改進(jìn)Canny算法的熱管焊頭缺口邊緣檢測研究

沈光輝，楊龍興

（江蘇理工學(xué)院機(jī)械工程學(xué)院，江蘇常州 213001）

0 引言

散熱銅管是計算機(jī)散熱模組的重要組成部分，其加工的質(zhì)量極大地影響著計算機(jī)的散熱性能。彎管作為熱管加工的重要一步，實(shí)現(xiàn)其自動化作業(yè)有著很大的意義。目前采用的較多的仍然是人工彎管，依靠人工識別進(jìn)行檢測效率低下，誤判率高，長時間操作容易疲勞。除此之外，也使用自動彎管機(jī)進(jìn)行輔助作業(yè)，但是由于缺乏穩(wěn)定有效的熱管焊頭缺口檢測手段，自動化折彎熱管的型號也受到極大的限制。本文設(shè)計一種基于視覺的彎管檢測加工一體化裝置，能夠識別熱管焊頭缺口位置，在折彎前將熱管位置調(diào)整到位，從而實(shí)現(xiàn)上料、檢測、彎管和下料過程的自動化。實(shí)現(xiàn)彎管檢測與加工的自動化，不僅省時省力，而且對于推進(jìn)檢測加工一體化技術(shù)的發(fā)展具有深遠(yuǎn)意義。

為了實(shí)現(xiàn)上述裝置的功能，熱管焊頭缺口輪廓邊緣的采集是重中之重。目前，在常用圖像邊緣檢測技術(shù)當(dāng)中，較為常用的算子有Sobel算子、Roberts算子、Prewitt算子、Laplacian算子以及Canny算子等。在這些算子當(dāng)中，Canny算子有著檢測精度高、抗干擾性強(qiáng)、計算復(fù)雜度低等優(yōu)點(diǎn)[1-2]，所以本文使用Canny算法來進(jìn)行熱管缺口邊緣提取。但使用傳統(tǒng)的Canny算法來檢測熱管邊緣缺口，有以下兩點(diǎn)問題需要解決：一是傳統(tǒng)Canny算法使用高斯濾波來對圖像平滑消噪的同時，不可避免地會對原始熱管缺口邊緣產(chǎn)生一定的模糊作用，從而降低后期的檢測精度；二是Canny算法中最后一步使用到了雙閾值處理，而傳統(tǒng)Canny算法中雙閾值需要人為設(shè)定，一旦光照等外部環(huán)境發(fā)生變化，高低閾值可能就需要重新調(diào)整，不僅費(fèi)時費(fèi)力，且容易導(dǎo)致提取得到的熱管缺口出現(xiàn)邊緣缺失斷裂或者是偽邊緣的情況[3-4]。

針對傳統(tǒng)Canny算法中存在的濾波去噪問題，趙子潤等[5]通過構(gòu)建自適應(yīng)高斯濾波器改進(jìn)了曲度算子，使圖像的局部平滑效果達(dá)到最佳；李恒帥等[6]對刀具圖像采用自適應(yīng)中值濾波進(jìn)行平滑去噪，再采用Canny檢測刀具輪廓；石坤泉、Routray等[7-8]采用或改進(jìn)雙邊濾波來對圖像去噪；李慶忠等[9]利用改進(jìn)梯度倒數(shù)加權(quán)法對圖像進(jìn)行濾波處理。

針對傳統(tǒng)Canny算法中存在的雙閾值難以自適應(yīng)確定問題，王暾[10]利用梯度直方圖選取Canny算法的高低閾值，于海川等[11]利用原始圖像的平均方差與灰度值之間的比例自適應(yīng)確定高低閾值；張晶晶等[12]將非極大值抑制圖像的“谷”兩端灰度值作為最佳雙閾值；張升等[13-15]采用OTSU法求出圖像的最佳閾值代替人工選擇閾值；禹素萍等[16]通過統(tǒng)計并分析各個被處理棉纖維截面圖像的局部極大值點(diǎn)導(dǎo)數(shù)幅值的分布曲線，自適應(yīng)地計算出了高低閾值。

本文提出一種改進(jìn)Canny算法，使用雙邊濾波代替高斯濾波，采用遺傳算法優(yōu)化OTSU法對雙閾值實(shí)現(xiàn)自適應(yīng)求取，旨在提高熱管焊頭缺口輪廓邊緣的采集質(zhì)量，從而提高熱管周向定位精度，保證加工需求。

1 系統(tǒng)硬件設(shè)計

1.1 運(yùn)動精度分析和系統(tǒng)結(jié)構(gòu)

該檢測加工一體化裝置由送料裝置、旋轉(zhuǎn)檢測裝置、壓管裝置與彎管裝置組成?？傃b如圖1所示。

圖1 彎管檢測加工一體化裝置三維結(jié)構(gòu)圖

送料裝置安裝在一跨設(shè)于整個機(jī)構(gòu)的支撐架上，根據(jù)送料裝置夾爪的工作位置來設(shè)置光電傳感器。旋轉(zhuǎn)檢測裝置可以分為兩部分，一是旋轉(zhuǎn)部分，二是視覺檢測部分。旋轉(zhuǎn)部分由伺服電機(jī)控制整個旋轉(zhuǎn)夾爪的旋轉(zhuǎn)，夾取功能則通過氣動夾爪來完成；視覺檢測部分通過通訊線與上位機(jī)連接，以便對采集到的圖像進(jìn)行邊緣檢測。壓管裝置由3個連接有氣缸的壓管頭組成，3個壓管頭又設(shè)于線性滑軌上，方便調(diào)節(jié)位置，以便于與彎管裝置配合。在開始彎管作業(yè)前，壓頭下端氣缸動作，壓頭頂住熱管，起到彎管時的固定作用。

彎管裝置由一電機(jī)帶動擺桿旋轉(zhuǎn)，擺桿另一端連接有一連桿，連桿上安裝有3個彎管頭。當(dāng)裝置開始工作，電機(jī)軸旋轉(zhuǎn)，帶動連桿，連桿帶動彎管頭。彎管頭還安裝在氣缸上，工作時氣缸動作，彎管頭動作到位。于是，電機(jī)的正反轉(zhuǎn)便實(shí)現(xiàn)了彎管動作與彎管頭的復(fù)位。

在實(shí)際生產(chǎn)中，熱管具有單邊填粉，多邊填粉以及無粉等多種型號。對于單邊粉和雙邊粉等熱管種類，折彎時對熱管具有周向定位要求。本裝置對送料模組運(yùn)送熱管進(jìn)行視覺檢測，識別焊頭缺口邊緣，根據(jù)識別結(jié)果旋轉(zhuǎn)調(diào)整熱管周向位置，確保缺口朝上。

1.2 電氣控制

本文所設(shè)計的彎管檢測加工一體化裝置的電氣控制部分所用主要硬件有工控機(jī)、伺服電機(jī)若干、伺服電機(jī)驅(qū)動器若干、三菱PLC以及工業(yè)相機(jī)模組。在這其中，工控機(jī)是整個裝置電控部分的核心，承載著圖像數(shù)據(jù)處理并根據(jù)處理結(jié)果與PLC通訊的任務(wù)；在送料裝置、旋轉(zhuǎn)裝置以及彎管裝置中都使用伺服電機(jī)作為動力源，PLC控制伺服驅(qū)動器來控制伺服電機(jī)的動作，確保了熱管周向定位的精度。整個裝置電氣硬件布置如圖2所示。

圖2 電氣硬件布置

2 傳統(tǒng)Canny邊緣檢測算法

本文采用Canny算法進(jìn)行邊緣檢測。一般來說，利用傳統(tǒng)的Canny邊緣檢測算法進(jìn)行邊緣檢測的步驟應(yīng)如下。

（1）將二維高斯濾波模板與原始圖像數(shù)據(jù)進(jìn)行卷積，以實(shí)現(xiàn)對灰度化后輸入圖像的濾波處理，從而去除噪聲，降低錯誤率。其二維高斯函數(shù)G（x，y）為:

（2）計算梯度幅值與方向。通過差分近似代替偏導(dǎo)，常用3×3大小的Sobel算子作為梯度模板與圖像進(jìn)行卷積運(yùn)算，從而估算出圖像像素點(diǎn)（x，y）處沿x和y兩個方向梯度Gx和Gy：

根據(jù)上式可以求出像素點(diǎn)（x，y）處的梯度幅值與方向：

為了防止丟失邊緣梯度信息，可以增加45°和135°兩個方向的模板進(jìn)行計算，這時像素點(diǎn)（x，y）處的梯度幅值計算公式變化為：

圖3所示為4個不同方向的梯度計算模板以及原圖像中與模板卷積的3×3窗口。

圖3 Sobel梯度計算模板與原圖像3×3卷積窗口（從左至右依次為x、y、45°、135°、3×3窗口）

（3）根據(jù)梯度方向，對梯度幅值進(jìn)行非極大值抑制，旨在抑制干擾值，保留圖像中灰度梯度幅值變化最大的像素點(diǎn)，提高邊緣定位的準(zhǔn)確度。

（4）采用雙閾值處理并且連接邊緣。當(dāng)梯度值大于設(shè)定的高閾值Th，則得到的是邊緣點(diǎn)是真實(shí)的邊緣點(diǎn)，予以保留；當(dāng)梯度值介于高閾值與低閾值之間，檢查當(dāng)前點(diǎn)領(lǐng)域內(nèi)是否有梯度值大于高閾值的點(diǎn)，如果有則保留連有高閾值像素邊緣點(diǎn)，否則舍棄邊緣點(diǎn)；當(dāng)梯度值低于低閾值Tl時，舍棄所有邊緣點(diǎn)。最后，連接所有保留的邊緣點(diǎn)，即為最終輪廓。

3 改進(jìn)的Canny邊緣檢測算法

根據(jù)上述傳統(tǒng)邊緣檢測流程，結(jié)合熱管焊頭缺口邊緣檢測的實(shí)際需求，對傳統(tǒng)Canny算法作出如下改進(jìn)。

3.1 雙邊濾波處理

首先，傳統(tǒng)的Canny算法采用高斯濾波。高斯濾波廣泛應(yīng)用于圖像的減噪平滑。在濾波結(jié)果中，每一個像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過高斯加權(quán)平均后得到，故其對服從高斯分布的噪聲抑制效果十分顯著。但是，高斯濾波在濾波降噪的同時，也不可避免地對邊緣產(chǎn)生一定的模糊作用。針對高斯濾波存在的問題，在傳統(tǒng)Canny算法濾波這一步驟中，采用雙邊濾波代替高斯濾波。雙邊濾波定義如下：

式中：f（x，y）為去噪后圖像；ωs為空間相似度權(quán)重；ωr為灰度相似度權(quán)重；ωp為歸一化權(quán)重；I（i，j）為含噪原圖像；Ω為像素點(diǎn)（x，y）處的鄰域范圍。

和高斯濾波原理一樣，雙邊濾波同樣采用加權(quán)平均的方法，用像素點(diǎn)領(lǐng)域灰度值的高斯加權(quán)平均代替像素點(diǎn)的灰度值。不同的是，雙邊濾波不僅考慮了像素范圍域下的灰度差異，還考慮到了空間域下像素的歐式距離。為了在計算時同時考慮到這兩個不同域的影響，分別引入兩個不同域權(quán)重ωs和ωr。在空間域中，σs為權(quán)重ωs的參數(shù)，決定空間權(quán)重分布，其值越大，空間權(quán)重越分散，去噪效果越好，但是圖像也會越模糊；反之，空間權(quán)重越集中，濾波后圖像越清晰，但是去噪效果越差。在像素范圍域中，與中心像素點(diǎn)的灰度相似度越大的像素點(diǎn)分配的權(quán)重ωr越大，參數(shù)σr決定對灰度相似度的要求高低[17]。由于雙邊濾波引入了空間域權(quán)重，所以離邊緣較近的像素對邊緣像素值影響較大，反之，離邊緣較遠(yuǎn)的像素對邊緣像素值影響較小，因此能夠?qū)Υ龣z測邊緣起到保護(hù)作用。

3.2 遺傳算法優(yōu)化OTSU法求取閾值

在傳統(tǒng)Canny算法中，檢測邊緣與連接邊緣所依據(jù)的高低雙閾值是人工設(shè)定的，閾值區(qū)間設(shè)定的合適與否對邊緣檢測的效果有著很大的影響。為了得出相對合適的閾值，常常需要憑借經(jīng)驗(yàn)或者多次嘗試，費(fèi)時費(fèi)力，且效果往往不是很理想。

OTSU（最大類間方差法）是一種較為常用的全局閾值分割方法，其基本思想是根據(jù)圖像灰度特性，將圖像像素分為前景與背景兩部分，使得它們的類間方差最大，從而得到閾值分割的最佳閾值。對于一幅待分割的圖像，將其圖像的灰度范圍定義為{0,1,2,…,L-1}，定義一閾值t將圖像中像素劃分為前景C0={0,1,2,…,t}和背景C1={t+1,t+2,…,L-1}。當(dāng)像素點(diǎn)的灰度值小于t時，屬于背景；當(dāng)灰度值大于t時，屬于前景。

計算每個灰度級i的概率為:

式中：ni為灰度值為i的像素個數(shù)；N為圖像中像素點(diǎn)總個數(shù)。

C0與C1出現(xiàn)的概率和均值分別為：

式中：ω0、ω1為C0和C1的概率；μ0、μ1為C0和C1的均值。

故總平均灰度為：

由此可得:

當(dāng)σ2取得最大值時，對應(yīng)的閾值t便是最佳閾值。實(shí)際上，OTSU法是以錯分概率最小作為分割閾值的選取準(zhǔn)則[18]。

在Canny邊緣檢測的過程中，對經(jīng)歷過非極大值抑制的梯度圖像運(yùn)用OTSU法，便可得到其最佳分割閾值，將得到的最佳閾值作為Canny雙閾值中的高閾值。在通常情況下，將高閾值設(shè)定為低閾值的兩倍或者三倍[5]，本文將低閾值取為高閾值的一半。這樣，便實(shí)現(xiàn)了Canny算法閾值選取的自適應(yīng)。但是，當(dāng)圖像前景與背景相差不大，或者目標(biāo)像素點(diǎn)數(shù)與總像素點(diǎn)數(shù)之比過小時，傳統(tǒng)的OTSU法閾值分割結(jié)果可能就會偏向背景區(qū)域，從而導(dǎo)致結(jié)果不準(zhǔn)確。

OTSU法是基于整幅圖像進(jìn)行閾值分割的，其本質(zhì)可以看作搜尋全局范圍內(nèi)最優(yōu)解的過程，而遺傳算法是模擬著名生物學(xué)家達(dá)爾文進(jìn)化論的數(shù)學(xué)模型，反映了物競天擇、適者生存[19]的基本思想。其從種群編碼開始，經(jīng)過初始化、適應(yīng)度函數(shù)、輪盤賭選擇、交叉運(yùn)算、變異運(yùn)算和終止條件判斷，最后輸出在進(jìn)化過程中的具有最大適應(yīng)度個體的最優(yōu)解[20]。為了保證利用OTSU法求得的閾值是適用于Canny算法的最優(yōu)閾值，本文在利用OTSU法求取Canny閾值的基礎(chǔ)上，引入遺傳算法，利用遺傳算法來優(yōu)化OTSU求取最佳閾值。同樣，將低閾值設(shè)置為高閾值的一半。其具體過程如下。

（1）產(chǎn)生初始種群并編碼，設(shè)定種群以及進(jìn)化相關(guān)參數(shù)。本文設(shè)定種群大小為100，二進(jìn)制編碼長度為8，交叉概率為0.6，變異概率為0.001。

（2）選用OTSU法的類間方差計算公式σ2=ω0ω1(μ0-μ1)2作為遺傳算法的計算公式，從而計算個體適應(yīng)度值。對于本文研究焊頭缺口圖像而言，遍歷梯度圖像像素點(diǎn)，分別計算前景部分與后景部分的概率與均值，得到一個與種群大小相等的類間方差矩陣，即為求得的個體適應(yīng)度值。

（3）進(jìn)行遺傳操作，根據(jù)步驟（2）計算得到的適應(yīng)度對父代種群進(jìn)行選擇和交叉操作，從而得到子代種群。接下來，再對生成的子代種群進(jìn)行變異操作。這樣，經(jīng)過一輪遺傳操作的新種群將成為下一輪遺傳操作的父代種群。

（4）終止條件判斷。當(dāng)達(dá)到設(shè)定的遺傳迭代次數(shù)或者個體適應(yīng)度值滿足某一性能指標(biāo)時，停止計算，否則從步驟（2）開始重復(fù)進(jìn)行計算。

（5）繪制每代種群最佳位置（即OTSU法最佳閾值）的變化曲線圖，當(dāng)變化曲線基本收斂時，得到最優(yōu)解，此最優(yōu)解即為OTSU最佳閾值。將此閾值作為高閾值，高閾值的一半作為低閾值。

4 實(shí)驗(yàn)結(jié)果與分析

圖4（a）所示為原始熱管焊頭缺口區(qū)域局部放大灰度化后的圖像，在采用了本文所提的雙邊濾波代替高斯濾波后，結(jié)果如圖4（b）所示。

圖4 雙邊濾波結(jié)果

圖5所示為Canny算法運(yùn)行過程中非極大值抑制后的結(jié)果，為了在黑色背景下能夠清晰觀察此子結(jié)果，對圖像進(jìn)行取反操作，如圖5（b）所示。從中可以看出經(jīng)過非極大值抑制后的梯度圖像仍然存在少量的非邊緣區(qū)域，因此需要進(jìn)行下一步雙閾值處理。將此圖作為OT?SU法與遺傳算法優(yōu)化后的OTSU法求取閾值的對象。

圖5 非極大值抑制結(jié)果

對上一步圖像利用遺傳算法優(yōu)化后的OTSU法計算閾值最優(yōu)解，設(shè)置種群大小為100，交叉概率為0.6，變異概率為0.001，得到每一次迭代最佳閾值的變化曲線如圖6所示。從圖中可以看出，當(dāng)?shù)螖?shù)達(dá)到200次后，變化曲線基本收斂，得到最佳閾值為44，歸一化后為0.17。

圖6 利用遺傳算法每代閾值變化曲線

圖7所示為不同Canny算法提取熱管焊頭缺口的結(jié)果對比。其中，圖7（a）采用的是傳統(tǒng)Canny算法，其高低閾值需人工根據(jù)經(jīng)驗(yàn)或多次實(shí)驗(yàn)選取，由于選取了不合適的高低閾值，導(dǎo)致了邊緣輪廓的缺失；圖7（b）在傳統(tǒng)Canny算法的基礎(chǔ)上，使用了OTSU法求取了Canny的高低閾值，實(shí)現(xiàn)了閾值選取的自適應(yīng)，效果較好；圖7（c）則使用遺傳算法優(yōu)化OTSU閾值的求取，提高了全局搜索最佳閾值的能力，得到結(jié)果與基本OTSU法相比較為接近，且提取效果較好，較完整地保留了邊緣輪廓。

圖7 不同閾值選取方法檢測結(jié)果對比圖

宋人杰等[21]使用了一種新的基于連通成分的邊緣檢測算法性能評價方法。通過該方法，對傳統(tǒng)Canny算法、Canny+OTSU方法和Canny+遺傳算法OTSU方法后的二值圖像分別統(tǒng)計其邊緣像素點(diǎn)總數(shù)（A），四連通成分?jǐn)?shù)（B），八連通成分?jǐn)?shù)（C），再計算比值C/A與C/B，兩個比值越小則表明邊緣提取效果越好。原理是：如果C/A的值越小，則說明提取到的焊頭缺口邊緣連續(xù)性越強(qiáng)，間斷越少；如果C/B的值越小，則說明單像素邊緣所占比例越大，算法的單邊響應(yīng)效果越好。表1分別計算了3種方法的C/A與C/B，對邊緣檢測效果進(jìn)行了統(tǒng)計對比?？梢钥闯?，利用OTSU自適應(yīng)求得的閾值能顯著提高邊緣檢測效果，在此基礎(chǔ)上，利用遺傳算法，能進(jìn)一步改善邊緣檢測效果。

表1 邊緣檢測效果對比

5 結(jié)束語

（1）本文為了解決傳統(tǒng)熱管折彎作業(yè)模式存在的弊端，提高熱管折彎精度，實(shí)現(xiàn)熱管折彎工序的自動化，設(shè)計了一套熱管折彎檢測加工一體化裝置，通過檢測焊頭缺口位置并旋轉(zhuǎn)調(diào)整，改善了熱管的周向定位精度。

（2）利用雙邊濾波代替?zhèn)鹘y(tǒng)Canny算法中的高斯濾波，使得在濾除噪聲的同時，也能夠更好地保護(hù)熱管缺口邊緣。

（3）利用遺傳算法優(yōu)化OTSU法求取Canny高低閾值，實(shí)現(xiàn)了邊緣提取的自適應(yīng)。實(shí)驗(yàn)結(jié)果表明，該方法能夠較好地改善邊緣檢測效果，滿足檢測與加工的需求。