基于机器视觉的焊缝缺陷检测系统研究
https://kns.cnki.net/kcms2/article/abstract?v=7fc2yiS_nyA8ZJpxkbD1EbktC14K8vLdi3MF_S-sc94TltBT7mLQBOhtNJlWCOHwCy5aUt_LuRLCabcGB9D8E9wmNQ7PmpDJaOduUGiX5gxeBs2zXETRkBTnKORMsA1Usx-vjgnlbGuPDB9ID6-wDjbb6LRqiLleC1ryexPxR5k6xqIcX6qiPYcCjrs03L6VFYqVUAJ8ZWk=&uniplatform=NZKPT&language=CHS
作者：唐茂俊 贵州大学
摘要
焊接工艺复杂且工艺干扰具有随机性，因此会产生许多难以预测的焊接缺陷。传统的人工检测效率低、成本高，且易受主观影响。 文章利用机器视觉模拟人工检测焊缝缺陷，深入研究了图像采集、图像处理、图像分析技术，开发了基于机器视觉的焊缝缺陷检测系统。
提出一种自适应分割的动态直方图均衡图像增强算法，解决采集图像质量不佳问题，避免了图像的特征损失。
提出改进Faster-RCNN算法，该方法使用K-means聚类算法优化锚框，提出解耦分类细化结构是现在分类以减少网络误报率，建立特征金字塔实现特征融合以提高小目标检测精度。
关键词
焊缝缺陷检测；机器视觉；图像增强；深度学习；系统开发
研究背景及意义
焊接技术作为最重要的工件连接方法之一，已经广泛应用于铁路、石油化工、航空航天、造船等诸多领域。
随着国家战略计划（十四五计划）的开展，传统手工焊接逐渐转向智能机器人焊接，这就导致了焊接过程中不可预知的干扰不能够人工及时调整。由于焊接工艺的复杂性和工艺干扰的随机性，焊接缺陷通常是不可避免的。
在焊缝成型过程中会产生弧坑、焊瘤、气孔、烧穿、轨迹宽窄不一、未熔合等难以预测的焊接缺陷，这会导致严重的后果，因此实时监控和检测非常迫切。
传统的人工检测方式采用无损检测技术进行质量检测，但是其采样率低、实时性差、检测置信度低，且易受主观影响，为进一步提高焊缝缺陷检测智能化程度，采用机器学习或深度学习方法进行检测成为了发展方向。
在工业生产过程中，人工测量和判断会产生误差和失误，而机器视觉可以提高效率和准确率。焊缝缺陷检测将成为未来生产至关重要的一部分，如何提高进度、检测效率和智能化水平具有广阔的应用和发展前景。
国内外研究现状
机器学习方法
在国外，主要是缺陷检测和裂纹检测
在国内，主要是裂缝检测、轨道损伤、瓶口缺陷，多用机器学习方法。
在上述研究中，分类检测通常有人工设计、基于特征的机器学习方法实现，受限于选取特征和图像数据质量。
深度学习方法 多基于CNN进行改进，可以实现较好的效果。
深度学习广泛应用于生物医学工程、自动驾驶、智能推荐等领域，然而在制造和焊接领域利用深度学习技术仍处于早期的阶段，对焊缝图像的研究主要集中在缺陷分类上，同时焊缝缺陷检测领域没有大量的、公开的、表征良好的数据集，发展速度相对缓慢。鉴于多方面如辐照条件、图像质量、检测设备等的影响，焊缝检测结果实际多变且复杂，有巨大的研究空间和研究意义。
主要内容
文章针对传统人工检测焊缝缺陷方法具有精度低、效率低等问题，研发了基于 机器视觉的产品在线缺陷检测系统。
基于机器视觉采集图像，改进图像处理算法进行图像增强，通过改进缺陷检测算法实现缺陷分类，然后开发缺陷自动检测系统。
机器视觉平台搭建
图像处理算法研究与数据集收集
缺陷检测算法研究
检测系统开发