[发明专利]基于SSD和GLCM的焊接气孔目标检测方法

说明书

本发明提供了一种基于SSD和GLCM的焊接气孔目标检测方法，在SSD模型提供的候选气孔区域的检测结果之后，再增加一个基于灰度共生矩阵(GLCM)的纹理特征判定器，通过：实时读取待检测图像；使用训练好的SSD模型对所述待检测图像进行气孔目标检测，得到候选气孔区域；对所述候选气孔区域分别进行GLCM特征提取，得到特征集合f_m；对所述特征集合f_m进行校验，通过校验的即为所述True Positive气孔区域。从而筛选出候选气孔区域中哪些是真正具有气孔的True Positive气孔区域，哪些是模型误识别为“气孔”的False Positive气孔区域，并将SSD模型识别出的False Positve气孔区域的过滤掉，只输出True Positive气孔区域，在实现实时检测目标焊接气孔的同时，提高了结果的准确率。

技术领域

本发明属于工业视觉检测与图像处理领域，具体涉及对工业焊接领域中常出现的焊接气孔的目标检测。

背景技术

在工业焊接过程中，经常由于工件不清洁，或是保护气体纯度不足等原因，导致焊缝表面或者内部形成气孔。气孔的存在使得焊缝有效截面减少、机械强度下降，因此工厂检测到大面积气孔后，会打磨掉整条焊缝，进行人工补焊。为了及时监测到大面积气孔的产生，减少不必要的返工，很多科学家和技术专家都在尝试使用计算机视觉，达到气孔检测的目的。

气孔，在焊缝冷却的过程中形成，会表现出比周围区域温度偏高的特点(如附图1所示)，该温度的变化，可以被红外热像仪捕捉到。相比较普通的摄像机，红外热像仪可以检测到物体表面的温度，并将温度变化显示在图像中。从红外热成像中标出气孔位置，这是一个目标检测问题。

当前比较流行的目标检测算法可以分为两类，一类是two-stage的R-CNN模型，速度慢但是精度高，另一类是one-stage的Yolo和SSD模型，这类模型速度快但是准确性低。为了实现对焊缝的热成像图片中的气孔进行实时检测的目标，SSD模型是我们的首选，但是在使用该模型对焊缝中的气孔这种单类别、小物体进行目标检测时发现，在没有目标存在的图像上，SSD模型依然给出了很多False Positive的检测结果，即将无气孔的区域误识别为有气孔的区域。这是由以下两个原因造成的：a.焊缝中的气孔本身在热成像图片中边界较为模糊；b.SSD模型强调的是对目标物体的学习，无法学习无目标存在的情况，导致了上述的误报情况。而气孔的目标检测需要低误报率，因此降低目标检测模型的误报率，成为了一个技术难点。

发明内容

为了克服上述问题，本发明提供了一种基于SSD和GLCM的焊接气孔目标检测方法，在SSD模型提供的候选气孔区域的检测结果之后，再增加一个基于灰度共生矩阵(GLCM)的纹理特征判定器，对所述特征值分别进行GLCM特征校验，过滤掉所述候选气孔区域中不符合条件的气孔区域，得到修正后的气孔检测结果，在实现实时检测目标焊接气孔的同时，提高了结果的准确率。

本发明采用的技术方案如下：

第一方面，本发明提供了一种基于SSD和GLCM的焊接气孔目标检测方法，包括以下步骤：

S1.1：读取图像；

实时读取待检测焊缝的红外热成像图片，记为待检测图像；

S1.2：目标检测；

使用SSD模型对所述待检测图像进行气孔目标检测，得到候选气孔区域；

S1.3：提取特征；

对所述候选气孔区域分别进行GLCM特征提取，每个候选气孔区域提取的特征值不少于2个；

S1.4：修正结果；

对所述特征值分别进行GLCM特征校验，过滤掉所述候选气孔区域中未通过校验的气孔区域，得到修正后的气孔检测结果。