本发明公开了一种动力电池焊接质量检测方法，步骤为：获取动力电池焊接后的原始图像；通过动态阈值方法得到初步焊缝区域；对初步焊缝区域求取最小外接矩形得到第二焊缝区域；通过动态阈值方法得到爆点区域；根据爆点区域像素点个数判定是否有爆点，得到整条焊缝区域；针对整条焊缝区域依次进行背景干扰去除和行程分析处理后得到最终焊缝区域；利用全局阈值方法从最终焊缝区域提取出候选针孔；提取出候选针孔的灰度特征、几何特征和矩特征，进行主成分分析得到候选针孔降维后的特征向量，然后输入至SVM分类器中进行分类，得到最终分类结果；本发明有效提高了焊缝分割的准确率和效率，同时提高焊接瑕疵的识别率，能够得到较好的质量检测效果。
1.一种动力电池焊接质量检测方法，其特征在于，步骤如下：
S2、通过动态阈值方法从原始图像中提取出初步焊缝区域；
S3、对步骤S32中得到的初步焊缝区域求取最小外接矩形，得到第二焊缝区域；
S4、通过动态阈值方法从第二焊缝区域中提取出爆点区域；
S5、根据爆点区域的像素点个数判定是否有爆点；若是，则将初步焊缝区域与爆点区域合并得到整条焊缝区域，若否，则直接将初步焊缝区域作为整条焊缝区域；
S6、针对于步骤S5中得到的整条焊缝区域依次进行背景干扰去除和行程分析处理后得到最终焊缝区域；
S7、利用全局阈值方法从最终焊缝区域提取出候选针孔；
S8、提取出候选针孔的灰度特征、几何特征和矩特征，进行主成分分析得到候选针孔降维后的特征向量；
S9、将候选针孔降维后的特征向量作为测试样本输入至训练好的SVM分类器中进行分类，得到最终分类结果；其中SVM分类器的训练过程具体如下：获取已知针孔和纹理的动力电池焊接后的多幅图像，针对各图像中的各针孔分别对应选取出针孔的灰度特征、几何特征和矩特征，然后进行主成分分析得到各图像中各针孔降维后的特征向量；针对各图像中的各纹理分别对应选取出纹理的灰度特征、几何特征和矩特征，然后进行主成分分析得到各图像中各纹理降维后的特征向量；各图像中各针孔降维后的特征向量以及各图像中各纹理降维后的特征向量作为训练样本输入至SVM中，以对SVM进行训练，得到训练好的SVM分类器。
2.根据权利要求1所述的动力电池焊接质量检测方法，其特征在于，步骤S2中通过动态阈值方法从原始图像中提取出初步焊缝区域的具体步骤如下：S21、首先对步骤S1获取到的原始图像进行滤波处理，得原始图像滤波处理后的图像；
S22、分别获取到原始图像灰度值以及原始图像滤波处理后的图像灰度值，针对于原始图像和原始图像滤波处理后的图像中各相同位置处的像素点，将原始图像灰度值与原始图像滤波处理后的图像灰度值作比较，将原始图像中灰度值比原始图像滤波处理后的图像灰度值大第一偏移量的像素点取出，得到初步焊缝区域；具体为：其中f(x,y)为原始图像灰度值；m(x,y)为原始图像滤波处理后的图像灰度值；(x,y)为像素点，原始图像的图像大小为X×Y；offset为第一偏移量；g1(x,y)为得到的初步焊缝区域。
3.根据权利要求2所述的动力电池焊接质量检测方法，其特征在于，步骤S21中对原始图像进行均值滤波处理，得原始图像滤波处理后的图像；
步骤S22中原始图像滤波处理后的图像灰度值m(x,y)为：
其中原始图像的大小为X×Y，S是以(x,y)像素点为中心的邻域的集合，又称掩膜，M是S内坐标点的总数，f(i,j)为原始图像在(i,j)像素点处的灰度值；
所述第一偏移量offset为30；掩膜S的大小为80×80。
4.根据权利要求1所述的动力电池焊接质量检测方法，其特征在于，步骤S4中通过动态阈值方法从第二焊缝区域中提取出爆点区域的具体过程如下：S41、首先对第二焊缝区域进行滤波处理，得第二焊缝区域滤波处理后的图像；
S22、分别获取到第二焊缝区域灰度值以及第二焊缝区域滤波处理后的图像灰度值，针对于第二焊缝区域和第二焊缝区域滤波处理后的图像中各相同位置处的像素点，将第二焊缝区域灰度值与第二焊缝区域滤波处理后的图像灰度值作比较，将第二焊缝区域中灰度值比第二焊缝区域滤波处理后的图像灰度值小第二偏移量的像素点取出，得到爆点区域；具体为：y∈{0,1,2,......,Y′-1}；
其中g'(x,y)为第二焊缝区域灰度值，m'(x,y)为第二焊缝区域滤波处理后的图像灰度值，(x,y)为像素点，第二焊缝区域的图像大小为X′×Y′；offset'为第二偏移量；g2(x,y)为得到的爆点区域。
5.根据权利要求4所述的动力电池焊接质量检测方法，其特征在于，所述第二偏移量offset'为5。
6.根据权利要求1所述的动力电池焊接质量检测方法，其特征在于，步骤S5中根据爆点区域的像素点个数判定是否有爆点；若爆点区域的像素点个数大于一定个数，则判定有爆点，否则判定无爆点。
7.根据权利要求1所述的动力电池焊接质量检测方法，其特征在于，步骤S6中整条焊缝区域依次进行背景干扰去除和行程分析处理后得到最终焊缝区域的具体过程如下：S61、选取圆形结构元素SE，对整条焊缝区域进行形态学开运算处理，得到背景干扰去除后的焊缝区域；
S62、针对步骤S61获取到的背景干扰去除后的焊缝区域进行行程分析处理，得到背景干扰去除后的焊缝区域中对应的所有行程，从所有行程中提取出行程长度超过行程阈值的行程，将这些行程并集后作为最终焊缝区域，得到最终焊缝区域R即为；
其中ri表示上述从所有行程中提取出的行程长度超过行程阈值的行程，n表示上述从所有行程中提取出的行程长度超过行程阈值的行程个数；LT为行程阈值；Li表示行程ri的行程长度；
行程ri的行程长度Li即为行程ri中所包含的像素点个数，其为：
其中 为行程ri的结束列坐标， 为行程ri的起始列坐标。
8.根据权利要求1所述的动力电池焊接质量检测方法，其特征在于，步骤S7中在最终焊缝区域上利用全局阈值方法从最终焊缝区域提取出候选针孔，具体为：其中R'(x,y)为最终焊缝区域灰度值，T为将背景和针孔分割开的灰度阈值，r(x,y)为从最终焊缝区域提取出候选针孔。
9.根据权利要求1所述的动力电池焊接质量检测方法，其特征在于，步骤S8中得到候选针孔降维后的特征向量的具体过程如下：S81、提取出候选针孔的灰度特征、几何特征和矩特征，然后从候选针孔的灰度特征、几何特征和矩特征中提取出平均灰度值、对比度、紧密度和四个仿射不变矩，由平均灰度值、对比度、紧密度和四个仿射不变矩总共7个特征构成一个7维向量；
S82、针对步骤S81获取到的7维向量中的7个特征分别进行数据规格化，具体为：首先将每个特征分别线性映射到[-1,1]中；然后求取均值和标准差；最后将每个特征减去均值后再除以标准差，得到对应的各新的特征；7个新的特征组成的一个7维向量即为数据规格化后的特征向量；
S83、将步骤S82中获取到的数据规格化后的特征向量进行主成分分析得到候选针孔降维后的特征向量；
步骤S9中得到各图像中各针孔降维后的特征向量的具体过程如下：
S91、提取出各图像中各针孔的灰度特征、几何特征和矩特征，然后从灰度特征、几何特征和矩特征中提取出平均灰度值、对比度、紧密度和四个仿射不变矩，由各图像中各针孔的平均灰度值、对比度、紧密度和四个仿射不变矩总共7个特征对应构成各图像中各针孔的一个7维向量；
S92、针对步骤S91获取到各图像中各针孔的7维向量中的7个特征分别进行数据规格化，具体为，首先将每个特征分别线性映射到[-1,1]中；然后求取均值和标准差；最后将每个特征减去均值后再除以标准差，得到对应的各新的特征；7个新的特征组成的一个7维向量即为数据规格化后的特征向量；
S93、将步骤S92中获取到的数据规格化后的特征向量进行主成分分析得到各图像中各针孔降维后的特征向量；
步骤S9中得到各图像中各纹理降维后的特征向量的具体过程如下：
S94、提取出各图像中各纹理的灰度特征、几何特征和矩特征，然后从灰度特征、几何特征和矩特征中提取出平均灰度值、对比度、紧密度和四个仿射不变矩，由各图像中各纹理的平均灰度值、对比度、紧密度和四个仿射不变矩总共7个特征对应构成各图像中各针孔的一个7维向量；
S95、针对步骤S94获取到各图像中各纹理的7维向量中的7个特征分别进行数据规格化，具体为，首先将每个特征分别线性映射到[-1,1]中；然后求取均值和标准差；最后将每个特征减去均值后再除以标准差，得到对应的各新的特征；7个新的特征组成的一个7维向量即为数据规格化后的特征向量；
S96、将步骤S95中获取到的数据规格化后的特征向量进行主成分分析得到各图像中各纹理降维后的特征向量。
10.根据权利要求1所述的动力电池焊接质量检测方法，其特征在于，步骤S9中所使用的SVM分类器为Nu-SVM分类器，其中在Nu-SVM分类器中选择使用径向基核函数，参数γ大小为0.02，错分类误差Nu大小为0.05。
一种动力电池焊接质量检测方法
技术领域
[0001] 本发明涉及数字图像处理技术和模式识别技术领域，特别涉及一种动力电池焊接质量检测方法。
背景技术
[0002] 随着能源和环境问题的日益加剧，发展动力汽车已经成为世界范围的共识。动力电池作为动力汽车的储能装置，其安全性、稳定性直接影响动力汽车的使用。因此，其质量检测具有重要的意义。而传统的人工检测受到人的经验、心理和生理因素的影响，检测的准确性和可靠性得不到保障。而基于视觉的检测系统具有更高的精确性和稳定性，得到更加广泛的市场应用。
[0003] 动力电池软连接片是动力电池的一个重要的组成部分，其焊后质量检测包括焊缝长宽的检测、爆点的检测、针孔的检测。然而，金属焊接材质的高反光性、焊缝周围复杂的背景以及焊缝本身纹理的干扰会对质量检测造成很大的困难。因此，如何准确地从图像中分割出焊缝及瑕疵区域是检测的关键，也是后续识别和定量分析的基础。
[0004] 图像分割是把图像分成各具特性的区域并从中提取感兴趣目标的技术和过程，它是图像处理的重要环节。迄今为止，国内外学者已经提出多种分割方法，阈值分割、区域生长、分水岭算法等，都是经典的分割算法。但是，由于动力电池软连接片对比度不均匀、前景纹理复杂和背景干扰严重等问题，使得全局阈值算法很难将前景与背景分割开；局部阈值算法对灰度值差异又非常敏感，容易提取得到很多干扰区域；区域生长算法和分水岭算法分割结果会得到若干小块区域，区域的筛选与合并会增加算法的复杂度。因此，探索一种适用于动力电池焊后质量检测的方法具有重要意义。
[0005] 图像模式识别的主要目的是根据机器视觉获得的图像信息进行识别处理，对图像做出正确的判断。将产品不同种类的瑕疵准确识别并且归类，对产品质量的保证及后续工艺技术的改进都有重要意义。
发明内容
[0006] 本发明的目的在于克服现有技术的缺点与不足，提供一种动力电池焊接质量检测方法，该方法有效提高了焊缝分割的准确率和效率，同时也提高焊接瑕疵的识别率，能够得到较好的质量检测效果，尤其适用于焊缝图像对比度不均匀、前景纹理复杂和背景干扰严重等情况。
[0007] 本发明的目的通过下述技术方案实现：一种动力电池焊接质量检测方法，步骤如下：
[0008] S1、获取动力电池焊接后的原始图像；
[0009] S2、通过动态阈值方法从原始图像中提取出初步焊缝区域；
[0010] S3、对步骤S32中得到的初步焊缝区域求取最小外接矩形，得到第二焊缝区域；
[0011] S4、通过动态阈值方法从第二焊缝区域中提取出爆点区域；
[0012] S5、根据爆点区域的像素点个数判定是否有爆点；若是，则将初步焊缝区域与爆点区域合并得到整条焊缝区域，若否，则直接将初步焊缝区域作为整条焊缝区域；
[0013] S6、针对于步骤S5中得到的整条焊缝区域依次进行背景干扰去除和行程分析处理后得到最终焊缝区域；
[0014] S7、利用全局阈值方法从最终焊缝区域提取出候选针孔；
[0015] S8、提取出候选针孔的灰度特征、几何特征和矩特征，进行主成分分析得到候选针孔降维后的特征向量；
[0016] S9、将候选针孔降维后的特征向量作为测试样本输入至训练好的SVM分类器中进行分类，得到最终分类结果；其中SVM分类器的训练过程具体如下：获取已知针孔和纹理的动力电池焊接后的多幅图像，针对各图像中的各针孔分别对应选取出针孔的灰度特征、几何特征和矩特征，然后进行主成分分析得到各图像中各针孔降维后的特征向量；针对各图像中的各纹理分别对应选取出纹理的灰度特征、几何特征和矩特征，然后进行主成分分析得到各图像中各纹理降维后的特征向量；各图像中各针孔降维后的特征向量以及各图像中各纹理降维后的特征向量作为训练样本输入至SVM中，以对SVM进行训练，得到训练好的SVM分类器。
[0017] 优选的，步骤S2中通过动态阈值方法从原始图像中提取出初步焊缝区域的具体步骤如下：
[0018] S21、首先对步骤S1获取到的原始图像进行滤波处理，得原始图像滤波处理后的图像；
[0019] S22、分别获取到原始图像灰度值以及原始图像滤波处理后的图像灰度值，针对于原始图像和原始图像滤波处理后的图像中各相同位置处的像素点，将原始图像灰度值与原始图像滤波处理后的图像灰度值作比较，将原始图像中灰度值比原始图像滤波处理后的图像灰度值大第一偏移量的像素点取出，得到初步焊缝区域；具体为：
[0020]
[0021] 其中f(x,y)为原始图像灰度值；m(x,y)为原始图像滤波处理后的图像灰度值；(x,y)为像素点，原始图像的图像大小为X×Y；offset为第一偏移量；g1(x,y)为得到的初步焊缝区域。
[0022] 更进一步的，步骤S21中对原始图像进行均值滤波处理，得原始图像滤波处理后的图像；
[0023] 步骤S22中原始图像滤波处理后的图像灰度值m(x,y)为：
[0024]
[0025] 其中原始图像的大小为X×Y，S是以(x,y)像素点为中心的邻域的集合，又称掩膜，M是S内坐标点的总数，f(i,j)为原始图像在(i,j)像素点处的灰度值；
[0026] 所述第一偏移量offset为30；掩膜S的大小为80×80。
[0027] 优选的，步骤S4中通过动态阈值方法从第二焊缝区域中提取出爆点区域的具体过程如下：
[0028] S41、首先对第二焊缝区域进行滤波处理，得第二焊缝区域滤波处理后的图像；
[0029] S22、分别获取到第二焊缝区域灰度值以及第二焊缝区域滤波处理后的图像灰度值，针对于第二焊缝区域和第二焊缝区域滤波处理后的图像中各相同位置处的像素点，将第二焊缝区域灰度值与第二焊缝区域滤波处理后的图像灰度值作比较，将第二焊缝区域中灰度值比第二焊缝区域滤波处理后的图像灰度值小第二偏移量的像素点取出，得到爆点区域；具体为：
[0030]
[0031] y∈{0,1,2,......,Y′-1}；
[0032] 其中g'(x,y)为第二焊缝区域灰度值，m'(x,y)为第二焊缝区域滤波处理后的图像灰度值，(x,y)为像素点，第二焊缝区域的图像大小为X′×Y′；offset'为第二偏移量；g2(x,y)为得到的爆点区域。
[0033] 更进一步的，所述第二偏移量offset'为5。
[0034] 优选的，步骤S5中根据爆点区域的像素点个数判定是否有爆点；若爆点区域的像素点个数大于一定个数，则判定有爆点，否则判定无爆点。
[0035] 优选的，步骤S6中整条焊缝区域依次进行背景干扰去除和行程分析处理后得到最终焊缝区域的具体过程如下：
[0036] S61、选取圆形结构元素SE，对整条焊缝区域进行形态学开运算处理，得到背景干扰去除后的焊缝区域；
[0037] S62、针对步骤S61获取到的背景干扰去除后的焊缝区域进行行程分析处理，得到背景干扰去除后的焊缝区域中对应的所有行程，从所有行程中提取出行程长度超过行程阈值的行程，将这些行程并集后作为最终焊缝区域，得到最终焊缝区域R即为；
[0038]
[0039] 其中ri表示上述从所有行程中提取出的行程长度超过行程阈值的行程，n表示上述从所有行程中提取出的行程长度超过行程阈值的行程个数；LT为行程阈值；Li表示行程ri的行程长度；
[0040] 行程ri的行程长度Li即为行程ri中所包含的像素点个数，其为：
[0041]
[0042] 其中 为行程ri的结束列坐标， 为行程ri的起始列坐标。
[0043] 8、根据权利要求1所述的动力电池焊接质量检测方法，其特征在于，步骤S7中在最终焊缝区域上利用全局阈值方法从最终焊缝区域提取出候选针孔，具体为：
[0044]
[0045] 其中R'(x,y)为最终焊缝区域灰度值，T为将背景和针孔分开分割开的灰度阈值，r(x,y)为从最终焊缝区域提取出候选针孔。
[0046] 优选的，步骤S8中得到候选针孔降维后的特征向量的具体过程如下：
[0047] S81、提取出候选针孔的灰度特征、几何特征和矩特征，然后从候选针孔的灰度特征、几何特征和矩特征中提取出平均灰度值、对比度、紧密度和四个仿射不变矩，由平均灰度值、对比度、紧密度和四个仿射不变矩总共7个特征构成一个7维向量；
[0048] S82、针对步骤S81获取到的7维向量中的7个特征分别进行数据规格化，具体为：首先将每个特征分别线性映射到[-1,1]中；然后求取均值和标准差；最后将每个特征减去均值后再除以标准差，得到对应的各新的特征；7个新的特征组成的一个7维向量即为数据规格化后的特征向量；
[0049] S83、将步骤S82中获取到的数据规格化后的特征向量进行主成分分析得到候选针孔降维后的特征向量；
[0050] 步骤S9中得到各图像中各针孔降维后的特征向量的具体过程如下：
[0051] S91、提取出各图像中各针孔的灰度特征、几何特征和矩特征，然后从灰度特征、几何特征和矩特征中提取出平均灰度值、对比度、紧密度和四个仿射不变矩，由各图像中各针孔的平均灰度值、对比度、紧密度和四个仿射不变矩总共7个特征对应构成各图像中各针孔的一个7维向量；
[0052] S92、针对步骤S91获取到各图像中各针孔的7维向量中的7个特征分别进行数据规格化，具体为，首先将每个特征分别线性映射到[-1,1]中；然后求取均值和标准差；最后将每个特征减去均值后再除以标准差，得到对应的各新的特征；7个新的特征组成的一个7维向量即为数据规格化后的特征向量；
[0053] S93、将步骤S92中获取到的数据规格化后的特征向量进行主成分分析得到各图像中各针孔降维后的特征向量；
[0054] 步骤S9中得到各图像中各纹理降维后的特征向量的具体过程如下：
[0055] S94、提取出各图像中各纹理的灰度特征、几何特征和矩特征，然后从灰度特征、几何特征和矩特征中提取出平均灰度值、对比度、紧密度和四个仿射不变矩，由各图像中各纹理的平均灰度值、对比度、紧密度和四个仿射不变矩总共7个特征对应构成各图像中各针孔的一个7维向量；
[0056] S95、针对步骤S94获取到各图像中各纹理的7维向量中的7个特征分别进行数据规格化，具体为，首先将每个特征分别线性映射到[-1,1]中；然后求取均值和标准差；最后将每个特征减去均值后再除以标准差，得到对应的各新的特征；7个新的特征组成的一个7维向量即为数据规格化后的特征向量；
[0057] S96、将步骤S95中获取到的数据规格化后的特征向量进行主成分分析得到各图像中各纹理降维后的特征向量。
[0058] 优选的，步骤S9中所使用的SVM分类器为Nu-SVM分类器，其中在Nu-SVM分类器中选择使用径向基核函数，参数γ大小为0.02，错分类误差Nu大小为0.05。
[0059] 本发明相对于现有技术具有如下的优点及效果：
[0060] (1)本发明动力电池焊接质量检测方法针对于获取到的动力电池焊接后的原始图像首先通过动态阈值从中提取出初步焊缝区域，针对初步焊缝区域求取最小外接矩形得到第二焊缝区域；然后通过动态阈值从第二焊缝区域中提取出爆点区域，根据爆点区域像素点个数判定是否有爆点；当存在爆点时，将初步焊缝区域与爆点区域合并得到整条焊缝区域，当不存在爆点时，直接将初步焊缝区域作为整条焊缝区域；接着将整条焊缝区域依次进行背景干扰去除和行程分析处理后得到最终焊缝区域，利用全局阈值从最终焊缝区域提取出候选针孔，并且提取出候选针孔的灰度特征、几何特征和矩特征，然后进行主成分分析得到候选针孔降维后的特征向量；最后将候选针孔降维后的特征向量作为测试样本输入至SVM分类器中进行分类，得到最终分类结果，其中SVM分类器为通过纹理降维后的特征向量以及针孔降维后的特征向量训练得到的。本发明将混合阈值、行程分析处理、主成分分析以及SVM分类器相融合，采用动态阈值和全局阈值相结合的方式分割出焊缝区域和候选针孔，避免了单一阈值算法分割的不足；对于候选针孔，通过已知纹理和针孔的图像训练样本训练的SVM分类器进行分类，避免了焊缝前景纹理对针孔识别的干扰。本发明有效提高了焊缝分割的准确率和效率，同时也提高焊接瑕疵的识别率，能够得到较好的质量检测效果，尤其适用于焊缝图像对比度不均匀、前景纹理复杂和背景干扰严重等情况。
[0061] (2)本发明方法中最终焊缝区域是在背景干扰消除以及行程分析处理后得到的，本发明通过背景干扰消除能够有效避免了复杂背景对瑕疵的提取和识别造成的影响，本发明通过行程分析处理能够将行程长度小于行程阈值的行程消除掉，因此能够去除焊缝区域波浪式的起伏，进而得到较为准确的焊缝区域边缘，进一步提高动力电池焊接质量检测的准确性。
附图说明
[0062] 图1是本发明方法流程图。
[0063] 图2a是本发明方法获取到的动力电池焊接后的原始图像。
[0064] 图2b是本发明方法中获取到的爆点区域二值化后的图像。
[0065] 图2c是本发明方法中获取到的最终焊缝区域二值化后的图像。
[0066] 图2d是本发明方法中从最终焊缝区域提取出的候选针孔二值化后的图像。
[0067] 图2e是本发明方法中SVM分类器最终识别出的针孔二值化后的图像。
具体实施方式
[0068] 下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
[0069] 实施例
[0070] 本实施例公开了一种动力电池焊接质量检测方法，如图1所示，步骤如下：
[0071] S1、获取动力电池焊接后的原始图像，如图2a所示；
[0072] S2、通过动态阈值方法从原始图像中提取出初步焊缝区域；具体过程如下：
[0073] S21、首先对步骤S1获取到的原始图像进行滤波处理，得原始图像滤波处理后的图像；在本实施例中对原始图像进行滤波处理时采用的是均值滤波处理方法，当然也可以是其他的滤波处理方法。
[0074] S22、分别获取到原始图像灰度值以及原始图像滤波处理后的图像灰度值，针对于原始图像和原始图像滤波处理后的图像中各相同位置处的像素点，将原始图像灰度值与原始图像滤波处理后的图像灰度值作比较，将原始图像中灰度值比原始图像滤波处理后的图像灰度值大第一偏移量的像素点取出，得到初步焊缝区域；具体为：
[0075]
[0076] 其中f(x,y)为原始图像灰度值；m(x,y)为原始图像滤波处理后的图像灰度值；(x,y)为像素点，原始图像的图像大小为X×Y；offset为第一偏移量，在实施例中第一偏移量offset为30；g1(x,y)为得到的初步焊缝区域。
[0077] 其中本步骤中原始图像滤波处理后的图像灰度值m(x，y)为：
[0078]
[0079] 其中原始图像的大小为X×Y，S是以(x,y)像素点为中心的邻域的集合，又称掩膜，在本实施例中掩膜S的大小为80×80，M是掩膜S内坐标点的总数，f(i,j)为原始图像在(i,j)像素点处的灰度值。
[0080] S3、对步骤S32中得到的初步焊缝区域g1(x,y)求取最小外接矩形，得到第二焊缝区域；
[0081] S4、通过动态阈值方法从第二焊缝区域中提取出爆点区域，当原始图像为图2a时，本实施例中获取到的爆点区域二值化后的图如图2b所示；具体如下：
[0082] S41、首先对第二焊缝区域进行滤波处理，得第二焊缝区域滤波处理后的图像；在本实施例中对第二焊缝区域进行滤波处理时采用的是均值滤波处理方法；
[0083] S22、分别获取到第二焊缝区域灰度值以及第二焊缝区域滤波处理后的图像灰度值，针对于第二焊缝区域和第二焊缝区域滤波处理后的图像中各相同位置处的像素点，将第二焊缝区域灰度值与第二焊缝区域滤波处理后的图像灰度值作比较，将第二焊缝区域中灰度值比第二焊缝区域滤波处理后的图像灰度值小第二偏移量的像素点取出，得到爆点区域；具体为：
[0084]
[0085] y∈{0,1,2,......,Y′-1}；
[0086] 其中g'(x,y)为第二焊缝区域灰度值，m'(x,y)为第二焊缝区域滤波处理后的图像灰度值，(x,y)为像素点，第二焊缝区域的图像大小为X′×Y′；offset'为第二偏移量，在本实施例中第二偏移量offset'为5；g2(x,y)为得到的爆点区域。
[0087] S5、根据爆点区域g2(x,y)的像素点个数判定是否有爆点，在本实施例中判断定爆点区域g2(x,y)的像素点个数是否超过300个，当爆点区域g2(x,y)中像素点个数超过300，则判定有爆点，否则判断无爆点；
[0088] 若是，则将初步焊缝区域g1(x,y)与爆点区域g2(x,y)合并得到整条焊缝区域g3(x,y)，若否，则直接将初步焊缝区域g1(x,y)作为整条焊缝区域g3(x,y)；
[0089] S6、针对于步骤S5中得到的整条焊缝区域g3(x,y)依次进行背景干扰去除和行程分析处理后得到最终焊缝区域g4(x,y)；具体过程如下：
[0090] S61、选取圆形结构元素SE，对整条焊缝区域进行形态学开运算处理，得到背景干扰去除后的焊缝区域；在本实施例中选取的圆形结构元素SE的大小为10×10。
[0091] S62、针对步骤S61获取到的背景干扰去除后的焊缝区域进行行程分析处理，得到背景干扰去除后的焊缝区域中对应的所有行程，从所有行程中提取出行程长度超过行程阈值的行程，将这些行程并集后作为最终焊缝区域，当原始图像为图2a时，本实施例中最终焊缝区域二值化后的图像如图2c所示，得到最终焊缝区域R即为；
[0092]
[0093] 其中ri表示上述从所有行程中提取出的行程长度超过行程阈值的行程，n表示上述从所有行程中提取出的行程长度超过行程阈值的行程个数；LT为行程阈值，本实施例中行程阈值LT为30；Li表示行程ri的行程长度；
[0094] 行程ri的行程长度Li即为行程ri中所包含的像素点个数，其为：
[0095]
[0096] 其中 为行程ri的结束列坐标， 为行程ri的起始列坐标。
[0097] S7、利用全局阈值方法从最终焊缝区域提取出针孔，将提取出的针孔作为候选针孔，当原始图像为图2a时，本实施例中最终焊缝区域提取出的候选针孔二值化后的图像如图2d所示；具体为：
[0098]
[0099] 其中R'(x,y)为最终焊缝区域灰度值，T为将背景和针孔分开分割开的灰度阈值，在本实施例中T的取值为90；r(x,y)为从最终焊缝区域提取出候选针孔。
[0100] S8、提取出候选针孔的灰度特征、几何特征和矩特征，进行主成分分析得到候选针孔降维后的特征向量；具体如下：
[0101] S81、提取出候选针孔的灰度特征、几何特征和矩特征，然后从候选针孔的灰度特征、几何特征和矩特征中提取出平均灰度值、对比度、紧密度和四个仿射不变矩，由平均灰度值、对比度、紧密度和四个仿射不变矩总共7个特征构成一个7维向量；
[0102] S82、针对步骤S81获取到的7维向量中的7个特征分别进行数据规格化，具体为，首先将每个特征分别线性映射到[-1,1]中；然后求取均值和标准差；最后将每个特征减去均值后再除以标准差，得到对应的各新的特征；7个新的特征组成的一个7维向量即为数据规格化后的特征向量；
[0103] S83、将步骤S82中获取到的数据规格化后的特征向量进行主成分分析得到候选针孔降维后的特征向量。
[0104] S9、将候选针孔降维后的特征向量作为测试样本输入至训练好的SVM分类器中进行分类，得到最终分类结果，当原始图像为图2a时，本实施例中SVM分类器识别出的针孔二值化后的图像如图2e所示；其中SVM分类器的训练过程具体如下：获取已知针孔和纹理的动力电池焊接后的多幅图像，针对各图像中的各针孔分别对应选取出针孔的灰度特征、几何特征和矩特征，然后进行主成分分析得到各图像中各针孔降维后的特征向量；针对各图像中的各纹理分别对应选取出纹理的灰度特征、几何特征和矩特征，然后进行主成分分析得到各图像中各纹理降维后的特征向量；各图像中各针孔降维后的特征向量以及各图像中各纹理降维后的特征向量作为训练样本输入至SVM中，以对SVM进行训练，得到训练好的SVM分类器。
[0105] 本实施例上述步骤S9中在训练SVM分类器时，随机选取已知针孔和纹理的动力电池焊接后的15幅图像，其中这15幅图像包括29个针孔和19个纹理。
[0106] 本实施例上述步骤S9中得到各图像中各针孔降维后的特征向量的具体过程如下：
[0107] S91、提取出各图像中各针孔的灰度特征、几何特征和矩特征，然后从灰度特征、几何特征和矩特征中提取出平均灰度值、对比度、紧密度和四个仿射不变矩，由各图像中各针孔的平均灰度值、对比度、紧密度和四个仿射不变矩总共7个特征对应构成各图像中各针孔的一个7维向量；
[0108] S92、针对步骤S91获取到各图像中各针孔的7维向量中的7个特征分别进行数据规格化，具体为，首先将每个特征分别线性映射到[-1,1]中；然后求取均值和标准差；最后将每个特征减去均值后再除以标准差，得到对应的各新的特征；7个新的特征组成的一个7维向量即为数据规格化后的特征向量；
[0109] S93、将步骤S92中获取到的数据规格化后的特征向量进行主成分分析得到各图像中各针孔降维后的特征向量；
[0110] 本实施例步骤S9中得到各图像中各纹理降维后的特征向量的具体过程如下：
[0111] S94、提取出各图像中各纹理的灰度特征、几何特征和矩特征，然后从灰度特征、几何特征和矩特征中提取出平均灰度值、对比度、紧密度和四个仿射不变矩，由各图像中各纹理的平均灰度值、对比度、紧密度和四个仿射不变矩总共7个特征对应构成各图像中各针孔的一个7维向量；
[0112] S95、针对步骤S94获取到各图像中各纹理的7维向量中的7个特征分别进行数据规格化，具体为，首先将每个特征分别线性映射到[-1,1]中；然后求取均值和标准差；最后将每个特征减去均值后再除以标准差，得到对应的各新的特征；7个新的特征组成的一个7维向量即为数据规格化后的特征向量；
[0113] S96、将步骤S95中获取到的数据规格化后的特征向量进行主成分分析得到各图像中各纹理降维后的特征向量。
[0114] 在本实施例中所使用的SVM分类器为Nu-SVM分类器(错分类误差SVM分类器)，其中在Nu-SVM分类器中选择使用径向基核函数，参数γ大小为0.02，错分类误差Nu大小为0.05。
[0115] 获取40幅动力电池焊接后的原始图像，这些原始图像中总共包括67个针孔和46个纹理，通过本实施例上述方式针对40幅动力电池焊接后的原始图像进行检测时，通过本实施例SVM分类器检测分类得到的召回率、精度和F值如下表1所示：
[0116] 表1
[0117]
[0118] 由表1中可以可知，本实施例检测方法召回率和精度都在90％以上，从工业生产角度来讲，可以很好地保证产品的漏检率和误检率。
[0119] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
