徐梓惠，姚屏，賓坤，陳曄，何劍朋，陳飛昕

基于熔池圖像特征的焊縫質(zhì)量指標設(shè)計與分析

徐梓惠，姚屏，賓坤，陳曄，何劍朋，陳飛昕

（廣東技術(shù)師范大學，廣州 510630）

熔池是焊縫形貌的動態(tài)成形特征，建立熔池圖像質(zhì)量與焊縫形貌之間的映射關(guān)系能促進焊接質(zhì)量實時智能檢測。采用暗通道處理法進行濾波降噪，差分融合算法融合暗通道圖和直方均衡化圖。利用所述算法對5種焊縫缺陷對應的熔池圖像進行處理能有效濾除點狀噪聲，并且圖像的清晰度和對比度較原圖增大了兩倍及以上。設(shè)計融合圖像及焊縫形貌評分指標，建立熔池–焊縫評分方程，驗證了熔池圖像預測焊縫缺陷等級的可行性。

熔池圖像；焊縫形貌；暗通道處理法；差分融合算法；評分方程

熔池是焊接工藝綜合作用的結(jié)果，是判斷焊接質(zhì)量優(yōu)劣的指標之一。焊縫形貌是焊接質(zhì)量的重要表征，熔池反映了焊縫成形過程的動態(tài)變化，熔池圖像與焊縫缺陷特征密切相關(guān)[1-3]。目前，采集和檢測焊縫缺陷比較有效的方法是焊接過程聲信號檢測，該方法已經(jīng)廣泛應用于識別和預測焊接缺陷、熔滴過渡形式、熔透狀態(tài)以及電弧燃燒狀態(tài)等[4-7]。然而，該方法適用于焊后檢測，還不能滿足焊接質(zhì)量在線監(jiān)控的要求。若能通過監(jiān)控焊接過程中熔池的變化預測出潛在的焊縫缺陷，進而實現(xiàn)焊接質(zhì)量在線智能監(jiān)控，就能實現(xiàn)焊接輸入?yún)?shù)的實時調(diào)整，保證焊縫質(zhì)量優(yōu)良。

現(xiàn)有的機器人焊接大部分按照設(shè)定的程序完成焊接任務(wù)，缺乏對焊接質(zhì)量的監(jiān)控。Dong等[8]提出了高斯回歸建模，對自動焊接過程進行了監(jiān)控； Hu等[9]研究了熔池在復雜表面上的行為和成形情況，建立了熔池計算流體力學模型；Lu 等[10]提出了一種基于深度預測網(wǎng)絡(luò)的熔池在線監(jiān)控模型，利用熔池分類網(wǎng)絡(luò)判斷預測熔池是否有駝峰形成或焊穿趨勢。監(jiān)控焊接過程熔池動態(tài)變化特征以分析判斷焊縫潛在的缺陷已受到越來越多學者的關(guān)注,裴瑩蕾等[11]提出了使用非負矩陣分解法提取熔池圖像的特征矩陣，完成了對原始圖像的整體性和部分性描述，實現(xiàn)了焊接缺陷的識別；沈瑩吉等[12]研究了MAG中表面氣孔、焊塌、焊穿等缺陷對應的熔池圖像特征，建立了基于視覺的焊接缺陷自動預測系統(tǒng)。然而，熔池圖像的研究離不開圖像處理算法準確性和快速性的支撐。在熔池圖像的分割以及圖像質(zhì)量評價指標領(lǐng)域，方吉米等[13]提出了熔池圖像質(zhì)量評價參數(shù)，分析出990 nm的透紅外濾光片能獲取到最大的熔池信息量；還提出了一種基于C–均值聚類協(xié)作主動輪廓模型的熔池圖像分割方法，實現(xiàn)了駝峰焊道的監(jiān)控[14]。

經(jīng)過深入學習和分析前人的工作，文中分析機器人弧焊過程中熔池圖像的質(zhì)量，利用差分融合法對圖像進行融合，提高了圖像的清晰度和對比度，還探索出熔池–焊縫評分方程以劃分焊接質(zhì)量缺陷等級，旨在為研發(fā)焊接實時在線監(jiān)控系統(tǒng)作前期探索，驗證通過監(jiān)控焊接過程中熔池的特征以預測焊縫潛在缺陷的可行性。文中研究的熔池圖像質(zhì)量評價指標可作為自動化焊接反饋控制系統(tǒng)的反饋信號，以便對輸入信號作出動態(tài)調(diào)整，從而實現(xiàn)焊縫質(zhì)量的在線調(diào)整，保證焊縫成形良好。

1 試驗平臺

試驗平臺由弧焊工業(yè)機器人焊接控制系統(tǒng)、送絲裝置、焊接工作臺、電弧監(jiān)控相機以及計算機等設(shè)備組成，如圖1所示。試驗所用的材料為316L不銹鋼，焊接母材尺寸為250 mm×100 mm×2 mm（長×寬×厚）。

圖1 焊接試驗平臺

為了設(shè)計出合理的圖像質(zhì)量評價指標，建立焊接質(zhì)量與熔池圖像的映射關(guān)系，將裝有濾波保護鏡片的電弧焊監(jiān)控相機安裝在焊槍的側(cè)面，確保采集到完整的熔池圖像。電弧監(jiān)控相機與焊槍形成一定的夾角，夾角大小根據(jù)實際情況而定。試驗中相機的幀率為60 fps，圖像分辨率為1024×512。焊接工藝采用雙脈沖平板堆焊的方式，焊接保護氣體采用98%Ar+ 2%CO2，氣體流速為15 L/min。焊絲選用直徑為1.2 mm的ER316L不銹鋼，干伸長量為12 mm，焊槍垂直于焊接工作臺。試驗通過改變單個參數(shù)的方法采集熔池圖像，通過控制焊接速度，探索焊縫所產(chǎn)生的缺陷對應的熔池成像特點。

在弧焊過程中，熔池形狀、焊縫都與熱輸入量有關(guān)，當熱輸入量較大，即焊接電流大而焊接速度較慢時，母材受熱熔化量增加，熔融的液態(tài)金屬在重力的作用下逐漸下塌，由此焊縫出現(xiàn)焊塌現(xiàn)象，若液態(tài)金屬持續(xù)往下滴，就會燒穿母材，形成燒穿缺陷[15]。過熔透是焊接電流與焊接速度不匹配導致電弧能量大，焊縫正面熔寬過大，熱影響區(qū)過寬，焊縫正面受到電弧吹力作用的結(jié)果[16]；欠熔透是由于焊接速度太快，使得單位時間內(nèi)母材金屬與焊絲熔化量少，焊接電弧能量較少，而導致焊縫成形細小，焊縫余高較小，與母材融合不夠充分造成的[17]。焊接過程中熔池受到熱、力、流的耦合作用，其液態(tài)金屬的流動行為發(fā)生變化，從而引起金屬凝固產(chǎn)生變形[18]。駝峰焊道是由于熔池中央產(chǎn)生凹陷，而尾部金屬未及時回流填充而形成的中間凹陷，尾部凸起的焊縫[19]。圖2為試驗采集的優(yōu)良焊縫和5種有缺陷的焊縫及其對應的熔池圖像。對采集到的5種熔池圖像進行去噪以及增強處理，以分析熔池與焊縫成形的聯(lián)系。

2 圖像處理

2.1 處理流程

分析圖2中各熔池圖像可知，焊接過程存在煙塵和飛濺干擾，對其進行濾波降噪處理以減少對研究結(jié)果的干擾。為此，對熔池圖像進行暗通道處理以及直方圖均衡化，從而突出熔池區(qū)域特征，圖像處理流程如圖3所示。

2.2 算法分析

He等[20]統(tǒng)計了大量的無霧圖像，發(fā)現(xiàn)每幅RGB圖像中總是存在一個灰度值很低的通道，該通道灰度值幾乎趨于0。基于這一規(guī)律，提出了基于暗通道先驗的去霧算法。暗通道圖像提取過程如下：首先統(tǒng)計3個通道灰度值，比較其對應像素的數(shù)值，選取最小值組合成新的灰度圖；然后以新灰度圖中每個像素為中心形成具有適當大小的矩形窗口，統(tǒng)計出窗口中的最小值來取代中心像素值，由此得到目標圖像對應的暗通道圖像。暗通道數(shù)學表達式見式（1）。

圖2 熔池–焊縫原始圖像

圖3 圖像處理流程

式中：c()為其中一個通道的圖像；()為以像素為中心的窗口。

直方圖均衡化處理后，不同灰度值的像素點數(shù)量差值減小，對比度處于最大值[21]。其中，最重要的是變換函數(shù)()，()需要滿足式（2）中的兩個條件。式（3）表示用變換函數(shù)表達均衡化后的圖像灰度值。

式中：為灰度級，256。

式中：=256；(x)為直方圖中每個灰度級像素的個數(shù)；和分別為圖像的寬和高。

提出一種圖像差分融合算法，由于暗通道圖像與直方圖均衡化圖像之間相似度很高，沒有產(chǎn)生形變，因此，當暗通道圖像減去直方圖均衡化圖像得到差分融合圖像時，兩幅圖像對應位置的像素點差值趨于零。作為科研人員的研究熱點，像素級融合算法極大程度地降低了原始圖像中的像素損失。在空域中對每個像素點作減法運算，實現(xiàn)圖像差分融合，其融合公式如式（4）所示。

式中：dark(,)為坐標(,)處暗通道圖像的像素值；(,)為直方圖均衡化圖像的像素值；(,)為坐標(,)處差分融合后圖像的像素值；表示兩個圖像進行差分運算，取值為2；k為尺度窗口的尺寸，取值為1；α為尺度所占權(quán)值，取值為{0.7,0.2}。

以圖2a中的圖像為例，對上述算法進行試驗分析。熔池圖像經(jīng)過暗通道處理后可以有效地分離出其中的暗通道灰度圖，所生成的圖像不存在點狀的飛濺噪聲。暗通道處理法處理前后對比圖如圖4a、b所示。分析可知，暗通道處理法對于像素值小于250的像素點濾除作用不明顯，卻能有效濾除像素值為255的像素點，從圖4a的10 000多點減少到圖4b的5 000多點，充分證明了暗通道處理法可以有效去除熔池圖像中的飛濺干擾。

圖4 直方圖對比

暗通道處理法在一定程度上損失了圖像細節(jié)特征，直方圖均衡化在一定程度上能抑制圖像細節(jié)的損失，提高對比度[22-24]。圖5為圖4a經(jīng)過均衡化處理后所得的直方圖，對比分析兩圖可以得知，圖像灰度值的分布范圍從原來的50～100過渡到0～225，呈現(xiàn)出由窄到寬的變化趨勢。

圖5 直方圖均衡化處理

將兩種通道圖像進行圖像差分計算后所得的新熔池圖像如圖6所示，熔池區(qū)域與弧光區(qū)灰度差異明顯，這種方法既保留了暗通道圖像去除飛濺的優(yōu)點又保持了均衡化的增強效果，而且算法簡單易實現(xiàn)、運算速度快。

圖6 新熔池圖像

3 焊接質(zhì)量與熔池圖像的映射關(guān)系

3.1 熔池圖像質(zhì)量評價

為了定量評價熔池圖像處理算法的作用，從清晰度、對比度兩方面進行對比分析。模糊圖像中每個像素差值小，整體灰度均勻，乘法計算后值更??；反之，清晰圖像中像素點間差值大，乘積值更大。因此，選用灰度方差乘積（2）作為評價圖像清晰度的指標，其計算公式如式（5）所示。

式中：(,)為像素點灰度值；(,)為水平方向相鄰像素點灰度值；(,)為豎直方向相鄰像素點灰度值。

熔池圖像中存在弧光區(qū)、熔池區(qū)及焊縫區(qū)，3個區(qū)之間的對比度也逐漸減小，故選用對比度作為評價熔池圖像質(zhì)量的另一指標。通過式（6）計算對比度。

式中：(,)為相鄰像素間的灰度差；P(,)為相鄰像素間灰度差為的像素分布概率。

圖7和圖8顯示了5種缺陷圖像用前述算法處理后得到的對比度和清晰度的變化情況。暗通道處理后圖像的兩個指標呈小幅度下降，與原圖相比，直方圖均衡化處理后，駝峰熔池圖像變化最明顯，其對比度提高了22倍，清晰度提高了36倍，其他熔池圖像的指標較原圖也有不同程度的提高。但直方圖均衡化處理后圖像容易產(chǎn)生過曝現(xiàn)象，差分融合法對這種現(xiàn)象具有抑制作用，觀察圖7和圖8發(fā)現(xiàn)，兩個指標值均有下降，其值介于暗通道圖和直方圖均衡化圖之間，且高于原圖像對應的值。由此可以驗證，直方圖均衡化可以有效提高熔池圖像的清晰度和對比度，而差分融合法可以防止均衡化后的過曝現(xiàn)象，對于改善熔池圖像的質(zhì)量是有效的。

圖7 對比度變化情況

圖8 清晰度變化情況

3.2 熔池與焊接質(zhì)量評價指標設(shè)計

經(jīng)驗豐富的焊工通過焊縫的外觀判斷焊接工藝參數(shù)選取是否得當，因此，焊縫外觀是評價焊接質(zhì)量最直接的方法，文獻[25]采用模糊綜合評價方法對焊縫質(zhì)量進行評價，通過對焊縫外觀、晶粒尺寸及焊縫質(zhì)量進行評分，實現(xiàn)了焊接質(zhì)量的定量評價。參考該評價方法，對圖2b—f中焊縫的形貌進行評分，獲得5種焊縫缺陷得分，分別為燒穿5分，焊塌20分，過熔透45分，欠熔透55分，駝峰50分。

清晰度反映出熔池邊緣的清晰程度，對邊緣灰度變化敏感，清晰度越高，捕捉熔池邊緣變化的能力越強，而熔池邊緣變化與焊縫寬度相關(guān)，因此，清晰度是反映焊接質(zhì)量的重要指標之一。對比度可以有效辨別背景與目標區(qū)域，對比度越大，越能有效分離出背景，減少背景區(qū)域?qū)θ鄢貐^(qū)域的影響。經(jīng)過文獻查閱以及試驗結(jié)果分析，綜合考慮熔池的清晰度和對比度指標對焊縫成形質(zhì)量的影響程度，取清晰度權(quán)重為0.6，對比度權(quán)重為0.4。設(shè)熔池圖像的清晰度和對比度分別為和，評分為，則熔池評分指標由式（7）計算得到。

根據(jù)公式（7）計算出圖2b—f中5種熔池原圖及經(jīng)過差分融合法得到的新熔池圖像的得分情況，如表1所示。從表1中分析可知，差分融合法計算得到的熔池圖像評分比原圖高2倍及以上，由此可以推斷，所提出的差分融合算法可以有效提高圖像的質(zhì)量。

表1 熔池圖像得分表

Tab.1 Score sheet of molten pool image

最后，建立熔池–焊縫評分方程，對熔池與焊縫進行綜合評分，以獲取不同焊縫缺陷對應的等級，如式（8）所示。

式中：1為新熔池圖像得分；0為原熔池圖像得分；為焊縫得分。經(jīng)過計算得到缺陷實際得分及其對應的得分范圍和等級分布，如表2所示。分析表2可以確定燒穿、焊塌、過熔透、欠熔透、駝峰5種熔池缺陷的實際得分均落入該種缺陷對應等級的得分范圍內(nèi)。

表2 熔池缺陷等級劃分表

Tab.2 Grade classification table of molten pool defects

采用圖9所示單脈沖工藝的焊塌和燒穿熔池圖像以及圖2a所示雙脈沖工藝優(yōu)良焊縫熔池圖像來驗證熔池–焊縫評分方程的可靠性。根據(jù)文獻[16]得到雙脈沖優(yōu)良焊縫評分為85分，從表3中觀察到，當優(yōu)良焊縫分數(shù)大于10分，記其等級為G；而對于單脈沖工藝，焊塌和燒穿熔池得分分別落入了該缺陷得分范圍，驗證了所提出的熔池–焊縫評分方程也適用于單脈沖焊接工藝。因此，通過建立熔池–焊縫評分方程劃分焊接缺陷等級的方法是可靠的，能指導焊接質(zhì)量預測研究。

表3 驗證試驗評分等級分布

Tab.3 Grade distribution table in validation test

4 結(jié)論

1）暗通道處理法可以有效濾除熔池圖像中的飛濺干擾，但是會降低原圖像的對比度和清晰度，損失細節(jié)特征。

2）提出了差分融合算法，將降噪圖像與增強圖像進行差分運算，既減少了輸入圖像的像素損失，又提高了原圖的清晰度和對比度。

3）建立熔池–焊縫評分方程對焊縫缺陷進行評分，并劃分5種缺陷等級及其得分范圍，試驗結(jié)果表明，熔池圖像質(zhì)量與焊縫形貌存在映射關(guān)系。因此，所提的熔池–焊縫評分方程對通過監(jiān)控熔池圖像質(zhì)量變化以預測焊縫潛在缺陷作出了探索性的試驗研究。

[1] 盛潔, 朱俊杰, 蔡艷, 等. 基于熔池圖像的熔化極氣體保護焊焊接過程質(zhì)量監(jiān)測方法[J]. 上海交通大學學報, 2015, 49(10): 1477-1481.

SHENG Jie, ZHU Jun-jie, CAI Yan, et al. GMAW Welding Process Monitoring Method Based on Welding Pool Image[J]. Journal of Shanghai Jiao Tong University, 2015, 49(10): 1477-1481.

[2] 夏衛(wèi)生, 龔福建, 楊榮國, 等. 基于紅外視覺的熔化極氣體保護焊外觀缺陷識別[J]. 焊接學報, 2020, 41(3): 69-73.

XIA Wei-sheng, GONG Fu-jian, YANG Rong-guo, et al. Apparent Defect Recognition of Gas Metal Arc Welding Based on Infrared Vision[J]. Transactions of the China Welding Institution, 2020, 41(3): 69-73.

[3] 朱彥軍, 吳志生, 王安紅, 等. 基于被動視覺的焊縫錯邊研究[J]. 熱加工工藝, 2019, 48(9): 220-223.

ZHU Yan-jun, WU Zhi-sheng, WANG An-hong, et al. Research on Weld Seam Misalignment Based on Passive Vision[J]. Hot Working Technology, 2019, 48(9): 220-223.

[4] 房?；? 呂波, 張艷喜, 等. 焊接過程聲信號在線檢測技術(shù)現(xiàn)狀與展望[J]. 精密成形工程, 2022, 14(1): 165-172.

FANG Hai-ji, LYU Bo, ZHANG Yan-xi, et al. Status and Prospect of On-Line Acoustic Signal Detection Technology in Welding[J]. Journal of Netshape Forming Engineering, 2022, 14(1): 165-172.

[5] 李志剛, 黃衛(wèi), 徐翔, 等. 基于氣泡聲信號的水下濕法焊接電弧特性分析[J]. 熱加工工藝, 2021, 50(21): 129-132.

LI Zhi-gang, HUANG Wei, XU Xiang, et al. Analysis of Arc Characteristics of Underwater Wet Welding Based on Bubble Acoustic Signal[J]. Hot Working Technology, 2021, 50(21): 129-132.

[6] 金偉, 趙紅霞, 郭于明. 熔透狀態(tài)識別預測與控制技術(shù)研究現(xiàn)狀[J]. 中國工程機械學報, 2021, 19(3): 217-221.

JIN Wei, ZHAO Hong-xia, GUO Yu-ming. Research Status of Identification and Prediction and Control of Weld Penetration Modes[J]. Chinese Journal of Construction Machinery, 2021, 19(3): 217-221.

[7] 黃林然, 高延峰, 王齊勝, 等. 不同保護氣下電弧聲信號的短時能量與共振峰分析[J]. 焊接技術(shù), 2019, 48(1): 5-10.

HUANG Lin-ran, GAO Yan-feng, WANG Qi-sheng, et al. Analysis of Short-Time Energy and Formant of Arc Acoustic Signals under a Different Shielding Gases[J]. Welding Technology, 2019, 48(1): 5-10.

[8] DONG Hang, CONG Ming, ZHANG Yu-ming, et al. Modeling and Real-Time Prediction for Complex Welding Process Based on Weld Pool[J]. The International Journal of Advanced Manufacturing Technology, 2018, 96(5): 2495-2508.

[9] HU Ze-qi, HUA Lin, QIN Xun-peng, et al. Molten Pool Behaviors and Forming Appearance of Robotic GMAW on Complex Surface with Various Welding Positions[J]. Journal of Manufacturing Processes, 2021, 64: 1359-1376.

[10] LU Jun, XIE Hou-sen, CHEN Xiao-yu, et al. Online Welding Quality Diagnosis Based on Molten Pool Behavior Prediction[J]. Optics & Laser Technology, 2020, 126: 106126.

[11] 裴瑩蕾, 王克鴻. 基于非負矩陣分解的熔池圖像識別方法[J]. 計算機集成制造系統(tǒng), 2022(3): 1-12.

PEI Ying-lei, WANG Ke-hong. Image Recognition Method of Molten Pool Based on Non-negative Matrix Decomposition[J]. Computer Integrated Manufacturing Systems, 2022(3): 1-12.

[12] 沈瑩吉, 王克鴻, 潘明財, 等. 基于視覺的焊接缺陷熔池圖像特征探討[J]. 焊接學報, 2012, 33(1): 105-108.

SHEN Ying-ji, WANG Ke-hong, PAN Ming-cai, et al. Prelimimary about Pool Image Character of Welding Defect Based on Vision Sensing[J]. Transactions of the China Welding Institution, 2012, 33(1): 105-108.

[13] 方吉米, 王克鴻, 黃勇. 基于透紅外視覺傳感的GMA-AM熔池圖像質(zhì)量評價[J]. 焊接學報, 2018, 39(12): 89-94.

FANG Ji-mi, WANG Ke-hong, HUANG Yong. Weld Pool Image Quality Evaluation of Gas Metal Arc Additive Manufacturing Based on Infrared Visual Sensing[J]. Transactions of the China Welding Institution, 2018, 39(12): 89-94.

[14] 方吉米, 王克鴻, 黃勇. 高速GMAW駝峰焊道形成過程熔池圖像識別[J]. 焊接學報, 2019, 40(2): 42-46.

FANG Ji-mi, WANG Ke-hong, HUANG Yong. Weld Pool Image Recognition of Humping Formation Process in High Speed GMAW[J]. Transactions of the China Welding Institution, 2019, 40(2): 42-46.

[15] 朱彥軍, 吳志生, 王安紅, 等. 基于GMAW熔池輪廓特征的焊接缺陷研究[J]. 電焊機, 2018, 48(11): 13-18.

ZHU Yan-jun, WU Zhi-sheng, WANG An-hong, et al. Research on Welding Defects Based on the Features of GMAW Molten Pool Contour[J]. Electric Welding Machine, 2018, 48(11): 13-18.

[16] 馬可. 基于GMAW不同條件下的熔透特征研究[D]. 北京: 北京石油化工學院, 2018.

MA Ke. Research Welding Penetration Characteristics Base on Different Conditions of GMAW[D]. Beijing: Beijing Institute of Petrochemical Technology, 2018.

[17] 呂娜. 基于電弧聲信號的鋁合金脈沖GTAW熔透特征識別及其實時控制研究[D]. 上海: 上海交通大學, 2014: 40-42.

LYU Na. Recognition and Realtime Control of Penetration Characteristics of Al Alloy Pulsed GTAW Process Based on the Arc Audio Information[D]. Shanghai: Shanghai Jiao Tong University, 2014: 40-42.

[18] 黃健康, 潘偉, 于永龍, 等. 基于示蹤粒子的GTAW駝峰焊道形成機制數(shù)值分析[J]. 蘭州理工大學學報, 2019, 45(6): 11-16.

HUANG Jian-kang, PAN Wei, YU Yong-long, et al. Numerical Analysis of Formation Mechanism of GTAW Hump Welding Bead Based on Tracing Particles[J]. Journal of Lanzhou University of Technology, 2019, 45(6): 11-16.

[19] 武傳松, 王林, 陳姬, 等. 高速GMAW駝峰焊道的產(chǎn)生機理與抑制技術(shù)[J]. 焊接, 2016(7): 4-13.

WU Chuan-song, WANG Lin, CHEN Ji, et al. Occurrence Mechanism and Suppression Technology of Humping Bead in High-Speed GMAW[J]. Welding & Joining, 2016(7): 4-13.

[20] HE Kai-ming, SUN Jian, TANG Xiao-ou. Single Image Haze Removal Using Dark Channel Prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341-2353.

[21] 任艷斐. 直方圖均衡化在圖像處理中的應用[J]. 科技信息, 2007(4): 37-38.

REN Yan-fei. Application of Histogram Equalization in Image Processing[J]. Science Information, 2007(4): 37-38.

[22] 陳書貞, 任占廣, 練秋生. 基于改進暗通道和導向濾波的單幅圖像去霧算法[J]. 自動化學報, 2016, 42(3): 455-465.

CHEN Shu-zhen, REN Zhan-guang, LIAN Qiu-sheng. Single Image Dehazing Algorithm Based on Improved Dark Channel Prior and Guided Filter[J]. Acta Automatica Sinica, 2016, 42(3): 455-465.

[23] 胡偉, 袁國棟, 董朝, 等. 基于暗通道優(yōu)先的單幅圖像去霧新方法[J]. 計算機研究與發(fā)展, 2010, 47(12): 2132-2140.

HU Wei, YUAN Guo-dong, DONG Zhao, et al. Improved Single Image Dehazing Using Dark Channel Prior[J]. Journal of Computer Research and Development, 2010, 47(12): 2132-2140.

[24] 劉楠, 程詠梅, 趙永強. 基于加權(quán)暗通道的圖像去霧方法[J]. 光子學報, 2012, 41(3): 320-325.

LIU Nan, CHENG Yong-mei, ZHAO Yong-qiang. An Image Dehazing Method Based on Weighted Dark Channel Prior[J]. Acta Photonica Sinica, 2012, 41(3): 320-325.

[25] YAO Ping, ZHOU Kang, HUANG Shu-wei. Process and Parameter Optimization of the Double-Pulsed GMAW Process[J]. Metals, 2019, 9(9): 1009.

Design and Analysis of Weld Quality Index Based on Image Features of Molten Pool

XU Zi-hui, YAO Ping, BIN Kun, CHEN Ye, HE Jian-peng, CHEN Fei-xin

(Guangdong Polytechnic Normal University, Guangzhou 510630, China)

Weld pool is a dynamic forming feature of weld appearance. Establishing the mapping relationship between molten pool image quality and weld appearance can promote real-time intelligent detection of welding quality. In this paper, dark channel processing methodwas used for filtering and noise reduction, and differential fusion algorithm was used to fuse the dark channel map and the straight square equalization map. Using the algorithm to process the molten pool images corresponding to five kinds of weld defects can effectively filter the point noise, and the sharpness and contrast of image are increased by more than two times compared with the original image. In addition, the evaluation index of fusion image and weld appearance was designed, and the scoring equation of molten pool-weld seam was established, so as to verify the feasibility of predicting weld defect grade by molten pool image.

molten pool image; weld appearance; dark channel processing method; differential fusion algorithm; scoring equation

10.3969/j.issn.1674-6457.2022.10.014

TP391.4

A

1674-6457(2022)10-0098-07

2022–02–19

國家自然科學基金（51805099）；2021年省科技創(chuàng)新專項資金（SDZX2021020）；廣東省普通高校重點領(lǐng)域?qū)ｍ?2020ZDZX2019)；廣東省教育廳特色創(chuàng)新項目（2019KTSCX086）

徐梓惠（1996—），女，碩士生，主要研究方向為圖像處理與計算機視覺。

姚屏（1978—），女，博士，教授，主要研究方向為智能制造、制造過程檢測與控制及工業(yè)機器人。