基于暗区增强模糊C均值算法的焊缝分割与缺陷分类方法研究

《Behavioral Sciences》：Effects of Acute Partial Nocturnal Sleep Restriction on Mental Fatigue and Cognitive Control

　　摘要随着焊接过程自动化的扩展，基于视觉的焊接质量定量评估和缺陷检测技术日益重要。然而，由于实际焊接图像通常存在母材与焊缝之间对比度低、光照不均匀、飞溅物和噪声等问题，焊缝区域的稳定分割仍然具有挑战性。为解决这些问题，本研究提出了一种暗区增强模糊C均值（DRE-FCM）算法，这是一种基于FCM聚类的焊缝分割方法，适用于工厂自动化环境，并使用在受控实验条件下获取的焊接产品图像。分割后的焊缝区域随后使用改进的基于投影的分类方法被分为合格品和缺陷品。所提出的方法采用萤火虫算法优化的模糊C均值（FAFCM），以缓解对初始聚类中心的敏感性并降低收敛到局部最优解的倾向。在预处理阶段，应用高斯梯度逆变换（IGG）来增强暗区域的弱边缘并补偿由亮度失衡引起的模糊边界。此外，还应用迭代降噪滤波器来降低FAFCM对噪声的敏感性并提高焊缝物体的提取效果。提取的物体随后使用基于形态学信息（包括焊缝长度和宽度）的改进IHP-Seg算法进行分类。实验结果表明，所提出的方法达到了0.94的平均交并比（mIoU）、0.98的平均像素准确率（mPA）和0.15秒的平均分割时间，优于所比较的传统方法和基于深度学习的方法。此外，所有物体均被正确分类，证明了所提出方法在有限数据环境下的焊接质量检查中的适用性。