CN104636760A - 一种焊缝的定位方法 - Google Patents

Abstract

本发明公开了一种焊缝的定位方法，包括步骤：步骤一、待定位焊缝图像采集；步骤二、待定位焊缝图像预处理，具体过程为：步骤201、待定位焊缝图像分块，步骤202、待定位焊缝图像降维，步骤203、待定位焊缝图像分类；步骤三、焊缝定位，具体过程为：步骤301、获取待定位焊缝图像的二值分类图像，步骤302、获取二值分类图像的水平方向的积分投影曲线，步骤303、根据二值分类图像的水平方向的积分投影曲线定位焊缝。本发明方法步骤简单，实现方便，抗干扰能力强，工作可靠性高，焊缝定位成本低，安装使用更方便，实用性强，使用效果好，便于推广使用。

Description

一种焊缝的定位方法

技术领域

本发明属于图像处理技术领域，具体涉及一种焊缝的定位方法。

背景技术

在钢管焊接的生产流程中，有焊前焊道追踪定位，焊后焊剂焊渣的清理，以及后续的焊缝质量检测等工艺流程。当有缺陷时，就需要对焊缝缺陷部位喷涂标记，修补后通过复检确定焊缝是否合格。人工手动调整机械传动装置查找焊缝标记，定位精度不高，且操作繁琐，因此复检阶段的自动焊缝定位便具有重要的意义。

目前，利用视觉方法自动识别定位焊缝在国内外都有广泛的研究：其中一类是依据X射线摄影获取的焊缝图像，并利用支持向量机、模糊神经网络对焊缝缺陷识别；还有一类是依据高速摄影机CCD获取焊缝图像，并利用单条纹激光、图像匹配技术、结构光视觉三点、结构光与均匀光多特征技术来定位焊缝；再者也有利用超声传感技术进行三维定位。

然而，通过焊剂焊渣清理后，焊缝区域趋于平整，结构光与单条纹激光便无法很好的利用坡口获取识别信息，且清理区域呈现金属光泽，缺陷焊缝涂有标记，边缘也有不同程度的模糊，在有光源情况下，局部反光、金属材料本身锈蚀因素会对识别造成严重的干扰，使得图像匹配时干扰较大，不能很好适应复检阶段的焊缝识别定位，X射线技术与超声技术的设备相对高速摄像机成本又过高。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种焊缝的定位方法，其方法步骤简单，实现方便，抗干扰能力强，工作可靠性高，焊缝定位成本低，安装使用更方便，实用性强，使用效果好，便于推广使用。

为解决上述技术问题，本发明采用的技术方案是：一种焊缝的定位方法，其特征在于该方法包括以下步骤：

步骤一、待定位焊缝图像采集：采用单色光照射焊缝位置，并采用工业摄像机拍摄待定位焊缝图像且将拍摄到的待定位焊缝图像传输给图像处理器；

步骤二、待定位焊缝图像预处理，具体过程为：

步骤201、待定位焊缝图像分块：图像处理器接收所述待定位焊缝图像并按照行间隔宽度d和列间隔宽度H将所述待定位焊缝图像分为M×N个待定位焊缝子图像Y₁、Y₂、L、Y_M×N，每个所述待定位焊缝子图像均由m×n个像素构成，其中，M为待定位焊缝子图像的行数，N为待定位焊缝子图像的列数，d、H、M、N、m和n均为自然数，d和H的单位均为像素；

步骤202、待定位焊缝图像降维：图像处理器调用预先采用主成分分析法训练的降维矩阵W并根据公式Y_f′＝WY_f对M×N个待定位焊缝子图像进行降维处理，将M×N个待定位焊缝子图像Y₁、Y₂、L、Y_M×N转换为降维处理后的M×N个待定位焊缝子图像特征向量Y₁′、Y₂′、L、Y_M×N′，其中，Y_f为第f个待定位焊缝子图像且 $Y_f=\left(\begin{array}{c}{Y}_{f1}\\ Y_{f2}\\ \·\·\·\\ Y_{f(m\×n)}\end{array}\right),$ Y′_f为降维处理后的第f个待定位焊缝子图像特征向量，f的取值为1～M×N的自然数；

步骤203、待定位焊缝图像分类：图像处理器将进行降维处理后的M×N个待定位焊缝子图像特征向量输入预先训练得到的三层BP神经网络分类器中，得到M×N个三层BP神经网络分类器的输出，并将M×N个三层BP神经网络分类器的输出作为分别对应于降维处理后的M×N个待定位焊缝子图像特征向量的分类结果；其中，所述三层BP神经网的输出为用于表示待定位焊缝子图像包含焊缝的第一类标识和用于表示待定位焊缝子图像不包含焊缝的第二类标识；

步骤三、焊缝定位，具体过程为：

步骤301、获取待定位焊缝图像的二值分类图像：图像处理器将降维处理后的M×N个待定位焊缝子图像特征向量的分类结果进行组合，构成对应于所述待定位焊缝图像的二值分类图像O(r,c)，所述二值分类图像O(r,c)的大小为M×N个像素，每一个像素对应一个子图像；其中，r为所述二值分类图像O(r,c)的行坐标，c为所述二值分类图像O(r,c)的列坐标；

步骤302、获取二值分类图像的水平方向的积分投影曲线：图像处理器对所述二值分类图像O(r,c)的每一行的像素点进行积分求和，得到所述二值分类图像O(r,c)的水平方向的积分投影曲线

步骤303、根据二值分类图像的水平方向的积分投影曲线定位焊缝：设区域[r₁,r₂]为所述二值分类图像O(r,c)的水平方向的积分投影曲线上的行坐标点r_i的值均超过阈值T的最大区域，图像处理器调用焊缝位置判断模块判断公式r₂-r₁>D是否成立，当公式r₂-r₁>D成立时，判定为所述待定位焊缝图像中的区域为焊缝所在位置区域；否则，当公式r₂-r₁>D不成立时，判定为所述待定位焊缝图像中不包含焊缝；其中，D为待定位焊缝的最小实际宽度，D的单位为像素，r_i∈[r₁,r₂]，阈值T的单位为像素。

上述的一种焊缝的定位方法，其特征在于：步骤202中图像处理器采用主成分分析法训练降维矩阵W的具体过程为：

步骤2021、根据步骤一的方法采集一组待定位焊缝图像作为训练用焊缝图像，并根据步骤201的方法对该组待定位焊缝图像进行分块；

步骤2022、选择q个图像块X₁、X₂、L、X_q，每个所述图像块均由m×n个像素构成；其中，第i个图像块为 $X_i=\left(\begin{array}{c}{X}_{i1}\\ X_{i2}\\ \·\·\·\\ X_{\mathrm{ip}}\end{array}\right),$ p为图像块中的像素个数，p和q均为自然数，i的取值为1～q的自然数；

步骤2023、将q个图像块合并得到p×q维的矩阵

$X=[x_1,x_2,\·\·\·,x_q]=\left[\begin{array}{cccc}{X}_{11}& X_{21}& \·\·\·& X_{q1}\\ X_{12}& X_{22}& \·\·\·& X_{q2}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ X_{1p}& X_{2p}& \·\·\·& X_{\mathrm{qp}}\end{array}\right];$

步骤2024、对矩阵X进行奇异值分解得到X＝U∑V^T，其中，

U＝[u₁,u₂,L,u_p]∈R^p×p，R^p×p为p×p维的实数矩阵，V＝[v₁,v₂,L,v_q]∈R^q×q，R^q×q为q×q维的实数矩阵，Σ＝diag(σ₁,σ₂,L,σ_k)，k＝min(p,q)，u_x为矩阵X的第x个左奇异向量，x的取值为1～p的自然数，v_y为矩阵X的第y个右奇异向量，y的取值为1～q的自然数，σ_j为矩阵X的第j个奇异值，j的取值为1～k的自然数，σ₁≥σ₂≥L≥σ_k≥0；

步骤2025、取U的前h个特征构成特征向量，得到正交的降维矩阵W＝[u₁,u₂,L,u_h]^T，其中，

上述的一种焊缝的定位方法，其特征在于：步骤203中图像处理器预先训练得到三层BP神经网络分类器的具体过程为：

步骤2031、从经过步骤2021处理后的训练用焊缝图像中选择s个图像块X₁、X₂、L、X_s，每个所述图像块均由m×n个像素构成；其中，第λ个图像块为 $X_{\mathrm{\λ}}=\left(\begin{array}{c}{X}_{\mathrm{\λ}1}\\ X_{\mathrm{\λ}2}\\ \·\·\·\\ X_{\mathrm{\λp}}\end{array}\right),$ p为图像块中的像素个数，p和s均为自然数，λ的取值为1～s的自然数；

步骤2032、根据公式X_λ′＝WX_λ将s个图像块X₁、X₂、L、X_s转换为s个图像块特征向量X₁′、X₂′、L、X_s′，其中，X_λ′为第λ个图像块特征向量；

步骤2033、以s个图像块特征向量X₁′、X₂′、L、X_s′作为三层BP神经网络的输入，采用Levenberg-Marquardt算法并利用tans ig函数作为三层BP神经网络的输入层和隐层以及隐层和输出层之间的神经元传递函数，对所述三层BP神经网络进行训练并训练得到三层BP神经网络分类器；其中，所述三层BP神经网络包括一个输入层、一个隐层和一个输出层，所述输入层的节点数为h，所述隐层的节点数为4，所述输出层的节点数为1，训练次数为1000次或当目标平方误差小于0.0001时停止训练。

上述的一种焊缝的定位方法，其特征在于：所述m和n的取值均为1～15的自然数。

上述的一种焊缝的定位方法，其特征在于：步骤203中所述第一类标识为1，所述第二类标识为0。

上述的一种焊缝的定位方法，其特征在于：步骤303中所述阈值T的取值为0.5N。

上述的一种焊缝的定位方法，其特征在于：步骤一中所述单色光为红光或蓝光。

本发明与现有技术相比具有以下优点：

1、本发明的方法步骤简单，实现方便。

1、本发明通过对待检测图像纹理进行分类，从而定位焊缝位置，显著增强了检测方法抗干扰能力，本发明方案在有明显光线反射、钢管锈蚀等情况下，依然能够对焊缝进行可靠地检测和定位。

2、本发明使用工业摄像机完成焊缝的自动检测和定位，相较于基于X射线技术与超声技术的方法，显著降低成本，而且设备体积小，安装使用更方便。

3、本发明的实用性强，使用效果好，便于推广使用。

综上所述，本发明的方法步骤简单，实现方便，抗干扰能力强，工作可靠性高，焊缝定位成本低，安装使用更方便，实用性强，使用效果好，便于推广使用。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的方法流程框图。

图2为本发明采用工业摄像机拍摄到的待定位焊缝图像。

图3为本发明对应于待定位焊缝图像的二值分类图像。

图4为本发明二值分类图像O(r,c)的积分投影曲线

具体实施方式

如图1所示，本发明的焊缝的定位方法，包括以下步骤：

步骤一、待定位焊缝图像采集：采用单色光照射焊缝位置，并采用工业摄像机拍摄待定位焊缝图像且将拍摄到的待定位焊缝图像传输给图像处理器；

本实施例中，步骤一中所述单色光为红光或蓝光。如图2所示，为本实施中采用工业摄像机拍摄到的待定位焊缝图像；

步骤二、待定位焊缝图像预处理，具体过程为：

步骤201、待定位焊缝图像分块：图像处理器接收所述待定位焊缝图像并按照行间隔宽度d和列间隔宽度H将所述待定位焊缝图像分为M×N个待定位焊缝子图像Y₁、Y₂、L、Y_M×N，每个所述待定位焊缝子图像均由m×n个像素构成，其中，M为待定位焊缝子图像的行数，N为待定位焊缝子图像的列数，d、H、M、N、m和n均为自然数，d和H的单位均为像素；

本实施例中，所述m和n的取值均为1～15的自然数。

步骤202、待定位焊缝图像降维：图像处理器调用预先采用主成分分析法训练的降维矩阵W并根据公式Y′_f＝WY_f对M×N个待定位焊缝子图像进行降维处理，将M×N个待定位焊缝子图像Y₁、Y₂、L、Y_M×N转换为降维处理后的M×N个待定位焊缝子图像特征向量Y₁′、Y₂′、L、Y_M×N′，其中，Y_f为第f个待定位焊缝子图像且 $Y_f=\left(\begin{array}{c}{Y}_{f1}\\ Y_{f2}\\ \·\·\·\\ Y_{f(m\×n)}\end{array}\right),$ Y′_f为降维处理后的第f个待定位焊缝子图像特征向量，f的取值为1～M×N的自然数；

本实施例中，步骤202中图像处理器采用主成分分析法训练降维矩阵W的具体过程为：

步骤2021、根据步骤一的方法采集一组待定位焊缝图像作为训练用焊缝图像，并根据步骤201的方法对该组待定位焊缝图像进行分块；

步骤2022、选择q个图像块X₁、X₂、L、X_q，每个所述图像块均由m×n个像素构成；其中，第i个图像块为 $X_i=\left(\begin{array}{c}{X}_{i1}\\ X_{i2}\\ \·\·\·\\ X_{\mathrm{ip}}\end{array}\right),$ p为图像块中的像素个数，p和q均为自然数，i的取值为1～q的自然数；

本实施例中，所述m和n的取值均为1～15的自然数。

步骤2023、将q个图像块合并得到p×q维的矩阵

$X=[x_1,x_2,\·\·\·,x_q]=\left[\begin{array}{cccc}{X}_{11}& X_{21}& \·\·\·& X_{q1}\\ X_{12}& X_{22}& \·\·\·& X_{q2}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ X_{1p}& X_{2p}& \·\·\·& X_{\mathrm{qp}}\end{array}\right];$

步骤2024、对矩阵X进行奇异值分解得到X＝U∑V^T，其中，U＝[u₁,u₂,L,u_p]∈R^p×p，R^p×p为p×p维的实数矩阵，V＝[v₁,v₂,L,v_q]∈R^q×q，R^q×q为q×q维的实数矩阵，Σ＝diag(σ₁,σ₂,L,σ_k)，k＝min(p,q)，u_x为矩阵X的第x个左奇异向量，x的取值为1～p的自然数，v_y为矩阵X的第y个右奇异向量，y的取值为1～q的自然数，σ_j为矩阵X的第j个奇异值，j的取值为1～k的自然数，σ₁≥σ₂≥L≥σ_k≥0；

步骤2025、取U的前h个特征构成特征向量，得到正交的降维矩阵W＝[u₁,u₂,L,u_h]^T，其中，

步骤203、待定位焊缝图像分类：图像处理器将进行降维处理后的M×N个待定位焊缝子图像特征向量输入预先训练得到的三层BP神经网络分类器中，得到M×N个三层BP神经网络分类器的输出，并将M×N个三层BP神经网络分类器的输出作为分别对应于降维处理后的M×N个待定位焊缝子图像特征向量的分类结果；其中，所述三层BP神经网的输出为用于表示待定位焊缝子图像包含焊缝的第一类标识和用于表示待定位焊缝子图像不包含焊缝的第二类标识；

本实施例中，步骤203中所述第一类标识为1，所述第二类标识为0。即当将待定位焊缝子图像输入预先训练得到的三层BP神经网络分类器中，得到三层BP神经网络分类器的输出为1时，表示该待定位焊缝子图像包含焊缝；当将待定位焊缝子图像输入预先训练得到的三层BP神经网络分类器中，得到三层BP神经网络分类器的输出为0时，表示该待定位焊缝子图像不包含焊缝。

本实施例中，步骤203中图像处理器预先训练得到三层BP神经网络分类器的具体过程为：

步骤2031、从经过步骤2021处理后的训练用焊缝图像中选择s个图像块X₁、X₂、L、X_s，每个所述图像块均由m×n个像素构成；其中，第λ个图像块为 $X_{\mathrm{\λ}}=\left(\begin{array}{c}{X}_{\mathrm{\λ}1}\\ X_{\mathrm{\λ}2}\\ \·\·\·\\ X_{\mathrm{\λp}}\end{array}\right),$ p为图像块中的像素个数，p和s均为自然数，λ的取值为1～s的自然数；

步骤2032、根据公式X_λ′＝WX_λ将s个图像块X₁、X₂、L、X_s转换为s个图像块特征向量X₁′、X₂′、L、X_s′，其中，X_λ′为第λ个图像块特征向量；

步骤2033、以s个图像块特征向量X₁′、X₂′、L、X_s′作为三层BP神经网络的输入，采用Levenberg-Marquardt算法并利用tans ig函数作为三层BP神经网络的输入层和隐层以及隐层和输出层之间的神经元传递函数，对所述三层BP神经网络进行训练并训练得到三层BP神经网络分类器；其中，所述三层BP神经网络包括一个输入层、一个隐层和一个输出层，所述输入层的节点数为h，所述隐层的节点数为4，所述输出层的节点数为1，训练次数为1000次或当目标平方误差小于0.0001时停止训练。采用Levenberg-Marquardt算法并利用tans ig函数作为三层BP神经网络的输入层和隐层以及隐层和输出层之间的神经元传递函数，对三层BP神经网络进行训练的方法参见文献：Yu,Hao,and Bogdan M.Wi lamowski."Levenberg-marquardt training."The Industrial ElectronicsHandbook 5(2011):1-15。

步骤三、焊缝定位，具体过程为：

步骤301、获取待定位焊缝图像的二值分类图像：图像处理器将降维处理后的M×N个待定位焊缝子图像特征向量的分类结果进行组合，构成对应于所述待定位焊缝图像的二值分类图像O(r,c)，所述二值分类图像O(r,c)的大小为M×N个像素，每一个像素对应一个子图像；其中，r为所述二值分类图像O(r,c)的行坐标，c为所述二值分类图像O(r,c)的列坐标；如图3所示，为本实施例中对应于所述待定位焊缝图像的二值分类图像O(r,c)；

步骤302、获取二值分类图像的水平方向的积分投影曲线：图像处理器对所述二值分类图像O(r,c)的每一行的像素点进行积分求和，得到所述二值分类图像O(r,c)的水平方向的积分投影曲线如图4所示，为本实施例中二值分类图像O(r,c)的积分投影曲线图4中，横坐标表示二值分类图像O(r,c)的行号，纵坐标表示包含焊缝的子图像的个数。

步骤303、根据二值分类图像的水平方向的积分投影曲线定位焊缝：设区域[r₁,r₂]为所述二值分类图像O(r,c)的水平方向的积分投影曲线上的行坐标点r_i的值均超过阈值T的最大区域，图像处理器调用焊缝位置判断模块判断公式r₂-r₁>D是否成立，当公式r₂-r₁>D成立时，判定为所述待定位焊缝图像中的区域为焊缝所在位置区域；否则，当公式r₂-r₁>D不成立时，判定为所述待定位焊缝图像中不包含焊缝；其中，D为待定位焊缝的最小实际宽度，D的单位为像素，r_i∈[r₁,r₂]，阈值T的单位为像素。

本实施例中，步骤303中所述阈值T的取值为0.5N。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (7)

1.一种焊缝的定位方法，其特征在于该方法包括以下步骤：

步骤一、待定位焊缝图像采集：采用单色光照射焊缝位置，并采用工业摄像机拍摄待定位焊缝图像且将拍摄到的待定位焊缝图像传输给图像处理器；

步骤二、待定位焊缝图像预处理，具体过程为：

步骤201、待定位焊缝图像分块：图像处理器接收所述待定位焊缝图像并按照行间隔宽度d和列间隔宽度H将所述待定位焊缝图像分为M×N个待定位焊缝子图像Y₁、Y₂、…、Y_M×N，每个所述待定位焊缝子图像均由m×n个像素构成，其中，M为待定位焊缝子图像的行数，N为待定位焊缝子图像的列数，d、H、M、N、m和n均为自然数，d和H的单位均为像素；

步骤202、待定位焊缝图像降维：图像处理器调用预先采用主成分分析法训练的降维矩阵W并根据公式Y′_f＝WY_f对M×N个待定位焊缝子图像进行降维处理，将M×N个待定位焊缝子图像Y₁、Y₂、…、Y_M×N转换为降维处理后的M×N个待定位焊缝子图像特征向量Y₁′、Y₂′、…、Y_M×N′，其中，Y_f为第f个待定位焊缝子图像且 $Y_f=\left(\begin{array}{c}{Y}_{f1}\\ Y_{f2}\\ ...\\ Y_{f(m\×n)}\end{array}\right),$ Y′_f为降维处理后的第f个待定位焊缝子图像特征向量，f的取值为1～M×N的自然数；

步骤203、待定位焊缝图像分类：图像处理器将进行降维处理后的M×N个待定位焊缝子图像特征向量输入预先训练得到的三层BP神经网络分类器中，得到M×N个三层BP神经网络分类器的输出，并将M×N个三层BP神经网络分类器的输出作为分别对应于降维处理后的M×N个待定位焊缝子图像特征向量的分类结果；其中，所述三层BP神经网的输出为用于表示待定位焊缝子图像包含焊缝的第一类标识和用于表示待定位焊缝子图像不包含焊缝的第二类标识；

步骤三、焊缝定位，具体过程为：

步骤301、获取待定位焊缝图像的二值分类图像：图像处理器将降维处理后的M×N个待定位焊缝子图像特征向量的分类结果进行组合，构成对应于所述待定位焊缝图像的二值分类图像O(r,c)，所述二值分类图像O(r,c)的大小为M×N个像素，每一个像素对应一个子图像；其中，r为所述二值分类图像O(r,c)的行坐标，c为所述二值分类图像O(r,c)的列坐标；

步骤302、获取二值分类图像的水平方向的积分投影曲线：图像处理器对所述二值分类图像O(r,c)的每一行的像素点进行积分求和，得到所述二值分类图像O(r,c)的水平方向的积分投影曲线

步骤303、根据二值分类图像的水平方向的积分投影曲线定位焊缝：设区域[r₁,r₂]为所述二值分类图像O(r,c)的水平方向的积分投影曲线上的行坐标点r_i的值均超过阈值T的最大区域，图像处理器调用焊缝位置判断模块判断公式r₂-r₁>D是否成立，当公式r₂-r₁>D成立时，判定为所述待定位焊缝图像中的区域为焊缝所在位置区域；否则，当公式r₂-r₁>D不成立时，判定为所述待定位焊缝图像中不包含焊缝；其中，D为待定位焊缝的最小实际宽度，D的单位为像素，r_i∈[r₁,r₂]，阈值T的单位为像素。

2.按照权利要求1所述的一种焊缝的定位方法，其特征在于：步骤202中图像处理器采用主成分分析法训练降维矩阵W的具体过程为：

步骤2021、根据步骤一的方法采集一组待定位焊缝图像作为训练用焊缝图像，并根据步骤201的方法对该组待定位焊缝图像进行分块；

步骤2022、选择q个图像块X₁、X₂、…、X_q，每个所述图像块均由m×n个像素构成；其中，第i个图像块为 $X_i=\left(\begin{array}{c}{X}_{i1}\\ X_{i2}\\ ...\\ X_{\mathrm{ip}}\end{array}\right),$ p为图像块中的像素个数，p和q均为自然数，i的取值为1～q的自然数；

步骤2023、将q个图像块合并得到p×q维的矩阵

$X=[x_1,x_2,...,x_q]=\left[\begin{array}{cccc}{X}_{11}& X_{21}& ...& X_{q1}\\ X_{12}& X_{22}& ...& X_{q2}\\ ...& ...& ...& ...\\ X_{1p}& X_{2p}& ...& X_{\mathrm{qp}}\end{array}\right];$

步骤2024、对矩阵X进行奇异值分解得到X＝U∑V^T，其中，U＝[u₁,u₂,…,u_p]∈R^p×p，R^p×p为p×p维的实数矩阵，V＝[v₁,v₂,…,v_q]∈R^q×q，R^q×q为q×q维的实数矩阵，Σ＝diag(σ₁,σ₂,…,σ_k)，k＝min(p,q)，u_x为矩阵X的第x个左奇异向量，x的取值为1～p的自然数，v_y为矩阵X的第y个右奇异向量，y的取值为1～q的自然数，σ_j为矩阵X的第j个奇异值，j的取值为1～k的自然数，σ₁≥σ₂≥…≥σ_k≥0；

步骤2025、取U的前h个特征构成特征向量，得到正交的降维矩阵W＝[u₁,u₂,…,u_h]^T，其中，

3.按照权利要求2所述的一种焊缝的定位方法，其特征在于：步骤203中图像处理器预先训练得到三层BP神经网络分类器的具体过程为：

步骤2031、从经过步骤2021处理后的训练用焊缝图像中选择s个图像块X₁、X₂、…、X_s，每个所述图像块均由m×n个像素构成；其中，第λ个图像块为 $X_{\mathrm{\λ}}=\left(\begin{array}{c}{X}_{\mathrm{\λ}1}\\ X_{\mathrm{\λ}2}\\ ...\\ X_{\mathrm{\λp}}\end{array}\right),$ p为图像块中的像素个数，p和s均为自然数，λ的取值为1～s的自然数；

步骤2032、根据公式X_λ′＝WX_λ将s个图像块X₁、X₂、…、X_s转换为s个图像块特征向量X₁′、X₂′、…、X_s′，其中，X_λ′为第λ个图像块特征向量；

步骤2033、以s个图像块特征向量X₁′、X₂′、…、X_s′作为三层BP神经网络的输入，采用Levenberg-Marquardt算法并利用tans ig函数作为三层BP神经网络的输入层和隐层以及隐层和输出层之间的神经元传递函数，对所述三层BP神经网络进行训练并训练得到三层BP神经网络分类器；其中，所述三层BP神经网络包括一个输入层、一个隐层和一个输出层，所述输入层的节点数为h，所述隐层的节点数为4，所述输出层的节点数为1，训练次数为1000次或当目标平方误差小于0.0001时停止训练。

4.按照权利要求1～3中任一权利要求所述的一种焊缝的定位方法，其特征在于：所述m和n的取值均为1～15的自然数。

5.按照权利要求1～3中任一权利要求所述的一种焊缝的定位方法，其特征在于：步骤203中所述第一类标识为1，所述第二类标识为0。

6.按照权利要求1～3中任一权利要求所述的一种焊缝的定位方法，其特征在于：步骤303中所述阈值T的取值为0.5N。

7.按照权利要求1～3中任一权利要求所述的一种焊缝的定位方法，其特征在于：步骤一中所述单色光为红光或蓝光。