原文传递
基于图像语义分割的车身点焊焊渣精确检测方法研究
| 论文题名： | 基于图像语义分割的车身点焊焊渣精确检测方法研究 |
| 关键词： | 车身点焊;焊渣检测;语义分割;神经网络;图像处理 |
| 摘要： | 焊渣是车身侧围点焊过程中极难避免的焊接缺陷，飞溅区域广、随机性大，既影响车身美观性，同时易产生局部硬化及腐蚀。采用机器人技术实现车身焊渣磨抛自动化较传统手工磨抛具有显著优势，但前提在于准确识别体积较小的无规则焊渣，并从复杂背景中精准分割其轮廓。本文基于语义分割神经网络和图像处理分析技术，开展了车身点焊焊渣精确检测方法研究，主要研究内容如下： 首先，通过模拟焊渣随机分布的车门框几何特征，获取平滑区域、近90°圆弧转角，以及台阶过渡区的焊渣样本并完成标注；针对焊渣图像数据特征分布不均匀所造成的样本不平衡问题，采用图像切片处理方法解决数据的正负样本偏差，制作了一批可以用于语义分割网络训练模型的焊渣图像数据集。 其次，通过对比多种语义分割模型优缺点，确定对SegNet网络模型进行优化。通过增加上下文提取结构，增强了网络感受图像细节的能力和信息的捕捉能力。在解码器中通过跳跃连接融合编码器图像特征，利用残差结构和BN层对SegNet网络的解码器做出优化，使用Dropout层有效避免模型的过拟合，优化后的模型能更好适应多尺度分割目标，提升了微小细节的检测精度。 再次，通过采集的焊渣图像和标注数据集验证分割效果。改进后的SegNet模型不仅对体积较小的独立分布焊渣有较高的识别精度，同时对金属板、背景以及焊渣连接区域边界的像素点能够精细划分；通过对比多种经典的语义分割模型，文中提出的改进SegNet模型在多个评价指标中均有一定的提升。 最后，针对语义分割依赖大量训练数据的缺点，提出了基于图像处理技术的焊渣识别方法。采用图像降噪处理弱化由光照不均匀产生的图像噪声，运用图像阈值分割完成焊渣识别分割，并通过图像形态学处理结合边缘检测算法完成轮廓提取。实验结果表明基于图像处理的焊渣分割方法在一定的分割场景下同样具有较高的分割精度。 本文研究工作通过结合图像处理技术、深度学习以及语义分割模型，旨在为分布情况复杂的焊渣缺陷检测提供新的解决方案，并为后续的机器人磨抛加工提供数据支撑，体现了当今智能制造研究的前沿，具有广泛的应用前景。 |
| 作者： | 渠超 |
| 专业： | 车辆工程 |
| 导师： | 丁汉;朱大虎 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
