陆卫东．图像处理中的中值滤波的实现［J］．佳木斯大学

学报：自然科学版，2007，25（4）：500-502．［7］慈秀丽，

陈广告．图像边缘检测方法分析与研究［J］．红外，

2008，29（7）：20-23．

［8］毛鹏军．CO2焊视觉图像形态学处理及焊缝跟踪的研究［D］．广东

广州：华南理工大学，2003．

作者简介：李秀忠（1970—），男，副教授，硕士，主要研究方向为图像处理、制造自动化及测控技术．

Ⅱ·英文标题、摘要及关键词·焊接技术第39卷第7期2010年7月

ResearchontherelationshipbetweenweldingparametersandappearanceofweldinrotatingarcweldingLIUCui-xia，SHIYong-hua

（SchoolofMechanicalandAutomotiveEngineering，SouthChinaUniversityofTechnology，Guangzhou5100，Guangdongpro.，China）P21-24

Abstract：Selectionofprocessparametershadgreatinfluenceontheappearanceofweldinrotatingarcauto-maticwelding．Mathematicalpredictionmodelcouldbeutilizedintheoptimizationofmainweldingparameters．Inthispaper，itwasbrieflydescribedthattheprincipleofregressionanalysisandusingthemethodtoestab-lishpredictionmodel，whichwasthechangeableprocessparametersofweldinggunrotationfrequencyf，rota-tionradiusr，heightofweldinggunhandweldingcurrentIonthewidthBandheightHoftheweld．Thestatisticaltestanderroranalysisofthepredictionmodelwerealsomadeinthispaper．Finally，thesensitivityanalysisofweldingparameterswerecarriedoutusingthedevelopedpredictionmodel．

Keywords：rotatingarc，regressionanalysis，appearanceofweld，mathematicalmodelling，sensitivityanalysisPlatformofmechanicalpropertiespredicationforweldedjointsbasedonneuralnetworkoptimizedbygeneticalgorithm

JINYan1，XUEJi-ai1，LIULi-peng2，WEIYan-hong2

（1.SISEI，Shanghai200062，China；2.InstituteofMaterialsScienceandTechnologyofNUAA，Nanjing210016，Jiangsupro.，China）P37-40

Abstract：Theplatformofmechanicalpropertiespredicationforweldedjointsbasedonneuralnetworkwases-tablishedinthispaper．Itcouldbeachievedtopredictmechanicalpropertiesofweldedjointsofalloysteel，titaniumalloyandaluminumalloy．Thepredictionsincludedtensilestrength，yieldstrength，elongationandsec-tionshrinkage，andsimultaneouslyitcouldanalyzetheinfluenceofparametersonthemechanicalpropertiesofjoints．ThecoreofalgorithmwastheapplicationofgeneticalgorithmoptimizesBPneuralnetworkconnectionweights．Thisalgorithmwasgoodatglobalsearchaswellaswasnoteasyinvolvedintoalocaloptimization，soitcouldmakethepredictionsownagoodgeneralizationfunctionaswellashighpredictiveaccuracy．Thesys-temalsoprovidedanalternativealgorithmLM．ItwasthecombinationofGauss-Newtonalgorithmwithgradientdescentalgorithm．Itownedself-learningneuralnetworkcharacteristics，rapidconvergencecharacteristicsofGauss-Newtonalgorithmandlocalsearchcharacteristicsofgradientdescentalgorithm，therefore，ithadgoodgeneralizationfunctionandhighpredictiveaccuracy．

Keywords：neuralnetwork，geneticalgorithm，BPalgorithm，levenberg-marquardtalgorithm，predictionofmechanicalproperties

ApplicationofwaveletanalysisinweldimageprocessingLIXiu-zhong

（FoshanPolytechnicCollege，Foshan528237，Guangdongpro.，China）P40-43

Abstract：Detectingtheweldedgeaccuratelyfromtheoriginalweldimage，withdrawingtheweldcentreposition，isthekeytechnologyofweldtracking．Inthispaper，thewaveletanalysismethodtoweldimageprocessingwasapplied，firstlywaveletdecompositiontoweldimageandthresholdprocessingtodecomposingwaveletcoefficientwerecarriedon，andthenweldimagereconstructionusingthresholdprocessingwaveletcoefficientwerecarriedon，whichhadreducedweldimagenoiseandhighlightedtheweldpoolandweldedgeoutlineeffectively，thatwasadvantageousforthemachineidentificationandprocessing．Afterthatthede-noisingenhancedweldimagewassmoothed，weldedgewasdetected，weldmiddlelinewaswithdrawed，weldautomatictrackingcontrolwasrealized．Thetestresultsindicatedthatthismethodeffectwasgood，couldincreaseweldtrackingaccuracyeffectively．

Keywords：weldimageprocessing，wavelettransform，threshold，imagereconstructing