基于角點檢測的焊縫圖像ROI優化提取算法

于鐵軍， 劉立峰， 邢彥鋒， 蔣世誼

(1.上海和達汽車配件有限公司， 上海 201799； 2.上海工程技術大學 機械與汽車工程學院, 上海 201600)

焊縫質量檢測作為焊接工藝中必不可少的一環，一直受到廣大研究者的關注。現如今的自動化焊縫質量檢測工藝包含基于焊縫圖像的焊縫質量檢測以及基于點云的焊縫質量檢測[1-3]。其中由于焊接過程噪聲大等原因，基于圖像的焊縫質量檢測魯棒性不高，但基于點云的焊縫質量檢測由于點云數據龐大，往往計算量過大導致計算時間長[4]。針對這個問題，有必要對焊縫點云數據進行ROI區域的處理，提取出包含特征的數據區域，從而減少數據量來縮短計算時間。

在機器視覺應用廣泛的今天，ROI提取技術在機器視覺，尤其是特征提取上的應用十分廣泛[5-7]。文獻[8]中劉瓊等利用Haar-Like特征對雙閾值分割法進行改進，以此來進行車載熱成像行人檢測的ROI提取，與傳統算法相比，召回率提高49%，并且提取速度快。文獻[9]中陳典典等提出了一種基于Harris角點檢測和聚類算法的掌紋圖像ROI區域提取算法，并驗證了準確性。

在焊縫點云質量檢測的過程中，點云數據主要由帶有激光的焊縫圖像提取得到，因此理想的ROI區域提取算法的目標在于尋找激光圖像中的角點。

Moravec角點檢測算法用二值化圖像尋找角點。文獻[10]中宋俊芳等對Moravec算法進行改進，用于檢測運動目標的角點，滿足了交通場景中對行人檢測的要求。文獻[11]中王博楊等研究了使用Moravec算法尋找角點，將多目視頻圖像融合成同一圖像的應用。從上述文獻中可以看出Moravec角點檢測算法是一種非常適用于簡單場景的角點檢測算法。

但同時Moravec角點檢測算法也存在很多問題，比如對噪聲和邊緣不夠敏感，不具備對圖像旋轉的適應性等，容易檢測出偽角點。針對這個現象，課題組對Moravec算法進行改進，對角點的特征進一步進行定義，提高算法精度，并對焊縫表面點云進行實驗。

1 焊縫表面激光圖像ROI提取

在基于焊縫表面點云的焊縫表面缺陷質量檢測的過程中，需要對焊縫表面點云數據進行采集。課題組使用的方法是使用三角激光測量(LMT)對帶有激光光束的焊縫表面圖像進行采集，利用Hessian矩陣求得激光亞像素中心線，利用中心線整合出焊縫表面的點云數據。

在實際的焊縫表面點云數據處理中，由于點云密度大，一段焊縫表面點云數據往往包含約16 000個三維點，數據量龐大，導致計算時間過長。因此需要對帶有激光的焊縫表面圖像進行ROI提取，從而減少三維點數量，以達到縮短計算時間的目的。圖1為焊縫圖像帶有激光光束、亞像素中心線的理想ROI區域示意圖，從圖中可以看出在理想的ROI區域之外，還有大面積的不必要數據，因此，對ROI區域提取算法的優化很有必要。

圖1 焊縫圖像帶有激光光束、亞像素 中心線以及理想的ROI區域示意圖Figure 1 Weld image with laser beam, subpixel centerline, and ideal ROI diagram

2 角點檢測算法

焊縫表面圖像的理想ROI區域的判斷依據是提取出焊縫表面上有激光光束的部分。焊縫與焊板的連接區域被稱為焊趾，在圖像中可以明顯看出焊趾處存在一個明顯的角點，即特征點，因此為了確定ROI區域，主要目標在于尋找特征點。

2.1 Moravec角點檢測算法

Moravec角點檢測算法是一種針對圖像灰度值的角點檢測算法，特別適合對灰度圖像進行處理，因此十分適合對本課題中焊縫激光中心線的角點進行檢測。其具體的檢測算法原理如圖2所示。

圖2 Moravec角點檢測算法原理示意圖Figure 2 Schematic diagram of Moravec corner detection algorithm

Moravec角點檢測算法以檢測的像素點為中心，建立大小為3×3的檢測窗口，對不同方向(通常為0°，45°，90°，135° 的4個方向)進行平移，對檢測窗口中的像素計算灰度方差，選取其中的最小值作為角點響應值，如果該響應值大于所設定的閾值，則認為該點為角點。 其角點響應值的計算公式如下：

式中：(x,y)為檢測的像素點；p(x,y)為該點灰度值；w(u,v)為檢測窗口。

Moravec角點檢測算法計算量小，能夠對二值圖像快速地檢測角點，但檢測窗口的大小、窗口的移動方向等變化因素會導致魯棒性較低，且易出現偽角點和錯點，在實際圖像較為復雜的情況下，一個區域中可能會出現多個檢測點，因此有必要對檢測的角點進行進一步檢驗。

2.2 角點檢測算法優化

針對Moravec角點檢測算法中出現的偽角點和錯點的問題，需要對初步檢測出的檢測點進行進一步檢測確認，以確保角點的準確性并消除偽角點。

由于焊縫表面中心線的角點處中心線的方向變化并不明顯，基于此現象，設計了一種確定唯一角點的方法。該方法通過增大檢測窗口，擴大檢測范圍，同時對范圍內角點進行進一步檢測甄別。具體檢測方法如圖3所示。

圖3 角點檢測算法優化原理Figure 3 Schematic of optimized Moravec corner detection algorithm

在圖3中，點A和點B為檢測得到的2個角點，其中一個為偽角點。為了檢測出偽角點，將檢測窗口放大，點M和點N為中心線與窗口的交接點，線段MN作為該檢測窗口的檢測對照線段，分別計算點A和點B到線段MN的距離，以該距離作為鑒別是否是偽角點的依據。距離較遠的點A為真角點，距離較近的點B為偽角點。若有多個偽角點存在，則選取距離最遠的點作為角點。

3 實驗

課題組使用LMT裝置采集帶有激光光束的焊縫圖像，該裝置包括波長為650 nm的激光發射器，焦距為63 mm的MER-130-30UM(-L)工業相機，和焦距為25 mm的COMPUTER鏡頭(M2518-MPW2)，圖4為該裝置示意圖。

圖4 激光三角測量裝置實物圖Figure 4 Three-dimensional diagram of laser triangulation device

使用該裝置采集帶有激光光束的焊縫圖像，對激光光束進行中心線提取，使用角點檢測算法對中心線進行特征點提取，依照特征點對焊縫圖像進行ROI區域提取，最后進行三維重建，以此來獲得焊縫表面的點云數據。圖5為實驗流程圖。

圖5 實驗流程圖Figure 5 Experimental flow chart

使用Moravec角點檢測算法對圖像進行角點檢測，圖6(a)為使用LMT裝置對焊縫圖像進行角點檢測后的圖像。圖6(b)中點A，B，C和D為檢測出的角點，點E為圖像中焊縫最高點，其中很明顯可以看出點B和D為偽角點。使用經過優化后的角點檢測算法對焊縫激光光束中心線進行角點檢測后的結果如圖6(c)所示，已過濾掉了偽角點。

圖6 帶有激光光束的焊縫圖像和角點檢測結果Figure 6 Weld image and corner detection results with laser beam

最終，使用優化后的Moravec角點檢測算法對整段焊縫進行ROI區域提取和優化，ROI區域提取前后的最終三維重建結果對比如圖7所示。ROI區域提取后將原有的16 387個三維點數據減少到4 729個三維點數據。

圖7 ROI區域提取前后對比圖Figure 7 Comparison diagram before and after ROI extraction

4 結論

課題組使用LMT裝置獲取帶有激光光束焊縫的表面圖像，并提取激光中心線，基于激光中心線提取角點和特征點，以此對圖像進行ROI區域提取。針對原有的Moravec角點檢測算法存在的偽角點問題進行改進，對使用Moravec角點檢測算法檢測得出的角點進行進一步檢測和分析，從而去除偽角點，提高了Moravec角點檢測算法的魯棒性。經過實驗表明：優化后的角點檢測算法能夠有效避免偽角點的出現，提高了魯棒性，同時經過ROI提取后的焊縫點云數據量減少了71.14%。該方法能夠有效解決計算基于點云的焊縫表面缺陷檢測數據量過大的問題。