基于视觉的超声金属焊接质量检测研究.pdfVIP

摘要

超声波焊接广泛应用于金属工件的连接中，焊接接头的质量直接关系到工

件的强度和耐久性。目前常见的超声焊接质量检测方法是人工目视检测和过程

参数监测，而关于视觉检测超声焊接缺陷的研究较少。上述两种方法可以检测

出较为明显的缺陷，但存在损坏样本、漏检临界缺陷的可能性。故本文提出一

种视觉检测焊接接头缺陷的方法来进一步提高产品品质。主要的工作内容有：

基于实验室自制的金属焊接数据集，搭建焊点采集平台。数据集主要由无

缺陷、过焊和少焊焊点构成。压接后的金属铜片反光严重，故在对比多种方案

后选定相机型号和正面暗场直接照明方案去抑制镜面反射。基于C#搭建具有采

集、检测功能的上位机，实现采集参数调节和分类结果的输出。上位机装载的

图像处理算法主要从传统图像处理算法和神经网络图像分类模型两个方面展开。

基于传统的图像处理算法实现焊点的分类。工业相机采集所得图像包含复

杂的背景和噪点，会造成后续计算量过大。故研究了像素局部邻域方差定位和

四邻域距离均值焊点定位两种算法从而去除复杂的背景。再通过水平和垂直投

影的缺陷分割方法提前识别出有裂纹的焊点，而对无裂纹的图像则采用基于时

间优化的最大模糊熵阈值图像分割算法来提取焊点轮廓。由于焊点的轮廓图像

缺乏纹理信息和明确的几何特征，采用主成分分析（PrincipalComponent

Analysis，PCA）特征提取方法结合带衰减因子的粒子群优化支持向量机（Particle

SwarmOptimization-ParticleSwarmOptimization，PSO-SVM）分类方法对焊点进

行分类，在验证集上分类精度达87.3%，测试集上分类精度达81.6%。

基于深度学习算法实现焊点的分类。采用GhostNet作为骨干网络对焊点进

行分类。但该网络将特征信息的表达限制在局部窗口之中，缺乏和全局像素信

息的进一步交互。故采用基于非局部（Non-local，NL）模块改进的全局上下文

模块（GlobalContext-block，GC）优化该网络。将GhostNet瓶颈层当中的挤压

-激励（Squeeze-Excitation，SE）模块替换为GC模块。GC模块类比全局上下文

框架可被分为上下文建模和特征整合。GC模块在简化计算的同时保留了长距

离信息的表达，加强了网络的特征提取能力。在验证集上分类精度由原网络的

94.37%提升至100%，测试集上分类精度由原网络92.64%提升至94.12%。

从分类准确率、分类耗时、精度和召回率方面展开对上述两种图像处理算

法的对比，并择取更优的一类分类方法搭载到上位机的分类检测接口中。

关键词:超声焊接；焊点分类；图像处理算法；GhostNet网络；PSO-SVM

Keywords:ultrasonicwelding,weldingjointclassification,imageprocessing

algorithm,GhostNet,PSO-SVM

目录

摘要I

ABSTRACTII

第1章绪论1

1.1课题背景及研究的目的和意义1

1.2国内外研究现状及分析3

1.2.1超声金属焊接质量检测与评估方法研究现状3

1.2.2机器视觉缺陷分类研究现状5

1.3国内外文献综述及简析8

1.4本文主要研究内容9

第2章检测系统的软硬件实现10

2.1硬件部分10

2.1.1相机选型10

2.1.2系统光源和打光方式11

2.2上位机设计13

2.3数据集构建15

2.4本章小结15

第3章基于传统图像处理算法的焊点分类17

3.1焊点定位与阈值分割17

3.1.1像素局部邻域方差定位17

3.1.2四邻域均值距离焊点定位算法19

3.1.3基于水平和垂直投影的缺陷分割20

3.1.4基于时间优化的最大模糊熵阈值图