金屬片激光焊接區(qū)域的識(shí)別與質(zhì)量檢測(cè)

龔凱學(xué)， 汪鐳， 潘永東， 康琦， 吳啟迪

(同濟(jì)大學(xué) 電子與信息工程學(xué)院， 上海 201804)

0 引言

在面臨環(huán)境污染、能源危機(jī)等諸多挑戰(zhàn)下，汽車保有量依舊不斷增加，因此純電動(dòng)汽車成為了未來(lái)新能源汽車的主要發(fā)展方向，快速充電技術(shù)的應(yīng)用更加速了純電動(dòng)汽車產(chǎn)業(yè)的發(fā)展。電池組中，影響其表面導(dǎo)電性能及穩(wěn)定性的主要因素是其上金屬片激光焊接的質(zhì)量，因此在電池組成品之前必須對(duì)最主要的焊接缺陷進(jìn)行識(shí)別檢測(cè)。

目前，國(guó)內(nèi)外的生產(chǎn)企業(yè)都采用超聲波、激光、X-ray等各種手段來(lái)檢測(cè)焊接的質(zhì)量，但這些設(shè)備專用性強(qiáng)、價(jià)格昂貴，且通常不支持二次開(kāi)發(fā)。隨著機(jī)器視覺(jué)理論的完善和計(jì)算機(jī)技術(shù)、光電技術(shù)的發(fā)展，機(jī)器視覺(jué)檢測(cè)技術(shù)不斷被重視。其中，通過(guò)攝像機(jī)獲取被測(cè)圖像是光學(xué)手段中最為簡(jiǎn)單易行的，而這方面的研究則主要集中于對(duì)焊點(diǎn)的識(shí)別檢測(cè)。Paul J.Besl等人[1]通過(guò)選擇最有效且易于計(jì)算的特征對(duì)幾種焊點(diǎn)建立相應(yīng)的模板，最后用最小距離分類算法對(duì)樣本進(jìn)行了檢測(cè)，但其用于識(shí)別檢測(cè)的圖像是通過(guò)人工手動(dòng)進(jìn)行分割提取的有焊點(diǎn)的子圖。吳福培等人[2]通過(guò)提取焊點(diǎn)形狀中的面積特征，建立不同缺陷類型的特征矩陣模型，然后利用模式匹配算法對(duì)焊點(diǎn)質(zhì)量進(jìn)行檢測(cè)，但卻需要人為設(shè)定閾值參數(shù)等。除此之外，還有通過(guò)Log-Gabor濾波器、離散小波變化和離散余弦變換提取焊點(diǎn)特征，再利用馬氏距離對(duì)不同焊點(diǎn)進(jìn)行分類的方法[3]、通過(guò)形態(tài)學(xué)方法提取焊點(diǎn)圖像，通過(guò)計(jì)算區(qū)域重心對(duì)圖像進(jìn)行X、Y方向的投影得到分割圖像的方法、采用貝葉斯和支持向量機(jī)對(duì)焊點(diǎn)圖像進(jìn)行分類的方法[4]等等。對(duì)于焊縫的識(shí)別檢測(cè)國(guó)內(nèi)外的研究大多是基于X射線圖像且焊縫是兩工件邊界熔深或填埋形成的，主要有小波分析法、三角擬合法、B樣條曲線擬合法等檢測(cè)算法，雖然X射線成像檢測(cè)對(duì)表面光潔度沒(méi)有嚴(yán)格要求且靈敏度較高，但射線對(duì)人體有害，射線源昂貴且防護(hù)成本更高。對(duì)于金屬片的激光焊接而言，其上的激光焊接區(qū)域可以看成是無(wú)數(shù)點(diǎn)焊形成的焊縫，因此，本文研究利用攝像機(jī)獲取金屬片激光焊接圖像，然后對(duì)其質(zhì)量進(jìn)行識(shí)別檢測(cè)。

1 視覺(jué)檢測(cè)系統(tǒng)構(gòu)成

一個(gè)典型的機(jī)器視覺(jué)檢測(cè)系統(tǒng)主要包括照明系統(tǒng)、光學(xué)成像系統(tǒng)、圖像捕捉系統(tǒng)、圖像采集、圖像處理模塊、控制執(zhí)行模塊等。

在圖像采集設(shè)備的選取中，選擇工業(yè)面陣CCD攝像機(jī)來(lái)獲取電池組表面圖像。相較于其他圖像采集設(shè)備，工業(yè)CCD相機(jī)的功耗小、穩(wěn)定性強(qiáng)、控制響應(yīng)速度快，所獲取的圖像像素分辨率高、清晰且畸變小。同時(shí)，面陣CCD相機(jī)一次能夠獲取一幅圖像信息，它不受采集方式影響，分辨率由其自身結(jié)構(gòu)決定，因此它的采集效率較高，所獲取的整幅圖像的質(zhì)量也較好，后續(xù)處理也相對(duì)簡(jiǎn)單。

視覺(jué)檢測(cè)系統(tǒng)中，合適的光源及照明方案是整個(gè)系統(tǒng)成敗的前提基礎(chǔ)?？紤]到除激光焊接區(qū)域外，電池表面金屬片本身較為光亮，極易受不均勻光源照明及復(fù)雜的環(huán)境光影響而導(dǎo)致獲取的圖像出現(xiàn)不均勻亮度，對(duì)檢測(cè)精度及分析結(jié)果產(chǎn)生嚴(yán)重影響。此外，受焊接影響，焊接區(qū)域周邊的金屬片的平整度大大降低，會(huì)產(chǎn)生嚴(yán)重的漫反射，用常規(guī)的設(shè)計(jì)，較難獲取理想的檢測(cè)圖像。因此，在用LED光源明場(chǎng)照明的設(shè)計(jì)中，對(duì)其結(jié)構(gòu)加以改進(jìn)，使用同軸平行光源這種特殊的設(shè)計(jì)來(lái)盡可能的消除這些影響，其焊接區(qū)域照射光路原理圖，如1所示。

圖1 焊接區(qū)域照射光路原理圖

2 金屬片激光焊接圖像預(yù)處理

2.1 圖像灰度處理

CCD相機(jī)采集的彩色圖像包含較多的顏色數(shù)，會(huì)導(dǎo)致后續(xù)的圖像計(jì)算量變大，大大降低整個(gè)系統(tǒng)的率處理效。對(duì)于金屬片激光焊接圖像而言，合適的灰度圖像與彩色圖像一樣能夠反映出它整體和局部的色度和亮度等級(jí)的分布和特征。

灰度處理方法中，單分量法、最大值法及平均值法在方法實(shí)現(xiàn)上都較為簡(jiǎn)單，然而并沒(méi)有考慮不同分量的重要性。加權(quán)平均法則是利用YUV顏色空間中分量Y的值，即點(diǎn)的亮度，來(lái)反映該處的灰度等級(jí)。根據(jù)兩空間的變化關(guān)系，建立如下的對(duì)應(yīng)為式(1)。

Y=0.298 9*R+0.587 0*G+0.114 0*B

(1)

加權(quán)平均法即是將這個(gè)Y值作為灰度圖像的灰度值它能夠在保持亮度的同時(shí)，消除色調(diào)和飽和度信息，而且易于保存細(xì)節(jié)。

2.2 焊接圖像模糊度量及復(fù)原

機(jī)械平臺(tái)控制相機(jī)的運(yùn)動(dòng)獲取整個(gè)快速充電電池表面的金屬片激光焊接圖像，因此電機(jī)控制的起停極有可能造成在曝光時(shí)間內(nèi)成像系統(tǒng)與電池之間的相對(duì)運(yùn)動(dòng)，從而導(dǎo)致圖像退化。

圖像的統(tǒng)計(jì)特性研究表明，自然圖像的梯度服從重尾分布(heavy tailed distribution)，即梯度分布的尾部比指數(shù)分布要厚。選用Sobel梯度算子分別對(duì)圖2圖3的清晰和模糊圖像進(jìn)行處理，如圖2、圖3所示。

圖2所示為清晰圖像梯度分布，可見(jiàn)其有較長(zhǎng)的尾部，

衰減也較慢，尾部比指數(shù)分布要厚。圖3所示的模糊圖像梯度分布尾部則迅速衰減，因?yàn)槟：龍D像不會(huì)含有很多銳利邊緣，所以梯度分布會(huì)集中在小值或零值附近且范圍也因此變小。本文用高斯混合模型近似這種分布為式(2)。

π0G(x,μ0,σ0)+π1G(x,μ1,σ1)

(2)

其中，μ0，μ1為均值，方差σ1>σ，π0，π1表示雙高斯擬合系數(shù)。σ1是造成梯度重尾分布的主要原因，圖像清晰，σ1值大，反之，值小，如圖4所示。

(σ1=120)(σ1=23)

圖4 雙高斯擬合圖像

模糊圖像度量中，計(jì)算電池組表面獲取的一整組圖像的σ1及其均值σ1'，對(duì)比圖像p的σ1與σ1'的大小，由此得到模糊度量為式(3)。

q=(σ1′-σ1)/σ1′

(3)

由于模糊圖像的的σ1要比σ1'小很多，設(shè)定50%為模糊度量q的閾值，q值大于50%的圖像即判定為模糊圖像。

模糊圖像復(fù)原中，逆濾波復(fù)原較為簡(jiǎn)單直接，但它不明確考慮噪聲項(xiàng)，因而直接逆濾波的性能是較為差的；維納濾波對(duì)退化圖像的復(fù)原在平均意義上是最優(yōu)的，但應(yīng)用中，噪聲及原圖像的功率譜難以估計(jì)；Lucky-Richardson復(fù)原則同大多數(shù)非線性方法一樣，很難保證確切的收斂時(shí)間；盲去卷積復(fù)原同樣存在耗時(shí)久的問(wèn)題，而且也往往并不能得到理想的復(fù)原效果。有約束最小二乘復(fù)原采用圖像的二階導(dǎo)數(shù)作為最小準(zhǔn)則函數(shù)，定義為式(4)。

(4)

(5)

其中，γ為待調(diào)整參數(shù)，P(u,v)為拉普拉斯算子p(x,y)的傅里葉變換。實(shí)驗(yàn)中，不斷改變加性噪聲功率的取值可以發(fā)現(xiàn)它對(duì)復(fù)原效果的影響極小，因此有約束最小二乘復(fù)原較為適合本系統(tǒng)中金屬片激光焊接模糊圖像的復(fù)原。

3 焊接區(qū)域分割

3.1 閾值分割

金屬片中，焊接區(qū)域相較于的其他非焊接區(qū)域灰度值要低，但實(shí)際應(yīng)用中由于受環(huán)境因素及表面自身特性影響，金屬片表面所產(chǎn)生的不同灰度差異使得無(wú)法設(shè)定統(tǒng)一的閾值對(duì)所有金屬片進(jìn)行分割。

最大類間方差法無(wú)需設(shè)定其他參數(shù)，是一種自動(dòng)確定分割閾值的算法，一定程度上它所確定的閾值能夠?yàn)闄z測(cè)系統(tǒng)閾值的選擇提供參考。對(duì)于圖像f(x,y)，將其中的像素分為C0和C1兩類，ω0、ω1和μ0、μ1分別為這兩類出現(xiàn)的概率和均值，μ為整幅圖像的均值，則類間方差為式(6)。

(6)

使σ2取最大值時(shí)的灰度值T即為最佳閾值。

遍歷算法是一種計(jì)算T值較為傳統(tǒng)的方法，它通過(guò)遍歷灰度范圍內(nèi)的所有像素并計(jì)算方差，最后比較才能得出最大方差，但這種遍歷算法計(jì)算量大、耗時(shí)長(zhǎng)。隨著智能化進(jìn)程的推動(dòng)，智能算法的發(fā)展也為最大類間方差法的閾值確定提供了新思路。

最大類間方差的求解過(guò)程就是在解空間中找到一個(gè)最優(yōu)解使得類間方差最大。遺傳算法(Genetic Algorithm，GA)是一類借鑒生物界遺傳進(jìn)化規(guī)律演化而來(lái)的隨機(jī)化搜索方法，但其搜索具有一定的盲目性。免疫遺傳算法將免疫概念及其理論應(yīng)用于遺傳算法，它不僅保留了原算法的優(yōu)良性能，而且使得問(wèn)題的求解過(guò)程更加具有選擇性和目的性。對(duì)比表1中所得分割閾值可以發(fā)現(xiàn)免疫遺傳算法能夠獲取理想的最大類間方差閾值，如表1所示。

表1 遍歷法和免疫遺傳算法所得分割閾值

金屬片的初步閾值分割圖像，如圖5所示。

圖5 金屬片a至g的閾值分割圖像

由于受金屬片表面自身及照明、環(huán)境因素的干擾，閾值分割并未能將激光焊接區(qū)域分割出來(lái)，但卻有效的保留了焊接區(qū)域的完整性，下面結(jié)合邊緣檢測(cè)實(shí)現(xiàn)對(duì)激光焊接區(qū)域的分割。

3.2 閾值分割和邊緣檢測(cè)結(jié)合的干擾消除

邊緣檢測(cè)中，基于微分方法的邊緣檢測(cè)算子一般無(wú)法同時(shí)滿足抑制噪聲和邊緣的精確定位，且在焊接邊緣的檢測(cè)中容易產(chǎn)生不連續(xù)及部分邊緣的缺失。Canny算子是一種較為優(yōu)秀且專門(mén)用于邊緣檢測(cè)的算子，它能較為完整的檢測(cè)出了焊接邊緣，但同時(shí)不感興趣部分的干擾也極大。

在對(duì)焊接邊緣的檢測(cè)中，一般難以確定Canny邊緣檢測(cè)標(biāo)準(zhǔn)差。隨著值的變大，檢測(cè)所得邊緣逼近實(shí)際邊緣后又不斷向兩側(cè)擴(kuò)張，因此需要確定合適的標(biāo)準(zhǔn)差值。

在金屬片兩側(cè)的干擾消除中，由于檢測(cè)所得邊緣僅用于防止焊接區(qū)域被消除，因此所選標(biāo)準(zhǔn)差所得的邊緣只需將焊接區(qū)域包含在內(nèi)。下面選用值2進(jìn)行邊緣檢測(cè)，并實(shí)現(xiàn)兩側(cè)的干擾消除：

(1) 在閾值分割圖像中，尋找Canny算子檢測(cè)出的邊緣，并將值置為255。

(2) 從金屬片圖像的左右兩側(cè)出發(fā)，搜索左右兩側(cè)每行值為255的第一個(gè)像素點(diǎn)并將兩側(cè)值置為255，消除兩側(cè)干擾點(diǎn)。

(3) 除兩側(cè)邊緣干擾點(diǎn)外，恢復(fù)閾值分割圖像中被置為255的邊緣點(diǎn)的值。

金屬片c的閾值分割圖像及其直方圖分布、Canny邊緣檢測(cè)圖像，兩側(cè)干擾消除后的二值圖像及其直方圖分布，如圖6所示。

圖6 金屬片c的兩側(cè)干擾消除圖像

對(duì)比可以發(fā)現(xiàn)，兩側(cè)干擾消除后，直方圖的峰值點(diǎn)對(duì)應(yīng)在焊接寬度區(qū)域內(nèi)。下面，利用該特性對(duì)焊接區(qū)域進(jìn)行準(zhǔn)確分割。

3.3 自適應(yīng)標(biāo)準(zhǔn)差設(shè)計(jì)

直方圖峰值點(diǎn)指定了焊接所在的大概區(qū)域，閾值圖像則提供了部分準(zhǔn)確的焊接區(qū)域，下面利用這兩點(diǎn)確定自適應(yīng)的邊緣檢測(cè)標(biāo)準(zhǔn)差。實(shí)現(xiàn)步驟如下：

(1) 搜索閾值圖像中焊接區(qū)域周圍邊緣。在閾值圖像中，從峰值點(diǎn)所對(duì)應(yīng)的直線出發(fā)，分別從該直線兩側(cè)進(jìn)行搜索第一次出現(xiàn)值變化的點(diǎn)。

(2) 確定理想邊緣點(diǎn)。計(jì)算邊緣點(diǎn)分布，保留峰值直線兩側(cè)連續(xù)點(diǎn)。

(3) 在不同標(biāo)準(zhǔn)差下對(duì)圖像進(jìn)行邊緣檢測(cè)。

(4) 確定理想標(biāo)準(zhǔn)差值。將理想邊緣點(diǎn)與不同標(biāo)準(zhǔn)差下邊緣點(diǎn)進(jìn)行對(duì)比，選擇匹配率高的標(biāo)準(zhǔn)差區(qū)間并不斷細(xì)化對(duì)比，最終確定理想標(biāo)準(zhǔn)差值。

3.4 焊接區(qū)域提取

閾值分割中，自動(dòng)確定的閾值能夠完整的保留焊接區(qū)域，同時(shí)部分焊接區(qū)域也被較好的分割出來(lái)，下面結(jié)合自適應(yīng)標(biāo)準(zhǔn)差確定中匹配所得結(jié)果，完成焊接區(qū)域的提取，實(shí)現(xiàn)步驟如下：

(1) 提取閾值分割中已被分割出的焊接區(qū)域。閾值分割中已被分割出的焊接區(qū)域邊緣分布于峰值點(diǎn)所對(duì)應(yīng)的直線兩側(cè)且具有良好的連續(xù)性，并且在與理想邊緣檢測(cè)的匹配中匹配率較高，結(jié)合這兩點(diǎn)，提取已被分割出的焊接區(qū)域。

(2) 借助邊緣檢測(cè)結(jié)果補(bǔ)全焊接區(qū)域。從步驟一提取的端點(diǎn)出發(fā)，對(duì)上部缺失點(diǎn)在邊緣檢測(cè)圖像中實(shí)行上三鄰域搜索，下部缺失點(diǎn)則實(shí)行下三鄰域搜索。

(3) 填充焊接區(qū)域。搜索兩側(cè)對(duì)應(yīng)邊緣點(diǎn)，對(duì)兩邊緣點(diǎn)間像素點(diǎn)進(jìn)行填充。

金屬片c、e、g的焊接區(qū)域提取結(jié)果，可見(jiàn)效果較好，如圖7所示。

圖7 金屬片c、e、g焊接區(qū)域確定圖像

4 金屬片激光焊接質(zhì)量檢測(cè)

完成對(duì)焊接區(qū)域的提取后，下面利用特征提取的方式實(shí)現(xiàn)金屬片激光焊接區(qū)域的質(zhì)量檢測(cè)。

(1) 偏焊。一般而言，理想的焊接位置位于金屬片的中軸線，偏焊則是由于焊接位置過(guò)度偏離中軸線。金屬片a至g焊接區(qū)域的位置特征信息，如表2所示。

表2 金屬片激光焊接區(qū)域位置信息

設(shè)定金屬片中心的1/2區(qū)域內(nèi)的焊接均為正常焊接，對(duì)于寬1 cm的金屬片，焊接中心線位于0至0.25 cm和0.75至1 cm則判定為偏焊，因此可以將偏離正常焊接區(qū)域的金屬片d識(shí)別出來(lái)。

(2)過(guò)焊。過(guò)焊缺陷在圖像中表現(xiàn)為灰度明顯低于正常焊接區(qū)域，但受光照環(huán)境影響單純依靠灰度值判別并不可靠。相較而言，平滑度和三階矩并不會(huì)受這種干擾，更能突出存在過(guò)焊缺陷的焊接區(qū)域特征。過(guò)焊的存在降低了焊接區(qū)域的平滑度，也使得直方圖向左偏斜，同時(shí)也包含了較多的信息量。金屬片的顏色紋理信息，如表3所示。

判別中，設(shè)定灰度均值小于平均均值，熵大于熵的均值，平滑度小于平滑度均值的1/2以及三階矩為負(fù)的焊接區(qū)域存在過(guò)焊缺陷，因此可以將存在過(guò)焊缺陷的金屬片e和金屬片f識(shí)別出來(lái)。

表3 金屬片激光焊接區(qū)域顏色紋理信息

金屬片efg均值10196112平滑度0.00060.00060.0020三階矩-34156-137928452熵6.75196.87976.1639過(guò)焊判別過(guò)焊過(guò)焊正常

(3) 虛焊。虛焊缺陷的檢測(cè)較為復(fù)雜，一般情況下與正常焊相比虛焊的明顯特征是焊接寬度較為狹窄。本文將虛焊作為一種表面缺陷來(lái)識(shí)別，設(shè)定焊接的寬度閾值實(shí)現(xiàn)對(duì)虛焊的檢測(cè)。

4 總結(jié)

本文基于機(jī)器視覺(jué)，對(duì)檢測(cè)系統(tǒng)構(gòu)成、圖像預(yù)處理、焊接區(qū)域的提取及缺陷識(shí)別進(jìn)行了研究，實(shí)現(xiàn)了金屬片激光焊接區(qū)域的識(shí)別與質(zhì)量檢測(cè)。

[1] Besl P, Delp E, Jain R.Automatic visual solder joint inspection[J]. IEEE Journal of Robotics and Automation,1985,1(1):42-56.

[2] 吳福培,鄺泳聰,張憲民.基于模式匹配及其參數(shù)自適應(yīng)的PCB焊點(diǎn)檢測(cè)[J].光學(xué)精密工程, 2009,17(10):2586-2593.

[3] Mar N S, Fookes C, Yarlagadda P. Solder joint defects classification using the Log-Gabor filter, the discrete wavelet transform and the discrete cosine transform[C]∥International Conference on Advances in Mechanical. Building, 2012.

[4] Wu H, Zhang X M,Xie H W. Classification of solder jiont using feature selection based on Bayes and support vector machine[J]. IEEE Transactions on Components, Packaging and Manufacturing Technology, 2013,3(3):516-522.