本發(fā)明涉及數(shù)字圖像處理技術(shù)和模式識別技術(shù)領(lǐng)域，特別涉及一種動力電池焊接質(zhì)量檢測方法。

背景技術(shù)：

隨著能源和環(huán)境問題的日益加劇，發(fā)展動力汽車已經(jīng)成為世界范圍的共識。動力電池作為動力汽車的儲能裝置，其安全性、穩(wěn)定性直接影響動力汽車的使用。因此，其質(zhì)量檢測具有重要的意義。而傳統(tǒng)的人工檢測受到人的經(jīng)驗、心理和生理因素的影響，檢測的準(zhǔn)確性和可靠性得不到保障。而基于視覺的檢測系統(tǒng)具有更高的精確性和穩(wěn)定性，得到更加廣泛的市場應(yīng)用。

動力電池軟連接片是動力電池的一個重要的組成部分，其焊后質(zhì)量檢測包括焊縫長寬的檢測、爆點的檢測、針孔的檢測。然而，金屬焊接材質(zhì)的高反光性、焊縫周圍復(fù)雜的背景以及焊縫本身紋理的干擾會對質(zhì)量檢測造成很大的困難。因此，如何準(zhǔn)確地從圖像中分割出焊縫及瑕疵區(qū)域是檢測的關(guān)鍵，也是后續(xù)識別和定量分析的基礎(chǔ)。

圖像分割是把圖像分成各具特性的區(qū)域并從中提取感興趣目標(biāo)的技術(shù)和過程，它是圖像處理的重要環(huán)節(jié)。迄今為止，國內(nèi)外學(xué)者已經(jīng)提出多種分割方法，閾值分割、區(qū)域生長、分水嶺算法等，都是經(jīng)典的分割算法。但是，由于動力電池軟連接片對比度不均勻、前景紋理復(fù)雜和背景干擾嚴(yán)重等問題，使得全局閾值算法很難將前景與背景分割開；局部閾值算法對灰度值差異又非常敏感，容易提取得到很多干擾區(qū)域；區(qū)域生長算法和分水嶺算法分割結(jié)果會得到若干小塊區(qū)域，區(qū)域的篩選與合并會增加算法的復(fù)雜度。因此，探索一種適用于動力電池焊后質(zhì)量檢測的方法具有重要意義。

圖像模式識別的主要目的是根據(jù)機器視覺獲得的圖像信息進行識別處理，對圖像做出正確的判斷。將產(chǎn)品不同種類的瑕疵準(zhǔn)確識別并且歸類，對產(chǎn)品質(zhì)量的保證及后續(xù)工藝技術(shù)的改進都有重要意義。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供一種動力電池焊接質(zhì)量檢測方法，該方法有效提高了焊縫分割的準(zhǔn)確率和效率，同時也提高焊接瑕疵的識別率，能夠得到較好的質(zhì)量檢測效果，尤其適用于焊縫圖像對比度不均勻、前景紋理復(fù)雜和背景干擾嚴(yán)重等情況。

本發(fā)明的目的通過下述技術(shù)方案實現(xiàn)：一種動力電池焊接質(zhì)量檢測方法，步驟如下：

s1、獲取動力電池焊接后的原始圖像；

s2、通過動態(tài)閾值方法從原始圖像中提取出初步焊縫區(qū)域；

s3、對步驟s32中得到的初步焊縫區(qū)域求取最小外接矩形，得到第二焊縫區(qū)域；

s4、通過動態(tài)閾值方法從第二焊縫區(qū)域中提取出爆點區(qū)域；

s5、根據(jù)爆點區(qū)域的像素點個數(shù)判定是否有爆點；若是，則將初步焊縫區(qū)域與爆點區(qū)域合并得到整條焊縫區(qū)域，若否，則直接將初步焊縫區(qū)域作為整條焊縫區(qū)域；

s6、針對于步驟s5中得到的整條焊縫區(qū)域依次進行背景干擾去除和行程分析處理后得到最終焊縫區(qū)域；

s7、利用全局閾值方法從最終焊縫區(qū)域提取出候選針孔；

s8、提取出候選針孔的灰度特征、幾何特征和矩特征，進行主成分分析得到候選針孔降維后的特征向量；

s9、將候選針孔降維后的特征向量作為測試樣本輸入至訓(xùn)練好的svm分類器中進行分類，得到最終分類結(jié)果；其中svm分類器的訓(xùn)練過程具體如下：獲取已知針孔和紋理的動力電池焊接后的多幅圖像，針對各圖像中的各針孔分別對應(yīng)選取出針孔的灰度特征、幾何特征和矩特征，然后進行主成分分析得到各圖像中各針孔降維后的特征向量；針對各圖像中的各紋理分別對應(yīng)選取出紋理的灰度特征、幾何特征和矩特征，然后進行主成分分析得到各圖像中各紋理降維后的特征向量；各圖像中各針孔降維后的特征向量以及各圖像中各紋理降維后的特征向量作為訓(xùn)練樣本輸入至svm中，以對svm進行訓(xùn)練，得到訓(xùn)練好的svm分類器。

優(yōu)選的，步驟s2中通過動態(tài)閾值方法從原始圖像中提取出初步焊縫區(qū)域的具體步驟如下：

s21、首先對步驟s1獲取到的原始圖像進行濾波處理，得原始圖像濾波處理后的圖像；

s22、分別獲取到原始圖像灰度值以及原始圖像濾波處理后的圖像灰度值，針對于原始圖像和原始圖像濾波處理后的圖像中各相同位置處的像素點，將原始圖像灰度值與原始圖像濾波處理后的圖像灰度值作比較，將原始圖像中灰度值比原始圖像濾波處理后的圖像灰度值大第一偏移量的像素點取出，得到初步焊縫區(qū)域；具體為：

其中f(x,y)為原始圖像灰度值；m(x,y)為原始圖像濾波處理后的圖像灰度值；(x,y)為像素點，原始圖像的圖像大小為x×y；offset為第一偏移量；g1(x,y)為得到的初步焊縫區(qū)域。

更進一步的，步驟s21中對原始圖像進行均值濾波處理，得原始圖像濾波處理后的圖像；

步驟s22中原始圖像濾波處理后的圖像灰度值m(x,y)為：

其中原始圖像的大小為x×y，s是以(x,y)像素點為中心的鄰域的集合，又稱掩膜，m是s內(nèi)坐標(biāo)點的總數(shù)，f(i,j)為原始圖像在(i,j)像素點處的灰度值；

所述第一偏移量offset為30；掩膜s的大小為80×80。

優(yōu)選的，步驟s4中通過動態(tài)閾值方法從第二焊縫區(qū)域中提取出爆點區(qū)域的具體過程如下：

s41、首先對第二焊縫區(qū)域進行濾波處理，得第二焊縫區(qū)域濾波處理后的圖像；

s22、分別獲取到第二焊縫區(qū)域灰度值以及第二焊縫區(qū)域濾波處理后的圖像灰度值，針對于第二焊縫區(qū)域和第二焊縫區(qū)域濾波處理后的圖像中各相同位置處的像素點，將第二焊縫區(qū)域灰度值與第二焊縫區(qū)域濾波處理后的圖像灰度值作比較，將第二焊縫區(qū)域中灰度值比第二焊縫區(qū)域濾波處理后的圖像灰度值小第二偏移量的像素點取出，得到爆點區(qū)域；具體為：

y∈{0,1,2,......,y′-1}；

其中g(shù)'(x,y)為第二焊縫區(qū)域灰度值，m'(x,y)為第二焊縫區(qū)域濾波處理后的圖像灰度值，(x,y)為像素點，第二焊縫區(qū)域的圖像大小為x′×y′；offset'為第二偏移量；g2(x,y)為得到的爆點區(qū)域。

更進一步的，所述第二偏移量offset'為5。

優(yōu)選的，步驟s5中根據(jù)爆點區(qū)域的像素點個數(shù)判定是否有爆點；若爆點區(qū)域的像素點個數(shù)大于一定個數(shù)，則判定有爆點，否則判定無爆點。

優(yōu)選的，步驟s6中整條焊縫區(qū)域依次進行背景干擾去除和行程分析處理后得到最終焊縫區(qū)域的具體過程如下：

s61、選取圓形結(jié)構(gòu)元素se，對整條焊縫區(qū)域進行形態(tài)學(xué)開運算處理，得到背景干擾去除后的焊縫區(qū)域；

s62、針對步驟s61獲取到的背景干擾去除后的焊縫區(qū)域進行行程分析處理，得到背景干擾去除后的焊縫區(qū)域中對應(yīng)的所有行程，從所有行程中提取出行程長度超過行程閾值的行程，將這些行程并集后作為最終焊縫區(qū)域，得到最終焊縫區(qū)域r即為；

其中ri表示上述從所有行程中提取出的行程長度超過行程閾值的行程，n表示上述從所有行程中提取出的行程長度超過行程閾值的行程個數(shù)；lt為行程閾值；li表示行程ri的行程長度；

行程ri的行程長度li即為行程ri中所包含的像素點個數(shù)，其為：

其中為行程ri的結(jié)束列坐標(biāo)，為行程ri的起始列坐標(biāo)。

8、根據(jù)權(quán)利要求1所述的動力電池焊接質(zhì)量檢測方法，其特征在于，步驟s7中在最終焊縫區(qū)域上利用全局閾值方法從最終焊縫區(qū)域提取出候選針孔，具體為：

其中r'(x,y)為最終焊縫區(qū)域灰度值，t為將背景和針孔分開分割開的灰度閾值，r(x,y)為從最終焊縫區(qū)域提取出候選針孔。

優(yōu)選的，步驟s8中得到候選針孔降維后的特征向量的具體過程如下：

s81、提取出候選針孔的灰度特征、幾何特征和矩特征，然后從候選針孔的灰度特征、幾何特征和矩特征中提取出平均灰度值、對比度、緊密度和四個仿射不變矩，由平均灰度值、對比度、緊密度和四個仿射不變矩總共7個特征構(gòu)成一個7維向量；

s82、針對步驟s81獲取到的7維向量中的7個特征分別進行數(shù)據(jù)規(guī)格化，具體為：首先將每個特征分別線性映射到[-1,1]中；然后求取均值和標(biāo)準(zhǔn)差；最后將每個特征減去均值后再除以標(biāo)準(zhǔn)差，得到對應(yīng)的各新的特征；7個新的特征組成的一個7維向量即為數(shù)據(jù)規(guī)格化后的特征向量；

s83、將步驟s82中獲取到的數(shù)據(jù)規(guī)格化后的特征向量進行主成分分析得到候選針孔降維后的特征向量；

步驟s9中得到各圖像中各針孔降維后的特征向量的具體過程如下：

s91、提取出各圖像中各針孔的灰度特征、幾何特征和矩特征，然后從灰度特征、幾何特征和矩特征中提取出平均灰度值、對比度、緊密度和四個仿射不變矩，由各圖像中各針孔的平均灰度值、對比度、緊密度和四個仿射不變矩總共7個特征對應(yīng)構(gòu)成各圖像中各針孔的一個7維向量；

s92、針對步驟s91獲取到各圖像中各針孔的7維向量中的7個特征分別進行數(shù)據(jù)規(guī)格化，具體為，首先將每個特征分別線性映射到[-1,1]中；然后求取均值和標(biāo)準(zhǔn)差；最后將每個特征減去均值后再除以標(biāo)準(zhǔn)差，得到對應(yīng)的各新的特征；7個新的特征組成的一個7維向量即為數(shù)據(jù)規(guī)格化后的特征向量；

s93、將步驟s92中獲取到的數(shù)據(jù)規(guī)格化后的特征向量進行主成分分析得到各圖像中各針孔降維后的特征向量；

步驟s9中得到各圖像中各紋理降維后的特征向量的具體過程如下：

s94、提取出各圖像中各紋理的灰度特征、幾何特征和矩特征，然后從灰度特征、幾何特征和矩特征中提取出平均灰度值、對比度、緊密度和四個仿射不變矩，由各圖像中各紋理的平均灰度值、對比度、緊密度和四個仿射不變矩總共7個特征對應(yīng)構(gòu)成各圖像中各針孔的一個7維向量；

s95、針對步驟s94獲取到各圖像中各紋理的7維向量中的7個特征分別進行數(shù)據(jù)規(guī)格化，具體為，首先將每個特征分別線性映射到[-1,1]中；然后求取均值和標(biāo)準(zhǔn)差；最后將每個特征減去均值后再除以標(biāo)準(zhǔn)差，得到對應(yīng)的各新的特征；7個新的特征組成的一個7維向量即為數(shù)據(jù)規(guī)格化后的特征向量；

s96、將步驟s95中獲取到的數(shù)據(jù)規(guī)格化后的特征向量進行主成分分析得到各圖像中各紋理降維后的特征向量。

優(yōu)選的，步驟s9中所使用的svm分類器為nu-svm分類器，其中在nu-svm分類器中選擇使用徑向基核函數(shù)，參數(shù)γ大小為0.02，錯分類誤差nu大小為0.05。

本發(fā)明相對于現(xiàn)有技術(shù)具有如下的優(yōu)點及效果：

(1)本發(fā)明動力電池焊接質(zhì)量檢測方法針對于獲取到的動力電池焊接后的原始圖像首先通過動態(tài)閾值從中提取出初步焊縫區(qū)域，針對初步焊縫區(qū)域求取最小外接矩形得到第二焊縫區(qū)域；然后通過動態(tài)閾值從第二焊縫區(qū)域中提取出爆點區(qū)域，根據(jù)爆點區(qū)域像素點個數(shù)判定是否有爆點；當(dāng)存在爆點時，將初步焊縫區(qū)域與爆點區(qū)域合并得到整條焊縫區(qū)域，當(dāng)不存在爆點時，直接將初步焊縫區(qū)域作為整條焊縫區(qū)域；接著將整條焊縫區(qū)域依次進行背景干擾去除和行程分析處理后得到最終焊縫區(qū)域，利用全局閾值從最終焊縫區(qū)域提取出候選針孔，并且提取出候選針孔的灰度特征、幾何特征和矩特征，然后進行主成分分析得到候選針孔降維后的特征向量；最后將候選針孔降維后的特征向量作為測試樣本輸入至svm分類器中進行分類，得到最終分類結(jié)果，其中svm分類器為通過紋理降維后的特征向量以及針孔降維后的特征向量訓(xùn)練得到的。本發(fā)明將混合閾值、行程分析處理、主成分分析以及svm分類器相融合，采用動態(tài)閾值和全局閾值相結(jié)合的方式分割出焊縫區(qū)域和候選針孔，避免了單一閾值算法分割的不足；對于候選針孔，通過已知紋理和針孔的圖像訓(xùn)練樣本訓(xùn)練的svm分類器進行分類，避免了焊縫前景紋理對針孔識別的干擾。本發(fā)明有效提高了焊縫分割的準(zhǔn)確率和效率，同時也提高焊接瑕疵的識別率，能夠得到較好的質(zhì)量檢測效果，尤其適用于焊縫圖像對比度不均勻、前景紋理復(fù)雜和背景干擾嚴(yán)重等情況。

(2)本發(fā)明方法中最終焊縫區(qū)域是在背景干擾消除以及行程分析處理后得到的，本發(fā)明通過背景干擾消除能夠有效避免了復(fù)雜背景對瑕疵的提取和識別造成的影響，本發(fā)明通過行程分析處理能夠?qū)⑿谐涕L度小于行程閾值的行程消除掉，因此能夠去除焊縫區(qū)域波浪式的起伏，進而得到較為準(zhǔn)確的焊縫區(qū)域邊緣，進一步提高動力電池焊接質(zhì)量檢測的準(zhǔn)確性。

附圖說明

圖1是本發(fā)明方法流程圖。

圖2a是本發(fā)明方法獲取到的動力電池焊接后的原始圖像。

圖2b是本發(fā)明方法中獲取到的爆點區(qū)域二值化后的圖像。

圖2c是本發(fā)明方法中獲取到的最終焊縫區(qū)域二值化后的圖像。

圖2d是本發(fā)明方法中從最終焊縫區(qū)域提取出的候選針孔二值化后的圖像。

圖2e是本發(fā)明方法中svm分類器最終識別出的針孔二值化后的圖像。

具體實施方式

下面結(jié)合實施例及附圖對本發(fā)明作進一步詳細(xì)的描述，但本發(fā)明的實施方式不限于此。

實施例

本實施例公開了一種動力電池焊接質(zhì)量檢測方法，如圖1所示，步驟如下：

s1、獲取動力電池焊接后的原始圖像，如圖2a所示；

s2、通過動態(tài)閾值方法從原始圖像中提取出初步焊縫區(qū)域；具體過程如下：

s21、首先對步驟s1獲取到的原始圖像進行濾波處理，得原始圖像濾波處理后的圖像；在本實施例中對原始圖像進行濾波處理時采用的是均值濾波處理方法，當(dāng)然也可以是其他的濾波處理方法。

s22、分別獲取到原始圖像灰度值以及原始圖像濾波處理后的圖像灰度值，針對于原始圖像和原始圖像濾波處理后的圖像中各相同位置處的像素點，將原始圖像灰度值與原始圖像濾波處理后的圖像灰度值作比較，將原始圖像中灰度值比原始圖像濾波處理后的圖像灰度值大第一偏移量的像素點取出，得到初步焊縫區(qū)域；具體為：

其中f(x,y)為原始圖像灰度值；m(x,y)為原始圖像濾波處理后的圖像灰度值；(x,y)為像素點，原始圖像的圖像大小為x×y；offset為第一偏移量，在實施例中第一偏移量offset為30；g1(x,y)為得到的初步焊縫區(qū)域。

其中本步驟中原始圖像濾波處理后的圖像灰度值m(x，y)為：

其中原始圖像的大小為x×y，s是以(x,y)像素點為中心的鄰域的集合，又稱掩膜，在本實施例中掩膜s的大小為80×80，m是掩膜s內(nèi)坐標(biāo)點的總數(shù)，f(i,j)為原始圖像在(i,j)像素點處的灰度值。

s3、對步驟s32中得到的初步焊縫區(qū)域g1(x,y)求取最小外接矩形，得到第二焊縫區(qū)域；

s4、通過動態(tài)閾值方法從第二焊縫區(qū)域中提取出爆點區(qū)域，當(dāng)原始圖像為圖2a時，本實施例中獲取到的爆點區(qū)域二值化后的圖如圖2b所示；具體如下：

s41、首先對第二焊縫區(qū)域進行濾波處理，得第二焊縫區(qū)域濾波處理后的圖像；在本實施例中對第二焊縫區(qū)域進行濾波處理時采用的是均值濾波處理方法；

s22、分別獲取到第二焊縫區(qū)域灰度值以及第二焊縫區(qū)域濾波處理后的圖像灰度值，針對于第二焊縫區(qū)域和第二焊縫區(qū)域濾波處理后的圖像中各相同位置處的像素點，將第二焊縫區(qū)域灰度值與第二焊縫區(qū)域濾波處理后的圖像灰度值作比較，將第二焊縫區(qū)域中灰度值比第二焊縫區(qū)域濾波處理后的圖像灰度值小第二偏移量的像素點取出，得到爆點區(qū)域；具體為：

y∈{0,1,2,......,y′-1}；

其中g(shù)'(x,y)為第二焊縫區(qū)域灰度值，m'(x,y)為第二焊縫區(qū)域濾波處理后的圖像灰度值，(x,y)為像素點，第二焊縫區(qū)域的圖像大小為x′×y′；offset'為第二偏移量，在本實施例中第二偏移量offset'為5；g2(x,y)為得到的爆點區(qū)域。

s5、根據(jù)爆點區(qū)域g2(x,y)的像素點個數(shù)判定是否有爆點，在本實施例中判斷定爆點區(qū)域g2(x,y)的像素點個數(shù)是否超過300個，當(dāng)爆點區(qū)域g2(x,y)中像素點個數(shù)超過300，則判定有爆點，否則判斷無爆點；

若是，則將初步焊縫區(qū)域g1(x,y)與爆點區(qū)域g2(x,y)合并得到整條焊縫區(qū)域g3(x,y)，若否，則直接將初步焊縫區(qū)域g1(x,y)作為整條焊縫區(qū)域g3(x,y)；

s6、針對于步驟s5中得到的整條焊縫區(qū)域g3(x,y)依次進行背景干擾去除和行程分析處理后得到最終焊縫區(qū)域g4(x,y)；具體過程如下：

s61、選取圓形結(jié)構(gòu)元素se，對整條焊縫區(qū)域進行形態(tài)學(xué)開運算處理，得到背景干擾去除后的焊縫區(qū)域；在本實施例中選取的圓形結(jié)構(gòu)元素se的大小為10×10。

s62、針對步驟s61獲取到的背景干擾去除后的焊縫區(qū)域進行行程分析處理，得到背景干擾去除后的焊縫區(qū)域中對應(yīng)的所有行程，從所有行程中提取出行程長度超過行程閾值的行程，將這些行程并集后作為最終焊縫區(qū)域，當(dāng)原始圖像為圖2a時，本實施例中最終焊縫區(qū)域二值化后的圖像如圖2c所示，得到最終焊縫區(qū)域r即為；

其中ri表示上述從所有行程中提取出的行程長度超過行程閾值的行程，n表示上述從所有行程中提取出的行程長度超過行程閾值的行程個數(shù)；lt為行程閾值，本實施例中行程閾值lt為30；li表示行程ri的行程長度；

行程ri的行程長度li即為行程ri中所包含的像素點個數(shù)，其為：

其中為行程ri的結(jié)束列坐標(biāo)，為行程ri的起始列坐標(biāo)。

s7、利用全局閾值方法從最終焊縫區(qū)域提取出針孔，將提取出的針孔作為候選針孔，當(dāng)原始圖像為圖2a時，本實施例中最終焊縫區(qū)域提取出的候選針孔二值化后的圖像如圖2d所示；具體為：

其中r'(x,y)為最終焊縫區(qū)域灰度值，t為將背景和針孔分開分割開的灰度閾值，在本實施例中t的取值為90；r(x,y)為從最終焊縫區(qū)域提取出候選針孔。

s8、提取出候選針孔的灰度特征、幾何特征和矩特征，進行主成分分析得到候選針孔降維后的特征向量；具體如下：

s81、提取出候選針孔的灰度特征、幾何特征和矩特征，然后從候選針孔的灰度特征、幾何特征和矩特征中提取出平均灰度值、對比度、緊密度和四個仿射不變矩，由平均灰度值、對比度、緊密度和四個仿射不變矩總共7個特征構(gòu)成一個7維向量；

s82、針對步驟s81獲取到的7維向量中的7個特征分別進行數(shù)據(jù)規(guī)格化，具體為，首先將每個特征分別線性映射到[-1,1]中；然后求取均值和標(biāo)準(zhǔn)差；最后將每個特征減去均值后再除以標(biāo)準(zhǔn)差，得到對應(yīng)的各新的特征；7個新的特征組成的一個7維向量即為數(shù)據(jù)規(guī)格化后的特征向量；

s83、將步驟s82中獲取到的數(shù)據(jù)規(guī)格化后的特征向量進行主成分分析得到候選針孔降維后的特征向量。

s9、將候選針孔降維后的特征向量作為測試樣本輸入至訓(xùn)練好的svm分類器中進行分類，得到最終分類結(jié)果，當(dāng)原始圖像為圖2a時，本實施例中svm分類器識別出的針孔二值化后的圖像如圖2e所示；其中svm分類器的訓(xùn)練過程具體如下：獲取已知針孔和紋理的動力電池焊接后的多幅圖像，針對各圖像中的各針孔分別對應(yīng)選取出針孔的灰度特征、幾何特征和矩特征，然后進行主成分分析得到各圖像中各針孔降維后的特征向量；針對各圖像中的各紋理分別對應(yīng)選取出紋理的灰度特征、幾何特征和矩特征，然后進行主成分分析得到各圖像中各紋理降維后的特征向量；各圖像中各針孔降維后的特征向量以及各圖像中各紋理降維后的特征向量作為訓(xùn)練樣本輸入至svm中，以對svm進行訓(xùn)練，得到訓(xùn)練好的svm分類器。

本實施例上述步驟s9中在訓(xùn)練svm分類器時，隨機選取已知針孔和紋理的動力電池焊接后的15幅圖像，其中這15幅圖像包括29個針孔和19個紋理。

本實施例上述步驟s9中得到各圖像中各針孔降維后的特征向量的具體過程如下：

s91、提取出各圖像中各針孔的灰度特征、幾何特征和矩特征，然后從灰度特征、幾何特征和矩特征中提取出平均灰度值、對比度、緊密度和四個仿射不變矩，由各圖像中各針孔的平均灰度值、對比度、緊密度和四個仿射不變矩總共7個特征對應(yīng)構(gòu)成各圖像中各針孔的一個7維向量；

s92、針對步驟s91獲取到各圖像中各針孔的7維向量中的7個特征分別進行數(shù)據(jù)規(guī)格化，具體為，首先將每個特征分別線性映射到[-1,1]中；然后求取均值和標(biāo)準(zhǔn)差；最后將每個特征減去均值后再除以標(biāo)準(zhǔn)差，得到對應(yīng)的各新的特征；7個新的特征組成的一個7維向量即為數(shù)據(jù)規(guī)格化后的特征向量；

s93、將步驟s92中獲取到的數(shù)據(jù)規(guī)格化后的特征向量進行主成分分析得到各圖像中各針孔降維后的特征向量；

本實施例步驟s9中得到各圖像中各紋理降維后的特征向量的具體過程如下：

s94、提取出各圖像中各紋理的灰度特征、幾何特征和矩特征，然后從灰度特征、幾何特征和矩特征中提取出平均灰度值、對比度、緊密度和四個仿射不變矩，由各圖像中各紋理的平均灰度值、對比度、緊密度和四個仿射不變矩總共7個特征對應(yīng)構(gòu)成各圖像中各針孔的一個7維向量；

s95、針對步驟s94獲取到各圖像中各紋理的7維向量中的7個特征分別進行數(shù)據(jù)規(guī)格化，具體為，首先將每個特征分別線性映射到[-1,1]中；然后求取均值和標(biāo)準(zhǔn)差；最后將每個特征減去均值后再除以標(biāo)準(zhǔn)差，得到對應(yīng)的各新的特征；7個新的特征組成的一個7維向量即為數(shù)據(jù)規(guī)格化后的特征向量；

s96、將步驟s95中獲取到的數(shù)據(jù)規(guī)格化后的特征向量進行主成分分析得到各圖像中各紋理降維后的特征向量。

在本實施例中所使用的svm分類器為nu-svm分類器(錯分類誤差svm分類器)，其中在nu-svm分類器中選擇使用徑向基核函數(shù)，參數(shù)γ大小為0.02，錯分類誤差nu大小為0.05。

獲取40幅動力電池焊接后的原始圖像，這些原始圖像中總共包括67個針孔和46個紋理，通過本實施例上述方式針對40幅動力電池焊接后的原始圖像進行檢測時，通過本實施例svm分類器檢測分類得到的召回率、精度和f值如下表1所示：

表1

由表1中可以可知，本實施例檢測方法召回率和精度都在90％以上，從工業(yè)生產(chǎn)角度來講，可以很好地保證產(chǎn)品的漏檢率和誤檢率。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。