劉堅(jiān)，董力成，索鑫宇

（湖南大學(xué)汽車(chē)車(chē)身先進(jìn)設(shè)計(jì)制造國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖南長(zhǎng)沙，410082）

裝載核燃料的薄壁鋯管是重水堆核燃料元件的重要組成部分.為保證核燃料元件的密封性，需在鋯管兩端焊接端塞，因此鋯管內(nèi)外壁均進(jìn)行120°倒角作為焊接坡口.由于鋯管兩端內(nèi)外壁坡口質(zhì)量直接影響焊接品質(zhì)進(jìn)而影響核電反應(yīng)的安全可靠性，因此在焊接前對(duì)內(nèi)外坡口進(jìn)行缺陷檢測(cè)極為必要.實(shí)際生產(chǎn)中，依附于鋯管內(nèi)外壁坡口處的異物是鋯管坡口最為常見(jiàn)的一種缺陷.根據(jù)來(lái)源不同，鋯管異物大體分為兩類(lèi)：一類(lèi)是坡口車(chē)削過(guò)程中殘留在管壁上的鋯屑，另一類(lèi)則為人工搬運(yùn)過(guò)程中沾附的手套針織纖維.這兩種異物均易造成焊縫中存在裂痕，當(dāng)裂痕足夠大時(shí)，將嚴(yán)重影響焊縫強(qiáng)度和密封性，使核燃料存在泄漏通道，直接影響核反應(yīng)的安全可靠性.

目前，鋯管坡口處異物檢測(cè)方式為人工抽檢，由于兩類(lèi)坡口異物均較為細(xì)小，肉眼難以辨別，因此坡口異物人工檢驗(yàn)具有準(zhǔn)確率低、效率低等缺點(diǎn)，無(wú)法滿足核燃料元件自動(dòng)化生產(chǎn)的節(jié)拍需要.為在全面保證核燃料元件制造品質(zhì)的基礎(chǔ)上進(jìn)一步提升生產(chǎn)效率，對(duì)鋯管坡口異物進(jìn)行在線自動(dòng)全檢，以實(shí)現(xiàn)坡口異物的精確高效檢測(cè)，具有極為重要的工程應(yīng)用價(jià)值.

近年來(lái)，機(jī)器視覺(jué)的快速發(fā)展為缺陷在線檢測(cè)提供了新的思路，并取得了一定進(jìn)展.針對(duì)電機(jī)銅排表面毛刺缺陷，范劍英等人[1]使用形態(tài)學(xué)算法去除毛刺獲得無(wú)缺陷模板，利用模板匹配方法判定缺陷；針對(duì)高反光金屬表面缺陷，劉婷婷等人[2]改進(jìn)Zernike矩算法提取缺陷亞像素邊緣并分割缺陷輪廓，通過(guò)計(jì)算連通區(qū)域的幾何參數(shù)及全局信息熵以判定缺陷；針對(duì)水果表面缺陷，Zhang等人[3]將C 均值算法與非線性規(guī)劃遺傳算法結(jié)合以分割疑似缺陷圖像，使用主成分分析法判定缺陷；針對(duì)光伏元件表面缺陷，Akram等人[4]采用電致發(fā)光成像法拍攝光伏元件圖像，使用高斯濾波算法對(duì)圖像進(jìn)行去噪處理，然后將處理后圖像輸入卷積神經(jīng)網(wǎng)絡(luò)以判定缺陷.

針對(duì)鋯管坡口表面缺陷視覺(jué)檢測(cè)，近年來(lái)研究較少，僅有Guo等人[5]使用卷積神經(jīng)網(wǎng)絡(luò)的方法對(duì)鋯管表面劃痕進(jìn)行了檢測(cè).鋯管為薄壁管狀零件，待測(cè)內(nèi)外壁坡口均為小面積的圓錐曲面.近年，針對(duì)曲面的表面缺陷檢測(cè)主要進(jìn)展如下：陳昊等人[6]對(duì)基于圖像光流方法的軸承圓錐滾子外壁的缺陷檢測(cè)進(jìn)行了研究，根據(jù)缺陷區(qū)域光流值與其它背景區(qū)域的差異性，生成偽彩色圖像，實(shí)現(xiàn)缺陷區(qū)域的粗略定位，再對(duì)局部缺陷圖像進(jìn)行二值化處理，分割出缺陷區(qū)域；趙妍等人[7]針對(duì)玻璃瓶瓶口的缺陷檢測(cè)進(jìn)行了研究，將瓶口圓環(huán)狀圖像展開(kāi)成矩形圖像后，對(duì)展開(kāi)后的矩形圖像進(jìn)行裁剪拼接，再基于改進(jìn)HOG 算法提取圖像各區(qū)域特征，最后采用支持向量機(jī)進(jìn)行缺陷分類(lèi).

基于重水堆核燃料鋯管坡口異物檢測(cè)的精度和效率要求，本文提出了一種基于平均模板的鋯管坡口異物視覺(jué)檢測(cè)方法，并予以實(shí)驗(yàn)對(duì)比驗(yàn)證，最后應(yīng)用于企業(yè)鋯管坡口缺陷在線檢測(cè)設(shè)備中.該方法采用復(fù)合光源成像，通過(guò)插值的方法將鋯管圓環(huán)形坡口圖像展開(kāi)為矩形圖像，根據(jù)展開(kāi)后圖像的相似性構(gòu)建平均模板，將模板圖像與展開(kāi)后的原圖像進(jìn)行圖像差分，根據(jù)實(shí)際生產(chǎn)需求制定規(guī)則對(duì)疑似異物區(qū)域進(jìn)行篩選，最后確定異物在原始圖像中的位置及大小.

1 檢測(cè)對(duì)象概述及成像方案設(shè)計(jì)

1.1 檢測(cè)對(duì)象及技術(shù)要求

重水堆核燃料棒的棒身為薄壁空心鋯合金管，如圖1 所示，其長(zhǎng)度487 mm，直徑13.1 mm，壁厚0.38 mm，兩端內(nèi)外壁均開(kāi)有120°倒角作為焊接坡口，該坡口即為本文檢測(cè)對(duì)象.

圖1 鋯管Fig.1 Zirconium tube

生產(chǎn)單位對(duì)坡口異物檢測(cè)技術(shù)要求如下：坡口檢測(cè)節(jié)拍為10 s/根，檢測(cè)精度為0.01 mm，檢測(cè)準(zhǔn)確率大于99%.

1.2 成像方案

由于鋯管內(nèi)外壁坡口表面相對(duì)其軸線均存在120°的傾斜角度，且異物常依附于坡口內(nèi)外邊緣，采用普通打光方式無(wú)法體現(xiàn)出異物輪廓，因此成像方案應(yīng)使坡口邊緣異物在圖像中清晰可見(jiàn)，方便算法識(shí)別.根據(jù)生產(chǎn)單位對(duì)坡口異物檢測(cè)精度、節(jié)拍、效率的要求，本文采用了基于同軸-環(huán)形光相結(jié)合的復(fù)合光源鋯管端面成像方案.

采用50 mm 定焦鏡頭進(jìn)行成像，由于視野較大，可將整個(gè)坡口端面納入一張圖像中，使異物更為突顯，同時(shí)使用環(huán)形光和同軸光進(jìn)行打光，使整個(gè)鋯管內(nèi)外壁坡口面及異物均處于高亮狀態(tài).該方案成像時(shí)間約為1 s/根，像素精度約為0.005 mm，成像環(huán)境實(shí)驗(yàn)?zāi)Ｐ腿鐖D2（a）所示，設(shè)備實(shí)物圖如圖2（b）所示.

圖2 成像方案示意圖Fig.2 Schematic diagram of imaging scheme

圖3 為拍攝獲得圖像，從圖中可以看出，該成像條件下，內(nèi)外壁坡口錐面及端面呈現(xiàn)為圓環(huán)形，則將坡口內(nèi)外壁錐面異物檢測(cè)轉(zhuǎn)化為高亮圓環(huán)內(nèi)外壁異物檢測(cè).

圖3 成像結(jié)果及其局部放大圖Fig.3 Imaging result

確定成像方案后，在生產(chǎn)過(guò)程中依次從兩端面對(duì)鋯管坡口進(jìn)行成像，確定異物在該成像條件下的表現(xiàn)形態(tài).由前文可知，異物主要分為鋯屑和織物纖維兩類(lèi)，其中鋯屑在圖像中表現(xiàn)為粗長(zhǎng)條，依附于坡口內(nèi)外壁，如圖4（a）（b）所示；織物纖維表現(xiàn)為細(xì)長(zhǎng)條，同樣依附于坡口內(nèi)外壁，如圖4（c）（d）所示.

圖4 兩類(lèi)坡口異物Fig.4 Two kinds of groove foreign matter

2 基于平均模板法的鋯管坡口異物檢測(cè)方法

基于平均模板法的鋯管坡口異物檢測(cè)方法主要思路如下：首先，采用形態(tài)學(xué)及二值化方法確定坡口圓環(huán)位置，以提取感興趣區(qū)域（Region of interest-ROI），并使用雙線性插值方法將圓環(huán)形ROI 展開(kāi)為矩形，再根據(jù)展開(kāi)后圖像，使用平均模板法構(gòu)建無(wú)異物圖像，求取展開(kāi)圖與模板的差分圖像，并根據(jù)規(guī)則對(duì)疑似異物進(jìn)行篩選；最后計(jì)算出異物在原始圖像中的位置及其內(nèi)切橢圓，便于可視化.

2.1 流程圖

本文算法流程圖如圖5 所示：

圖5 算法流程圖Fig.5 Algorithm flow chart

2.2 ROI 提取

2.2.1 圖像預(yù)處理

由于鋯管形貌及直線度差異，其端面坡口圓環(huán)在圖像中的位置不盡相同，為便于感興趣區(qū)域的確定及后續(xù)計(jì)算，需先定位坡口圓環(huán)的位置.

本文定位算法首先采用拉普拉斯算子進(jìn)行濾波處理，去除微小噪聲，銳化圖像邊緣，為后續(xù)輪廓提取做準(zhǔn)備，如圖6（b）所示；圖像中鋯管端面背景灰度值差異較大，因此采用二值化提取高亮圓環(huán)，并提取內(nèi)外圓環(huán)輪廓長(zhǎng)度linner和louter；由于坡口圓環(huán)輪廓近似為一個(gè)正圓，可將其重心作為圓心，則可計(jì)算出圓環(huán)重心即圓心坐標(biāo)（xc，yc）.圓心坐標(biāo)與外圓輪廓點(diǎn)g（x，y）距離的平均值可視為外圓半徑router.同理，可根據(jù)內(nèi)圓輪廓求出內(nèi)圓半徑rinner，提取的內(nèi)外圓環(huán)輪廓與圓心位置如圖6（c）（d）所示.

圖6 圖像預(yù)處理過(guò)程Fig.6 Process diagram of image preprocessing

2.2.2 基于雙線性插值的鋯管坡口圓環(huán)區(qū)域展開(kāi)

由于成像環(huán)境下，圖像中坡口厚度為70 個(gè)像素左右，如圖6（a）所示，ROI 僅占成像圖比例為5%，若對(duì)整張圖片進(jìn)行圖像處理，不僅耗時(shí)長(zhǎng)，且不利于異物特征提取.目前，圓環(huán)類(lèi)零件提取ROI 方法可分為兩類(lèi)：一類(lèi)直接在原圖像上進(jìn)行檢測(cè)[8-9].這類(lèi)方法處理簡(jiǎn)便，適合精度要求較低，檢測(cè)效率要求較高的零件的缺陷檢測(cè)；另一類(lèi)則將圓環(huán)區(qū)域展開(kāi)成矩形區(qū)域之后，再進(jìn)行檢測(cè)[6，10-11]，該方法耗時(shí)較長(zhǎng)，適合精度要求較高的零件的缺陷檢測(cè).由于坡口異物細(xì)小，檢測(cè)精度要求相對(duì)較高，且圓環(huán)內(nèi)外徑相差較小，將其展開(kāi)成矩形后圖像不會(huì)存在較大失真.基于此，本文采用圓環(huán)展開(kāi)的方式以提取待檢測(cè)坡口區(qū)域，自圓心處引一線段按固定步長(zhǎng)掃過(guò)圓環(huán)區(qū)域，統(tǒng)計(jì)每次掃過(guò)圓環(huán)區(qū)域內(nèi)像素點(diǎn)的坐標(biāo)，使用雙線性插值的方法計(jì)算出各點(diǎn)灰度值，展開(kāi)過(guò)程如圖7（a）所示.首先需對(duì)展開(kāi)后矩形圖像的長(zhǎng)度和寬度進(jìn)行選擇.若該數(shù)值選擇過(guò)大，圖像被拉伸，其特征被淡化不易識(shí)別；反之，數(shù)值選擇過(guò)小，則圖像被壓縮，易導(dǎo)致細(xì)小坡口異物在圖中無(wú)法體現(xiàn).基于此，為保證展開(kāi)前后尺度的統(tǒng)一性，便于后續(xù)異物判定標(biāo)準(zhǔn)的制定，展開(kāi)后圖像長(zhǎng)度盡量與原始圖像中l(wèi)inner或louter相等.若使用linner作為展開(kāi)后長(zhǎng)度，則展開(kāi)后靠近外圓部分圖像被壓縮，當(dāng)某細(xì)小異物恰好處于該位置時(shí)，其展開(kāi)后輪廓變得不明顯，不利于后續(xù)識(shí)別工作.因此，本文中采用louter作為展開(kāi)后矩形長(zhǎng)度.

圖7 基于雙線性插值算法的坡口區(qū)域展開(kāi)原理圖Fig.7 Schematic diagram of groove region expansion based on bilinear interpolation algorithm

最終展開(kāi)后圖像長(zhǎng)度len 及寬度wid 取值為：

式中：s 為放大參數(shù).為讓異物被包含于展開(kāi)后圖片，展開(kāi)后圖像寬度應(yīng)略大于管壁厚度，而坡口異物長(zhǎng)度在圖像上通常不超過(guò)25 個(gè)像素，本文取s=30.

確定展開(kāi)后圖像長(zhǎng)寬之后，需計(jì)算展開(kāi)后圖像各點(diǎn)在原圖像中的位置.根據(jù)圓的極坐標(biāo)公式，展開(kāi)后矩形圖像第j 行第k 列（1≤j≤L，1≤k≤w）的點(diǎn)（xjk，yjk）在圓環(huán)圖像f（x，y）中的坐標(biāo)為（xf，yf），其中，

最后則需使用插值方法計(jì)算出各點(diǎn)灰度值，綜合考慮插值精度與效率雙重因素，本文選擇使用雙線性插值的方法，其主要思想如圖7（b）所示.

插值點(diǎn)（xf，yf）的灰度值由其四鄰域（x1，y1），（x1，y2），（x2，y1），（x2，y2）的灰度值加權(quán)決定，各點(diǎn)的權(quán)重由其距（xf，yf）的距離決定，距離越遠(yuǎn)，權(quán)重越大.展開(kāi)后圖像g（x，y）中各像素灰度值為：

其中（x1，y1），（x1，y2），（x2，y1），（x2，y2）為在原始圖像中與（xf，yf）相鄰的四個(gè)像素，如圖7（b）所示.

坡口圓環(huán)展開(kāi)效果如圖8（b）所示，對(duì)比原圖像與展開(kāi)后圖像異物區(qū)域，異物形貌并未發(fā)生明顯的拉伸與壓縮.

圖8 圖像預(yù)處理過(guò)程鋯管坡口圖像展開(kāi)效果圖（局部）Fig.8 Image expansion result（local）

2.3 平均模板設(shè)計(jì)

展開(kāi)后圖像中坡口呈現(xiàn)條帶狀，近年來(lái)，針對(duì)此類(lèi)條帶狀對(duì)象的視覺(jué)檢測(cè)研究有：針對(duì)條帶液晶面板表面缺陷，Tsai 等人[10]利用一列圖像左右兩側(cè)具有相同的周期性的先驗(yàn)條件，采用獨(dú)立成分分析的方法，參考周期性正常一側(cè)圖像，將另一側(cè)圖像中的異常部分還原，從而構(gòu)建出無(wú)缺陷圖像，再使用模板匹配的方法定位缺陷.針對(duì)鋼軌的表面缺陷，閔永智等人[11]采用改進(jìn)的雙邊濾波算法對(duì)圖像進(jìn)行濾波后，將濾波后圖像與原圖像相減獲得差分圖像，再篩選獲得鋼軌缺陷位置；針對(duì)玻璃瓶瓶口缺陷，周顯恩等人[12]先將其展開(kāi)成矩形，使用均值濾波方法對(duì)展開(kāi)后的長(zhǎng)條狀瓶口圖像處理，得到模板圖像，對(duì)模板圖像與原圖像進(jìn)行了圖像差分操作，以定位缺陷位置；針對(duì)金屬圓環(huán)墊片表面的缺陷檢測(cè)，陳至坤等人[13]同樣將圓環(huán)墊片圖像展開(kāi)成矩形，再根據(jù)展開(kāi)后圓環(huán)圖像各列寬度判斷有無(wú)缺陷.

由于在本文成像環(huán)境下，展開(kāi)后圖像中每一列灰度變化未體現(xiàn)出連續(xù)的周期性，故無(wú)法根據(jù)每一列自身周期變化還原無(wú)缺陷狀態(tài)，且坡口及異物均呈現(xiàn)高亮狀態(tài)，無(wú)較大灰度差異，無(wú)法根據(jù)背景與異物灰度差異性檢測(cè)出異物，因此文獻(xiàn)[5-6，9-10]的方法不適用于本文情況.文獻(xiàn)[12-13]中方法原理上可用于本文中鋯管坡口的異物檢測(cè).綜上所述，本文借鑒文獻(xiàn)[11-12]構(gòu)建模板的基本思想，通過(guò)算法對(duì)展開(kāi)后圖像進(jìn)行處理，得到無(wú)異物的模板再進(jìn)行模板匹配的方法對(duì)展開(kāi)后坡口圖像進(jìn)行檢測(cè).

研究時(shí)觀察展開(kāi)后的矩形圖像，如圖8（b）所示，可知：展開(kāi)后圖像中，內(nèi)外壁坡口呈現(xiàn)為均勻高亮條帶，從上到下依次為“暗-亮-暗”狀態(tài)分布，圖像相鄰列間有明顯的相似性，管壁異物分布在條帶兩側(cè)，亦呈現(xiàn)高亮狀態(tài)，其余背景部分則為暗色.如圖9 所示，圖像中的每一列與它相鄰列高度相似，異物所在列（如圖9 中虛線列）的異物位置處的灰度值有較大增加，除此之外異物所在列各行灰度值與無(wú)異物列差異較?。ㄈ鐖D9 中實(shí)線列）.

圖9 展開(kāi)后鋯管異物處灰度值差異Fig.9 Gray value difference at foreign body

對(duì)于圖像中有異物存在的某列，可將異物所在行的灰度值，替換為其臨近列在該行灰度值的平均值，即可抵消異物對(duì)該列灰度值的影響.以此類(lèi)推，對(duì)圖像每一列均進(jìn)行上述“求平均比較”運(yùn)算，將所計(jì)算出的“無(wú)異物列”進(jìn)行拼接，即可構(gòu)建出“平均模板”，將此模板與原圖像相減，即可獲得異物在圖像中的位置.以上即為基于平均模板法的鋯管端面坡口異物視覺(jué)檢測(cè)算法中平均模板法的基本思路，其關(guān)鍵步驟如下：

對(duì)于圖像g（x，y）每列各像素，計(jì)算出其周向前后q列像素平均值，將其與原始值作比較，若差異超過(guò)某一設(shè)定閾值α1，則將該平均值賦予模板h（x，y）在該位置的灰度值，即

按照上述方法，獲得平均模板h（x，y），如圖10（b）所示，可知：該平均模板較好地還原了無(wú)異物的鋯管坡口圖像.

圖10 平均模板法的基本原理Fig.10 Average template renderings

2.4 模板匹配

將展開(kāi)后圖像與平均模板h（x，y）做差，可得差分圖像p（x，y），采用形態(tài)學(xué)方法去除微小噪聲影響，找出余下的連通區(qū)域Ds，這些區(qū)域即為疑似異物區(qū)域.

確定疑似異物區(qū)域后，需要對(duì)其是否為異物進(jìn)行判斷，思路如下：提取特征，設(shè)定閾值，其特征種類(lèi)與閾值由實(shí)際生產(chǎn)情況決定，包括但不限于以下幾種：異物長(zhǎng)度Ls（周向）、異物寬度Ws（徑向）、平均灰度Rs、最小灰度Ts等.僅當(dāng)全部特征均滿足異物要求時(shí)，該連通區(qū)域才被認(rèn)定為異物區(qū)域.異物的識(shí)別位置如圖11（b）所示.

此外，由于在本文進(jìn)行圓環(huán)展開(kāi)使用鋯管外壁長(zhǎng)度作為基準(zhǔn)，展開(kāi)后矩形圖像中，鋯管不同位置處的異物會(huì)存在壓縮與拉伸：對(duì)于依附在鋯管外壁的異物，長(zhǎng)度壓縮約為2%，對(duì)于依附在鋯管內(nèi)壁的異物，長(zhǎng)度拉伸約為7%.故在缺陷判定前，需根據(jù)位置對(duì)異物的長(zhǎng)度進(jìn)行補(bǔ)償，對(duì)于依附于外壁與內(nèi)壁上的異物，分別將其長(zhǎng)度在原始長(zhǎng)度的基礎(chǔ)上乘以0.98 與1.07.

圖11 鋯管坡口展開(kāi)圖異物定位Fig.11 Foreign matter location

2.5 異物原始位置計(jì)算

由于上述異物判定均在展開(kāi)圖像中進(jìn)行，需要確定異物在原始圖像中的位置并加以標(biāo)注，以便質(zhì)檢人員查看，本文目前采用的方法是在原圖中用橢圓將異物圈出（圖12），其主要步驟如下：確定異物連通區(qū)域Ds在展開(kāi)圖像中的位置，即起始列colh，終止列colb，起始行rowh，終止行rowb，由于圓心已知，則可根據(jù)圓的極坐標(biāo)方程計(jì)算出橢圓長(zhǎng)軸兩頂點(diǎn)A（xa，ya）與B（xb，yb）的坐標(biāo)，其中

圖12 鋯管原圖異物檢測(cè)定位結(jié)果Fig.12 Foreign matter detection results in the origional image

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文鋯管端面坡口異物檢測(cè)算法的可行性與優(yōu)越性，采用500 張鋯管端面成像圖片進(jìn)行測(cè)試，其中包含400 張無(wú)異物端面坡口圖片，50 張沾有織物纖維的坡口照片，50 張沾有鋯屑坡口照片，硬件環(huán)境為i5-8400 處理器、4G 內(nèi)存，軟件環(huán)境為Matlab.由2.3 小節(jié)可知，對(duì)于本文中展開(kāi)后的圖像的異物識(shí)別，可借鑒方法為文獻(xiàn)[12]與文獻(xiàn)[13]中的方法.為驗(yàn)證圓環(huán)展開(kāi)方法提取ROI 技術(shù)路線的優(yōu)越性，使用文獻(xiàn)[8] 中直接在原圖像中使用圖像掩模提取ROI 的方法作為對(duì)比.分別將本文算法、文獻(xiàn)[8]算法、文獻(xiàn)[12]算法與文獻(xiàn)[13]算法應(yīng)用于鋯管坡口異物檢測(cè)，從檢測(cè)準(zhǔn)確性和耗時(shí)兩方面進(jìn)行比較，結(jié)果如表1 所示.

表1 異物檢測(cè)結(jié)果統(tǒng)計(jì)表Tab.1 Statistical table of foreign body detection results

由表1 可知，本文算法對(duì)鋯管端面坡口異物識(shí)別平均準(zhǔn)確率為99.4%，其中對(duì)鋯屑和無(wú)異物圖像識(shí)別率高達(dá)100%，平均耗時(shí)1.84 s，完全可以滿足生產(chǎn)企業(yè)實(shí)際生產(chǎn)節(jié)拍及精度的要求.

文獻(xiàn)[8]算法對(duì)無(wú)異物圖像和鋯屑識(shí)別準(zhǔn)確率均可達(dá)98%左右，但對(duì)織物纖維圖像無(wú)法實(shí)現(xiàn)有效識(shí)別.圖13（a）為文獻(xiàn)[12]算法圖像掩模后區(qū)域，圖13（b）、（c）、（d）為圖13（a）中虛線框處放大圖，區(qū)別在于使用的形態(tài)學(xué)圖像腐蝕方法中結(jié)構(gòu)元素的大小不同，分別為1×1、2×2 及4×4.文獻(xiàn)[8]算法圓形掩模板構(gòu)建的過(guò)程中使用了形態(tài)學(xué)方法，由于掩模板邊緣與鋯管邊緣契合度不高，坡口內(nèi)外壁邊緣部分便成為噪聲，對(duì)識(shí)別造成干擾，如圖13（b）、（c）、（d）所示，橢圓虛線框出噪聲部分面積及亮度與正圓虛線框出的實(shí)際異物部分相差不明顯，即使使用較大的結(jié)構(gòu)體對(duì)圖像進(jìn)行腐蝕，也無(wú)法消除這種干擾，因此在參數(shù)設(shè)置保證盡量不對(duì)無(wú)缺陷圖像造成誤識(shí)別的情況下，文獻(xiàn)[8]算法對(duì)存在織物纖維的圖像識(shí)別效果較差.

圖13 文獻(xiàn)8 算法圖像掩模后區(qū)域及腐蝕后結(jié)果Fig.13 Region after image masking

文獻(xiàn)[12]算法對(duì)鋯屑和無(wú)異物圖像識(shí)別效果較好，準(zhǔn)確率超過(guò)90%，但對(duì)織物纖維識(shí)別效果稍差，僅為80%，且耗時(shí)高，達(dá)不到技術(shù)要求.究其原因，由于均值濾波會(huì)使模板中坡口邊緣模糊，如圖14 所示，而織物纖維亮度較低，輪廓不明顯，易在差分圖像中被忽略.

圖14 兩種方法生成的模板圖像鋯管原圖異物檢測(cè)定位結(jié)果Fig.14 Template image generated by two method

文獻(xiàn)[13]算法對(duì)參數(shù)設(shè)置要求較高，在保證不對(duì)無(wú)異物圖像造成誤檢的前提下，算法無(wú)法準(zhǔn)確識(shí)別出鋯屑與織物纖維，識(shí)別準(zhǔn)確率僅為58%與10%.究其原因，文獻(xiàn)[13]算法的檢測(cè)對(duì)象是展開(kāi)后瓶口圖像的斷裂，而斷裂對(duì)灰度累加值梯度的影響遠(yuǎn)比異物大，且傾斜角度較小，亮度較低異物的出現(xiàn)不會(huì)對(duì)列向累加值造成明顯影響，由于鋯管壁厚公差較大、管口圓度不高等原因，進(jìn)行列向累加后各列累加值波動(dòng)偏大，異物造成波動(dòng)在其中則變得較為不明顯.

4 結(jié)語(yǔ)

針對(duì)鋯管端面坡口異物檢測(cè)的工程問(wèn)題，本文采用基于同軸-環(huán)形光相結(jié)合的復(fù)合光源鋯管端面成像方案，提出了基于平均模板的鋯管坡口異物檢測(cè)方法.

驗(yàn)證結(jié)果表明，本文提出的檢測(cè)方案可實(shí)現(xiàn)鋯管端面坡口異物非接觸、高效率檢測(cè).

集成本文算法的坡口異物在線檢測(cè)設(shè)備已經(jīng)于2019 年年初在中國(guó)核工業(yè)集團(tuán)某核元件工廠投入使用.運(yùn)行以來(lái)，共檢測(cè)鋯管13 000 余根，檢測(cè)準(zhǔn)確率可達(dá)99.6%，獲得了生產(chǎn)部門(mén)和質(zhì)檢部門(mén)的高度認(rèn)可.另外，本文所述方案有望推廣應(yīng)用至其它具有圓弧形特征產(chǎn)品的缺陷檢測(cè)領(lǐng)域，如酒瓶、管道等.