金屬片激光焊接區域的識別與質量檢測

龔凱學， 汪鐳， 潘永東， 康琦， 吳啟迪

(同濟大學 電子與信息工程學院， 上海 201804)

0 引言

在面臨環境污染、能源危機等諸多挑戰下，汽車保有量依舊不斷增加，因此純電動汽車成為了未來新能源汽車的主要發展方向，快速充電技術的應用更加速了純電動汽車產業的發展。電池組中，影響其表面導電性能及穩定性的主要因素是其上金屬片激光焊接的質量，因此在電池組成品之前必須對最主要的焊接缺陷進行識別檢測。

目前，國內外的生產企業都采用超聲波、激光、X-ray等各種手段來檢測焊接的質量，但這些設備專用性強、價格昂貴，且通常不支持二次開發。隨著機器視覺理論的完善和計算機技術、光電技術的發展，機器視覺檢測技術不斷被重視。其中，通過攝像機獲取被測圖像是光學手段中最為簡單易行的，而這方面的研究則主要集中于對焊點的識別檢測。Paul J.Besl等人[1]通過選擇最有效且易于計算的特征對幾種焊點建立相應的模板，最后用最小距離分類算法對樣本進行了檢測，但其用于識別檢測的圖像是通過人工手動進行分割提取的有焊點的子圖。吳福培等人[2]通過提取焊點形狀中的面積特征，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焊點質量進行檢測，但卻需要人為設定閾值參數等。除此之外，還有通過Log-Gabor濾波器、離散小波變化和離散余弦變換提取焊點特征，再利用馬氏距離對不同焊點進行分類的方法[3]、通過形態學方法提取焊點圖像，通過計算區域重心對圖像進行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對焊點圖像進行分類的方法[4]等等。對于焊縫的識別檢測國內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算法，雖然X射線成像檢測對表面光潔度沒有嚴格要求且靈敏度較高，但射線對人體有害，射線源昂貴且防護成本更高。對于金屬片的激光焊接而言，其上的激光焊接區域可以看成是無數點焊形成的焊縫，因此，本文研究利用攝像機獲取金屬片激光焊接圖像，然后對其質量進行識別檢測。

1 視覺檢測系統構成

一個典型的機器視覺檢測系統主要包括照明系統、光學成像系統、圖像捕捉系統、圖像采集、圖像處理模塊、控制執行模塊等。

在圖像采集設備的選取中，選擇工業面陣CCD攝像機來獲取電池組表面圖像。相較于其他圖像采集設備，工業CCD相機的功耗小、穩定性強、控制響應速度快，所獲取的圖像像素分辨率高、清晰且畸變小。同時，面陣CCD相機一次能夠獲取一幅圖像信息，它不受采集方式影響，分辨率由其自身結構決定，因此它的采集效率較高，所獲取的整幅圖像的質量也較好，后續處理也相對簡單。

視覺檢測系統中，合適的光源及照明方案是整個系統成敗的前提基礎?？紤]到除激光焊接區域外，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雜的環境光影響而導致獲取的圖像出現不均勻亮度，對檢測精度及分析結果產生嚴重影響。此外，受焊接影響，焊接區域周邊的金屬片的平整度大大降低，會產生嚴重的漫反射，用常規的設計，較難獲取理想的檢測圖像。因此，在用LED光源明場照明的設計中，對其結構加以改進，使用同軸平行光源這種特殊的設計來盡可能的消除這些影響，其焊接區域照射光路原理圖，如1所示。

圖1 焊接區域照射光路原理圖

2 金屬片激光焊接圖像預處理

2.1 圖像灰度處理

CCD相機采集的彩色圖像包含較多的顏色數，會導致后續的圖像計算量變大，大大降低整個系統的率處理效。對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現上都較為簡單，然而并沒有考慮不同分量的重要性。加權平均法則是利用YUV顏色空間中分量Y的值，即點的亮度，來反映該處的灰度等級。根據兩空間的變化關系，建立如下的對應為式(1)。

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

(1)

加權平均法即是將這個Y值作為灰度圖像的灰度值它能夠在保持亮度的同時，消除色調和飽和度信息，而且易于保存細節。

2.2 焊接圖像模糊度量及復原

機械平臺控制相機的運動獲取整個快速充電電池表面的金屬片激光焊接圖像，因此電機控制的起停極有可能造成在曝光時間內成像系統與電池之間的相對運動，從而導致圖像退化。

圖像的統計特性研究表明，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分布要厚。選用Sobel梯度算子分別對圖2圖3的清晰和模糊圖像進行處理，如圖2、圖3所示。

圖2所示為清晰圖像梯度分布，可見其有較長的尾部，

衰減也較慢，尾部比指數分布要厚。圖3所示的模糊圖像梯度分布尾部則迅速衰減，因為模糊圖像不會含有很多銳利邊緣，所以梯度分布會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。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，計算電池組表面獲取的一整組圖像的σ1及其均值σ1'，對比圖像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。

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

(4)

(5)

其中，γ為待調整參數，P(u,v)為拉普拉斯算子p(x,y)的傅里葉變換。實驗中，不斷改變加性噪聲功率的取值可以發現它對復原效果的影響極小，因此有約束最小二乘復原較為適合本系統中金屬片激光焊接模糊圖像的復原。

3 焊接區域分割

3.1 閾值分割

金屬片中，焊接區域相較于的其他非焊接區域灰度值要低，但實際應用中由于受環境因素及表面自身特性影響，金屬片表面所產生的不同灰度差異使得無法設定統一的閾值對所有金屬片進行分割。

最大類間方差法無需設定其他參數，是一種自動確定分割閾值的算法，一定程度上它所確定的閾值能夠為檢測系統閾值的選擇提供參考。對于圖像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取最大值時的灰度值T即為最佳閾值。

遍歷算法是一種計算T值較為傳統的方法，它通過遍歷灰度范圍內的所有像素并計算方差，最后比較才能得出最大方差，但這種遍歷算法計算量大、耗時長。隨著智能化進程的推動，智能算法的發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程就是在解空間中找到一個最優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化規律演化而來的隨機化搜索方法，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用于遺傳算法，它不僅保留了原算法的優良性能，而且使得問題的求解過程更加具有選擇性和目的性。對比表1中所得分割閾值可以發現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、環境因素的干擾，閾值分割并未能將激光焊接區域分割出來，但卻有效的保留了焊接區域的完整性，下面結合邊緣檢測實現對激光焊接區域的分割。

3.2 閾值分割和邊緣檢測結合的干擾消除

邊緣檢測中，基于微分方法的邊緣檢測算子一般無法同時滿足抑制噪聲和邊緣的精確定位，且在焊接邊緣的檢測中容易產生不連續及部分邊緣的缺失。Canny算子是一種較為優秀且專門用于邊緣檢測的算子，它能較為完整的檢測出了焊接邊緣，但同時不感興趣部分的干擾也極大。

在對焊接邊緣的檢測中，一般難以確定Canny邊緣檢測標準差。隨著值的變大，檢測所得邊緣逼近實際邊緣后又不斷向兩側擴張，因此需要確定合適的標準差值。

在金屬片兩側的干擾消除中，由于檢測所得邊緣僅用于防止焊接區域被消除，因此所選標準差所得的邊緣只需將焊接區域包含在內。下面選用值2進行邊緣檢測，并實現兩側的干擾消除：

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

(2) 從金屬片圖像的左右兩側出發，搜索左右兩側每行值為255的第一個像素點并將兩側值置為255，消除兩側干擾點。

(3) 除兩側邊緣干擾點外，恢復閾值分割圖像中被置為255的邊緣點的值。

金屬片c的閾值分割圖像及其直方圖分布、Canny邊緣檢測圖像，兩側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的兩側干擾消除圖像

對比可以發現，兩側干擾消除后，直方圖的峰值點對應在焊接寬度區域內。下面，利用該特性對焊接區域進行準確分割。

3.3 自適應標準差設計

直方圖峰值點指定了焊接所在的大概區域，閾值圖像則提供了部分準確的焊接區域，下面利用這兩點確定自適應的邊緣檢測標準差。實現步驟如下：

(1) 搜索閾值圖像中焊接區域周圍邊緣。在閾值圖像中，從峰值點所對應的直線出發，分別從該直線兩側進行搜索第一次出現值變化的點。

(2) 確定理想邊緣點。計算邊緣點分布，保留峰值直線兩側連續點。

(3) 在不同標準差下對圖像進行邊緣檢測。

(4) 確定理想標準差值。將理想邊緣點與不同標準差下邊緣點進行對比，選擇匹配率高的標準差區間并不斷細化對比，最終確定理想標準差值。

3.4 焊接區域提取

閾值分割中，自動確定的閾值能夠完整的保留焊接區域，同時部分焊接區域也被較好的分割出來，下面結合自適應標準差確定中匹配所得結果，完成焊接區域的提取，實現步驟如下：

(1) 提取閾值分割中已被分割出的焊接區域。閾值分割中已被分割出的焊接區域邊緣分布于峰值點所對應的直線兩側且具有良好的連續性，并且在與理想邊緣檢測的匹配中匹配率較高，結合這兩點，提取已被分割出的焊接區域。

(2) 借助邊緣檢測結果補全焊接區域。從步驟一提取的端點出發，對上部缺失點在邊緣檢測圖像中實行上三鄰域搜索，下部缺失點則實行下三鄰域搜索。

(3) 填充焊接區域。搜索兩側對應邊緣點，對兩邊緣點間像素點進行填充。

金屬片c、e、g的焊接區域提取結果，可見效果較好，如圖7所示。

圖7 金屬片c、e、g焊接區域確定圖像

4 金屬片激光焊接質量檢測

完成對焊接區域的提取后，下面利用特征提取的方式實現金屬片激光焊接區域的質量檢測。

(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度偏離中軸線。金屬片a至g焊接區域的位置特征信息，如表2所示。

表2 金屬片激光焊接區域位置信息

設定金屬片中心的1/2區域內的焊接均為正常焊接，對于寬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域的金屬片d識別出來。

(2)過焊。過焊缺陷在圖像中表現為灰度明顯低于正常焊接區域，但受光照環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受這種干擾，更能突出存在過焊缺陷的焊接區域特征。過焊的存在降低了焊接區域的平滑度，也使得直方圖向左偏斜，同時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以及三階矩為負的焊接區域存在過焊缺陷，因此可以將存在過焊缺陷的金屬片e和金屬片f識別出來。

表3 金屬片激光焊接區域顏色紋理信息

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

(3) 虛焊。虛焊缺陷的檢測較為復雜，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識別，設定焊接的寬度閾值實現對虛焊的檢測。

4 總結

本文基于機器視覺，對檢測系統構成、圖像預處理、焊接區域的提取及缺陷識別進行了研究，實現了金屬片激光焊接區域的識別與質量檢測。

[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自適應的PCB焊點檢測[J].光學精密工程, 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.