基于MATLAB的焊接电弧特征谱线图像光谱数据自动提取方法

摘要

本发明公开了一种基于MATLAB的焊接电弧特征谱线图像光谱数据自动提取方法,涉及焊接电弧光谱诊断技术领域，包括以下步骤：S1：获取电弧特征谱线图像并对所述电弧特征谱线图进行预处理S2：剔除噪声数据S3：剔除无效数据；S4：对称化处理以及小波降噪处理，得到目标光谱数据。本发明提出的基于MATLAB的焊接电弧特征谱线图像光谱数据自动提取方法，不仅能够对弧光反射噪声，焊接飞溅和CMOS感光元件暗电流噪声进行剔除，有效提高特征谱线数据提取的准确性，而且通过插值处理、提取特征谱线图像的有效数据以及数据对称化等手段，使电弧光谱数据提取精度和诊断效率得到有效提高，为后续电弧光谱诊断奠定可靠基础。

说明书

技术领域

本发明涉及焊接电弧光谱诊断技术领域，具体涉及一种基于MATLAB的焊接电弧特征谱线图像光谱数据自动提取方法。

背景技术

电弧光谱诊断是一种非接触式检测手段，具有灵敏度高，选择性好，无介入性，时空分辨率高等优点。利用焊接电弧光谱信息，对电弧内部的温度分布以及电子密度进行定量表征，有助于了解电弧产热机理，发现焊接缺陷，为改善焊接工艺、提高焊缝质量提供理论依据。由于光谱数据在采集的过程中会受到弧光反射、焊接飞溅以及高速摄像机CMOS感光元件暗电流等多重噪声信号的干扰。因此，电弧光谱诊断前需对特征谱线进行预处理以剔除噪声信号。为了进一步提高预处理质量，本发明提出了一种基于MATLAB的焊接电弧特征谱线图像光谱数据自动提取方法，来提高光谱诊断的准确性和自动化水平。

发明内容

针对现有技术的不足，本发明提供了一种基于MATLAB的焊接电弧特征谱线图像光谱数据自动提取方法，包括以下步骤：

S1：获取电弧特征谱线图像并对所述电弧特征谱线图进行预处理，得到第一目标图像；

S2：剔除所述第一目标图像中的噪声数据，得到第二目标图像；其中，所述噪声数据包括第一噪声数据、第二噪声数据和第三噪声数据，所述第一噪声数据为焊枪喷嘴和焊接工件表面弧光反射产生的噪声数据，所述第二噪声数据为电弧外围由于焊接飞溅以及高速摄像机CMOS感光元件暗电流产生的噪声数据，所述第三噪声数据为电弧内椒盐噪声数据；

S3：剔除所述第二目标图像中的无效数据，得到第三目标图像；

S4：对所述第三目标图像进行对称化处理以及小波降噪处理，得到目标光谱数据。

优选地，步骤S1中，获取电弧特征谱线图像并对所述电弧特征谱线图进行预处理，得到第一目标图像的方法包括以下步骤

S21:调用imread函数按照指定路径获取电弧特征谱线图像；

S22:根据电弧特征谱线图像的实际对称轴位置与喷嘴第一行有效数据垂线的夹角确定旋转角度；

S23:基于所述旋转角度对电弧特征谱线图像进行旋转处理,得到预处理图像；

S24:调用ind2gray函数对所述预处理图像进行格式化处理，得到第一目标图像。

优选地，步骤S24中，对第一预处理图像进行格式化处理的方法包括将第一预处理图像转换为灰度模式的图像，将转换后图像中的数据强制转变为double类型。

优选地，步骤S2中，剔除所述预处理图像中的噪声数据，得到第一目标图像的方法包括以下步骤：

S41:调用ginput函数获取预处理图像的上下边界像素点坐标，基于所述上下边界像素点坐标剔除第一噪声数据，得到第一去噪图像；

S42:获取图像边缘检测结果，基于所述边缘检测结果和所述第一去噪图像剔除第二噪声数据，得到第二去噪图像；

S43:调用medfilt2函数对剔除第三噪声数据，得到第二目标图像。

优选地，步骤S42中，获取所述边缘检测结果的方法为：

S51：调用graythresh函数获取第二目标图像的边缘阙值；

S52：调用im2bw函数对第二目标图像进行二值化处理，得到二值化图像；

S53：调用edge函数canny算子，基于所述边缘阈值对所述二值化图像进行边缘检测，得到边缘检测结果。

优选地，步骤S3中，剔除所述第二目标图像中的无效数据，得到第三目标图像的方法为：调用interp1函数采用spline三次样条插值方法提高光谱数据处理分辨率，采用元胞数组的形式储存剔除无效数据后的第三目标图像中的数据。

优选地，步骤S4中，对称化处理的方法为：根据第三目标图像中径向数据的奇偶个数，确定第三目标图像的对称位置，并对所述对称位置两侧距离相等的数据取均值。

优选地，步骤S4中，小波降噪处理的方法为：调用wden函数进行小波分解，根据噪声情况进行极大极小值阙值选择，对分解后的高频系数进行软阈值量化处理，所述软阈值根据第一层小波分解的结果确认。

本发明的有益效果体现在：

(1)本发明根据焊接电弧光谱采集特点，剔除由于弧光反射、焊接飞溅以及高速摄像机CMOS感光元件暗电流产生的噪声信号，避免噪声信号对光谱数据的有害影响。

(2)本发明通过特征谱线数据插值、小波降噪以及对称化处理，有效提高了光谱数据的提取精度和提取效率。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为基于MATLAB的焊接电弧特征谱线图像光谱数据自动提取方法流程图；

图2为高速摄像机采集的电弧特征谱线图像；

图3为剔除弧光反射噪声后的电弧特征谱线图像；

图4为电弧特征谱线边缘位置；

图5为剔除焊接飞溅以及暗电流噪声后的电弧特征谱线图像；

图6为电弧特征谱线图像第三行对称化前的谱线强度分布；

图7为电弧特征谱线图像第三行对称化后的谱线强度分布；

图8为电弧特征谱线图像第三行小波降噪处理后的谱线强度分布。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

如图1所示，一种基于MATLAB的焊接电弧特征谱线图像光谱数据自动提取方法，包括以下步骤：

S1：获取电弧特征谱线图像并对所述电弧特征谱线图进行预处理，得到第一目标图像；

S2：剔除所述第一目标图像中的噪声数据，得到第二目标图像；其中，所述噪声数据包括第一噪声数据、第二噪声数据和第三噪声数据，所述第一噪声数据为焊枪喷嘴和焊接工件表面弧光反射产生的噪声数据，所述第二噪声数据为电弧外围由于焊接飞溅以及高速摄像机CMOS感光元件暗电流产生的噪声数据，所述第三噪声数据为电弧内椒盐噪声数据；

S3：剔除所述第二目标图像中的无效数据，得到第三目标图像；

S4：对所述第三目标图像进行对称化处理以及小波降噪处理，得到目标光谱数据。

本发明提出的基于MATLAB的焊接电弧图像光谱数据自动提取方法，不仅能够对弧光反射噪声，焊接飞溅和CMOS感光元件暗电流噪声进行剔除，有效提高特征谱线数据提取的准确性，而且，通过插值处理、提取特征谱线图像的有效数据以及数据对称化等手段，使电弧光谱数据提取精度和诊断效率得到有效提高，为后续电弧光谱诊断奠定可靠基础。

作为优选实施例，步骤S1中，获取电弧特征谱线图像并对所述电弧特征谱线图进行预处理，得到第一目标图像的方法包括以下步骤

S21:调用imread函数按照指定路径获取电弧特征谱线图像；

S22:根据电弧特征谱线图像的实际对称轴位置与喷嘴第一行有效数据垂线的夹角确定旋转角度；

S23:基于所述旋转角度对电弧特征谱线图像进行旋转处理,得到预处理图像；

S24:调用ind2gray函数对所述预处理图像进行格式化处理，得到第一目标图像。

具体的，所示电弧特征谱线图通过高速摄像机采集并存储于指定路径中，如图2所示，调用imread函数读取程序路径中的焊接电弧特征谱线图像，使用imrotate函数最邻近线性插值算法对图像进行旋转处理，保持旋转后的输出图像尺寸和输入图像一致，多余部分进行裁剪，旋转角度依据图像实际对称轴位置与喷嘴下方第一行有效数据垂线的夹角来确定，atand的正负对应旋转方向的逆顺，根据图片特征调整，调用ind2gray函数将高速摄像机导出的索引模式图片转换为灰度模式，并将数据强制转变为double类型，便于后续光谱数据进行预处理。

作为优选实施例，步骤S2中，剔除所述预处理图像中的噪声数据，得到第二目标图像的方法包括以下步骤：

S41调用ginput函数获取预处理图像的上下边界像素点坐标，基于所述上下边界像素点坐标剔除第一噪声数据，得到第一去噪图像；

S42:获取图像边缘检测结果，基于所述边缘检测结果和所述第一去噪图像剔除第二噪声数据，得到第二去噪图像；

S43:调用medfilt2函数对剔除第三噪声数据，得到第二目标图像。

具体的，步骤S42中，获取所述边缘检测结果的方法为：

S51：调用graythresh函数获取第二目标图像的边缘阙值；

S52：调用im2bw函数对第二目标图像进行二值化处理，得到二值化图像；

S53：调用edge函数，基于所述边缘阈值对所述二值化图像进行边缘检测，得到边缘检测结果；

由于在焊枪喷嘴以及焊接工件表面弧光反射区域，光强变化存在突变，呈现出无规律的分布；而在电弧区域，从电弧左边缘到右边缘光强分布呈现先增加后减少的变化规律，因此，调用imagesc函数缩放第一目标图像中的数据并显示图像，采用ginput函数获取电弧上下边界像素点坐标，调整数据提取区域，从而剔除由于焊枪喷嘴、焊接工件表面弧光反射产生的噪声信号，减少信号干扰，得到第一去噪图像，如图3所示。

调用graythresh函数实现最大类间方差法，获取电弧特征谱线图像的边缘阙值，并采用im2bw函数将灰度图转换为二值图。调用edge函数，选用基于边缘梯度方向非极大值抑制的canny算子进行边缘检测，从而得到边缘位置，如图4所示。

调用形态学开运算imopen函数和腐蚀运算imerode函数，将已经剔除弧光反射噪声的各像素点数据与所述电弧边缘检测结果进行乘积运算，剔除第二噪声数据，实现屏蔽电弧边缘外的焊接飞溅以及CMOS感光元件暗电流产生的噪声信号，得到第二去噪图像。

对于电弧内暗电流产生的椒盐噪声，调用medfilt2函数实现中值滤波来抑制，从而得到第二目标图像，如图5所示。

作为优选实施例，步骤S3中，剔除所述第二目标图像中的无效数据，得到第三目标图像的方法为：调用interp1函数采用spline三次样条插值方法提高光谱数据处理分辨率，采用元胞数组的形式储存剔除无效数据后的第三目标图像中的数据。

具体的，调用interp1函数采用spline三次样条插值方法对电弧径向方向以及轴向方向进行插值处理，提高光谱数据处理分辨率。插值个数可以根据分析要求精度改变，并且，在插值过程中运用循环语句，标定由于插值产生的非常接近零的像素点为无效数据，使其归零。

对于高速摄像机采集到的图像，仅有一小部分像素点用于储存电弧特征谱线强度，而其余像素点则储存无效信息。为了尽可能的提高后续光谱分析效率，减少计算量，应在光谱数据提取的过程中将无效信息删除。此外，由于电弧特征谱线图像整体呈现钟罩形，靠近焊枪喷嘴位置用于储存电弧特征谱线强度的有效像素点较少，靠近焊接工件位置的有效像素点较多。为此，选用元胞数组的形式储存电弧特征谱线强度，满足电弧不同高度有效像素点数目不同的要求。

作为优选实施例，步骤S4中，对称化处理的方法为：根据第三目标图像中径向数据的奇偶个数，确定第三目标图像的对称位置，并对所述对称位置两侧距离相等的数据取均值。

具体的，如果数据个数为偶数，则对称中心线两侧数据进行均值处理；如果数据个数为奇数，则对称中心数据不做处理，对称中心线两侧数据进行均值处理。此外，为了进一步提高后续光谱分析效率，仅提取从电弧中心到边缘一半的数据，对称化处理后电弧特征谱线图像第三行的数据如图7所示

作为优选实施例，步骤S4中，小波降噪处理的方法为：调用wden函数进行小波分解，根据噪声情况进行极大极小值阙值选择，对分解后的高频系数进行软阈值量化处理，所述软阈值根据第一层小波分解的结果确认，小波降噪处理后电弧特征谱线图像第三行的数据如图8所示。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。