苗璐，景文博，蔡立娟，山顯響

（1.長春理工大學 電子信息工程學院，長春 130022；2.長春理工大學 光電工程學院，長春 130022）

在社會飛速發(fā)展進步的今天，人們的生產(chǎn)生活也由原始的手工制造轉(zhuǎn)向為機械化。而在機械制造的過程中，金屬焊接是及其重要的一個環(huán)節(jié)[1］，其中焊縫的大小形狀會影響產(chǎn)品的外觀，而焊縫質(zhì)量差則會導致產(chǎn)品不合格，因此焊縫的檢測對企業(yè)的生產(chǎn)效率有著非凡的意義，焊縫的寬度是檢測焊縫質(zhì)量的一個重要指標。

在已有的焊縫寬度檢測方法中常用的傳統(tǒng)方法為人工目測法[2］。利用測量工具焊縫檢驗尺和人眼進行檢測，這種依靠人力經(jīng)驗的檢測技術會因工作時長致使的疲勞和檢測水平的問題造成誤測漏測，且效率低下。而常用的自動化焊縫檢測技術有超聲波和X射線探傷等[3］，這些方法實時性差，且會受到檢測目標材質(zhì)的限制影響，造價昂貴，對操作人的健康也會產(chǎn)生一些影響。因此針對上述技術的缺陷，提出基于機器視覺的方法，用高速相機采集焊縫圖像，代替人工目測計算焊縫的寬度，以實現(xiàn)焊縫寬度檢測的自動化。

本文采用機器視覺技術對焊縫的寬度進行全自動高精度處理，實現(xiàn)了焊縫寬度的有效測量，大大減小了人工處理過程所帶來的誤差，提高了效率。文中將改進的圖像算法應用到實際背景中提取目標輪廓，并通過實驗驗證了該方法的準確性與高精度，具有十分重要的實用價值和參考意義。

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)、圖像輸入設備和計算機及圖像處理與數(shù)據(jù)分析軟件，系統(tǒng)結構如圖1所示[4］。

圖1 系統(tǒng)結構圖

在對焊縫寬度的實時測量過程中，將CCD相機固定在待測焊縫的正面位置，通過控制指令完成對相機及光源的控制，保證圖像質(zhì)量。在CCD相機采集到圖像后，計算機對圖像進行預處理，提取焊縫特征點、計算獲得焊縫寬度值。在實際生產(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。當相機在待檢焊縫區(qū)域進行拍攝后，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，依次進行圖像預處理，輪廓提取和寬度計算，檢測流程如圖2所示。

圖2 焊縫檢測流程圖

2 圖像預處理

2.1 改進的圖像增強算法

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

灰度級范圍為[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級灰度值，nk是圖像中灰度為rk的像素個數(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)。圖像的灰度等級可看成是區(qū)間[0，L-1]內(nèi)的隨機變量，隨機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的這個結果代入式（1），并記住概率密度值為正，得到：

這是一個均勻概率密度函數(shù)。將式（2）中變換的離散形式為：

在這個公式中，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對比度的強大工具，對圖像有著很好的視覺效果，但由于是對整幅圖像進行全局處理，會導致細節(jié)丟失和局部增強不足或過增強現(xiàn)象，而且還有著放大圖像中的噪聲的缺點。

針對于上述算法存在的不足，采用直方圖均衡化和對圖像進行線性操作相結合的方法對其進行改進。由于焊縫的圖像特點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圖像進行處理[8］，既保留圖像原有的信息，同時還能夠突出感興趣的區(qū)域，抑制濾掉不需要的圖像背景。分段線性變換的關鍵是分段點的選取，此處采用自適應閾值的方法來確定分段點[9］。

圖像設備的動態(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為目標區(qū)域拉伸系數(shù)，；k1表示過渡區(qū)保持系數(shù)，；而k2為背景區(qū)抑制系統(tǒng)，。本文中對背景的灰度級進行壓縮，對（1-6）式中的系數(shù)設置約束條件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，它利用了圖像中要提取的目標與背景在灰度特性上的差異，把圖像視為具有不同灰度級的兩類區(qū)域目標和背景的組合，選取一個合適的閾值，以確定圖像中的每一個像素點應該屬于目標區(qū)域還是背景區(qū)域，從而進行相應的二值圖像閾值分割。根據(jù)焊縫圖像的特點，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)行計算為基礎的，這樣做不僅可以大量壓縮數(shù)據(jù)減少存儲容量，而且能大大簡化其后的分析和處理步驟。

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

3 寬度檢測

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行直線檢測[12］。

圖3 霍夫變換原理圖

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

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

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

圖4 寬度計算原理圖

4 實驗結果及數(shù)據(jù)分析

圖5 圖像增強效果對比圖

圖5（a）為采集到的未經(jīng)處理的焊縫圖像，圖5（b）為經(jīng)過直方圖增強后的圖像，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，但是仍需進一步增強，圖5（d）是使用改進的增強算法處理的圖像?？梢钥闯鰣D像增強效果明顯，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，且保留目標區(qū)域的圖像特征。

在經(jīng)過直方圖均衡化與分段線性變換相結合的算法對圖像增強后，進行輪廓提取。此處采用基于最大閾值Ostu的方法進行圖像分割如圖6（a），可以看出經(jīng)過處理后的圖像輪廓分割明顯，焊縫邊緣與背景能夠分離開來，僅保留些背景中的細小噪聲。接下來進行形態(tài)學運算，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)對移動距離進行實時控制。

為了驗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，引入了射線檢測圖像邊緣的算法[14］和基于多視覺特征的激光拼焊算法[15］及本文算法與人工用千分尺測量的結果作對比。測量的結果分別在表1中列出，本次實驗采集了十組圖像，以下是數(shù)據(jù)對比。

表1 十組圖像的測量數(shù)據(jù)

表2 不同工作方式的測量時間

表1記錄了不同算法對十種樣品測量結果的數(shù)據(jù)，橫坐標為組號，縱坐標表示測量的焊縫寬度，Algorithm1 Width、Algorithm2 Width、Algorithm3 Width分別表示由射線檢測圖像邊緣的算法[14］和基于多視覺特征的激光拼焊算法[15及本文算法測量的結果，Physical Width為人工測量的作為參照基準的物理尺寸，表2記錄了這幾種不同工作方式測量所需的時間。本文引入標準差來對焊縫的測量精度進行評價，由公式（2-4）計算不同算法的測量精度，由表3可以看出本文算法的測量精度最高，δ為0.01mm。

表3 不同工作方式的測量精度

圖7顯示了這幾種不同測量方式的測量結果的對比。由圖7可以看出Algorithm3 Width和Physical Width兩條曲線幾乎重合，說明本文的方法更為準確。圖8顯示了不同測量方式測量所需時間的對比，縱坐標表示測量的時間，Manual Time為人工測量結果，Algorithm3 Time為本文算法測量結果?？梢钥闯霰疚乃惴ǖ臋z測時間更短，比人工檢測的時間低于一個數(shù)量級，說明該算法的效率更高。

圖7 測量結果對比圖

圖8 測量時間對比圖

5 結論

經(jīng)過多次實驗采取不同的樣品進行測量，結果表明測量系統(tǒng)的測量精度可達0.01mm，可有效檢測出焊縫的寬度，且效率更高?；跈C器視覺的焊縫寬度檢測系統(tǒng)的測量方法在精度、準確性上比人工測量方法有著較大的提升，為其他自動檢測模式提供了參考價值，在生產(chǎn)生活中使用更為高效、便捷，對促進其他工業(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中的應用[J］.長春理工大學學報：自然科學版，2017，40（2）：115-117.

[2]王慧玲.基于機器視覺的焊縫缺陷檢測技術的研究[D］.哈爾濱：哈爾濱理工大學，2008.

[3]鄧輝，謝俊，孟廣月，等.基于機器視覺的重復定位精度測量技術[J］.電子測量技術，2014，37（12）：45-48.

[4]張楊.基于雙目立體視覺的CCD測距系統(tǒng)設計[D］.長春：長春理工大學，2010.

[5]方明，李洪娜，雷立宏，等.低照度視頻圖像增強算法綜述[J］.長春理工大學學報：自然科學版，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的紅外圖像自適應分段線性增強算法[J］.紅外技術，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，嚴曄，等.基于圖像邊緣檢測的圖像識別算法[J］.長春理工大學學報：自然科學版，2015，38（4）：127-131.

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

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

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

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