一種V型坡口焊縫圖像處理方法及特征提取算法研究

梁立鵬，陸永華，譚 杰

(1.南京航空航天大學(xué) 機(jī)電學(xué)院，江蘇 南京 210016；2.國營錦江機(jī)器廠，四川 成都 610000)

0 引 言

隨著現(xiàn)代化智能制造技術(shù)的發(fā)展，自動化焊接得到了越來越廣泛的應(yīng)用[1].由于視覺傳感器具有測量信息豐富、精度高且無接觸的特點[2]，被廣泛應(yīng)用于自動化焊接的焊縫跟蹤系統(tǒng)中，其中基于結(jié)構(gòu)光的視覺傳感器是最常用的一種傳感器[3].在焊縫自動跟蹤過程中，對焊前坡口焊縫位置的精準(zhǔn)、高效定位是其關(guān)鍵技術(shù)[2，4]，會嚴(yán)重影響自動化焊接的質(zhì)量和效率.而在實際焊接工作現(xiàn)場，由于焊接過程中存在大量弧光、光斑、反射噪聲等干擾，實現(xiàn)焊縫跟蹤變得十分困難，如何從采集圖像中去除噪聲，準(zhǔn)確提取坡口焊縫的特征點是亟待解決的首要問題[5].提取圖像感興趣點(Region of Interest，ROI)后進(jìn)行配準(zhǔn)預(yù)處理可大大減少圖形處理的復(fù)雜度[6].

在焊縫圖像預(yù)處理方面，蔡志勇等[7]利用小波變換檢測信號邊緣的優(yōu)勢，提出了基于小波變換的V型坡口光條提取算法，能有效抵抗弧光的干擾，但其算法實現(xiàn)復(fù)雜，運行效率有待提高.常用的預(yù)處理操作還有圖像濾波、邊緣檢測等[8].角點檢測方法主要分為基于灰度圖像與基于輪廓曲線的方法[9]，其中基于灰度圖像的角點檢測主要考慮像素鄰域點的灰度變化，如Harris角點檢測法[10]、Shi-Tomasi角點檢測法等[11].基于輪廓曲線的角點檢測主要依據(jù)輪廓曲率的變化，主要有基于曲率尺度空間(Curvature Scale Space，CSS) 的角點檢測算法[12]、斜率分析法以及基于斜率變化的尖銳度角點檢測法[13]等.趙亞利等[14]提出的角點檢測算法不同于僅利用邊緣輪廓的傳統(tǒng)角點檢測器，其結(jié)合了邊緣像素灰度信息，并采用自適應(yīng)全局閾值，避免了角點的誤判，該算法的檢測性能較優(yōu)，對噪聲具有穩(wěn)健性.Huang等[15]在識別不同焊接接頭類型的基礎(chǔ)上對檢測焊縫特征點進(jìn)行了研究.

針對復(fù)雜焊縫圖像特征點的提取，本文提出一種基于ROI開窗和多尺度空間卷積運算的圖像預(yù)處理方法，并結(jié)合開運算和小連通域去除，差異化地消除噪聲的干擾，提取出二值化光條紋.首先采用幾何中心法(Geometric Center Method，GCM)細(xì)化光條紋，獲得單像素寬的坡口焊縫光條，再利用局部窗口在圖像上移動分析光條曲率變化，初步定位焊縫角點，進(jìn)行光條區(qū)域劃分，然后采用自適應(yīng)寬度的二次加權(quán)重心法分段提取光條中心線，最后根據(jù)直線相交法和最小距離法提取出精確的焊縫特征點.

1 基于ROI開窗的圖像預(yù)處理

金屬表面大部分比較光滑，但磨削切割時會產(chǎn)生細(xì)微的表面紋理，激光投射于坡口焊縫上往往會發(fā)生不同程度的鏡面反射和漫反射，使得采集圖像上除了調(diào)制后的光條紋，還會存在較多的噪聲，與此同時噪聲的特性也與光條紋邊緣特性相近，簡單的圖像預(yù)處理算法很難有效濾除噪聲、準(zhǔn)確還原光條信息.因此，本文采用基于ROI開窗的圖像預(yù)處理算法提取二值化光條.

1.1 ROI區(qū)域劃分

采集的一幅V型坡口光條圖像如圖1(a) 所示，光條部分為左右水平光條、左右坡口光條以及中央水平光條；噪聲部分主要為反射光噪聲、漫射光噪聲以及孤點噪聲.將光條圖像劃分為左、中、右3個ROI區(qū)域，大致如圖1 中虛線框所示.

(a) 圖像各部分含義

光條圖像水平累加灰度值的分布情況如圖1(b) 所示，灰度累加值最大的一行(如圖1(b) 中的①號線所示)即為光條紋中心位置，然后在此位置上下延展一定寬度即可完成左右ROI區(qū)域的劃分.根據(jù)左右ROI區(qū)域可確定中央坡口區(qū)域的上邊界，下邊界采用從下至上按行檢索獲取灰度極大值像素點確定.

根據(jù)上述定位方法提取出的3個ROI區(qū)域如圖2 所示，通過ROI區(qū)域劃分，可以將光條與距離較遠(yuǎn)的噪聲部分分隔開，不僅明顯去除了一定的干擾信息，更利于差異化分離光條與噪聲，而且顯著減少了圖像預(yù)處理過程中的計算量.

圖2 V型坡口光條圖像ROI區(qū)域Fig.2 ROI of the V-groove stripe image

1.2 光條圖像增強(qiáng)

受光條圖像中噪聲、反射光斑的影響，若直接進(jìn)行圖像分割，會將噪聲和光斑誤當(dāng)做灰度值較高的光條.因此，本文在對光條紋與噪聲形態(tài)學(xué)差異分析的基礎(chǔ)上，提出了一種基于光條形態(tài)特征的線狀空間卷積與圖像差分相結(jié)合的圖像增強(qiáng)方法.該方法采用不同尺度的卷積運算后進(jìn)行圖像差分操作，使噪聲和光斑更加顆粒化.

圖3 左、右ROI區(qū)域豎直方向空間卷積核Fig.3 Vertical spatial convolution kernel of left and right ROI

將M1分別與左、右ROI圖像進(jìn)行卷積運算，光條紋被進(jìn)一步增強(qiáng)，并仍保持水平延展的特性；而ROI噪聲區(qū)域內(nèi)灰度值較大的像素點被增強(qiáng)，灰度值偏低的暗部像素點被進(jìn)一步削弱，使得該區(qū)域變得離散化、顆?；?，圖像增強(qiáng)結(jié)果如圖4 所示.

圖4 光條圖像ROI區(qū)域M1卷積結(jié)果Fig.4 M1 convolution result of stripe image ROI

圖5 中央ROI區(qū)域多尺度空間卷積核Fig.5 Different spatial convolution kernels of central ROI

圖6(a) 所示為M2模板與中央ROI圖像進(jìn)行卷積運算的結(jié)果，可以看出，由于該區(qū)域內(nèi)的左、右坡口光條具有一定斜率，上述卷積模板同樣適用于坡口光條的增強(qiáng)，在保留了坡口光條的像素灰度值信息的同時，擴(kuò)大了水平光條與周圍光斑在形態(tài)上的差異.

圖6 光條圖像中央ROI區(qū)域圖像增強(qiáng)結(jié)果Fig.6 Image enhancement result of central ROI

此外，對于中央ROI圖像，該區(qū)域內(nèi)噪聲面積更大且與光條形態(tài)更為接近，所以本文還對噪聲的豎直方向進(jìn)行了增強(qiáng)，使其形態(tài)更加離散化，構(gòu)建的水平空間卷積模板為1×5型矩陣M3，如圖5(b) 所示.

將M3與中央ROI區(qū)域進(jìn)行卷積運算，結(jié)果如圖6(b) 所示，然后用M2卷積結(jié)果與M3卷積結(jié)果進(jìn)行圖像差分，其二值化分割圖像如圖6(c) 所示，可見圖像差分后使得噪聲顆粒更為細(xì)小，并維持了坡口光條連續(xù)性、均勻性分布的特點，使光條與噪聲之間的差異凸顯.

1.3 小連通域去除

由于圖像中噪聲連通面積相對光條而言在數(shù)量級上差距顯著，因此，本文采用形態(tài)學(xué)開運算與基于輪廓查找的微小連通域去除相結(jié)合的方法去除干擾噪聲.

首先對圖像增強(qiáng)后的各ROI進(jìn)行5×5的形態(tài)學(xué)開運算，圖7(a) 所示為中央ROI開運算結(jié)果，可見開操作在保證連續(xù)的光條紋不受影響的同時，能夠去除絕大多數(shù)的噪聲顆粒，但仍有一些小面積的噪聲連通域存在.基于輪廓查找的微小連通域去除法：查找出二值化光條圖像中的全部輪廓，并獲取各輪廓面積，通過設(shè)定輪廓面積閾值去除微小的噪聲連通域，去噪效果如圖7(b) 所示.采用本文圖像預(yù)處理算法對V型坡口光條圖像進(jìn)行預(yù)處理的結(jié)果如圖7(c) 所示，可見該算法效果顯著，能夠準(zhǔn)確提取出完整的二值化光條.

(a) 開運算結(jié)果

2 基于形態(tài)學(xué)特征的角點檢測

本文對二值化光條圖像采用幾何中心法對光條紋進(jìn)行細(xì)化，提取出光條紋的像素級中心線，結(jié)果如圖8(a)所示.然后依據(jù)細(xì)化后的V型坡口光條的形態(tài)學(xué)變化特征，在單像素寬的V型坡口光條基礎(chǔ)上，定位出圖8(b)中所標(biāo)識角點.

圖8 單像素V型坡口光條Fig.8 Single-pixel V-groove stripe

對于A′(F′)和C′(D′)角點，僅需遍歷像素點獲取x坐標(biāo)、y坐標(biāo)極值像素點即可，G′(H′)角點則為距離C′(D′)角點最近的像素點，實現(xiàn)算法均比較簡單.對于B′(E′)角點的提取，本文采用的算法原理如圖9 所示.

圖9 光條紋第一對角點B′(E′)提取原理示意圖Fig.9 The extraction principle of the corners B′(E′)

設(shè)一移動矩形窗口(如圖中實線框所示)的寬度為2a+1，位于窗口中心處的像素點記為中心像素點Pc，該點坐標(biāo)為(c，y(c))，其左右兩側(cè)均有a個像素點(如圖中虛線框所示).窗口從光條紋邊界點A′(F′)開始移動，本文的移動方向為從左向右(從右向左)，步長為S.分別求取窗口內(nèi)中心點Pc左右兩側(cè)光條的平均斜率kl、kr，計算表達(dá)式為

窗口每移動一個步長，便計算獲得平均斜率kl和kr，為了表征中心點左右兩側(cè)光條紋的形態(tài)差異(即曲率變化)，本文引入斜率的絕對變化量Δk, Δk由平均斜率kl和kr求得，即

Δk=|kl-kr|.(3)

如圖10 所示，當(dāng)中心點Pc左右兩側(cè)的光條紋無明顯變化，Δk較小趨近于0；當(dāng)中心點Pc左右兩側(cè)光條紋變化十分顯著，對于V型坡口光條來說，即為左右兩側(cè)光條近乎垂直，則Δk趨近于無窮大.因此，通過絕對變化量Δk就可以定量地分析出光條曲率的變化.

(a) 無明顯變化

當(dāng)Δk大于閾值km時，該中心點可能是所要定位的角點，將其作為備選角點存入容器Vec中，然后移動窗口，本文步長S設(shè)置為1個像素；重復(fù)上述操作，將符合條件的中心點存入Vec中；通過對坡口光條圖像特征的分析，本文認(rèn)為當(dāng)中心點與已提取光條邊界點A′的y坐標(biāo)之差大于20個像素時，不可能再出現(xiàn)滿足條件的角點，窗口停止繼續(xù)移動.

最后，通過非極大值抑制篩選出真正的角點.在存放備選角點的容器Vec中找到斜率絕對變化量Δk最大時的中心點，則該點就是滿足條件的角點B′(E′)，即

PB(E)=Pc(max(Δk)), (Pc(Δk)∈Vec).(4)

3 亞像素特征點提取

采用分段式精確提取特征點的方式，即根據(jù)初步檢測出的像素級角點，對V型光條紋進(jìn)行區(qū)域的劃分，結(jié)果如圖8(b) 所示，然后分段提取其亞像素級光條中心線，在此基礎(chǔ)上提取出V型坡口光條的亞像素特征點.

3.1 自適應(yīng)光條中心提取

基于自適應(yīng)寬度的二次加權(quán)重心法提取激光條紋亞像素中心點的計算原理如圖11 所示.首先，通過掃描二值化光條紋的邊界獲得激光條紋每個橫截面的寬度wi和光條灰度圖中第i列的像素集合G(i，y)，然后采用式(5)計算出光條紋每列中心點的坐標(biāo)，如圖中Pi所示，圖中的圓點即為提取出的亞像素級中心點.根據(jù)wi和第i列的像素集合G(i，y)計算出光條各截面中心點的坐標(biāo)

圖11 基于自適應(yīng)寬度的二次加權(quán)重心法原理圖Fig.11 Schematic diagram of the quadratic weighted grayscale centroid method based on adaptive width

3.2 光條特征點提取

光條特征點的亞像素坐標(biāo)提取采用直線相交法和最小距離法，直線相交法用于光條紋存在連續(xù)兩段直線的情況，當(dāng)光條紋特征點相對孤立時則采用最小距離法.實現(xiàn)原理如圖12 所示，對于B，E特征點，即為中心線l1與l2，l4與l5的交點；對于C，D，G和H特征點，則為中心線l2，l3和l4上與初步定位的角點C′，D′，G′和H′距離最近的點.

圖12 亞像素特征點提取原理示意圖Fig.12 Schematic diagram of sub-pixel feature points extraction

4 實驗結(jié)果與分析

為了驗證本文算法的實現(xiàn)效果，搭建基于線結(jié)構(gòu)光視覺檢測系統(tǒng)，如圖13 所示，其由線激光器、電荷耦合器件(Charge-Coupled Devices，CCD)工業(yè)相機(jī)、夾具模塊、實驗檢測臺和計算機(jī)組成.

圖13 線結(jié)構(gòu)光視覺檢測系統(tǒng)Fig.13 Vision detection system based on linear structure light

4.1 圖像預(yù)處理實驗

分別采用中值濾波、直方圖均衡化、Log變換法以及本文預(yù)處理算法對V型坡口光條圖像進(jìn)行噪聲去除，然后通過Otsu閾值分割提取二值化光條，實驗結(jié)果如圖14 所示.可以看出，一般的圖像預(yù)處理流程很難將噪聲和光條部分區(qū)別開，而本文處理算法能夠有效濾除噪聲，提取出完整的二值化光條.

圖14 不同圖像預(yù)處理算法提取的二值化光條圖像Fig.14 Binary stripe images extracted by different image preprocessing algorithms

4.2 特征點檢測實驗

采用本文算法對V型坡口光條進(jìn)行特征點檢測的結(jié)果圖像如圖15 所示，直線段為提取出的光條中心線，實心圓點即為特征點.

圖15 光條中心提取及特征點提取結(jié)果Fig.15 Extraction result of stripe center-line and feature points

為了驗證本文算法的有效性和準(zhǔn)確性，將所提方法與現(xiàn)有的角點檢測算法進(jìn)行對比，檢測結(jié)果如圖16 所示.

圖16 不同角點檢測算法提取角點結(jié)果Fig.16 Extraction results of different corner detection algorithms

為了客觀評價不同算法的角點檢測效果，本文采用誤檢率、漏檢率、正確角點定位誤差以及運行時間4項指標(biāo)進(jìn)行評價，其中正確角點定位誤差為正確角點與人工標(biāo)記角點之間的平均距離，誤檢率為錯誤角點數(shù)占需檢測角點數(shù)的比重，評價結(jié)果如表1 所示.從表1數(shù)據(jù)可知，本文算法的角點檢測正確率明顯高于其他算法，誤檢率與漏檢率均為0，角點定位誤差僅為0.50 pixel，檢測準(zhǔn)確性較高，可見本文算法對V型坡口焊縫特征點的檢測更加有效.在角點檢測的效率上，本文算法的運行時間為31 ms，略長于基于尖銳度算法，但相比Harris算法效率提升60%，仍然具有較高的實時性.此外，上述對比算法檢測角點僅為像素級，而本文算法最終提取出亞像素特征點，算法的精確性得到了進(jìn)一步的提高.

表1 不同角點檢測算法評價結(jié)果Tab.1 Evaluation result of different corner detection algorithms

5 結(jié) 論

針對復(fù)雜坡口焊縫圖像中噪聲去除、特征點提取的難題，本文提出基于ROI開窗的圖像預(yù)處理方法，有效去除了光斑、噪聲的干擾，并準(zhǔn)確提取出二值化光條.在檢測出焊縫角點基礎(chǔ)上采用變寬限二次加權(quán)重心法分段提取光條中心線以及焊縫特征點，進(jìn)一步提高了特征點提取的精度.本文算法的檢測準(zhǔn)確率達(dá)100%，遠(yuǎn)高于其它角點檢測算法，并且檢測效率比傳統(tǒng)角點檢測方法提升至少60%.焊縫特征點提取的目的是為了實現(xiàn)空間幾何尺寸的視覺檢測，因此，在下一步的研究中將會完成系統(tǒng)標(biāo)定，獲取焊縫實際幾何尺寸的測量并完成系統(tǒng)精度檢測實驗與分析.