基于HALCON圖像處理的焊縫識別與提取方法的研究

闞仁峰+楊龍興+南玉龍

摘 要：為了提高傳統的焊接效率，基于HALCON圖像識別及處理技術，文中提出了一種改進的去“霧”算法并結合暗通道理論來凸顯焊縫特征；通過亞像素邊緣提取焊縫輪廓；再利用HALCON算子，計算得到焊縫中心軌跡。實驗結果表明，該組合算法能夠準確提取出焊縫的基本參數，為后續自動焊接跟蹤提供了保障。

關鍵詞：HALCON；去“霧”算法；暗通道；亞像素

中圖分類號：TH132；TP39 文獻標識碼：A 文章編號：2095-1302（2017）05-00-03

0 引 言

圖像處理技術是以計算機視覺為基礎，在計算機領域得到廣泛應用的技術，包括光學、光電子學、信號處理、圖像處理等一系列學科。在21世紀制造業自動化程度快速發展的時期，圖像處理技術已經走向實際生產應用，成為生產過程中的關鍵技術之一，具有廣泛的應用前景[1]。具有代表性的圖像處理軟件——HALCON，是德國MVtec公司開發的一套完善的標準的機器視覺算法包，擁有應用廣泛的機器視覺集成開發環境，包含了各類濾波、色彩分析、幾何數學變換、形態學計算分析、校正、分類、形狀搜索等基本圖像處理功能，可應用于現代工業上的各類自動化檢測。焊接是兩種或兩種以上同種或異種材料通過原子或分子之間的結合和擴散連接成一體的工藝過程，已滲透到制造業的各個領域，直接影響到產品的質量、可靠性和壽命以及生產成本、效率和市場反應速度[2]。

鑒于焊接技術的發展現狀以及焊接過程中各種因素的影響，焊接需要經過人工打磨的后處理工序才能得到高質量的焊縫，但人工打磨耗時耗力，并且生產周期長，質量得不到保證。因此利用HALCON機械視覺軟件[3，4]對焊縫進行視覺識別與測量，并對后期過程實現智能自動化加工，是一項非常有意義的工作[5]。本文提出改進的去“霧”算法，在焊縫白亮化的圖上，增強焊縫特征，并基于HALCON視覺軟件組合一套算法，提取焊縫的輪廓特征及相關參數。

1 改進的去“霧”算法

本文在一般去“霧”算法的基礎上提出了改進，此算法可對有霧氣的圖像進行處理，而本文旨在焊縫的識別。在實際加工中，由于采集圖像過程中的強光干擾以及現場粉塵對光線的漫反射，導致采集的圖像白亮化，不利于圖像的后續處理，故對此算法進行改進。

1.1 暗通道

通過對大量自然景物圖片進行統計分析得出，在絕大多數的圖像局部區域里，存在某一像素點在R、G、B三個通道中有一個或多個顏色通道的灰度值很低甚至趨近于0，將這些通道定義為暗通道[6]。其用公式（1）描述為：

（1）

式中，Jc表示彩色圖像的每個通道；Ω（x）表示以像素x為中心的一個窗口。根據暗通道理論得出，暗通道最小值趨于0，即Jdark→0。

1.2 圖像原理模型

在焊接加工過程中，焊縫在采集時常常因為強光的干擾以及現場粉塵對光線的漫反射，使得采集的焊縫不清晰，影響圖像處理。而此算法的研究就是為了解決如何采集清楚的焊縫等問題，通過此算法增強焊縫特征。圖像原理模型如圖1所示。其模型用公式（2）表示為：

I（x）=J（x）t（x）+A（1-t（x）） （2）

式中，I（x）為待處理圖像；J（x）為增強后的圖像；A為外設強光的光成分；t（x）為空氣透射率。

對上式進行變形，設t（x）為常數，且A值已知，對等式兩邊變形得到式（3）：

（3）

由上述暗通道理論得：，即

（4）

帶入（3）式，考慮此算法存在一定的誤差特性，故引入[0，1]的因子ω。

（5）

在實際圖像中，A值可以借助暗通道從原始圖像中獲得。具體步驟如下：

（1）從暗通道圖中按照亮度大小取前0.1%的像素。

（2）在選取位置中，在原始圖像中尋找對應的具有最高亮度點的值，作為A值。

再由（1）式可知J（x）=[（I（x）-A）/t（x）]+A，當t（x）值很小時，導致J（x）的值偏大，使得圖像整體向白場過度，故對t（x）設置一定的范圍，當t（x）

（6）

2 實驗分析

2.1 焊縫采集系統

焊縫采集系統的實驗裝置主要包括支架、工業相機、鏡頭、焊縫零件、計算機、透明塑料板等。焊縫采集系統整體結構如圖2所示[7]。焊縫零件安放在實驗平臺上，外設光源經透明塑料板使得光照均勻落在焊縫零件上。工業相機安放在焊縫零件的正上方，鏡頭為定焦鏡頭，能夠將焊縫零件圖像實時采集到計算機中。在本系統中，工業相機為大恒圖像科技公司的MER-310-12UC工業相機；鏡頭為COMPUTAR百萬像素工業鏡頭M0814-MP2；光源為5730LED貼片光源；透明塑料板為3 mm厚的三菱亞克力板。

2.2 焊縫的獲取

通過計算機連接大恒圖像公司生產的工業相機可以直接采集到連續的焊縫圖像。此外還可以將工業相機采集的圖像先保存下來，通過read_image語句直接讀取待處理的焊縫圖像，語句格式為read_image（Image，‘D：/焊縫零件.jpg）。采集到的待處理的原始圖像如圖3所示。

2.3 圖像增強

在焊接過程中，由于強光的干擾導致獲取的圖片呈現白“霧”狀，若情況嚴重會覆蓋焊縫的特征，影響后續的特征分割提取。灰度直方圖如圖4所示，在灰度直方圖中曲線不光滑，峰頂處存在灰度值突變的情況，即強光干擾導致的白亮化。本實驗運用改進的去“霧”算法，首先利用暗通道理論對其處理，求取暗通道圖像；計算外部強光干涉的光成分A的值；計算空氣透射率預估值t（x）；最后根據算法得出增強后的焊縫圖像如圖5所示。

2.4 圖像分割

圖像處理主要是對圖像進行二值化處理。通過工業相機采集的圖像是彩色的，由于彩色圖像包含的信息較多，首先需要將獲取的焊縫圖像灰度化，使圖像中只含有灰度信息，以方便后續的圖像處理。在二值化處理過程中，最重要的是閥值，選取合適的閾值對圖像的二值化結果會有很大的影響，依據灰度直方圖分布判斷閾值的方法效果最好[8]。

本實驗零件選擇灰度值180作為最佳閾值，將灰度圖像分為白色目標像素點與黑色背景像素點。二值化圖像如圖6所示。在提取焊縫特征輪廓時，選用比圖像像素精度更高的算法進行處理，可通過亞像素邊緣提取焊縫的特征，通過算子threshold_sub_pix進行閾值分割圖像，再通過edges_sub_pix不同濾波邊緣提取焊縫的外輪廓。提取的焊縫輪廓如圖7所示。通過算子skeleton計算焊縫的骨架，得出圖8所示的焊縫中心線軌跡，為后續輸出相應的運動點坐標給機器手，實現自動化跟蹤焊接奠定了基礎。

3 結 語

由上述實驗分析可得，圖2為運用改進去“霧”算法與暗通道理論算法增強后的圖像，凸顯出了焊縫特征；通過亞像素像邊緣提取焊縫的特征，圖7所示為計算出的焊縫骨架像，為后續機器手運動軌跡提供基準。通過對已有算法的組合，設計出一套從焊縫圖像預處理到特征提取，最后獲得焊縫具體參數的算法流程圖，為后續實現自動化跟蹤焊接奠定了堅實的基礎。

參考文獻

[1]章毓晉.圖像工程：圖像處理[M].北京：清華大學出版社，2006：1-3.

[2]林尚揚.我國焊接生產現狀與焊接技術的發展[J].船舶工程， 2005， 27（B05）：15-24.

[3]王文成.基于Halcon的齒輪缺陷檢測系統設計[J].機械傳動，2014，38（9）：60-63.

[4]孟兆新，馬玉，谷志新，等.利用Halcon提取狗獾前肢區域圖像的方法[J].經濟動物學報，2012，16（3）：159-162.

[5] Luo Z X， Xue L， Sun F J， et al. Camera Calibration Based on HALCON[Z].Video Engineering， 2010.

[6] He K，Sun J，Tang X.Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2011， 33（12）：2341.

[7]金貝.基于Haicon的機器視覺教學實驗系統設計[D].北京：北京交通大學，2012.

[8] Weszka J S， Rosenfeld A. Histogram modification for threshold selection[J]. IEEE Trans Smc， 1979， 78（1）：38-52.