螺旋鋼管表面缺陷自動檢測系統設計

付嘉瑋 王軍民* 白 宇

（長江大學，湖北 武漢430000）

1 概述

螺旋鋼管廣泛用于石油工業，承擔油氣集輸任務，也用于橋墩碼頭結構支撐套管中。螺旋鋼管表面在生產加工過程中往往出現劃痕、腐蝕、孔洞等不同程度的缺陷，降低了螺旋鋼管的質量與性能。

缺陷的檢測工作往往是由人工完成的。隨著生產量的提升，人工檢測效率低下、成本高的問題越發突出[1]。為滿足現代工業生產自動化智能化的趨勢，研究缺陷自動檢測技術，對提高生產效率和質量、降低人工成本和生產能源消耗、保障管道運行安全具有積極意義。

2 系統設計方案

表面缺陷自動檢測系統設計方案如圖1 所示。工業相機置于待檢測的螺旋管的上方開始采集原始圖像，將圖像傳輸至Raspberry Pi 4B，經圖像處理模塊分析后，得到缺陷的判別結果。如果原始圖像存在符合缺陷特征的區域，則向指示燈傳遞信號，提醒存在缺陷，需要人工修補；同時Raspberry Pi 4B 通過無線傳輸將缺陷圖像與圖像采集時間同步記錄，上傳至服務器存檔。

圖1 缺陷檢測系統示意圖

由于生產線的環境存在大量電焊弧光干擾，在相機鏡頭前夾具了650nm 帶通濾光片過濾雜光。為防止圖像丟幀紊亂，工業相機與Raspberry Pi 4B 采用長屏蔽線傳輸。

3 嵌入式平臺搭建

缺陷檢測系統需要符合生產線時序規則，為保證檢測效率，選用Raspberry Pi 4B 新型嵌入式系統開發套件[2]。4B 型采用64 位四核Cortex A72 處理器，主頻1.5GHz，支持C++、Python語言開發。與上一代3B+型相比，處理器速度顯著提升，擁有更充裕的內存和更先進的計算機接口，如圖2 所示為具體硬件性能對比。

圖2 兩代Raspberry Pi 的硬件性能對比

Raspberry Pi 4B 的核心是圖像處理模塊。

圖像處理模塊的流程如圖3 所示。原始圖像的輸入是亮圖像，用亮度矩陣來表示原始數據。為了抑制與缺陷圖像無關的信息，應對其作預處理。

由于現場環境光照不充足，缺陷區域圖像局限在很小的范圍內，使用線性單值函數，對圖像的像素做線性擴展，增強視覺效果[3]。設圖像灰度級大小為G，設定長為G 的數組H，圖像大小表示為M*N。對圖像每個像素點p 掃描，得亮度為gp，將gp導入數組H，當H[g]>0 時即為圖像最小灰度級gmin，依次累積得到直方圖Hc 為，設定：

將T[gp]重新寫入圖像即得到空間域灰度級變換結果，如圖4。此時原始圖像已被覆蓋，設定閾值P，將圖像像素點以P 為零界點設置為0 或255，得到二值化圖像，突出缺陷與背景。

圖像二值化后傳入Canny 邊緣檢測算法模塊，利用線性高斯濾波器（Gaussian filter）對所有像素點平均加權[4]，過濾噪聲。接著計算水平、垂直、對角的梯度幅值方向，通過非極大值抑制的邊緣細化方法，保留各個梯度最銳利的部分，將其傳入OpenCV 輪廓提取函數庫中得到缺陷的分割輪廓。當OpenCV 檢測到缺陷時，向4B 通用串行總線發送缺陷提示指令，同時將缺陷輪廓、備份的原始圖片上傳至服務器備份。

在實地測試中，由于現場工作環境惡劣，弧光電磁、煙塵焊料經常影響設備的正常運行，因此采用了軟導體PVC 絕緣線外加屏蔽層和PVC 護套的多芯軟導線，屏蔽線單端接地的方式將嵌入式設備和現場環境隔離。

圖3 圖像處理模塊流程

圖4 灰度級變換圖像

4 結論

試驗現場及檢測結果如圖5 所示。實驗表明，自動缺陷檢測系統能較準確的檢測到螺旋鋼管上的缺陷位置，同時能提取、標記缺陷輪廓，輪廓基本符合缺陷外圍特征，對于小區域連成片的缺陷也能起到較高的識別度，算法魯棒性良好。

在螺旋鋼管生產線上，自動檢測設備與人工校驗結合，在不增加其他成本的同時大幅延長有效工作時長，不僅提高檢測效率，也能保障成品質量。

5 結論

隨著計算機、自動化領域的飛速發展，螺旋管生產線的自動化智能化是現代工業的發展趨勢和指標。實驗說明了設計方案的可行性較好，但仍有諸多細節以待改進[5]。期望在圖像處理模塊上，改用計算機視覺領域的深度學習方法加以實驗驗證、對比；期望在嵌入式設備上跟進領域最新開發設備；期望重構系統實現代碼，減少亢余。

圖5 實驗結果