[发明专利]基于机器视觉的焊点缺陷检测方法

权利要求书

1.一种基于机器视觉的焊点缺陷检测方法，其特征在于，包括如下流程步骤：

步骤S110：对合格标准件进行三维模型重建，提取合格焊点的三维信息；

步骤S120：获取测试件的若干幅焊点图像并进行多曝光图像融合；

步骤S130：对融合的图像进行预处理，消除噪声和干扰，获得焊点特征图像；

步骤S140：利用极限学习机对所述焊点特征图像进行学习分类，得到不合格焊点；

步骤S150：对所述不合格焊点进行三维模型重建，提取所述不合格焊点的三维信息；

步骤S160：将所述不合格焊点的三维信息与所述合格焊点的三维信息进行比对，实现缺陷焊点的缺陷分析和分类。

2.根据权利要求1所述的基于机器视觉的焊点缺陷检测方法，其特征在于，对合格标准件进行三维模型重建，提取合格焊点的三维信息包括：

步骤S111：通过调整相机位置获取多幅图像序列并融合为一个多通道图像；

步骤S112：对所述多通道图像的灰度值进行高通滤波，提取频域强度值；

步骤S113：对高通滤波后的多通道图像数据进行三维拟合，获得每个像素点的深度值，构建焊点深度图；

步骤S114：使用三角片法对焊点深度图进行邻域像素点灰度值匹配，重建三维表面的纹理信息，累加得到三维表面重建模型，记录标准件的平面以及高度信息值。

3.根据权利要求2所述的基于机器视觉的焊点缺陷检测方法，其特征在于，所述获取测试件的若干幅焊点图像并进行多曝光图像融合包括：

以对比度、饱和度及亮度为因子确定作为融合源图像的若干幅焊点图像的贡献权重值，并对所述贡献权重值进行递归滤波，再与所述源图像进行加权平均，获得融合图像。

4.根据权利要求3所述的基于机器视觉的焊点缺陷检测方法，其特征在于，所述利用极限学习机对所述焊点特征图像进行学习分类，得到不合格焊点包括：

对融合后的焊点特征图像进行主成分分析，得到降维数据，利用极限学习机对降维数据完成学习训练。

5.根据权利要求4所述的基于机器视觉的焊点缺陷检测方法，其特征在于，所述对所述不合格焊点进行三维模型重建，提取所述不合格焊点的三维信息包括：

步骤S151：获取多幅不合格焊点的图像序列并融合为一个多通道图像；

步骤S152：对所述多通道图像的灰度值进行高通滤波，提取频域强度值；

步骤S153：对高通滤波后的多通道图像数据进行三维拟合，获得每个像素点的深度值，构建不合格焊点深度图；

步骤S154：使用三角片法对所述不合格焊点深度图进行邻域像素点灰度值匹配，重建三维表面的纹理信息，累加得到不合格焊点三维重建模型，记录不合格焊点的三维信息。