HTML
-
实验中选用UNIQ-3000型CCD相机完成焊机图像采集,共采集5000张,其中包括焊接良好和焊接异常两大类,焊接异常中分为小球、桥连、虚焊、少锡、偏球5种类型。3000张焊接图像构成算法模型训练集,1000张焊接图像构成模型验证集,1000张焊接图像用于测试。基于深度学习的焊接异常识别算法在Ten-sorflow环境下采用Python编译实现。
-
为了检验对比基于深度学习的焊接异常图像识别算法的效果,对其漏检率与误检率量化分析。与传统的canny边缘提取算法进行对比,从而考察本算法在边缘特征信息保留方面的性能;同时,与k均值聚类算法进行对比,从而考察本算法在特性分类方面的性能。同时采用3种方法针对5种典型焊接异常进行识别检测,3种方法获得的处理结果如图 3所示。
由图像处理结果可知,canny算法的边界处理效果最好,清晰度高、对比度强,有利于识别桥连和小球类型的焊接异常(例如桥连缺陷S32和S33、小球缺陷S23),但焊点中的分布信息被明显削弱,造成对虚焊、偏球、少锡类型的焊接异常识别能力降低。k均值算法的边界处理效果虽然清晰度不如canny算法好,但采用反馈型阈值解析仍可以获得很好的边缘检测精度。另外,k均值算法获得的焊点图像仍保留了同灰度级的差异,可有效地识别偏球缺陷(例如偏球缺陷S12),但对虚焊和少锡的特征分类效果并不明显。本算法中边界处理效果与k均值算法相近,同时,焊点特征保留更为明显,不但有表征偏球缺陷的同灰度级差异,还有梯度变化信息,可以对虚焊和少锡问题进行阈值量化分析(例如虚焊缺陷S24,少锡缺陷S22)。对验证集的检测结果进行统计分析,获得3种方法漏检率与误检率数据分布如表 1所示。
detection
methodaverage recognition accuracy/% weld bridge small ball partial ball virtual weld missing solder FDR MDR FDR MDR FDR MDR FDR MDR FDR MDR canny 0 0 0.1 0.1 12.4 13.3 16.5 17.5 14.3 21.4 k-means 0 0 0.7 0.2 7.3 6.5 15.7 16.2 15.5 19.6 DL 0 0 0.6 0.2 1.4 1.1 2.7 2.4 2.6 2.9 Table 1. Comparison of missed detection rate and false detection rate of three methods
由测试结果可知,3种算法对桥连的判断都能达到100%识别,即误检率和漏检率均为0,分析认为桥连的图像范围大,易识别;相比而言,小球缺陷的检测对边界特征信息要求更高,canny算法的边界处理效果更好,其误检率和漏检率均低于k均值算法和本算法;对于偏球缺陷而言,其不但涉及边界分布还需考虑焊点灰度分布特性,canny算法的识别效果最差,k均值算法优于canny算法,本算法效果最好,误检率与漏检率相比canny算法减小了一个数量级;对于虚焊和少锡缺陷而言,都需要对焊点的灰度分布梯度进行解析,传统的两种算法测试效果相近,本算法识别精度有所下降,但总体水平仍优于前两种方法。实验结果表明,相比传统图像分割算法, 本算法可以更好地获得各种焊接缺陷图像,从而为焊接质量分析提供了更好的支撑。
-
算法验证后采用未知缺陷分布情况的焊接图片进行测试,将1000张测试图片分别输入3种算法后迭代运算,分类后完成数据统计分析,对误检率、漏检率和召回率进行统计。为了对图像测试数据进行综合评价,在1000张测试图像中等比例插入了5种不同缺陷形式的焊接图像。统计结果显示,canny算法在测试集中的误检率为7.8%、漏检率为9.7%、召回率为90.75%;k均值算法在测试集中的误检率为7.4%、漏检率为8.3%、召回率为92.15%;本算法在测试集中的误检率为1.6%、漏检率为1.7%、召回率为98.45%。由此测试集统计数据可知,3种算法的识别能力与验证集中各测试结果的加权平均值相近,说明基本可以表征各算法的实际测试效果,也验证了本算法具有更好的焊接异常检测识别性能。