基于亮度突變性與密度特征檢測的厚板T形接頭焊縫輪廓識別

何銀水，李岱澤，趙梓宇，錢韋旭

(南昌大學 資源環境與化工學院， 南昌 330031)

隨著我國海洋工程項目的不斷深入，與之相關的大型設備厚板鋼構件的制造需求日益俱增.自動化、智能化焊接技術是滿足這一需求的重要方法.當前傳感技術、信息處理技術和機器人控制與應用技術的快速發展為實現焊接自動化、智能化提供了可能.由于厚板焊接需要完成多層多道過程，基于視覺傳感的焊縫信息檢測被認為是實現這一過程的有效手段[1].基于結構光的視覺傳感在待焊區域投射一條激光光帶，獲得焊槍前面連接段的焊縫輪廓圖像[2]，最終根據提取的輪廓特征信息實現焊槍的定位與跟蹤.因此，焊縫輪廓的有效提取是實現這一過程的前提.

關于焊縫輪廓信息的獲取已有諸多研究，如：文獻[3-4]中根據激光條紋亮度分布特征，提出先獲得感興趣區域，然后在該區域內采用列方向的亮度多峰值檢測算法提取焊縫輪廓.文獻[5]中在改進的Hough算法基礎上，對激光條紋提取算法進行了定量評價，獲得了最優算法.文獻[6]中提出了一種針對不同焊接環境的焊縫輪廓識別及其特征提取方法.近年來，視覺注意機制是機器視覺中一種新興的技術[7-8]，也被諸多研究者應用于焊縫信息提取，如文獻[9]中提出了基于視覺注意模型的焊縫輪廓檢測算法，嘗試了從電弧背景中檢測焊縫輪廓.另外，應用于圖像分類的卷積神經網絡技術近年來也被相關研究人員應用于焊縫識別[10].當前，焊縫提取算法多涉及傳統的濾波、邊緣檢測、腐蝕和膨脹等處理[11-13]，試驗顯示將這些傳統方法應用于文中強電弧干擾背景(電弧區域占圖像面積近20%)的焊縫圖像時，難以取得好的提取效果.目前為止，還沒有一種算法可以有效地從不同干擾背景中提取完整的焊縫輪廓信息.已有的焊縫輪廓提取算法較好地實現了對焊渣、飛濺、電弧光強度較小等干擾的去除，但對于厚板焊接激光條紋空間跨度大、焊縫圖像含有強電弧區域產生的干擾的去除效果較差，焊縫輪廓信息丟失嚴重，以至降低后續焊縫跟蹤精度.

厚板T形接頭是海洋工程裝備制造中典型的接頭形式之一.本文針對厚板T形接頭熔化極活性氣體保護焊中采集的焊縫圖像中面積比近20%的強電弧干擾與焊縫輪廓形貌多變的特點，采用基于改進的Canny算法凸顯焊縫輪廓邊緣并抑制電弧干擾.利用激光條紋在局部區域內存在亮度突變特性，提出了一種亮度突變性檢測方法進一步抑制背景干擾，并根據焊縫輪廓與光源干擾的空間位置關系，提出了基于密度特征的去干擾的檢測方法.基于最近鄰聚類方法，將類的空間尺度特征應用于焊縫輪廓提取.多種焊縫輪廓的識別試驗與對比驗證了本文算法的有效性.本文算法在提取焊縫輪廓完整性及抗干擾能力方面為其他研究提供了參考.

1 改進Canny算法的圖像預處理

本文焊縫輪廓提取過程主要通過4個核心算法步驟，如圖1所示.(a)為具體步驟，(b)為4個算法步驟名稱.焊接系統與圖像采集見文獻[9].

圖1 算法流程圖Fig.1 Flowchart of algorithm

1.1 Canny算法的基礎

采集的焊縫圖像顯示，激光條紋局部區域內灰度值對比較大(見圖2(a))，Canny算法可以有效實施檢查.在實際應用中，常利用二維高斯濾波函數構造濾波器對圖像進行高斯平滑處理,產生一組歸一化的離散高斯核：

圖2 基于改進Canny算法的焊縫圖像預處理Fig.2 Image reprocessing using improved Canny algorithm

(1)

式中:x,y為輸入圖像像素點的空間坐標值;σ為標準差.

Canny算法最優解在一階階躍型邊緣方面表現為類似高斯函數的一階導數，又由于高斯函數具有可分解性和圓對稱性，因此可用一階偏導數的有限差分來計算梯度的幅值和方向：

α(x,y)=arctan (gy/gx)

(2)

式中:gx=?fs/?x，gy=?fs/?y，fs為輸入的圖像f在(x,y)位置的像素值.

在求得梯度幅值后，需尋找局部梯度值最大的像素點，即圖像梯度幅值矩陣中的最大元素值.但不能說明該點就是邊緣，要將非局部梯度最大值的像素點置0,這樣才能去除部分非邊緣點.

以上是Canny算法處理圖像的基本步驟，應用于T形接頭焊縫輪廓識別時，由于干擾的復雜性，傳統的Canny算法在濾波處理時對像素與像素之間的信息未做考慮，使得濾波過程弱化圖像邊緣，導致邊緣的信息丟失，圖像常出現焊縫輪廓信息丟失、焊縫邊緣斷線以及干擾點難以去除等情況.

1.2 改進Canny算法

為解決上述問題，本文在Canny算法高斯濾波核基礎上加入像素閾值對圖像中邊緣點的影響因子，利用2個像素之間的空間坐標關系生成高斯權重因子，即離目標像素越近的點對最終結果的影響越大，反之則越小，其表達式如下：

(3)

式中：γ為輸入圖像f中各像素點的空間位置；f(γ)為輸入的圖像f在(x,y)位置的像素值；c為像素點在空間上的高斯權重；kd(x)表示結果的歸一化，區分歸一化運算在不同計算式中的應用，下文中τ同理.同時，基于像素相似度特性，引入：

h(x)=

(4)

式中：p為像素相似程度的權重.綜合式(3)、(4)可得到基于空間距離與像素點相似程度的雙邊濾波式：

h(x)=

(5)

式中：k(x)為結果的歸一化.具體應用到本文的圖像處理為

(6)

式中：像素點(i,j)與(k,l)的幅值分別為I(i-j)與I(k-l).

由于改進的Canny算法考慮了像素在空間距離的關系、像素閾值的相關關系和像素灰度之間的相似程度，所以在實現濾波的同時還能夠有效地凸顯焊縫輪廓[14].采用該改進的Canny算法對T形接頭焊縫圖像進行預處理(見圖2(b))，結果顯示，經改進的Canny算法處理后，電弧區域受到了極大抑制.

2 亮度突變性檢測

經改進的Canny算法處理后，焊縫輪廓亮度相對其上下局部區域存在突變性.為進一步消除電弧干擾，在列方向基于亮度變化設計檢測方法如下：

F(i,j)=

(7)

式中：[·]為取整運算；F(i,j)為圖像在坐標(i,j)處的灰度值，j表示圖像的列坐標； max為取最大值；

(8)

(9)

(10)

圖3 圖2(b)的亮度突變性檢測結果Fig.3 Intensity mutation detection results ofFig.2(b)

3 基于帶寬密度特征檢測的去噪

為了簡化圖像數據，對圖3采用Otsu算法進行閾值分割(圖4).圖中顯示大量干擾數據仍然存在.為了有效界定焊縫輪廓與干擾數據，本文根據數據點的空間分布特性，將數據點(灰度值為255)劃分為高密度噪聲、離散噪聲和細微噪聲3類，且經大量試驗測試，得出如下3類檢測方法.

圖4 二值化圖像Fig.4 Binary image

3.1 高密度檢測

圖5 高密度噪聲檢測示意圖Fig.5 Diagram of high density noise detection

(11)

合理地設置縱向掃描帶寬L和臨界像素數allow1才能準確地抑制高密度噪聲.L設置的基本原則是：在保證焊縫和噪聲不會同時出現在掃描帶內的前提下，盡可能地設置較大的縱向掃描帶寬.allow1是區分高密度噪聲與焊縫輪廓數據的關鍵指標，其設置的基本原則為：在保證焊縫完整性的前提下消除高密度噪聲，因此將 allow1設置為焊縫最大縱向掃描帶寬.根據上述原則，取L=50，allow1=15.圖4處理后的效果如圖6所示.

圖6 抑制高密度噪聲結果Fig.6 Results of high density noise suppression

3.2 離散度檢測

圖7 離散噪聲檢測示意圖Fig.7 Diagram of discrete noise detection

(12)

(13)

(14)

縱向掃描帶寬內灰度值為255的像素點為低密度離散噪聲，噪聲點的縱向位置即為其所在行序號Y.

縱向掃描帶寬L與臨界像素數 allow2的設置原則為：在保證縱向掃描帶寬L大于所有低密度噪聲區域最大帶寬的前提下，盡可能地設置較小的縱向掃描帶寬；allow2則是為了區分焊縫離散度與低密度噪聲離散度，因此可令 allow2等于焊縫的最大縱向離散度.根據上述原則，取L=30，allow2=5，圖6處理的結果如圖8所示.

圖8 抑制離散噪聲結果Fig.8 Results of discrete noise suppression

3.3 細微檢測

圖9 細微噪聲示意圖Fig.9 Diagram of slight noise

(15)

由于焊縫的薄弱區段與聚集性細微噪聲的空間分布特征相似度較高，故在降噪時為了保證焊縫的完整性，不抑制聚集性細微噪聲.設置縱向掃描帶寬L與臨界像素數 allow3時遵循以下原則：allow3取值為焊縫最薄弱區段上灰度值為255的像素數量；掃描細微噪聲時，不計入掃描帶的首末兩個像素，避免在掃描過程中會錯誤地將焊縫上下邊界視作細微噪聲.

根據上述原則，令L=allow3+2.取L=5，allow3=3，得到抑制細微噪聲后的圖像如圖10所示.

圖10 抑制細微噪聲結果Fig.10 Results of fine noise suppression

4 基于最近鄰聚類的焊縫輪廓提取

最近鄰聚類屬于無監督聚類，可以獲取任意類別數目的聚類結果，但需要設置距離閾值.本文將待聚類的數據與已完成聚類的數據之間的最近距離的作為聚類依據.經試驗測試，距離閾值設置為30～60時，均利于干擾與激光條紋分離，文中聚類中距離閾值設置為40(見圖11).

圖11 最近鄰聚類結果圖(圓圈代表每個類)Fig.11 Nearest neighbor clustering results (circle represents each cluster)

圖11顯示，屬于焊縫輪廓的類的空間尺度(歐式距離)明顯大于干擾數據的空間尺度，基于該空間尺度特征，將類的歐式距離閾值設置為20(大于20的均可)，用以辨識屬于焊縫輪廓的數據(見圖12).

圖12 提取的焊縫輪廓Fig.12 Extraction results of weld seam profile

5 試驗驗證

5.1 驗證算法有效性

為了驗證本文提出算法的有效性，選用不同焊道、不同干擾狀態下的焊縫圖像進行焊縫輪廓提取試驗(見圖13).

圖13 不同填充階段的焊縫輪廓提取試驗結果Fig.13 Extraction results of weld seam profile with images captured in different filling stages

圖13表明，本文提出的方法能準確提取厚板T形接頭不同填充階段的焊縫輪廓，顯示了該算法的抗干擾能力與穩健性.

5.2 對比驗證

為進一步驗證算法的有效性，采用文獻[14]中算法與本文算法進行焊縫輪廓提取對比(見圖14).結果表明，對于電弧區域占圖像面積近20%的焊縫圖像(目前眾多研究采用遮擋電弧區域形式降低其帶來的不利影響[2,13])，本文算法能在典型干擾下檢測95%以上的焊縫輪廓信息，保留了更多的有用信息，有利于提高后續焊縫跟蹤精度.

圖14 提取焊縫輪廓效果對比Fig.14 Comparison of effect after extraction of weld seam profile

6 結論

(1) 針對厚板T形接頭焊縫圖像中的強弧光干擾背景，提出的改進Canny算法與亮度突變性檢測能有效凸顯焊縫輪廓，有助于更完整地檢測焊縫輪廓信息.

(2) 本文提出的基于亮度突變性和帶寬密度特征檢測算法具有更強的抗干擾能力，在電弧區域占圖像面積近20%的多種焊縫輪廓識別中，提取的焊縫輪廓信息比例超過95%，具有良好的穩健性，可為其它接頭形式的機器人自動化、智能化焊接的實施提供參考.