本發明屬于圖像處理，尤其涉及一種基于人工智能的鋼制車輪焊縫焊接質量的檢測方法。
背景技術：
1、鋼制車輪焊縫的焊接質量直接決定車輪結構穩定性與行車安全性，隨著汽車制造業向自動化、高精度方向發展，基于機器視覺的焊縫檢測技術得到廣泛應用，而圖像處理的精準度是決定檢測效果的核心環節。現有圖像處理環節存在普遍性短板：焊接圖像易受生產環境干擾產生噪聲，現有處理方式缺乏針對性適配能力，難以在有效抑制噪聲的同時保留焊縫關鍵細節；焊縫與母材的灰度差異易受焊接工藝波動影響，導致邊界定位與區域提取過程中易出現偏差，難以精準鎖定焊縫核心區域；對灰度數據的處理缺乏系統性設計，未能充分挖掘數據中反映焊縫熔合狀態的關鍵信息，特征表征不夠全面；整體圖像處理流程缺乏對焊縫結構特性的適配優化，導致檢測結果易受外界因素影響，精準度和穩定性不足，難以滿足大規模自動化生產對焊縫質量檢測的高效、精準要求。
技術實現思路
1、本發明針對上述背景技術中所存在的技術問題，提出基于人工智能的鋼制車輪焊縫焊接質量的檢測方法。
2、為了達到上述目的，本發明采用的技術方案為，包括以下步驟：
3、s1、獲取鋼制車輪焊接處的圖像；
4、s2、對于焊接處的圖像進行濾波去噪，然后通過canny邊緣檢測算法結合霍夫直線變換定位焊縫邊界，利用區域生長法提取完整焊縫區域，生成焊縫roi圖像；
5、s3、得到完整的roi圖像中每個像素的灰度值，構建灰度矩陣，并基于霍夫直線變換確定的焊縫主走向將灰度矩陣沿焊縫中心線拉直，形成灰度序列，該灰度序列的長度等于焊縫roi沿其主走向的像素總數；采用移動平均濾波對灰度序列進行平滑預處理，得到平滑后的灰度序列；
6、s4、計算平滑后灰度序列的相鄰灰度差序列，統計其均值和標準差，采用滑動窗口遍歷并計算累計偏差系數，標記并合并異常窗口得到焊縫異常段；提取各異常段灰度子序列，計算包括灰度均值偏離度和灰度分布熵；
7、s5、將灰度均值偏離度和灰度分布熵特征進行歸一化處理，得到標準化特征向量；將標準化特征向量輸入預設的神經網絡模型，通過該神經網絡模型輸出焊縫的質量評分。
8、作為優選，所述步驟s2中對于焊接處的圖像進行濾波去噪的具體實現為：
9、s211、對獲取的鋼制車輪焊接處原始圖像劃分多個非重疊局部窗口，對每個窗口內的像素灰度值計算椒鹽噪聲占比，所述椒鹽噪聲占比的計算方式為將窗口內像素灰度值與窗口內灰度均值的差的絕對值大于設定灰度閾值的像素判定為椒鹽噪聲像素，統計其占窗口總像素的比例作為椒鹽噪聲占比；
10、s212、設計加權融合的高斯中值混合濾波核，濾波輸出灰度值：，其中，為高斯濾波分量，為中值濾波分量，為第i個窗口的濾波權重系數，根據椒鹽噪聲占比獲取：
11、，
12、其中，為第i個窗口的椒鹽噪聲占比，將每個窗口均進行處理得到完整的濾波去噪后的焊接處圖像。
13、作為優選，所述步驟s2中通過canny邊緣檢測算法結合霍夫直線變換定位焊縫邊界，利用區域生長法提取完整焊縫區域，生成焊縫roi圖像的具體實現為：
14、s221、計算去噪后的焊接處圖像的灰度直方圖，通過雙峰法確定直方圖中對應焊縫區域的灰度峰與母材區域的灰度峰，計算兩峰之間的波谷灰度值，基于灰度峰與波谷值計算自適應高閾值和低閾值，其中，為灰度權重系數，高低閾值比例系數；
15、s222、將自適應閾值代入canny邊緣檢測算法，依次完成圖像梯度計算、非極大值抑制、雙閾值邊緣連接，得到初步焊縫邊緣圖像；
16、s223、基于鋼制車輪焊縫的結構特性，預設焊縫主方向角度區間，其中，為焊縫設計主方向角，為角度容差，對初步焊縫邊緣圖像執行霍夫直線變換，僅保留角度處于預設焊縫主方向角度區間內的直線，同時計算每條直線的像素點數量與直線長度，若每條直線的像素點數量大于等于單條邊界線最小像素數并且其直線長度大于等于單條邊界線最小長度，則篩選為候選焊縫邊界線；
17、s224、計算候選邊界線的中線作為焊縫中心線，并以候選邊界線的最外側像素坐標確定焊縫的初始邊界范圍；
18、s225、以焊縫中心線上的像素點為種子點集，計算種子點的平均灰度值與灰度標準差；設定區域生長準則，對于待生長像素點若滿足并且梯度方向與焊縫主方向的夾角小于設定的閾值，則將該像素點納入生長區域，其中，為待生長像素點的灰度值，為平均灰度值，為生長灰度容差系數，為灰度標準差；
19、s226、以初始邊界范圍為生長邊界限制，執行區域生長操作，得到初步焊縫區域；
20、s227、對初步焊縫區域執行形態學閉運算得到焊縫區域，計算焊縫區域的最小外接矩形，確定焊縫roi的范圍。
21、作為優選，所述步驟s3得到完整的roi圖像中每個像素的灰度值，構建灰度矩陣，并基于霍夫直線變換確定的焊縫主走向將灰度矩陣沿焊縫中心線拉直，形成灰度序列，該灰度序列的長度等于焊縫roi沿其主走向的像素總數；采用移動平均濾波對灰度序列進行平滑預處理，得到平滑后的灰度序列的具體實現為：
22、s31、將得到完整的焊縫roi圖像中每個像素的灰度值，構建灰度矩陣g，其中每一個元素代表此處像素灰度值；
23、s32、基于確定的焊縫主走向提取焊縫roi圖像中所有焊縫邊緣點，采用最小二乘迭代擬合算法修正焊縫中心線，計算各邊緣點到初始主走向直線的距離偏差，設定偏差閾值，剔除超出閾值的異常邊緣點，以剩余有效邊緣點的中垂線為基準，迭代優化得到動態平滑的焊縫中心線；
24、s33、統計焊縫中心線各像素位置對應的焊縫寬度，以各位置焊縫寬度為依據進行自適應對稱采樣，在中心線每個像素位置，向兩側對稱選取與當前焊縫寬度相等數量的像素作為采樣像素；
25、s34、基于像素到中心線的距離分配灰度權重，對每個采樣位置的多像素灰度值進行加權融合計算，得到該位置的序列灰度值，融合公式為：，其中，為第個序列位置的灰度值，為第個采樣位置的像素數量，為第t個像素的權重，與像素到中心線的距離成反比，為第t個像素的原始灰度值，得到灰度序列，其中l為序列長度；
26、s35、采用3×1窗口的移動平均濾波對灰度序列進行平滑處理，得到平滑序列。
27、作為優選，所述步驟s4計算平滑后灰度序列的相鄰灰度差序列，統計其均值和標準差，采用滑動窗口遍歷并計算累計偏差系數，標記并合并異常窗口得到焊縫異常段；提取各異常段灰度子序列，計算包括灰度均值偏離度和灰度分布熵的具體實現為：
28、s41、計算平滑序列的相鄰像素灰度差序列：，其中，，的取值范圍為1到l-1,；
29、s42、計算整段差序列的均值和標準差，采用滑動窗口遍歷差序列，步長為1像素，計算每個窗口的累計偏差系數：，其中為第j個滑動窗口，為滑動窗口內的像素索引，為滑動窗口的長度；將累計偏差系數大于設定偏差閾值的窗口標記為異常窗口；對相鄰的異常窗口進行合并，得到連續的焊縫異常段；
30、s43、提取每個焊縫異常段對應的灰度子序列，構建該灰度子序列的灰度直方圖，計算每個異常段的灰度特征，包括灰度分布熵：統計灰度直方圖中各灰度值的出現概率，基于該概率分布計算熵值，熵值越高表示異常段內灰度分布越混亂，反映焊縫該區域的熔合均勻性；灰度均值偏離度：計算該異常段灰度子序列的灰度均值與基準灰度均值的絕對差值，差值越大表示該異常段灰度偏離正常狀態越顯著；
31、s44、提取所有焊縫異常段中最大的灰度均值偏離度和灰度分布熵作為核心特征。
32、作為優選，所述步驟s5中神經網絡模型的結構為：
33、神經網絡模型包括輸入層、至少兩個隱藏層和輸出層；
34、所述輸入層神經元數量與標準化特征向量維度相匹配，用于接收歸一化處理后的灰度均值偏離度和灰度分布熵特征；
35、所述隱藏層采用relu激活函數，設置每層神經元數量，并在各隱藏層后設置dropout層以防止過擬合；
36、所述輸出層采用sigmoid激活函數，輸出0-1范圍內的連續值作為焊縫質量評分。
37、與現有技術相比，本發明的優點和積極效果在于，其針對焊接圖像噪聲干擾、焊縫定位偏差等痛點，采用自適應加權融合濾波，精準抑制噪聲同時保留關鍵細節；通過canny邊緣檢測與霍夫直線變換、區域生長法結合，實現焊縫roi的精準提取；經灰度矩陣拉直、平滑及異常段特征分析，全面挖掘熔合狀態信息；借助神經網絡模型量化質量評分，有效解決傳統檢測主觀性強、魯棒性不足的問題。整體流程適配焊縫結構特性，檢測精準度與穩定性大幅提升，能滿足大規模自動化生產的高效質量管控需求。