3. 3. 1熔池图像滤波处理

焊接机器人熔池的图像捕捉是为了获取有用的焊缝信息，但是在获取一幅熔池图像的途中需要经过像图像采样、图像量化、图像传送等等。而在图像采集的过程中，总是存在着一些内部和外部的，例如在光信号转化成为电信号的途中敏感元件不均衡的灵敏度、在数字化的途中噪声被量化、在传送的途中存在着误差等等。上述因素都存在着相对的噪声干扰，然而在焊接的途中，强烈的弧光与飞溅烟尘等的干扰，使得焊接熔池的图像收到更严重的影响，甚至会影响到熔池图像的正常分析。这些噪声信号以无用的信息形式出现，它与所研究的熔池图像不相关，扰乱了熔池图像的有用信息，如果不把这些噪声点去除，直接熔池图像增强，熔池图像会出现大量的假边缘点。也就是说这些因素使得熔池的图像质量下降，使得熔池图像不清晰，图像的特征被掩盖，因此熔池图像边缘的获取会相对更加不易，所以一定要通过熔池图像的预处理平滑滤波来降低噪音影响。为了达到降低或者消除噪声的目的，平滑滤波主要运用了不同的平滑模板把熔池的图像使用卷积处理。但是滤波器在降低或者消除噪声时，通常会使得熔池图像变得不清晰，从而失去了熔池图像中的很多边缘特性信息。所以需要由熔池图像的特征结构运用一种同时能够减小熔池图像噪声而且又能够保证熔池图像信息的方法。图像滤波常用的经典方法主要有：中值滤波、领域均值滤波、高斯滤波和多帧平均法等。 文章采用了一种基于模糊熵的多值熔池图像去噪以及滤波的方法，这种方法是根据退化多值熔池图像的特征来创建一个和它相互对应的物理模型，然后在创建出一类型的模糊熵，来反映出熔池图像中现实的信息，接着在应用最小熵的原则对图像进行去噪、滤波以及图像的恢复。 假定熔池图像的四个灰度值分别是a, b, c与d，则退化熔池灰度值图像的矩阵为: 我们分别给四个模糊集合定义分别是A, B, C与D，它们所对应的模糊熵测度的定义分别是 对应矩阵Wn(i,j)中对应的像素，分别计算四个模糊熵测度和它对应的最小值，然后在利用最小值的原则进行图像恢复。这样处理，是应用了灰度图像矩阵之中像素对应的区域信息。图像去噪与图像滤波处理熔池图像前后的对比如图3-1与图3-2所示。 3. 3. 2熔池图像边缘增强 熔池图像通过滤波处理以后，很大程度上抑制了熔池图像中所存在的不同的噪声，但是灰度相近、边缘不清晰等等很多问题依旧存在于熔池的边缘。所以有必要把熔池的图像应用边缘增强处理。其中有很多空域增强不同的算法，常用的典型算法有：高通滤波、拉普拉斯变换法、梯度法等等。 由于本实验室采集的熔池图像特性，本文应用以下增强算子对熔池图像进行边缘增强处理。 公式(3-6 ) FG为滤波处理以后((i, j)的像素点所对应的灰度值，k为常数是增强系数。熔池图像边缘增强前后的灰度曲线对比拥有相对明显的不同，熔池图像增强前有着比较平滑的灰度曲线，很多的熔池边缘信息丢失。熔池图像边缘增强以后，图像的边缘处灰度值呈现出一系列的波峰与波谷，这样就把求取边缘点的计算转化成为找寻灰度值极值点的计算。焊接机器人熔池图像边缘增强前后对比如图3-3与3-4所示。由图我们可以看出，熔池图像经过边缘增强以后，熔池的边缘信息被突显了出来，这样更为有利的获取有效的图像信息。

• 上一篇：基于视觉的CO_2焊接机器人焊接工艺参数与熔池形态关系的研究中焊接熔池图像处理特征提取建模
• 下一篇：基于视觉的CO_2焊接机器人焊接工艺参数与熔池形态关系的研究中图像边缘检测