基于DMG的焊縫邊緣檢測方法及應(yīng)用*

張俊男，王遠濤

(遼寧機電職業(yè)技術(shù)學院 材料工程系，遼寧 丹東 118009)

0 引 言

目前很多機械關(guān)鍵部件主要采用焊接加工制造，在大規(guī)模生產(chǎn)中，廣泛應(yīng)用焊接機器人。在焊接過程中難免由于各種原因?qū)е潞缚p質(zhì)量不合理，造成構(gòu)架結(jié)構(gòu)變形和性能下降，嚴重影響機械使用安全性。焊接缺陷識別是焊接生產(chǎn)自動化提高焊接質(zhì)量的關(guān)鍵。隨著計算機視覺技術(shù)的飛速發(fā)展，圖像檢測在焊接過程中應(yīng)用越來越廣泛。由于在焊接時所攝焊縫圖像往往存在很多噪聲[1]，一般要先進行圖像平滑濾波和圖像矯正等預(yù)處理?，F(xiàn)行的焊縫質(zhì)量檢測手段有：對工程常見焊接缺陷(燒穿、夾雜和氣孔等)基于X射線焊縫圖像缺陷自動提取與識別技術(shù)[2]；采用超聲相控陣檢測圖像特征與識別，對焊縫缺陷的特征規(guī)律進行統(tǒng)計，進而獲得典型缺陷特征[3]；使用Canny算子對焊縫邊緣提取，雖然有效但是工作量大[4]。采用遺傳算法對焊縫圖像邊緣進行檢測并提取焊縫邊緣，導致焊縫信息丟失嚴重[5]。這些方法大多集中在架構(gòu)的強度分析和焊接溫度場模擬以及焊縫內(nèi)部檢測上，存在一定的局限性。筆者提出一種基于DMG(Differential Morphological Gradient)的焊縫圖像檢測方法，針對焊縫邊緣提取困難、識別精度低等問題，利用微分形態(tài)學算法有效地抑制噪聲并保留有效信息，大大提高檢測效率，實現(xiàn)一種可靠高效的焊縫質(zhì)量檢測。

1 焊縫邊緣檢測預(yù)處理

圖1為焊接專業(yè)作為1+X特殊焊接技術(shù)證書的試點對培訓人員進行考核時采用CCD攝像機對部分測試樣品進行檢測并生成三維數(shù)據(jù)。焊縫質(zhì)量決定了焊接成品是否合格，雖然焊縫主體可以直觀辨別，但是對于焊縫邊緣部分無法通過肉眼清晰判別。為了提高焊縫質(zhì)量檢測水平，利用典型算法對圖像中焊縫邊緣進行提取，獲得最好的辨識精度。

圖1 焊縫圖像及數(shù)據(jù)

如圖1所示，該焊縫圖像存在大量的噪聲，對于焊縫圖像邊緣提取有較大的影響。中值濾波[6]作為一種有效的非線性信號處理手段可以去除噪聲。圖2所示，采用中值濾波處理焊縫圖像時對于屏蔽脈沖干擾和保持信號邊緣表現(xiàn)突出。

圖2 中值濾波

由于所攝圖像往往存在大量噪聲，往往造成圖像中物體顏色脫離了它們原來的實際色彩。采用白平衡方法處理失真圖像從而矯正色彩偏移，以獲得正常顏色的圖像。

2 焊縫圖像邊緣檢測算法

圖像邊緣是圖像中灰度不連續(xù)或急劇變化的所有像素的集合，其中含有圖像的大部分信息，保證焊縫邊緣信息不丟失是提取過程的關(guān)鍵。邊緣檢測被認為是后續(xù)圖像分割、特征提取和識別等圖像分析過程十分重要的一步。

2.1 形態(tài)學算法

數(shù)學形態(tài)學(Mathematical Morphology)在處理焊縫圖像時主要用于從圖像中提取對表達和描繪區(qū)域形狀有意義的圖像分量，為了方便下一步處理能夠抓住焊縫圖像中最為本質(zhì)(Most Discriminative)的形狀特征[7-10]。使用數(shù)學形態(tài)學對焊縫圖像進行分析和識別處理能夠大大簡化圖像數(shù)據(jù)，在留住它們基本形狀特征的同時除去不相干的結(jié)構(gòu)，提高圖像分析處理速度。

如圖3所示，形態(tài)學處理采用三原色RGB通道線性組合模型rgb′=aR+bG+cB，得到凸顯焊縫目標二維圖像。對該圖像進行二值化操作，通過剔除小塊和標記塊中心得到二值化圖像，通過填充、膨脹和腐蝕操作優(yōu)化二值化圖像。整個圖像處理過程利用形態(tài)學算法簡單、結(jié)構(gòu)元選取靈活的特點可以很好地抑制噪聲并保留焊縫細節(jié)部分，達到檢測出真正焊縫邊緣的目的。

圖3 形態(tài)學處理流程

設(shè)P是原圖像，S是結(jié)構(gòu)元素。使用S對P進行腐蝕時，會使圖像的灰度值比原來變小，是將S作用于P的每個像素點，重合部分的最小值我們稱之為腐蝕運算，用PΘS表示。

(1)

最大值為膨脹，即使用S對P進行膨脹，用P⊕S表示。

(2)

特別當結(jié)構(gòu)元素S是平展的，則有S(α,β)=0，腐蝕和膨脹公式變?yōu)椋?/p>

(3)

(4)

圖4、5分別對腐蝕和膨脹運算進行了演示?？梢钥闯龈g運算由于取最小值而減小了高亮區(qū)域；膨脹運算由于取最大值增加了高亮區(qū)域。

圖4 腐蝕運算

圖5 膨脹運算

2.2 經(jīng)典形態(tài)學梯度

基本梯度(Basic Morphological Gradient,BMG)：

BMG(x,y)=(P⊕S)-(PΘS)

(5)

內(nèi)部梯度(Inside Morphological Gradient,IMG)：

IMG(x,y)=P(x,y)-(PΘS)

(6)

外部梯度(External Morphological Gradient,EMG)：

EMG(x,y)=(P⊕S)-P(x,y)

(7)

2.3 微分形態(tài)學梯度算子(DMG)

基本的形態(tài)學處理灰度圖像，在經(jīng)過腐蝕膨脹后雖然可以達到提取焊縫邊緣的效果，但是邊緣效果較模糊，因此本文在此基礎(chǔ)上對經(jīng)典的形態(tài)學算法進行了改進，提出了DGM微分形態(tài)學方法[11]。DGM(x,y)圖像是對BGM(x,y)進行一階微分：

(8)

(9)

焊縫圖像是由許多離散的像素點組成，以像素點為單位，可令Δx=1、Δy=1，則有：

(10)

(11)

于是整個焊縫圖像的梯度為：

(12)

3 實驗分析

實驗選取遼寧機電職業(yè)技術(shù)學院1+X特殊焊接證書考核T型焊接件，通過對以上四種算法在處理焊縫圖像上的分析，使用MATLAB分別采用Sobel、Prewitt、Canny和微分形態(tài)學(DMG)幾種算法處理焊縫圖像，并對焊縫圖像處理結(jié)果進行分析比較[12-15]。

從圖6中可以看出，采用Sobel算子對圖像邊緣進行檢測時，受噪聲干擾較大，以至于不能對目標焊縫進行單一提取，得到的邊緣較粗，可能出現(xiàn)偽邊緣，導致檢測精度較差。

圖6 Sobel邊緣檢測

從圖7中可以看出，Prewitt算法雖然對圖像邊緣能夠提取，但是提取邊緣沒有閉合的區(qū)域，提取效果差。Prewitt算法對圖像邊緣檢測效果較粗，受背景噪聲影響較大，閾值選取不適當會導致邊緣點誤判。

圖7 Prewitt邊緣檢測

從圖8中可以看出，Canny算子對焊縫圖像邊緣提取是較為有效的，在檢測樣本邊緣的噪聲和焊接位置方面是精確的，但是焊縫表面質(zhì)量紋理較為不規(guī)則，Canny檢測紋理較細，增加了計算工作量。

圖8 Canny邊緣檢測

從圖9中可以看出，采用微分形態(tài)學邊緣檢測能夠?qū)D像噪聲起到較好的過濾效果，得到的二值化圖像接近于實際目標，保證了焊縫特征信息不丟失，信噪比大而且精度高，焊縫邊緣輪廓較清晰。

圖9 微分形態(tài)學邊緣檢測

表1 四種算子處理圖像對比度

為了驗證DWG算法對焊縫邊緣檢測效果的普遍適用性，采用其他肉眼不容易辨認的含有缺陷的焊縫進行實驗。從圖10中可以明顯識別出焊縫不飽滿，即含有缺陷的位置。

圖10 DWG檢測缺陷焊縫

4 結(jié) 語

文中將DMG算法應(yīng)用于含有大量噪聲的焊縫邊緣檢測問題中，使圖像數(shù)據(jù)簡化，保持基本特征的同時除去不相干的結(jié)構(gòu)，提高了圖像分析處理速度。與Sobel、Prewitt、Canny方法相比，微分形態(tài)學算法能夠更好地提取焊縫特征，對圖像噪聲過濾較好，得到的二值化圖像接近于實際目標，獲得了較為滿意的焊縫檢測效果，對提高焊縫焊縫質(zhì)量檢測的實際應(yīng)用具有重要意義。