一种结合色彩均衡化与增强的焊缝抗拉强度检测方法

1.本发明涉及一种结合色彩均衡化与增强的彩色焊缝抗拉强度检测方法，属于图像处理领域与工业智能生产技术领域


背景技术：

2.焊接是通过高温或者高压的手段将不同构件连接起来，由于其显著的优势，已经应用在航天、航空、轨道交通、船舶制造以及化学容器等行业领域。焊接工艺影响着焊接的质量和效率，而焊接接头的质量对设备的使用寿命有着重要的影响。而现阶段，对焊接焊件接头的强度主要是通过专有设备对焊件接头的样件进行检测。这就需要购买相应的设备，对设备有着一定的要求，并且开展测试试验耗时耗力，也会延长生产周期。因此，快速识别焊接样件并确定其抗拉强度对工业生产相当重要，对实现智能制造也有着重要的意义。
3.在焊接过程当中，采用不同的焊接工艺方法、焊接工艺参数以及保护措施，会使得焊缝表面呈现不同的颜色，不同焊缝表面颜色对应的焊件接头的抗拉强度也不同。通过建立焊缝颜色和焊件接头强度的映射的关系，可以通过焊缝颜色快速地检测出焊件的强度，进而减少生产成本，缩短生产周期，提高工业生产效率。


技术实现要素：

4.针对上述现有技术存在的问题，本发明提供一种结合色彩均衡化与增强的焊缝抗拉强度检测方法，针对彩色焊缝对应的抗拉强度进行检测，该方法效果明显，识别速度快，抗干扰性强，并且对计算机的计算资源要求低。
5.为了实现上述目标，本发明采用的技术方案是：一种结合色彩均衡化与增强的彩色焊缝识别方法,包括以下步骤：
6.步骤一：通过专业设备采集焊缝颜色，由于不同颜色对应的抗拉强度不同，通过拉伸试验得颜色a1、a2…an
分别对应抗拉强度b1、b2…bn
；
7.步骤二：对全部彩色焊缝图片进行高斯滤波；
8.步骤三：对处理过后的图片进行自动色彩均衡化操作；
9.步骤四：对均衡化后的图片进行hsv空间色彩增强操作；
10.步骤五：处理过后的所有图片进行数据集的构造。分为训练集与测试集，并构建卷积神经网络进行图像的分类识别；
11.更优选的，所述的步骤一中，对不同颜色的焊缝图像进行拉伸试验，测定各颜色真实抗拉强度，并作出对应映射；
12.更优选的，所述的步骤二当中，对图像进行高斯滤波操作；
13.更优选的，所述的步骤三当中，对图像进行自动色彩均衡化操作，具体步骤如下：
14.(1)对图像进行色彩/空域调整，完成图像的色差校正，得到空域重构图像；
15.(2)对校正后的图像进行动态扩展。ace算法是对单一色道进行的，对于彩色图片需要对每一个色道分别处理。
16.更优选的，所述步骤四当中对图像进hsv空间色彩增强操作，具体步骤如下：
17.(1)取原图一张，在photoshop中对其进行饱和度增强40处理，并将其与原图同时进行hsv彩色空间变换；
18.(2)得出两张图的饱和度信息s与s_40，并对两张图进行多项式拟合，得出二次曲线f(x)＝a1*x2+a2*x+a3；
19.(3)任意给定输出图像根据其色彩饱和度信息，即可进行色彩增强40处理，新的饱和度信息可以表示为s'(x)＝s(x)+f(x),得到增强后的色彩信息后返回rgb图像输出；
20.(4)按需对某一单独颜色通道进行色彩增强处理，例如绿色范围为(105
°
,135
°
)，在对该范围进行增强的同时，还需对(75
°
,105
°
),(135
°
,165
°
)进行一半强度的增强，这样才会保证色彩的连续性，不会出现色斑；
21.(5)对色彩(hue)进行转换为原通道。
22.本发明的有益效果是：本发明对图像进行去噪及色彩增强，并将所处理后的图像进行卷积神经网络识别，运算迅速，彩色焊缝识别精度高；本发明通过建立焊缝颜色和焊缝强度的映射关系，进而可以通过焊缝颜色来检测焊缝的抗拉强度；
附图说明
23.图1是本发明一种结合色彩均衡化与增强的焊缝抗拉强度检测方法的流程示意图。
具体实施方式
24.为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，来对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。文所使用的所有的技术术语和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同，本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
25.如图1所示，一种结合色彩均衡化与增强的焊缝抗拉强度检测方法，包括以下步骤：
26.第一步：通过专业设备采集焊缝颜色，由于不同颜色对应的抗拉强度不同，通过拉伸试验得颜色a1、a2…an
分别对应抗拉强度b1、b2…bn
；
27.第二步：对全部彩色焊缝图片进行高斯滤波；
28.第三步：对处理过后的图片进行自动色彩均衡化操作；
29.第四步：对均衡化后的图片进行hsv空间色彩增强操作；
30.第五步：处理过后的所有图片进行数据集的构造。分为训练集与测试集，并构建卷积神经网络进行图像的分类识别；
31.更优选的，所述的步骤二中，对不同颜色的焊缝图像进行拉伸试验，测定各颜色真实抗拉强度，并确定映射关系；
32.更优选的，所述的步骤三当中，对图像进行高斯滤波操作；
33.更优选的，所述的步骤四当中，对图像进行自动色彩均衡化操作，具体步骤如下：
34.(1)对图像进行色彩/空域调整，完成图像的色差校正，得到空域重构图像；
35.(2)对校正后的图像进行动态扩展。ace算法是对单一色道进行的，对于彩色图片需要对每一个色道分别处理。
36.更优选的，所述步骤五当中对图像进hsv空间色彩增强操作，具体步骤如下：
37.(1)取原图一张，在photoshop中对其进行饱和度增强40处理，并将其与原图同时进行hsv彩色空间变换；
38.(2)得出两张图的饱和度信息s与s_40，并对两张图进行多项式拟合，得出二次曲线f(x)＝a1*x2+a2*x+a3；
39.(3)任意给定输出图像根据其色彩饱和度信息，即可进行色彩增强40处理，新的饱和度信息可以表示为s'(x)＝s(x)+f(x),得到增强后的色彩信息后返回rgb图像输出；
40.(4)按需对某一单独颜色通道进行色彩增强处理，例如绿色范围为(105
°
,135
°
)，在对该范围进行增强的同时，还需对(75
°
,105
°
),(135
°
,165
°
)进行一半强度的增强，这样才会保证色彩的连续性，不会出现色斑；
41.(5)对色彩(hue)进行转换为原通道。
42.本发明的工作过程包括以下步骤:
43.第一步，采用专业摄像工具对焊缝图像进行采集，并根据颜色对彩色焊缝进行分类a1、a2…an
，分别颜色的彩色焊缝进行疲劳拉伸实验，并得出a1、a2…an
颜色所对应的焊缝抗拉强度b1、b2…bn
。
44.第二步，采用opencv库中的gaussianblur算子对全部初始图像进行滤波，高斯滤波核为5
×
5，高斯滤波去除掉图片上的噪音点，对图像进行初步去噪。
45.第三步，由于滤波完后图像会有灰暗地带，用自动色彩增强算法对图像进行调整，通过差分计算目标点与周围像素点的相对明暗关系来调整最终像素值，对图像进行色彩/空域调整，得到空域重构图像：其中ic(p)-ic(j)为两点亮度差，d(p,j)为两点距离，r(*)函数为亮度函数，设为：对矫正后的图像进行动态扩展，这里使用一般的线性拓展，oc(p)＝round(127.5+scrc(p))，其中sc是[(mc,0),(mc,255)]的斜率，其中：
[0046]
第四步，由于需要对色彩进行识别，所以进行增强彩色焊缝的颜色，对图像进行hsv空间色彩增强，取原图一张，在photoshop中对其进行饱和度增强40处理，并将其与原图同时进行hsv彩色空间变换；得出两张图的饱和度信息s与s_40，并对两张图进行多项式拟合，得出二次曲线f(x)＝a1*x2+a2*x+a3；任意给定输出图像根据其色彩饱和度信息，即可进行色彩增强40处理，新的饱和度信息可以表示为s'(x)＝s(x)+f(x),得到增强后的色彩信息后返回rgb图像输出；按需对某一单独颜色通道进行色彩增强处理，例如绿色范围为(105
°
,135
°
)，在对该范围进行增强的同时，还需对范围为(75
°
,105
°
),(135
°
,165
°
)进行一半强度的增强，这样才会保证色彩的连续性，不会出现色斑；对色彩(hue)转换为原通道。
[0047]
第五步，构造卷积神经网络对全部图像进行训练，将所有处理过后的图像进行分类，分为训练集和测试集，卷积神经网络由卷积层，池化层，全连接层组成，卷积核大小取3
×
3大小，全连接层最后输出神经元个数为颜色分类数n，每当需要对新输入图像进行识别
时，可采用keras库当中的predict对新图像进行识别，再通过颜色与抗拉强度的映射关系得出输入彩色焊缝图像的抗拉强度。
[0048]
本发明是对图像进行高斯滤波，并采用自动色彩均衡化，再采用hsv空间色彩增强，最后对处理后的图像构造数据集，并构建卷积神经网络进行识别，最终通过焊缝颜色与其抗拉强度对应关系得到输入图像的准确抗拉强度，该方法对彩色焊缝的识别精度准确，鲁棒性强，且运算速度迅速，对计算资源占用小。
[0049]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。