焊缝定位方法、装置、设备及存储介质与流程

1.本发明涉及焊接技术领域，尤其涉及一种焊缝定位方法、装置、设备及存储介质。


背景技术：

2.随着我国社会经济的快速发展，石油天然气等资源的大量使用，运输管道和大型储罐的需求量日益攀升，传统的人工焊效率低、难度大、成本高，难以满足大型管道焊接的工艺要求，于是衍生出了机器焊接的技术，但是在机器焊接过程中，环境因素对于焊接点的影响很大，很难对焊接点进行精准的定位，影响焊接质量，效率不高。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供一种焊缝定位方法、装置、设备及存储介质，旨在解决现有技术在机器焊接过程中，环境因素对于焊接点的影响很大，很难对焊接点进行精准的定位，影响焊接质量，效率不高的技术问题。
5.为实现上述目的，本发明提供了一种焊缝定位方法，所述方法包括以下步骤：
6.获取焊接管道的焊缝图像；
7.通过预设焊缝特征提取模型对所述焊缝图像进行特征提取，获得目标焊缝特征信息；
8.通过预设评分模型对所述目标焊缝特征信息进行评分，获得目标焊缝评分值；
9.在所述目标焊缝评分值大于预设评分阈值时，将所述目标焊缝特征信息输出至用户端进行显示。
10.可选地，所述通过预设焊缝特征提取模型对所述焊缝图像进行特征提取，获得目标焊缝特征信息之前，还包括：
11.获取焊缝样本图像以及对应的焊缝特征信息；
12.根据所述焊缝样本图像以及所述焊缝样本图像对初始神经网络模型进行模型训练，获得预设焊缝特征提取模型。
13.可选地，所述获取焊缝样本图像以及对应的焊缝特征信息，包括：
14.获取初始焊缝样本图像；
15.将所述初始焊缝样本图像通过预设图像特征增强模型进行特征增强，获得焊缝样本图像；
16.将所述焊缝样本图像进行图像分割，获得焊缝特征图像；
17.从所述焊缝特征图像中提取焊缝特征信息。
18.可选地，所述将所述焊缝样本图像进行图像分割，获得焊缝特征图像，包括：
19.将所述焊缝样本图像进行图像分割，获得已分割图像；
20.提取所述已分割图像中的焊缝轮廓信息与背景信息；
21.将所述焊缝轮廓信息基于预设第一颜色进行特征标注，将所述背景信息基于预设第二颜色进行特征标注，获得焊缝特征图像。
22.可选地，所述通过预设焊缝特征提取模型对所述焊缝图像进行特征提取，获得目标焊缝特征信息，包括：
23.对所述焊缝图像进行分辨率调整，并将调整后的焊缝图像进行特征加强，获得目标焊缝图像；
24.将所述目标焊缝图像通过预设焊缝特征提取模型进行特征提取，获得目标焊缝信息。
25.可选地，所述对所述焊缝图像进行分辨率调整，并将调整后的焊缝图像进行特征加强，获得目标焊缝图像，包括：
26.将所述焊缝图像进行下采样处理，获得焊缝特征图；
27.获取焊缝灰度图，并确定所述焊缝灰度图中区域直方图信息；
28.根据所述区域直方图信息对焊缝特征图进行亮度调整，获得目标焊缝图像。
29.可选地，所述根据所述区域直方图信息对焊缝特征图进行亮度调整，获得目标焊缝图像，包括：
30.根据预设裁剪阈值对所述区域直方图进行裁剪，获得目标区域直方图；
31.获取所述目标区域直方图对应的目标区域直方图信息；
32.基于所述目标区域直方图与所述目标区域直方图信息对焊缝特征图进行亮度调整，获得目标焊缝图像。
33.此外，为实现上述目的，本发明还提出一种焊缝定位装置，所述焊缝定位装置包括：
34.图像获取模块，用于获取焊接管道的焊缝图像；
35.特征提取模块，用于通过预设焊缝特征提取模型对所述焊缝图像进行特征提取，获得目标焊缝特征信息；
36.特征评分模块，用于通过预设评分模型对所述目标焊缝特征信息进行评分，获得目标焊缝评分值；
37.信息展示模块，用于在所述目标焊缝评分值大于预设评分阈值时，将所述目标焊缝特征信息输出至用户端进行显示。
38.此外，为实现上述目的，本发明还提出一种焊缝定位设备，所述焊缝定位设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的焊缝定位程序，所述焊缝定位程序配置为实现如上文所述的焊缝定位方法的步骤。
39.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有焊缝定位程序，所述焊缝定位程序被处理器执行时实现如上文所述的焊缝定位方法的步骤。
40.本发明通过获取焊接管道的焊缝图像，通过预设焊缝特征提取模型对所述焊缝图像进行特征提取，获得目标焊缝特征信息，通过预设评分模型对所述目标焊缝特征信息进行评分，获得目标焊缝评分值，在所述目标焊缝评分值大于预设评分阈值时，将所述目标焊缝特征信息输出至用户端进行显示。与现有技术相比，本发明通过预设焊缝特征提取模型对焊接管道的焊接图像进行特征提取，获得目标焊缝特征信息，可以有效的定位焊接管道中的焊缝位置，此外，在定位完成后，通过预设评分模型对所述目标焊缝特征信息进行评
分，将目标焊缝评分值与预设评分阈值进行比较，在目标焊缝评分值大于预设评分阈值时，输出目标焊缝特征信息，以确保对于焊接管道中焊缝位置信息进行更准确的位置确定，避免了在机器焊接过程中，环境因素对于焊接点的影响很大，很难对焊接点进行精准的定位，影响焊接质量，效率不高的技术问题，提高了机器焊接管道的焊接质量与工作效率。
附图说明
41.图1是本发明实施例方案涉及的硬件运行环境的焊缝定位设备的结构示意图；
42.图2为本发明焊缝定位方法第一实施例的流程示意图；
43.图3为本发明焊缝定位方法一实施例的焊缝显示图像示意图；
44.图4为本发明焊缝定位方法第二实施例的流程示意图；
45.图5为本发明焊缝定位方法第三实施例的流程示意图；
46.图6为本发明焊缝定位方法一实施例的焊缝图像像素灰度值变化示意图；
47.图7为本发明焊缝定位装置第一实施例的结构框图。
48.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
49.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
50.参照图1，图1为本发明实施例方案涉及的硬件运行环境的焊缝定位设备结构示意图。
51.如图1所示，该焊缝定位设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
52.本领域技术人员可以理解，图1中示出的结构并不构成对焊缝定位设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
53.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及焊缝定位程序。
54.在图1所示的焊缝定位设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明焊缝定位设备中的处理器1001、存储器1005可以设置在焊缝定位设备中，所述焊缝定位设备通过处理器1001调用存储器1005中存储的焊缝定位程序，并执行本发明实施例提供的焊缝定位方法。
55.本发明实施例提供了一种焊缝定位方法，参照图2，图2为本发明一种焊缝定位方法第一实施例的流程示意图。
56.本实施例中，所述焊缝定位方法包括以下步骤：
57.步骤s10：获取焊接管道的焊缝图像。
58.需要说明的是，本实施例的执行主体是焊缝定位设备，其中，该焊缝定位设备具有数据处理、数据通信及程序运行等功能，所述焊缝定位设备可以为集成控制器、控制计算机以及掌上电脑等设备，当然，还可为其他具有相似功能的设备，本实施例不做具体限制。
59.可以理解的是，焊缝图像是通过图像采集设备在需要进行焊接工作的焊接管道中采集到的图像，其中，所述图像采集设备可以是摄像头或者图像采集卡等电子设备，还可以是其它具有采集焊缝管道内焊缝图像的电子设备，本实施例不做具体限制。
60.步骤s20：通过预设焊缝特征提取模型对所述焊缝图像进行特征提取，获得目标焊缝特征信息。
61.需要说明的是，预设焊缝特征提取模型用于对图像采集设备获取的焊缝图像进行特征提取，即提取焊缝图像中的焊缝信息，以获得目标焊缝特征信息。
62.可以理解的是，由于再对管道进行焊接过程中，会出现强弧光或者飞溅等环境噪声的干扰，因此目标焊缝特征图像可以是将图像焊缝管道中的焊缝区域经过图像分割和图像增强后，获得的清晰的焊缝显示图像，且在所述焊缝显示图像中一般焊缝与背景之间存在明显的界定，参考图3，在展示图像中以不同的颜色进行划分，例如：图像中的焊缝位置以黄色进行标注展示；而背景部分以黑色进行标注展示。
63.在具体实现中，预设焊缝特征提取模型可以是改进后的u-net模型，本实施例所使用的改进后的u-net模型相比于原u-net网络模型增加了一个特征增强模块以及可学习调整器，所述特征增强模块用于增强模型训练时的准确性，防止在训练时数据集过于单一而发生过拟合的情况；此外，所述可学习调整器用于在训练时寻找合适的图像分辨率，由于u-net网络模型在训练时，图片尺寸大小调整通常是使用固定的方法进行，因此具有极大的局限性，本实施例中提供的可学习调整器可以很好的解决这个问题，提高工作效率。
64.步骤s30：通过预设评分模型对所述目标焊缝特征信息进行评分，获得目标焊缝评分值。
65.值得说明的是，预设评分模型用于对经过焊缝特征提取的图像进行评分，获得目标焊缝评分值，根据所述目标焊缝评分值的大小判断特征提取是否准确，若目标焊缝评分值过低，还可以再次进行特征提取，提高对焊缝位置定位的准确度。
66.应当理解的是，对所述目标焊缝特征信息进行评分之前，需要确定评分规则，在本实施例中，可以是根据准确率(accuracy，acc)、平均交并比(mean intersection over union，miou)以及平均像素精确度(mean pixel accuracy，mpa)三个指标中的一种或者多种评价指标对目标焊缝特征信息进行分析，其中准确率是分割正确焊缝特征图像占整个图像的比例，准确率越高代表模型质量越好；平均交并比是计算真实值和预测值两个集合的交集和并集之比，将每一类iou计算后累加平均；平均像素精确度是指每个类内被正确分类的像素数的比例。
67.此外准确率(accuracy，acc)、平均交并比(mean intersection over union，miou)以及平均像素精确度(mean pixel accuracy,mpa)的计算公式为：
[0068][0069]
[0070][0071]
其中，tp为分割正确的焊缝特征像素；tn为分割正确的焊缝背景像素；fp为分割错误的焊缝背景像素；fn为分割错误的焊缝特征像素。
[0072]
步骤s40：在所述目标焊缝评分值大于预设评分阈值时，将所述目标焊缝特征信息输出至用户端进行显示。
[0073]
需要说明的是，预设评分阈值可以是用户根据模型训练设置的数值，也可以是通过焊缝定位设备控制器根据模型训练过程中根据训练的数据自动生成的数值，根据不同的评价规则进行评分时，对应的预设评分阈值不相同，本实施例不做具体限制。
[0074]
在具体实现中，若目标焊缝评分值大于预设评分阈值，则此次特征提取是符合要求的，即焊缝位置是准确的，此时，可以将所述目标焊缝特征信息输出至用户端进行显示，用户端可以是具有数据传输或者图像展示等功能的电子设备，还可以是其他具有相同或者相似功能的设备，本实施例不做具体限制。
[0075]
本实施例通过预设焊缝特征提取模型对焊接管道的焊接图像进行特征提取，获得目标焊缝特征信息，可以有效的定位焊接管道中的焊缝位置，此外，在定位完成后，通过预设评分模型对所述目标焊缝特征信息进行评分，将目标焊缝评分值与预设评分阈值进行比较，在目标焊缝评分值大于预设评分阈值时，输出目标焊缝特征信息，以确保对于焊接管道中焊缝位置信息进行更准确的位置确定，避免了在机器焊接过程中，环境因素对于焊接点的影响很大，很难对焊接点进行精准的定位，影响焊接质量，效率不高的技术问题，提高了机器焊接管道的焊接质量与工作效率。
[0076]
参考图4，图4为本发明一种焊缝定位方法第二实施例的流程示意图。
[0077]
基于上述第一实施例，在本实施例中，所述步骤s20之前还包括：
[0078]
步骤s1：获取焊缝样本图像以及对应的焊缝特征信息。
[0079]
需要说明的是，由于本实施例所使用的预设特征提取模型是改进后的u-net模型，且由于在焊缝定位过程中会存在弧光干扰等环境因素的干扰，因此在进行模型训练时，需要大量采集焊缝样本图像以及对应的焊缝特征信息，且在本实施例中，可以通过数据增强以使采集到的数据样本得到充分利用。
[0080]
进一步地，为了获得焊缝样本图像以及对应的焊缝特征信息，步骤s1，包括：
[0081]
获取初始焊缝样本图像；
[0082]
将所述初始焊缝样本图像通过预设图像特征增强模型进行特征增强，获得焊缝样本图像；
[0083]
将所述焊缝样本图像进行图像分割，获得焊缝特征图像；
[0084]
从所述焊缝特征图像中提取焊缝特征信息。
[0085]
可以理解的是，初始焊缝样本图像即通过摄像头拍摄到的图像，由于该图像中可能存在弧光干扰等环境因素的干扰，因此需要对初始焊缝特征图像进行调整增强。
[0086]
在本实施例中，将通过两种方法进行数据增强：1、模拟遮挡(cutout)；2、自动数据增强(autoaugment)。
[0087]
其中，模拟遮挡(cutout)是在不改变图像精度的前提下，对图像进行图像裁剪增广，即模拟遮挡(cutout)可以通过模拟焊接过程中焊缝特征被遮挡的场景，充分利用场景
中其他内容，防止网络只关注特征明显区域，从而发生过拟合的情况出现。
[0088]
此外，自动数据增强(autoaugment)是在一系列图像增广的子策略的搜索空间中，通过搜索算法找到合适焊缝图像的增广方案，对焊缝图像进行随机的旋转、镜像、平移等操作，从而使得图像发生扩充。
[0089]
此外，为了获得清晰地焊缝特征图像，还可以将所述焊缝样本图像进行图像分割，获得已分割图像，提取所述已分割图像中的焊缝轮廓信息与背景信息，将所述焊缝轮廓信息基于预设第一颜色进行特征标注，将所述背景信息基于预设第二颜色进行特征标注，获得焊缝特征图像。
[0090]
可以理解的是，预设第一颜色与预设第二颜色都是可以有用户进行设置，本实施例不做具体限制。
[0091]
在具体实现中，为了更清楚的展示焊缝特征，需要对焊缝样本图像中焊缝与背景之间进行明确的区分，表现为在展示图像中以不同的颜色进行划分，例如：图像中的焊缝位置以黄色进行标注展示；而背景部分以黑色进行标注展示。
[0092]
步骤s2：根据所述焊缝样本图像以及所述焊缝样本图像对初始神经网络模型进行模型训练，获得预设焊缝特征提取模型。
[0093]
需要说明的是，获得焊缝样本图像以及焊缝样本图像，根据所述焊缝样本图像以及所述焊缝样本图像对初始神经网络模型进行模型训练，获得预设焊缝特征提取模型，其中，所述预设焊缝特征提取模型可以是改进后的u-net模型，在改进后的u-net模型中包含有调整器模块(resizer module，rm)、编码模块以及解码模块。
[0094]
其中，所述调整器模块用于调整输入图像尺寸大小，可以更好的适应各种尺寸的焊缝图像，提高了模型的适应性。
[0095]
可以理解的是，编码模块中存在有第一卷积层与池化层；解码模块中存在有第二卷积层以及反卷积层，且在每一个卷积层后都可以穿插批归一化层(batch normalization，bn)，且批归一化层将以激活函数作为启动项，在本实施例中，该激活函数为leaky relu函数。
[0096]
值得说明的是，在编码模块与解码模块中每个卷积层每层卷积核的大小、卷积核的移动步长与补零填充的层数的详细参数参考表1。
[0097][0098]
表1
[0099]
此外，本实施例所使用的改进后的u-net模型相比于原u-net网络模型增加了一个特征增强模块以及可学习调整器，所述可学习调整器可以使用4个卷积层以及1个残差块对图像进行特征提取，其中双线性调整器(bilinear resizer，br)能够向后面的网络模型中合并以原始分辨率计算得到的焊缝特征，调整器结构中使用的几个跳连接能使得可学习调整器融合更多图像特征从而更容易进行学习。
[0100]
本发明通过预设焊缝特征提取模型对焊接管道的焊接图像进行特征提取，获得目标焊缝特征信息，可以有效的定位焊接管道中的焊缝位置，且通过焊缝样本图像以及对应的焊缝特征信息对初始神经网络进行训练，以获得合适的预设特征提取模型，此外，在定位完成后，通过预设评分模型对所述目标焊缝特征信息进行评分，将目标焊缝评分值与预设评分阈值进行比较，在目标焊缝评分值大于预设评分阈值时，输出目标焊缝特征信息，以确保对于焊接管道中焊缝位置信息进行更准确的位置确定，避免了在机器焊接过程中，环境因素对于焊接点的影响很大，很难对焊接点进行精准的定位，影响焊接质量，效率不高的技术问题，提高了机器焊接管道的焊接质量与工作效率。
[0101]
参考图5，图5为本发明一种焊缝定位方法第三实施例的流程示意图。
[0102]
基于上述第二实施例，在本实施例中，所述步骤s20，包括：
[0103]
步骤s201：对所述焊缝图像进行分辨率调整，并将调整后的焊缝图像进行特征加强，获得目标焊缝图像。
[0104]
需要说明的是，由于u-net网络模型在训练时，图片尺寸大小调整通常是使用固定的方法进行，因此具有极大的局限性，本实施例中调整分辨率可以很好的解决这个问题，提高工作效率。
[0105]
进一步地，为了对焊缝图像进行分辨率调整，步骤s201，还包括：
[0106]
将所述焊缝图像进行下采样处理，获得焊缝特征图；
[0107]
获取焊缝灰度图，并确定所述焊缝灰度图中区域直方图信息；
[0108]
根据所述区域直方图信息对焊缝特征图进行亮度调整，获得目标焊缝图像。
[0109]
需要说明的是，下采样即对焊缝图像进行降低分辨率的操作，由于特征增强模块的存在，可以使得经过下采样后的焊缝特征图依然可以通过预设焊缝特征提取模型进行特征提取，获得焊缝的位置信息。
[0110]
可以理解的是，区域直方图信息是焊缝灰度图中每一个区域的直方图的信息。
[0111]
在具体实现中，根据在编码模块与解码模块中存在的第一卷积层、池化层、第二卷积层以及反卷积层对焊缝特征图进行限制对比度自适应直方图均衡处理，通过直方图均衡处理计算经过下采样后的焊缝灰度图像每一个区域的直方图，获得所述焊缝灰度图中的区域直方图信息。
[0112]
此外，为了得到准确的区域直方图信息，还可以根据预设裁剪阈值对所述区域直方图进行裁剪，获得目标区域直方图，获取所述目标区域直方图对应的目标区域直方图信息，基于所述目标区域直方图与所述目标区域直方图信息对焊缝特征图进行亮度调整，获得目标焊缝图像。
[0113]
在具体实现中，参考图6，虚线为经过直方图均衡处理图后的焊缝图像像素灰度值，实线为未经过直方图均衡处理图后的焊缝图像像素灰度值，通过直方图均衡处理图预设裁剪阈值对区域直方图进行裁剪可以使得焊缝图像像素灰度值的分布更加均衡，有利于增强焊缝特征图的边缘信息，使得焊缝分割效率更高。
[0114]
步骤s202：将所述目标焊缝图像通过预设焊缝特征提取模型进行特征提取，获得目标焊缝信息。
[0115]
本发明通过预设焊缝特征提取模型对焊接管道的焊接图像进行特征提取，获得目标焊缝特征信息，可以有效的定位焊接管道中的焊缝位置，且通过焊缝样本图像以及对应的焊缝特征信息对初始神经网络进行训练，以获得合适的预设特征提取模型，此外，通过调整焊缝图像的分辨率，获得合适分辨率的目标焊缝图像，以适应不同图像质量的特征提取，在定位完成后，通过预设评分模型对所述目标焊缝特征信息进行评分，将目标焊缝评分值与预设评分阈值进行比较，在目标焊缝评分值大于预设评分阈值时，输出目标焊缝特征信息，以确保对于焊接管道中焊缝位置信息进行更准确的位置确定，避免了在机器焊接过程中，环境因素对于焊接点的影响很大，很难对焊接点进行精准的定位，影响焊接质量，效率不高的技术问题，提高了机器焊接管道的焊接质量与工作效率。
[0116]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有焊缝定位程序，所述焊缝定位程序被处理器执行时实现如上文所述的焊缝定位方法的步骤。
[0117]
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少县有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
[0118]
参照图7，图7为本发明焊缝定位装置第一实施例的结构框图。
[0119]
如图7所示，本发明实施例提出的焊缝定位装置包括：
[0120]
图像获取模块10，用于获取焊接管道的焊缝图像；
[0121]
特征提取模块20，用于通过预设焊缝特征提取模型对所述焊缝图像进行特征提取，获得目标焊缝特征信息；
[0122]
特征评分模块30，用于通过预设评分模型对所述目标焊缝特征信息进行评分，获得目标焊缝评分值；
[0123]
信息展示模块40，用于在所述目标焊缝评分值大于预设评分阈值时，将所述目标
焊缝特征信息输出至用户端进行显示。
[0124]
本实施例通过预设焊缝特征提取模型对焊接管道的焊接图像进行特征提取，获得目标焊缝特征信息，可以有效的定位焊接管道中的焊缝位置，此外，在定位完成后，通过预设评分模型对所述目标焊缝特征信息进行评分，将目标焊缝评分值与预设评分阈值进行比较，在目标焊缝评分值大于预设评分阈值时，输出目标焊缝特征信息，以确保对于焊接管道中焊缝位置信息进行更准确的位置确定，避免了在机器焊接过程中，环境因素对于焊接点的影响很大，很难对焊接点进行精准的定位，影响焊接质量，效率不高的技术问题，提高了机器焊接管道的焊接质量与工作效率。
[0125]
在一实施例中，所述特征提取模块20，还用于获取焊缝样本图像以及对应的焊缝特征信息；根据所述焊缝样本图像以及所述焊缝样本图像对初始神经网络模型进行模型训练，获得预设焊缝特征提取模型。
[0126]
在一实施例中，所述特征提取模块20，还用于获取初始焊缝样本图像；将所述初始焊缝样本图像通过预设图像特征增强模型进行特征增强，获得焊缝样本图像；将所述焊缝样本图像进行图像分割，获得焊缝特征图像；从所述焊缝特征图像中提取焊缝特征信息。
[0127]
在一实施例中，所述特征提取模块20，还用于将所述焊缝样本图像进行图像分割，获得已分割图像；提取所述已分割图像中的焊缝轮廓信息与背景信息；将所述焊缝轮廓信息基于预设第一颜色进行特征标注，将所述背景信息基于预设第二颜色进行特征标注，获得焊缝特征图像。
[0128]
在一实施例中，所述特征提取模块20，还用于对所述焊缝图像进行分辨率调整，并将调整后的焊缝图像进行特征加强，获得目标焊缝图像；将所述目标焊缝图像通过预设焊缝特征提取模型进行特征提取，获得目标焊缝信息。
[0129]
在一实施例中，所述特征提取模块20，还用于将所述焊缝图像进行下采样处理，获得焊缝特征图；获取焊缝灰度图，并确定所述焊缝灰度图中区域直方图信息；根据所述区域直方图信息对焊缝特征图进行亮度调整，获得目标焊缝图像。
[0130]
在一实施例中，所述特征提取模块20，还用于根据预设裁剪阈值对所述区域直方图进行裁剪，获得目标区域直方图；获取所述目标区域直方图对应的目标区域直方图信息；基于所述目标区域直方图与所述目标区域直方图信息对焊缝特征图进行亮度调整，获得目标焊缝图像。
[0131]
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
[0132]
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
[0133]
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的焊缝定位方法，此处不再赘述。
[0134]
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在
包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0135]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0136]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(read only memory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0137]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。