3. 基于模板匹配的焊缝类型识别

任务目标

构建一个最小可用的焊缝模板匹配识别系统：预先为I型、V型、U型三种焊缝各建立模板图像，输入待识别焊缝图像后，通过归一化相关系数匹配（NCC）判定焊缝类型，并输出匹配得分与识别结果。

环境与依赖

• Python 3.8+
• OpenCV（opencv-python）
• NumPy

实现要点

本案例使用灰度图像与归一化相关系数匹配（cv2.matchTemplate + TM_CCOEFF_NORMED）。该方法对光照变化不敏感，适合焊缝图像在固定工位下的识别场景。模板库以字典形式存储，键为焊缝类型名称，值为对应的模板图像路径。识别时依次与每个模板匹配，取最高得分对应的类型作为输出。

关键完整代码

import cv2
import numpy as np
from pathlib import Path

# ========== 模板库构建 ==========
# 模板图像目录结构：
#   templates/
#     I_type.png
#     V_type.png
#     U_type.png
TEMPLATE_DIR = Path("templates")

def build_template_library(template_dir: Path) -> dict:
    """加载模板目录下所有焊缝模板图像"""
    library = {}
    for img_path in template_dir.glob("*.png"):
        img = cv2.imread(str(img_path), cv2.IMREAD_GRAYSCALE)
        if img is None:
            raise ValueError(f"无法加载模板图像: {img_path}")
        library[img_path.stem] = img
    return library

# ========== 焊缝类型识别 ==========
def classify_weld(image: np.ndarray, template_lib: dict) -> tuple:
    """
    对输入图像进行模板匹配，返回 (焊缝类型, 最高得分)
    image: 待识别灰度图像（尺寸需大于等于模板尺寸）
    """
    best_type = None
    best_score = -1.0

    for weld_type, template in template_lib.items():
        # 输入图像尺寸必须不小于模板尺寸
        if image.shape[0] < template.shape[0] or image.shape[1] < template.shape[1]:
            continue

        result = cv2.matchTemplate(image, template, cv2.TM_CCOEFF_NORMED)
        _, max_val, _, _ = cv2.minMaxLoc(result)

        if max_val > best_score:
            best_score = max_val
            best_type = weld_type

    return best_type, best_score

# ========== 最小调用入口 ==========
if __name__ == "__main__":
    # 1. 构建模板库
    templates = build_template_library(TEMPLATE_DIR)

    # 2. 加载待识别图像（示例：V型焊缝）
    test_img = cv2.imread("test_weld.png", cv2.IMREAD_GRAYSCALE)
    if test_img is None:
        raise FileNotFoundError("未找到测试图像 test_weld.png")

    # 3. 执行识别
    weld_type, score = classify_weld(test_img, templates)

    # 4. 输出结果
    print(f"识别焊缝类型: {weld_type}")
    print(f"匹配得分: {score:.4f}")

    # 5. 判定阈值（可根据实际场景调整）
    threshold = 0.75
    if score >= threshold:
        print(f"判定结果: 可靠识别为 {weld_type}")
    else:
        print("判定结果: 匹配度不足，请检查输入图像或补充模板")

运行与验证

1. 准备模板图像：创建 templates/ 目录，放入三张焊缝截面灰度图，分别命名为 I_type.png、V_type.png、U_type.png。模板应只包含焊缝区域，背景尽量简洁。
2. 准备测试图像：在程序同级目录放置 test_weld.png，内容为某一种焊缝的截面图。
3. 执行程序：python weld_classifier.py
4. 通过条件：程序输出的焊缝类型与测试图像实际类型一致，且匹配得分 ≥ 0.75。若得分低于阈值，程序会提示匹配度不足，此时应检查模板与测试图像的拍摄角度、尺度是否一致。

常见问题

• 模板与测试图像尺度不一致：模板匹配要求测试图像尺寸 ≥ 模板尺寸。若实际场景中焊缝大小变化明显，需先对图像做尺度归一化（如统一缩放到固定宽度）。
• 得分普遍偏低：检查模板是否包含过多背景噪声，建议裁剪模板时只保留焊缝坡口区域。
• 误识别：当I型与U型外观接近时，可增加模板数量（如不同焊接参数下的子模板），或提高判定阈值。

上述流程图中，模板库与待识别图像并行进入NCC匹配模块，对每个模板计算归一化相关系数并取最大值，最终比较各模板得分并依据阈值输出判定结果。该流程与代码实现一一对应，可直接用于理解算法逻辑与调试。