苗璐，景文博，蔡立娟，山顯響

（1.長(zhǎng)春理工大學(xué) 電子信息工程學(xué)院，長(zhǎng)春 130022；2.長(zhǎng)春理工大學(xué) 光電工程學(xué)院，長(zhǎng)春 130022）

在社會(huì)飛速發(fā)展進(jìn)步的今天，人們的生產(chǎn)生活也由原始的手工制造轉(zhuǎn)向?yàn)闄C(jī)械化。而在機(jī)械制造的過(guò)程中，金屬焊接是及其重要的一個(gè)環(huán)節(jié)[1］，其中焊縫的大小形狀會(huì)影響產(chǎn)品的外觀，而焊縫質(zhì)量差則會(huì)導(dǎo)致產(chǎn)品不合格，因此焊縫的檢測(cè)對(duì)企業(yè)的生產(chǎn)效率有著非凡的意義，焊縫的寬度是檢測(cè)焊縫質(zhì)量的一個(gè)重要指標(biāo)。

在已有的焊縫寬度檢測(cè)方法中常用的傳統(tǒng)方法為人工目測(cè)法[2］。利用測(cè)量工具焊縫檢驗(yàn)尺和人眼進(jìn)行檢測(cè)，這種依靠人力經(jīng)驗(yàn)的檢測(cè)技術(shù)會(huì)因工作時(shí)長(zhǎng)致使的疲勞和檢測(cè)水平的問(wèn)題造成誤測(cè)漏測(cè)，且效率低下。而常用的自動(dòng)化焊縫檢測(cè)技術(shù)有超聲波和X射線探傷等[3］，這些方法實(shí)時(shí)性差，且會(huì)受到檢測(cè)目標(biāo)材質(zhì)的限制影響，造價(jià)昂貴，對(duì)操作人的健康也會(huì)產(chǎn)生一些影響。因此針對(duì)上述技術(shù)的缺陷，提出基于機(jī)器視覺(jué)的方法，用高速相機(jī)采集焊縫圖像，代替人工目測(cè)計(jì)算焊縫的寬度，以實(shí)現(xiàn)焊縫寬度檢測(cè)的自動(dòng)化。

本文采用機(jī)器視覺(jué)技術(shù)對(duì)焊縫的寬度進(jìn)行全自動(dòng)高精度處理，實(shí)現(xiàn)了焊縫寬度的有效測(cè)量，大大減小了人工處理過(guò)程所帶來(lái)的誤差，提高了效率。文中將改進(jìn)的圖像算法應(yīng)用到實(shí)際背景中提取目標(biāo)輪廓，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法的準(zhǔn)確性與高精度，具有十分重要的實(shí)用價(jià)值和參考意義。

1 系統(tǒng)工作原理

該系統(tǒng)的主要組成部分有：光源、控制系統(tǒng)、圖像輸入設(shè)備和計(jì)算機(jī)及圖像處理與數(shù)據(jù)分析軟件，系統(tǒng)結(jié)構(gòu)如圖1所示[4］。

圖1 系統(tǒng)結(jié)構(gòu)圖

在對(duì)焊縫寬度的實(shí)時(shí)測(cè)量過(guò)程中，將CCD相機(jī)固定在待測(cè)焊縫的正面位置，通過(guò)控制指令完成對(duì)相機(jī)及光源的控制，保證圖像質(zhì)量。在CCD相機(jī)采集到圖像后，計(jì)算機(jī)對(duì)圖像進(jìn)行預(yù)處理，提取焊縫特征點(diǎn)、計(jì)算獲得焊縫寬度值。在實(shí)際生產(chǎn)中，雖然背景模型不同，但是焊縫圖像在大部分情況下成像特征基本一致，且明顯。當(dāng)相機(jī)在待檢焊縫區(qū)域進(jìn)行拍攝后，圖像采集卡緩沖區(qū)便保存了所得的數(shù)據(jù)，將數(shù)據(jù)保存為BMP文件。獲得圖像后，依次進(jìn)行圖像預(yù)處理，輪廓提取和寬度計(jì)算，檢測(cè)流程如圖2所示。

圖2 焊縫檢測(cè)流程圖

2 圖像預(yù)處理

2.1 改進(jìn)的圖像增強(qiáng)算法

在獲取焊縫圖像的過(guò)程中，由于電子設(shè)備及環(huán)境的影響，不可避免地會(huì)引入一些噪聲。由這些噪聲引起的圖像失真、變形即使有些不被人眼看見(jiàn)，但在圖像處理中還是會(huì)影響到細(xì)節(jié)部分。而且由于焊縫材料的特殊性，會(huì)使焊縫的輪廓特征受其背景的影響，從而影響焊縫寬度測(cè)量的精度。采用圖像增強(qiáng)算法[5］就是為了使目標(biāo)輪廓呈現(xiàn)一個(gè)理想狀態(tài)，最大清晰化視覺(jué)效果。本文所采用的方法是改進(jìn)的直方圖均衡算法[6］。

灰度級(jí)范圍為[0，L-1]的數(shù)字圖像直方圖是離散函數(shù)h(rk)=nk，其中rk是第k級(jí)灰度值，nk是圖像中灰度為rk的像素個(gè)數(shù)。歸一化的直方圖由給出，其中k=0，1，2，…，L-1，MN是圖像中像素的總數(shù)。圖像的灰度等級(jí)可看成是區(qū)間[0，L-1]內(nèi)的隨機(jī)變量，隨機(jī)變量的基本描繪是其概率密度函數(shù)（PDF）。令pr(r)和ps(s)分別表示隨機(jī)變量r和s的概率密度函數(shù)。輸出灰度變量s的PDF可由下式得到。

可以看出灰度變量s由輸入灰度的變換函數(shù)決定，則變換（映射）后的變量s的PDF變換函數(shù)有如下形式：

把dr/ds的這個(gè)結(jié)果代入式（1），并記住概率密度值為正，得到：

這是一個(gè)均勻概率密度函數(shù)。將式（2）中變換的離散形式為：

在這個(gè)公式中，變換T(rk)稱為直方圖均衡或直方圖線性變換[7］。直方圖均衡作為自適應(yīng)對(duì)比度的強(qiáng)大工具，對(duì)圖像有著很好的視覺(jué)效果，但由于是對(duì)整幅圖像進(jìn)行全局處理，會(huì)導(dǎo)致細(xì)節(jié)丟失和局部增強(qiáng)不足或過(guò)增強(qiáng)現(xiàn)象，而且還有著放大圖像中的噪聲的缺點(diǎn)。

針對(duì)于上述算法存在的不足，采用直方圖均衡化和對(duì)圖像進(jìn)行線性操作相結(jié)合的方法對(duì)其進(jìn)行改進(jìn)。由于焊縫的圖像特點(diǎn)是特征明顯的近似于矩形的輪廓，因此采用分段線性變換的方法對(duì)圖像進(jìn)行處理[8］，既保留圖像原有的信息，同時(shí)還能夠突出感興趣的區(qū)域，抑制濾掉不需要的圖像背景。分段線性變換的關(guān)鍵是分段點(diǎn)的選取，此處采用自適應(yīng)閾值的方法來(lái)確定分段點(diǎn)[9］。

圖像設(shè)備的動(dòng)態(tài)范圍為[0，a]，圖像的灰度范圍為[min，max]。則具體變換公式為：

式中，k0為目標(biāo)區(qū)域拉伸系數(shù)，；k1表示過(guò)渡區(qū)保持系數(shù)，；而k2為背景區(qū)抑制系統(tǒng)，。本文中對(duì)背景的灰度級(jí)進(jìn)行壓縮，對(duì)（1-6）式中的系數(shù)設(shè)置約束條件k0＞1，k1=1，k2＜1，則可推出（1-6）式中的系數(shù)，求解出k0的范圍

2.2 輪廓提取

圖像閾值分割[10］是一種被廣泛使用的圖像分割技術(shù)，它利用了圖像中要提取的目標(biāo)與背景在灰度特性上的差異，把圖像視為具有不同灰度級(jí)的兩類區(qū)域目標(biāo)和背景的組合，選取一個(gè)合適的閾值，以確定圖像中的每一個(gè)像素點(diǎn)應(yīng)該屬于目標(biāo)區(qū)域還是背景區(qū)域，從而進(jìn)行相應(yīng)的二值圖像閾值分割。根據(jù)焊縫圖像的特點(diǎn)，本文選擇基于最大閾值Ostu的圖像分割算法[11］，它的灰度值給出最好的類間分離的閾值，是以在一副圖像的直方圖上執(zhí)行計(jì)算為基礎(chǔ)的，這樣做不僅可以大量壓縮數(shù)據(jù)減少存儲(chǔ)容量，而且能大大簡(jiǎn)化其后的分析和處理步驟。

但是圖像中還存在著影響計(jì)算的其他細(xì)小雜質(zhì)，不利于提取焊縫的骨架信息。還需進(jìn)行形態(tài)學(xué)運(yùn)算。由于焊縫圖像的特點(diǎn)，為了避免焊縫圖像細(xì)節(jié)信息丟失，用大小為2×3且元素都是1的矩形結(jié)構(gòu)先進(jìn)行垂直方向上的腐蝕操作去除圖像中的雜點(diǎn)。然后進(jìn)行閉運(yùn)算，彌合圖像中的焊縫的間斷和溝壑，填補(bǔ)輪廓線的斷裂。

3 寬度檢測(cè)

由于焊縫邊緣特征明顯，焊縫的邊緣是兩條直線，所以兩條直線之間的距離即為焊縫寬度，本文利用霍夫變換進(jìn)行直線檢測(cè)[12］。

圖3 霍夫變換原理圖

霍夫檢測(cè)直線常用的方法是[13］，將平面中的一條直線l用極坐標(biāo)系的方式表示：

其中，ρ表示直角坐標(biāo)系中原點(diǎn)到直線的距離，θ表示x軸與ρ的夾角。這樣圖像平面中的像素點(diǎn)就對(duì)應(yīng)到平面ρ-θ上的一條曲線上。如果對(duì)位于同一直線上的點(diǎn)進(jìn)行變換，原圖像中每點(diǎn)在參數(shù)空間對(duì)應(yīng)得到有n條正弦曲線，并且這些曲線相交于一點(diǎn)。

兩條直線分別為l1：ρ1=xcosθ1+ysinθ1和l2：ρ2=xcosθ2+ysinθ2。當(dāng)，兩條直線平行時(shí)，則焊縫的寬度為：

圖4 寬度計(jì)算原理圖

4 實(shí)驗(yàn)結(jié)果及數(shù)據(jù)分析

圖5 圖像增強(qiáng)效果對(duì)比圖

圖5（a）為采集到的未經(jīng)處理的焊縫圖像，圖5（b）為經(jīng)過(guò)直方圖增強(qiáng)后的圖像，可以看出經(jīng)直方圖均衡化后焊縫圖像輪廓明顯，但是背景引入了大量的噪聲，有很多的雜質(zhì)。此時(shí)采用中值濾波的方法平滑掉一些噪聲，效果如圖5（c）。噪聲被有效抑制，但是仍需進(jìn)一步增強(qiáng)，圖5（d）是使用改進(jìn)的增強(qiáng)算法處理的圖像?？梢钥闯鰣D像增強(qiáng)效果明顯，焊縫圖像經(jīng)分段線性變換后焊縫的輪廓與背景能夠很好的分離，能夠有效的抑制邊緣噪聲，且保留目標(biāo)區(qū)域的圖像特征。

在經(jīng)過(guò)直方圖均衡化與分段線性變換相結(jié)合的算法對(duì)圖像增強(qiáng)后，進(jìn)行輪廓提取。此處采用基于最大閾值Ostu的方法進(jìn)行圖像分割如圖6（a），可以看出經(jīng)過(guò)處理后的圖像輪廓分割明顯，焊縫邊緣與背景能夠分離開(kāi)來(lái)，僅保留些背景中的細(xì)小噪聲。接下來(lái)進(jìn)行形態(tài)學(xué)運(yùn)算，提取骨架信息如圖6（b），圖像中僅剩焊縫輪廓被保留。

圖6 輪廓提取效果圖

本系統(tǒng)采用的相機(jī)分辨率R為2048×1536，像元尺寸S為3.45×3.45μm，焦距f為30mm。拍攝距離D為20cm～30cm，因此像素代表的實(shí)際尺寸d大小為0.023mm～0.035mm。此處由于拍攝距離不定，可以利用控制系統(tǒng)對(duì)移動(dòng)距離進(jìn)行實(shí)時(shí)控制。

為了驗(yàn)證本文方法較其他方法有效，精度有所提高。采集了不同類型的焊縫圖像，引入了射線檢測(cè)圖像邊緣的算法[14］和基于多視覺(jué)特征的激光拼焊算法[15］及本文算法與人工用千分尺測(cè)量的結(jié)果作對(duì)比。測(cè)量的結(jié)果分別在表1中列出，本次實(shí)驗(yàn)采集了十組圖像，以下是數(shù)據(jù)對(duì)比。

表1 十組圖像的測(cè)量數(shù)據(jù)

表2 不同工作方式的測(cè)量時(shí)間

表1記錄了不同算法對(duì)十種樣品測(cè)量結(jié)果的數(shù)據(jù)，橫坐標(biāo)為組號(hào)，縱坐標(biāo)表示測(cè)量的焊縫寬度，Algorithm1 Width、Algorithm2 Width、Algorithm3 Width分別表示由射線檢測(cè)圖像邊緣的算法[14］和基于多視覺(jué)特征的激光拼焊算法[15及本文算法測(cè)量的結(jié)果，Physical Width為人工測(cè)量的作為參照基準(zhǔn)的物理尺寸，表2記錄了這幾種不同工作方式測(cè)量所需的時(shí)間。本文引入標(biāo)準(zhǔn)差來(lái)對(duì)焊縫的測(cè)量精度進(jìn)行評(píng)價(jià)，由公式（2-4）計(jì)算不同算法的測(cè)量精度，由表3可以看出本文算法的測(cè)量精度最高，δ為0.01mm。

表3 不同工作方式的測(cè)量精度

圖7顯示了這幾種不同測(cè)量方式的測(cè)量結(jié)果的對(duì)比。由圖7可以看出Algorithm3 Width和Physical Width兩條曲線幾乎重合，說(shuō)明本文的方法更為準(zhǔn)確。圖8顯示了不同測(cè)量方式測(cè)量所需時(shí)間的對(duì)比，縱坐標(biāo)表示測(cè)量的時(shí)間，Manual Time為人工測(cè)量結(jié)果，Algorithm3 Time為本文算法測(cè)量結(jié)果?？梢钥闯霰疚乃惴ǖ臋z測(cè)時(shí)間更短，比人工檢測(cè)的時(shí)間低于一個(gè)數(shù)量級(jí)，說(shuō)明該算法的效率更高。

圖7 測(cè)量結(jié)果對(duì)比圖

圖8 測(cè)量時(shí)間對(duì)比圖

5 結(jié)論

經(jīng)過(guò)多次實(shí)驗(yàn)采取不同的樣品進(jìn)行測(cè)量，結(jié)果表明測(cè)量系統(tǒng)的測(cè)量精度可達(dá)0.01mm，可有效檢測(cè)出焊縫的寬度，且效率更高?；跈C(jī)器視覺(jué)的焊縫寬度檢測(cè)系統(tǒng)的測(cè)量方法在精度、準(zhǔn)確性上比人工測(cè)量方法有著較大的提升，為其他自動(dòng)檢測(cè)模式提供了參考價(jià)值，在生產(chǎn)生活中使用更為高效、便捷，對(duì)促進(jìn)其他工業(yè)發(fā)展有著重要的意義。

[1]陳莉，趙海麗，張瑜，等.圖像法在管道焊接裂縫檢測(cè)中的應(yīng)用[J］.長(zhǎng)春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2017，40（2）：115-117.

[2]王慧玲.基于機(jī)器視覺(jué)的焊縫缺陷檢測(cè)技術(shù)的研究[D］.哈爾濱：哈爾濱理工大學(xué)，2008.

[3]鄧輝，謝俊，孟廣月，等.基于機(jī)器視覺(jué)的重復(fù)定位精度測(cè)量技術(shù)[J］.電子測(cè)量技術(shù)，2014，37（12）：45-48.

[4]張楊.基于雙目立體視覺(jué)的CCD測(cè)距系統(tǒng)設(shè)計(jì)[D］.長(zhǎng)春：長(zhǎng)春理工大學(xué)，2010.

[5]方明，李洪娜，雷立宏，等.低照度視頻圖像增強(qiáng)算法綜述[J］.長(zhǎng)春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，39（3）：56-64.

[6]Sim KS，Tso CP，Tan YY.Recursive sub-image histogram equalization applied to gray scale images[J］.Pattern Recognit.Letters，2007，28（10）：1209-1221.

[7]Bhatnagar G，Jonathan Wu QM，Liu Z.Directive contrast based multimodal medical image fusion in NSCT domain[J］.IEEE Transactions on Multimedia，2013，15（5）：1014-1024

[8]Rani S，Kumar M.Contrast enhancement using improved adaptivegammacorrection with weighting distribution technique[J］.InternationalJournalof Computer Applications，2014，101（11）：47-53.

[9]路建方，王新賽，肖志洋，等.基于FPGA的紅外圖像自適應(yīng)分段線性增強(qiáng)算法[J］.紅外技術(shù)，2013，35（2）：102-106.

[10]Barnich O，Van Droogenbroeck M.ViBe.A universal background subtraction algorithm for video sequences[J］.IEEE Transactions on Image Processing，2011，20（6）：1709-1724.

[11]秦雪，王歡，嚴(yán)曄，等.基于圖像邊緣檢測(cè)的圖像識(shí)別算法[J］.長(zhǎng)春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2015，38（4）：127-131.

[12]閆懷仁，楊慕升.基于改進(jìn)的Hough變換的直線提取算法[J］.紅外技術(shù)，2015，37（11）：970-975.

[13]楊順遼.基Hough變換提取直線的改進(jìn)方法研究[J］.電腦與信息技術(shù)，2006，14（5）：29-31.

[14]喬曉鵬，梁淑艷，丁克勤，等.用于微焊縫寬度測(cè)量的射線檢測(cè)圖像邊緣處理方法[J］.無(wú)損檢測(cè)，2009，31（7）：560-562.

[15]鄒媛媛，甘洪巖，張琦.基于多視覺(jué)特征的激光拼焊焊縫寬度檢測(cè)[J］.焊接技術(shù)，2017，46（01）：64-69.