涂德浴，劉 坤，朱 慶，2，劉慶運(yùn)，2

1.安徽工業(yè)大學(xué) 機(jī)械工程學(xué)院，安徽 馬鞍山 243002

2.特種重載機(jī)器人安徽省重點(diǎn)實(shí)驗(yàn)室，安徽 馬鞍山 243032

當(dāng)前，制造業(yè)的自動(dòng)化程度越來越高，測量作業(yè)作為制造業(yè)中至關(guān)重要的環(huán)節(jié)也在不斷地發(fā)展。在鋼管生產(chǎn)過程中，需要對(duì)鋼管壁厚進(jìn)行實(shí)時(shí)檢測，這對(duì)于提高鋼管的生產(chǎn)質(zhì)量有著重要的意義。目前鋼管行業(yè)中一些軋管廠在對(duì)鋼管的管端進(jìn)行尺寸測量時(shí)長期靠人工用量具進(jìn)行手動(dòng)測量，測量數(shù)據(jù)偏少，對(duì)壁厚不均和橢圓度不能給出直觀的判斷，測量準(zhǔn)確性受生產(chǎn)節(jié)奏、環(huán)境和量具精度及測量人員的主觀因素影響較大。傳統(tǒng)的尺寸測量方法有卡尺和量規(guī)測量等，這些方法雖然比較簡便和快捷，但是測量的數(shù)據(jù)比較少，精度也不高。而隨著我國經(jīng)濟(jì)水平的提高以及對(duì)工業(yè)產(chǎn)品檢測精度要求的提升，傳統(tǒng)的尺寸測量方法對(duì)工業(yè)生產(chǎn)領(lǐng)域已經(jīng)不是很適合。其他檢測手段如激光測厚法[1]、三坐標(biāo)測量儀、CR技術(shù)測厚[2]和γ射線測厚、超聲波測厚儀[3]等測量方法雖然測量的精度比較高，但是需要檢測設(shè)備在一定的環(huán)境中才能進(jìn)行檢測，并且使用不便捷，投入較大。

機(jī)器視覺技術(shù)[4-9]，是一門涉及多領(lǐng)域的交叉學(xué)科，其主要通過計(jì)算機(jī)來模擬人的視覺功能，從客觀事物的圖像中提取信息，并加以處理與分析改進(jìn)，從而用于實(shí)際的檢測、測量和控制。將機(jī)器視覺技術(shù)應(yīng)用于尺寸測量中，具有非接觸性、測量效率高的特點(diǎn)，同時(shí)可實(shí)現(xiàn)在線高精度測量，因此機(jī)器視覺技術(shù)在尺寸測量中的應(yīng)用越來越廣泛[10-14]。通過查閱大量有關(guān)鋼管壁厚在線檢測及其相關(guān)的文獻(xiàn)發(fā)現(xiàn)，有關(guān)基于機(jī)器視覺鋼管壁厚在線檢測的研究相對(duì)少，許多只是對(duì)于管狀類零件尺寸如內(nèi)外徑長度等進(jìn)行測量，并且有些壁厚檢測并不完善，仍需進(jìn)一步改進(jìn)?；谝陨锨闆r，本文提出一種基于機(jī)器視覺測量技術(shù)的鋼管壁厚在線檢測方法。圖1 為該方法檢測鋼管壁厚流程圖。

圖1 鋼管壁厚檢測流程圖Fig.1 Flow chart of detection of wall thickness of steel pipe

1 圖像預(yù)處理

由于拍攝環(huán)境較為復(fù)雜，在采集鋼管斷面圖像時(shí)會(huì)混入大量無關(guān)信息，需要去除這些無關(guān)信息。圖像預(yù)處理的目的是消除圖像中的無關(guān)信息，恢復(fù)有用的真實(shí)信息，增強(qiáng)有關(guān)信息的可檢測性和最大限度地簡化數(shù)據(jù)，從而提高圖像檢測、識(shí)別的可靠性。圖像預(yù)處理包括圖像濾波、圖像分割、圖像邊緣檢測、圖像增強(qiáng)[15]等操作。圖像濾波的目的是消除圖像中混入的噪聲，為圖像識(shí)別抽取出圖像特征；圖像分割的目的是將圖像的邊緣、感興趣區(qū)域等有意義的特征部分提取出來，為進(jìn)一步圖像識(shí)別、分析和理解奠定基礎(chǔ)；圖像邊緣檢測的目的是檢測并識(shí)別圖像中亮度變化明顯的點(diǎn)，大幅度地減少數(shù)據(jù)量，并且剔除不相關(guān)的信息，保留圖像重要的結(jié)構(gòu)屬性。

1.1 圖像濾波

圖像濾波[16-17]，是指在盡量保留圖像細(xì)節(jié)特征的條件下對(duì)目標(biāo)圖像的噪聲進(jìn)行抑制，是圖像預(yù)處理中不可缺少的操作，其處理效果的好壞將直接影響后續(xù)圖像處理和分析的有效性與可靠性。有關(guān)圖像濾波可分為線性濾波與非線性濾波。常見的線性濾波有方框?yàn)V波、均值濾波、高斯濾波、拉普拉斯濾波等，通常線性濾波器之間只是模版的系數(shù)不同。常見的非線性濾波有中值濾波器和雙邊濾波器[18]。

選取大小為600×800像素的鋼管斷面圖像在Visual Studio 2017 平臺(tái)下進(jìn)行濾波實(shí)驗(yàn)。分別使用高斯濾波、雙邊濾波、高斯與雙邊混合濾波進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)效果如圖2所示。

圖2 圖像濾波對(duì)比圖Fig.2 Comparison of image filtering

從效果圖中可以看出高斯濾波與中值濾波處理后仍然含有少量的噪聲，并且圖像邊緣也有著不同程度的模糊，丟失了原始圖像的一些細(xì)節(jié)信息。混合濾波算法較好地去除了鋼管斷面圖像中的噪聲，且較好地保留了鋼管斷面圖像的邊緣輪廓。因此采用高斯與雙邊混合濾波對(duì)鋼管斷面圖像進(jìn)行濾波處理。

1.2 圖像閾值分割

圖像閾值分割[19]是一種較為典型的區(qū)域分割技術(shù)，其中閾值的確定是圖像分割的關(guān)鍵環(huán)節(jié)，閾值大小的選擇直接影響圖像分割的效果。因此，為了得到較好的分割效果就必須選擇合適的分割閾值，閾值選擇較大時(shí)可能將本應(yīng)該是目標(biāo)的點(diǎn)錯(cuò)誤地判定為背景，選擇較小時(shí)可能將本應(yīng)該是背景的點(diǎn)作為目標(biāo)點(diǎn)。在鋼管斷面圖像采集的過程中，由于拍攝背景較為復(fù)雜，對(duì)于圖像閾值分割中閾值的選擇可能不是一定的，需要根據(jù)不同的環(huán)境而選擇不同的閾值。常用的閾值分割方法有自適應(yīng)閾值分割法、最大熵閾值分割法、OTSU 法[20]、迭代閾值分割法。

下面選用采集到的鋼管斷面圖像進(jìn)行對(duì)比實(shí)驗(yàn)，分割效果如圖3所示。

圖3 閾值分割對(duì)比圖Fig.3 Comparison picture of threshold segmentation

從以上分割效果圖可以看出，相較于其他幾種算法，OTSU 分割效果較好，而且避免了人為設(shè)置閾值的不便，提高了算法的分割效率。因此，本文采用OTSU法作為圖像預(yù)處理的分割算法。

1.3 圖像邊緣檢測

進(jìn)行圖像分割之后，需要檢測鋼管圖像的邊緣。對(duì)于邊緣檢測[21]，要求所檢測的邊緣盡量完整、清晰，同時(shí)要盡量降低虛假邊緣與噪聲的干擾。目前比較成熟的、應(yīng)用比較廣泛的邊緣檢測算法有Canny算法、Prewitt算法、Sobel算法、Laplacian算法等。

使用Canny算法、Prewitt算法、Sobel算法、Laplacian算法分別對(duì)鋼管斷面圖像進(jìn)行邊緣檢測，檢測結(jié)果如圖4所示。

圖4 邊緣檢測對(duì)比圖Fig.4 Comparison of edge detection

從檢測結(jié)果來看，Canny 邊緣檢測[22]相較于其他三種方法能夠獲得較為完整的邊緣，定位精度高，并且所獲得的邊緣幾乎沒有虛假的邊緣與噪聲。因此，采用Canny邊緣檢測作為鋼管斷面邊緣檢測的方法。

2 鋼管斷面圓檢測

2.1 基于隨機(jī)Hough圓檢測的改進(jìn)

在圖像處理過程中，圓形的檢測是鋼管壁厚檢測中一個(gè)至關(guān)重要的部分，是保證后續(xù)鋼管壁厚尺寸精度的重要環(huán)節(jié)，同時(shí)也是壁厚檢測的基礎(chǔ)。常用的圓檢測方法[23-24]有Hough變換檢測圓方法、霍夫變換及其變形、最小二乘法擬合圓等，其中應(yīng)用最廣泛的是Hough變換及隨機(jī)Hough霍夫圓檢測[25]。Hough變換具有較強(qiáng)的魯棒性，但是其計(jì)算量過大，檢測耗時(shí)且內(nèi)存需求量要求較高，以及傳統(tǒng)的Hough 變換無法檢測同心圓。隨機(jī)Hough 雖然大大減輕了內(nèi)存的負(fù)擔(dān)，節(jié)省大量內(nèi)存空間，避免了Hough 變換一到多映射的巨大運(yùn)算量，但在處理帶有一定噪聲且復(fù)雜度較高的圖像時(shí)，由于隨機(jī)采樣的無效點(diǎn)太多，造成了大量的無效累積。因此，本文基于隨機(jī)Hough圓檢測提出了改進(jìn)，改進(jìn)后的算法主要分為兩部分：

（1）候選圓的檢測。采用分區(qū)域隨機(jī)采樣的方法進(jìn)行隨機(jī)三點(diǎn)的邊緣點(diǎn)采樣，避免原有隨機(jī)Hough檢測算法中隨機(jī)采樣的3 點(diǎn)距離較近時(shí)，出現(xiàn)采樣3 點(diǎn)共線及檢測出的圓出現(xiàn)嚴(yán)重偏差的情況，從而減小了無效采樣的累積。將隨機(jī)采樣的3點(diǎn)代入圓的方程，得到候選圓的圓心坐標(biāo)與半徑。

（2）真圓的篩選。計(jì)算得到候選圓圓心與輪廓邊緣各點(diǎn)間的距離Li,統(tǒng)計(jì)每個(gè)候選圓| |Li-r0＜c（c為差值閾值）的邊緣點(diǎn)個(gè)數(shù)z,其中z值最大的候選圓即為真圓。原有隨機(jī)Hough檢測算法通過設(shè)置邊緣點(diǎn)閾值，當(dāng)候選圓z值達(dá)到邊緣點(diǎn)閾值時(shí)，該候選圓即為真圓。本文檢測算法無需設(shè)置邊緣點(diǎn)閾值，從而避免了原有隨機(jī)Hough檢測算法人為設(shè)置邊緣點(diǎn)閾值的不便，由于z值越大候選圓越接近于真實(shí)圓，本文檢測算法提高了原有檢測算法的檢測精度。

2.1.1 候選圓的檢測

由于原隨機(jī)Hough 檢測算法通過隨機(jī)選取3 點(diǎn)的方式來計(jì)算得到候選圓，當(dāng)檢測圖像邊緣較為復(fù)雜，隨機(jī)采樣的3點(diǎn)距離較近時(shí)，檢測出的圓可能會(huì)出現(xiàn)較大偏差以及隨機(jī)采樣的3點(diǎn)出現(xiàn)共線的情況，從而造成大量的無效累計(jì)。本文通過分區(qū)域采樣的方式隨機(jī)采集3點(diǎn)來構(gòu)造候選圓，并設(shè)置采樣輪廓邊緣點(diǎn)的最小邊緣點(diǎn)數(shù)，進(jìn)而去除無關(guān)輪廓邊緣，提高了采樣的準(zhǔn)確度。首先將邊緣檢測出的鋼管圖像輪廓信息通過一定算法構(gòu)造出邊緣點(diǎn)集D，將邊緣點(diǎn)集D平均分為三部分S1、S2、S3，如圖5所示。

圖5 分區(qū)采樣圖Fig.5 Areal sampling

隨機(jī)分別從3個(gè)邊緣點(diǎn)區(qū)域內(nèi)選取一點(diǎn)，然后將隨機(jī)選取的3個(gè)點(diǎn)(xa,ya)、(xb,yb)、(xc,yc)，帶入到圓的方程來計(jì)算圓的參數(shù)，從而獲取候選圓。用3 個(gè)參數(shù)x0、y0和r0表示每個(gè)候選圓P(x0,y0,r0)。其中(x0,y0)是圓心坐標(biāo)，r0是半徑。

通過式（1）、（2）、（3）、（4）計(jì)算出每個(gè)候選圓P的圓心坐標(biāo)、半徑。

2.1.2 真圓的篩選

在獲取候選圓后，需要對(duì)候選圓進(jìn)行篩選以獲取真圓信息。為了驗(yàn)證候選圓是否為真圓，需要對(duì)候選圓進(jìn)行相關(guān)條件設(shè)置。設(shè)候選圓P圓心坐標(biāo)為(x0,y0)，半徑為r0，外接矩形的左上角坐標(biāo)為(x,y)，邊長為h，寬為w。輪廓外接矩形中心坐標(biāo)為(x+h/2,y+w/2)，設(shè)候選圓圓心與輪廓外接矩形中心之間的距離為k，若其圓心坐標(biāo)與半徑滿足式（5），則說明該候選圓可能為真圓。如圖6所示為多個(gè)候選圓的檢測圖像。

圖6 多個(gè)候選圓的檢測圖像Fig.6 Detection image of multiple candidate circles

式（5）中所有數(shù)值的單位均為pixel，其中0.5是由于存在輪廓偽邊緣點(diǎn)而設(shè)置的允許誤差，經(jīng)過多次實(shí)驗(yàn)選取兩中心點(diǎn)之間的距離閾值為10。

進(jìn)一步地篩選，計(jì)算候選圓圓心與輪廓邊緣點(diǎn)集中各點(diǎn)的距離Li(i=0,1,2,…) 與候選圓半徑r0的差值。設(shè)定差值閾值c,z為|Li-r0|＜c的邊緣點(diǎn)個(gè)數(shù)，令z值初始化為0，當(dāng)輪廓邊緣點(diǎn)滿足|Li-r0|＜c時(shí)z值加1，通過循環(huán)取得候選圓的最終z值。統(tǒng)計(jì)所有候選圓z值，其中z值最大的候選圓即為真圓。如圖7所示為最終真圓的檢測圖像。

圖7 真圓的檢測圖像Fig.7 Detection image of real circle

2.2 改進(jìn)隨機(jī)Hough圓檢測算法的具體步驟

改進(jìn)算法描述如下：

（1）構(gòu)造邊緣點(diǎn)集D，將邊緣點(diǎn)集D平均分為三部分，初始化候選圓集合H=null，初始化循環(huán)次數(shù)k=0,并設(shè)定最大循環(huán)次數(shù)Kmax。

（2）隨機(jī)分別從3 個(gè)邊緣點(diǎn)區(qū)域內(nèi)選取一點(diǎn)，并令k=k+1，轉(zhuǎn)步驟（3）。

（3）由隨機(jī)選取的3個(gè)邊緣點(diǎn)以及圓的方程來計(jì)算圓的參數(shù)，從而獲取候選圓P(x0,y0,r0)，并從集合D中去除選取的3點(diǎn)，轉(zhuǎn)步驟（4）。

（4）判斷3點(diǎn)構(gòu)成的候選圓半徑r0是否在最大半徑rmax與最小半徑rmin的范圍內(nèi)，即若rmin≤r0≤rmax，則轉(zhuǎn)步驟（5）；否則轉(zhuǎn)步驟（2）。

（5）判斷候選圓P的圓心(x0,y0)坐標(biāo)是否在圓輪廓的外接矩形中，即設(shè)外接矩形的左上角坐標(biāo)為(x,y)，長為h，寬為w。若0 ≤x0-x-0.5 ≤w且0 ≤y0-y-0.5 ≤h且r0-h/2-0.5 ≤0,說明候選圓P的圓心在輪廓的外接矩形內(nèi)，轉(zhuǎn)步驟（6）；否則轉(zhuǎn)步驟（2）。

（6）計(jì)算候選圓圓心與輪廓外接矩形的中心坐標(biāo)之間的距離k，并判斷該距離是否小于設(shè)定的閾值，若小于則轉(zhuǎn)（7）；否則轉(zhuǎn)步驟（2）。

（7）計(jì)算候選圓圓心到輪廓邊緣點(diǎn)集D中各點(diǎn)的距離Li(i=0,1,2,…)與候選圓半徑r0的差值，設(shè)定差值閾值c,z為|Li-r0|＜c的邊緣點(diǎn)個(gè)數(shù)。令z值初始化為0，當(dāng)輪廓邊緣點(diǎn)滿足|Li-r0|＜c時(shí)z值加1，通過循環(huán)取得候選圓的最終z值。轉(zhuǎn)步驟（8）。

（8）判斷候選圓是否已經(jīng)檢測完，即若k＜Kmax，轉(zhuǎn)步驟（2）；否則轉(zhuǎn)步驟（9）。

（9）統(tǒng)計(jì)候選圓集合H中所有候選圓的z值，其中z值最大的候選圓即為真圓。并判斷下一輪廓是否為空，若為空，則結(jié)束；否則轉(zhuǎn)步驟（1）。

算法流程圖如圖8所示。

圖8 改進(jìn)隨機(jī)Hough圓檢測算法流程圖Fig.8 Flow chart of improved random Hough transform circle detection algorithm

3 鋼管壁厚測量

3.1 鋼管壁厚測量方案的設(shè)計(jì)

成像系統(tǒng)獲取鋼管端面圖像后傳輸?shù)接?jì)算機(jī)內(nèi)存中轉(zhuǎn)換為數(shù)字圖像，并將采集到的鋼管斷面圖像進(jìn)行圖像濾波、圖像分割、圖像邊緣檢測等預(yù)處理。之后經(jīng)改進(jìn)隨機(jī)霍夫圓變換檢測鋼管端面邊緣圖像，獲取了鋼管斷面輪廓的圓心與半徑。然后通過測量方案進(jìn)一步計(jì)算得到鋼管端部壁厚，其具體測量方案如下：

將鋼管壁厚測量問題轉(zhuǎn)換為圓與直線交點(diǎn)的問題，即以檢測出的鋼管端面內(nèi)外圓的任意一個(gè)圓的圓心作為參考點(diǎn)。然后從參考點(diǎn)發(fā)射一條直線在一三象限或二四象限內(nèi)與鋼管內(nèi)外圈相交，直線與內(nèi)圈、外圈交點(diǎn)之間的法向距離即為此部位鋼管壁厚。根據(jù)精度要求將直線繞參考點(diǎn)沿圓周方向掃描一周，得到鋼管整圈壁厚樣本。如圖9所示。

圖9 測量方案圖Fig.9 Programme of measurement

本文選擇每隔20°與每隔1°進(jìn)行一次壁厚測量，通過對(duì)比發(fā)現(xiàn)當(dāng)測量間隔變小時(shí)檢測精度有所提升，但檢測時(shí)間明顯增加。同時(shí)選擇每隔20°進(jìn)行一次測量，這種測量方式也能較好地反映鋼管壁厚。綜合考慮選擇每隔20°進(jìn)行測量，共測得18處壁厚，如圖10所示。

3.2 系統(tǒng)標(biāo)定

鋼管壁厚檢測系統(tǒng)是通過采集到的圖像來計(jì)算鋼管壁厚的實(shí)際尺寸，因此需要對(duì)其進(jìn)行標(biāo)定以此獲得鋼管壁厚的實(shí)際尺寸。標(biāo)定步驟為：首先選取鋼管端面某一處進(jìn)行標(biāo)記，并用測量工具測出此處的鋼管厚度值并記為h（單位為mm），然后獲取此處的像素值壁厚記為H（單位為pixel）。則壁厚像素值轉(zhuǎn)換成實(shí)際尺寸的公式可表示為：

k為像素當(dāng)量，單位為mm/pixel。

為了減小誤差提高檢測精度，取多處鋼管壁厚進(jìn)行標(biāo)定。選取60°與140°方向及其對(duì)角線處的4處壁厚進(jìn)行標(biāo)定，然后由式（6）可得4 處的像素當(dāng)量，如圖11 所示。取4處像素當(dāng)量平均值得到標(biāo)定系數(shù)s。

圖11 系統(tǒng)標(biāo)定圖Fig.11 Systemic calibration

3.3 實(shí)驗(yàn)測量與分析

為了驗(yàn)證本文檢測系統(tǒng)在鋼管壁厚檢測中的可行性，在Windows10 系統(tǒng)下，處理器為Intel i5，運(yùn)行內(nèi)存為8 GB的電腦上，程序采用C++編寫，使用Opencv3.4.6平臺(tái)對(duì)鋼管斷面圖像進(jìn)行了圖像處理。

實(shí)驗(yàn)采用600×800 像素大小的兩種不同拍攝環(huán)境下的不同規(guī)格鋼管斷面圖像進(jìn)行實(shí)驗(yàn)測量，如圖12所示。

圖12 鋼管樣本測試環(huán)境圖Fig.12 Testing environmental for steel pipe sample

根據(jù)設(shè)計(jì)的檢測算法進(jìn)行計(jì)算分析得出測量結(jié)果。并將改進(jìn)隨機(jī)霍夫變換（randomized Hough transform，RHT）與最小二乘法圓檢測、隨機(jī)抽樣一致性（random sample consensus，RANSAC）算法、RHT 算法檢測結(jié)果進(jìn)行了比較，兩種圖像檢測結(jié)果如表1、表2所示。

表1 樣本1鋼管壁厚檢測結(jié)果Table 1 Detection result of wall thickness of steel pipe for sample 1

表2 樣本2鋼管壁厚檢測結(jié)果Table 2 Detection result of wall thickness of steel pipe for sample 2

從表1中可以看出，改進(jìn)后的隨機(jī)霍夫圓檢測在時(shí)間和檢測精度上都優(yōu)于其他三種檢測算法，檢測精度約為0.1 mm，與改進(jìn)之前相比提高了約3倍。從檢測時(shí)間上看，改進(jìn)后的檢測算法檢測時(shí)間約為1 s，較改進(jìn)之前時(shí)間縮短了一半，且與其他兩種檢測算法相比，檢測用時(shí)也都有不同程度的提升。從檢測的最大誤差來看，改進(jìn)后的檢測算法最大誤差為0.223 1 mm，小于其他幾種檢測算法所得結(jié)果。均方根誤差表示壁厚檢測值與真實(shí)壁厚值之間的偏差，可以看出改進(jìn)后的檢測算法壁厚檢測值與真值相差較小。

從表2 中可以看出，相對(duì)于樣本1 的鋼管斷面圖像檢測結(jié)果，由于樣本2放置環(huán)境中增加了無關(guān)物體干擾項(xiàng)，各檢測算法檢測精度都有所改變，其中最小二乘檢測算法變化最大。這是由于最小二乘法圓擬合對(duì)于圖像邊緣要求較高，當(dāng)圖像邊緣出現(xiàn)無關(guān)邊緣點(diǎn)時(shí)會(huì)對(duì)擬合結(jié)果產(chǎn)生較大的影響。本文檢測算法相較于其他幾種檢測算法變化較小，檢測精度約為0.1 mm，并未明顯變化，說明本文檢測算法具有較好的魯棒性。

為了能夠更加直觀地觀察各處鋼管壁厚誤差變化情況，選擇每隔20°進(jìn)行均勻測量，共測得18處壁厚，并將樣本1 與樣本2 的各處誤差進(jìn)行統(tǒng)計(jì)，結(jié)果如圖13、圖14所示。

圖13 樣本1壁厚誤差統(tǒng)計(jì)圖Fig.13 Statistical deviation of wall thickness for sample 1

從圖13 與圖14 可以看出，與其他幾種檢測算法相比，本文檢測算法下鋼管壁厚各處誤差相差較小且大部分接近于0，并且檢測環(huán)境的改變并未使得壁厚誤差產(chǎn)生較大改變，說明本文檢測算法優(yōu)于其他幾種檢測算法。

圖14 樣本2壁厚誤差統(tǒng)計(jì)圖Fig.14 Statistical deviation of wall thickness for sample 2

4 總結(jié)

為了解決傳統(tǒng)鋼管壁厚測量方式中存在的測量速度慢、測量精度低以及難以實(shí)現(xiàn)測量的實(shí)時(shí)性等問題，本文提出一種基于機(jī)器視覺的鋼管壁厚在線檢測方法。該方法利用單目相機(jī)，結(jié)合Opencv3.4.6平臺(tái)，通過改進(jìn)RHT算法實(shí)現(xiàn)鋼管壁厚的在線檢測。實(shí)驗(yàn)證明該方法的壁厚測量誤差約為0.1 mm，且效率高，能夠滿足對(duì)鋼管壁厚在線檢測的要求，具有一定的實(shí)用價(jià)值。

本文運(yùn)用了改進(jìn)后的隨機(jī)Hough圓檢測算法，提高了原有檢測算法的檢測精度與效率，彌補(bǔ)了原有檢測算法由于噪聲和復(fù)雜背景的干擾，從而產(chǎn)生大量無效累計(jì)的缺點(diǎn)。

該方法實(shí)現(xiàn)了非接觸測量，是一種無損檢測方法。在此基礎(chǔ)上，還可以對(duì)所測鋼管是否符合生產(chǎn)要求進(jìn)行判定，從而篩選出殘次品。