基于視覺技術(shù)的風(fēng)電塔筒焊縫寬度檢測系統(tǒng)設(shè)計

趙國鑫 閆旺 于灝

關(guān)鍵詞：機器視覺；圖像處理；焊接檢測；風(fēng)電塔筒；焊縫寬度

0 引言

近年來，酒泉市風(fēng)力發(fā)電產(chǎn)業(yè)得到了快速發(fā)展，風(fēng)電塔筒是風(fēng)力發(fā)電重要的設(shè)備之一，在風(fēng)力發(fā)電機組中主要起支撐作用，同時吸收機組震動，保證風(fēng)電設(shè)備的穩(wěn)定性。風(fēng)電塔高度高，需要有足夠的強度、剛度和抗疲勞性能，以保證在大風(fēng)或暴風(fēng)襲擊時，不會發(fā)生整機傾倒等事故。塔筒整體結(jié)構(gòu)采用焊接技術(shù)制造，焊縫長度長，焊接工程量大，焊接質(zhì)量要求高。在焊縫的外觀檢驗中，寬度及寬度差檢測是焊縫外觀檢測的一個重要指標(biāo)。

目前，塔筒焊縫的外觀檢測使用的是人工檢測法，即工人利用焊縫檢測尺測量焊縫的不同位置進(jìn)行數(shù)據(jù)分析，由于焊縫較長，檢測過程費時費力，過度依靠檢測者的經(jīng)驗，且具有較大的主觀性，不利于智能化推廣；而且會因工作時間的延長、出現(xiàn)測量者的疲勞和檢測水平的問題，出現(xiàn)誤測、漏測，測試結(jié)果不夠穩(wěn)定等問題。

通過與圖像處理和人工智能相結(jié)合的辦法來檢測焊縫的表面成型質(zhì)量，已經(jīng)有了豐碩的成果。褚慧慧[1]做了基于視覺的焊縫質(zhì)量檢測技術(shù)研究，將機器視覺技術(shù)應(yīng)用到焊縫質(zhì)量檢測中，實現(xiàn)了非接觸的高靈敏度與高精度測量，提高了檢測效率，降低了檢測成本。王立偉等人[2]對基于視覺信息的鋼板連續(xù)生產(chǎn)線激光焊接關(guān)鍵技術(shù)進(jìn)行了研究，將機器視覺融入鋼板激光連續(xù)焊接技術(shù)中，實現(xiàn)了焊縫、焦點的位置以及焊接速度的精確控制。王振民等人[3]利用機器視覺的方法，獲取了焊接過程中的熔池相關(guān)參數(shù)，并以此為依據(jù)對焊接過程進(jìn)行控制。但是，大部分的檢測系統(tǒng)是基于機構(gòu)光或者激光的[4-6]，需要專門的硬件設(shè)備，檢測過程相對比較復(fù)雜；且關(guān)于風(fēng)電塔筒焊縫質(zhì)量的研究相對較少。針對這些問題，本文提出一種基于視覺技術(shù)的風(fēng)電塔筒焊縫寬度檢測方法。

1 方法簡述

通過攝像設(shè)備獲取焊接件圖像，讀入圖像并采用人機交互的方式對圖像進(jìn)行選區(qū)；提取其亮度信息對圖像進(jìn)行灰度化獲得灰度圖像，采用直方圖均衡化和中值濾波對圖像進(jìn)行增強，中值濾波可以有效地降低噪聲，并更好地保護圖像的邊緣信息。基于視覺的焊縫寬度檢測系統(tǒng)流程如圖1所示。

使用區(qū)域生長法對圖像進(jìn)行分割獲得焊縫的二值圖，區(qū)域生長方法是根據(jù)同一物體區(qū)域內(nèi)像素的相似性質(zhì)來聚集像素點的方法，從初始區(qū)域（如小鄰域甚至于每個像素）開始，將相鄰的具有同樣性質(zhì)的像素或其他區(qū)域歸并到目前的區(qū)域中，從而逐步增長區(qū)域，直至沒有可以歸并的點或其他小區(qū)域為止。區(qū)域內(nèi)像素的相似性度量可以包括平均灰度值、紋理、顏色等信息。在沒有先驗知識可以利用時，可以取得最佳的性能，可以用來分割比較復(fù)雜的圖像。

依靠形態(tài)學(xué)處理修補過分割區(qū)域得到焊縫區(qū)域，形態(tài)學(xué)是圖像處理中應(yīng)用最為廣泛的技術(shù)之一，主要用于從圖像中提取對表達(dá)和描繪區(qū)域形狀有意義的圖像分量，使后續(xù)的識別工作能夠抓住目標(biāo)對象最為本質(zhì)的形狀特征，如邊界和連通區(qū)域等；最后依據(jù)像素數(shù)來計算焊縫寬度的各個參數(shù)。

2 仿真系統(tǒng)設(shè)計

2.1 界面設(shè)計

焊縫寬度檢測系統(tǒng)是基于Windows系統(tǒng)和Matlab 軟件開發(fā)的。軟件的界面主要包含4個區(qū)域，即命令窗口、處理結(jié)果預(yù)覽窗口、焊縫寬度曲線顯示區(qū)域與參數(shù)計算窗口。在命令窗口中集成了6個命令，分別為選擇圖片、選區(qū)、濾波、區(qū)域生長分割、形態(tài)學(xué)處理與焊縫寬度曲線命令。在執(zhí)行區(qū)域生長分割時需要人機交互確定多種子的生長位置，從而實現(xiàn)了對復(fù)雜圖像的分割。在執(zhí)行形態(tài)學(xué)處理命令時，可以認(rèn)為修正形態(tài)學(xué)處理的參數(shù)，從而進(jìn)一步優(yōu)化分割效果。

在處理預(yù)覽窗口中，可以實時查看每一步運算的結(jié)果，在焊縫寬度曲線區(qū)域可以查看焊縫寬度的曲線，更加直觀地看到焊縫寬度的變化情況。在參數(shù)計算窗口中可以計算并查看焊縫寬度信號的各種信息，包括最大值、最小值、均值、方差等。

2.2 直方圖均衡化

對不同灰度的像素進(jìn)行統(tǒng)計，可以獲得灰度直方圖，通過改變灰度直方圖可以改變像素的灰度，進(jìn)而增強動態(tài)范圍偏小的圖像對比度，直方均衡化是簡單且有效的圖像增強方法。

圖像的灰度直方圖是一個一維的離散函數(shù)：

2.3 中值濾波

雖然期望得到高質(zhì)量的圖像，但是由于焊接件本身或是拍攝設(shè)備與工藝等問題，得到的圖像往往會存在一些噪聲（noise） 可用公式（3） 表示圖像噪聲。

由于中值濾波屬于非線性濾波，不需要處理圖像的統(tǒng)計信息，所以運算速度快、易于實現(xiàn)，中值濾波在一定情況下可以克服線性濾波器的細(xì)節(jié)丟失問題。算法對窗口中像素的灰度值進(jìn)行排序并采用中間灰度值來代替窗口中心像素的灰度值，如圖7和圖8所示，以此方法遍歷整個圖像，實現(xiàn)對整個圖像的降噪。

2.4 區(qū)域生長法

區(qū)域生長法是根據(jù)一定準(zhǔn)則要求將像素或（種子）聚合形成更大連通域的圖像分割方法，其基本過程是從生長點開始（可以為像素或區(qū)域），將符合要求的相鄰像素或者區(qū)域與生長點聚合從而形成新的生長點，然后重復(fù)此過程，直到找出所有符合要求的像素為止，算法的判斷依據(jù)可以是灰度值、紋理、顏色等圖像信息。區(qū)域生長算法關(guān)鍵有三個，即種子的選擇、要求的確定和中終止條件的確定。

如圖9所示，每個方格代表一個像素，其中數(shù)字表示該像素的灰度。以灰度值為130的像素為初始的生長點，記為f （i，j ）。在8鄰域內(nèi)，生長準(zhǔn)則是待測點灰度值與生長點灰度值相差小于或等于10，圖10為區(qū)域生長后的圖，然后繼續(xù)迭代，直到?jīng)]有符合生長條件的像素后停止。

2.5 形態(tài)學(xué)處理

圖像的膨脹（Dilation） 和腐蝕（Erosion） 是兩種基本的形態(tài)學(xué)運算；如圖11所示，白色為背景區(qū)域，橙色為目標(biāo)區(qū)域，以3×3的模板遍歷整個圖像，當(dāng)中心像素8鄰域中存在背景像素時，則把其賦值為背景值；膨脹原理與腐蝕相反，當(dāng)中心像素8鄰域中存在目標(biāo)像素時，則把其賦值為目標(biāo)值，如圖11所示。

對圖像腐蝕后膨脹，可以消除圖像間的黏連平滑形狀邊界，且不改變目標(biāo)區(qū)域的面積，即為開運算；先對圖像膨脹后腐蝕，可以閉合目標(biāo)區(qū)域內(nèi)的孔洞，連接相鄰目標(biāo)區(qū)域，修補間斷的輪廓等，稱之為閉運算，如圖12所示。

3 系統(tǒng)測試

3.1 測試條件

所做實驗采用的是Windows 11系統(tǒng)，處理器為11th Gen Intel（R） Core（TM） i5-11300H@3.10GHz，內(nèi)存（RAM） 為16.00GB，系統(tǒng)類 型為64 位，所用軟件為MATLAB 2022b。

3.2 圖像增強模塊測試

運行軟件，在圖像選取窗口選擇要檢測的圖像，如13所示；在圖像選區(qū)窗口通過鼠標(biāo)選取要檢測的焊縫區(qū)域，該區(qū)域為矩形區(qū)域，邊長為鼠標(biāo)左鍵按住與松開時兩點間水平距離與豎直距離，選區(qū)如圖14所示。采用加權(quán)平均法對圖像進(jìn)行灰度化，由于人眼對三種顏色分量方的敏感度不同，紅色、綠色和藍(lán)色較為常用的權(quán)值分別為0.3、0.59和0.11，然后對圖像進(jìn)行中值濾波，濾波后的圖像如圖15所示。

3.3 圖像分割模塊測試

運行區(qū)域生長分割命令，在彈出的窗口選擇種子點，系統(tǒng)采用的是多種子區(qū)域增長法，可以一次選取多個種子，如圖16所示，選取的種子數(shù)目、位置對圖像分割的效果有較大影響，分割后的圖像如圖17所示。

3.4 形態(tài)學(xué)處理模塊測試

系統(tǒng)采用的形態(tài)學(xué)處理的結(jié)構(gòu)元素為disk，默認(rèn)大小為5個像素。用戶可以在形態(tài)學(xué)參數(shù)值輸入框中自定義結(jié)構(gòu)元素的大小，參數(shù)值的大小關(guān)系到計算結(jié)果的準(zhǔn)確程度。如果參數(shù)值選擇過大，則會造成欠分割，即會使得背景中的像素被誤分到目標(biāo)區(qū)域內(nèi)；如果選擇的參數(shù)值較小，則會造成過分割，即把目標(biāo)中的像素誤分到背景中。在本次測試環(huán)節(jié)中，結(jié)構(gòu)元素的大小為23，其處理結(jié)果如圖18所示。

3.5 焊縫參數(shù)計算模塊測試

運行焊接寬度曲線可以獲得焊縫寬度的曲線，曲線的縱坐標(biāo)為焊縫的長度，曲線的橫坐標(biāo)為焊縫在某一位置的像素數(shù)，即焊縫的寬度，如圖19所示。運行參數(shù)計算命令，即可對焊縫寬度的相關(guān)參數(shù)進(jìn)行計算，例如最大值、最小值、均值和方差等，可以定量的描述焊縫的寬度，便于用于評價焊縫的質(zhì)量，參數(shù)計算窗口如圖20所示。

4 結(jié)論

針對目前風(fēng)電塔筒焊縫寬度檢測過程中存在的問題，設(shè)計和開發(fā)了一種基于視覺的焊縫寬度檢測系統(tǒng)。采用相機采集焊縫圖像，通過圖像處理，代替人工測量焊縫的寬度，實現(xiàn)了風(fēng)電塔筒焊縫寬度檢測的自動化、智能化；系統(tǒng)對硬件的要求低，限制少；不依賴測量者的經(jīng)驗與技術(shù)，實現(xiàn)了焊縫寬度的精確、穩(wěn)定測量，大大減小了人工處理過程所帶來的誤差，提高了效率。