改進Canny算法的熱管焊頭缺口邊緣檢測研究

沈光輝，楊龍興

（江蘇理工學院機械工程學院，江蘇常州 213001）

0 引言

散熱銅管是計算機散熱模組的重要組成部分，其加工的質量極大地影響著計算機的散熱性能。彎管作為熱管加工的重要一步，實現其自動化作業有著很大的意義。目前采用的較多的仍然是人工彎管，依靠人工識別進行檢測效率低下，誤判率高，長時間操作容易疲勞。除此之外，也使用自動彎管機進行輔助作業，但是由于缺乏穩定有效的熱管焊頭缺口檢測手段，自動化折彎熱管的型號也受到極大的限制。本文設計一種基于視覺的彎管檢測加工一體化裝置，能夠識別熱管焊頭缺口位置，在折彎前將熱管位置調整到位，從而實現上料、檢測、彎管和下料過程的自動化。實現彎管檢測與加工的自動化，不僅省時省力，而且對于推進檢測加工一體化技術的發展具有深遠意義。

為了實現上述裝置的功能，熱管焊頭缺口輪廓邊緣的采集是重中之重。目前，在常用圖像邊緣檢測技術當中，較為常用的算子有Sobel算子、Roberts算子、Prewitt算子、Laplacian算子以及Canny算子等。在這些算子當中，Canny算子有著檢測精度高、抗干擾性強、計算復雜度低等優點[1-2]，所以本文使用Canny算法來進行熱管缺口邊緣提取。但使用傳統的Canny算法來檢測熱管邊緣缺口，有以下兩點問題需要解決：一是傳統Canny算法使用高斯濾波來對圖像平滑消噪的同時，不可避免地會對原始熱管缺口邊緣產生一定的模糊作用，從而降低后期的檢測精度；二是Canny算法中最后一步使用到了雙閾值處理，而傳統Canny算法中雙閾值需要人為設定，一旦光照等外部環境發生變化，高低閾值可能就需要重新調整，不僅費時費力，且容易導致提取得到的熱管缺口出現邊緣缺失斷裂或者是偽邊緣的情況[3-4]。

針對傳統Canny算法中存在的濾波去噪問題，趙子潤等[5]通過構建自適應高斯濾波器改進了曲度算子，使圖像的局部平滑效果達到最佳；李恒帥等[6]對刀具圖像采用自適應中值濾波進行平滑去噪，再采用Canny檢測刀具輪廓；石坤泉、Routray等[7-8]采用或改進雙邊濾波來對圖像去噪；李慶忠等[9]利用改進梯度倒數加權法對圖像進行濾波處理。

針對傳統Canny算法中存在的雙閾值難以自適應確定問題，王暾[10]利用梯度直方圖選取Canny算法的高低閾值，于海川等[11]利用原始圖像的平均方差與灰度值之間的比例自適應確定高低閾值；張晶晶等[12]將非極大值抑制圖像的“谷”兩端灰度值作為最佳雙閾值；張升等[13-15]采用OTSU法求出圖像的最佳閾值代替人工選擇閾值；禹素萍等[16]通過統計并分析各個被處理棉纖維截面圖像的局部極大值點導數幅值的分布曲線，自適應地計算出了高低閾值。

本文提出一種改進Canny算法，使用雙邊濾波代替高斯濾波，采用遺傳算法優化OTSU法對雙閾值實現自適應求取，旨在提高熱管焊頭缺口輪廓邊緣的采集質量，從而提高熱管周向定位精度，保證加工需求。

1 系統硬件設計

1.1 運動精度分析和系統結構

該檢測加工一體化裝置由送料裝置、旋轉檢測裝置、壓管裝置與彎管裝置組成。總裝如圖1所示。

圖1 彎管檢測加工一體化裝置三維結構圖

送料裝置安裝在一跨設于整個機構的支撐架上，根據送料裝置夾爪的工作位置來設置光電傳感器。旋轉檢測裝置可以分為兩部分，一是旋轉部分，二是視覺檢測部分。旋轉部分由伺服電機控制整個旋轉夾爪的旋轉，夾取功能則通過氣動夾爪來完成；視覺檢測部分通過通訊線與上位機連接，以便對采集到的圖像進行邊緣檢測。壓管裝置由3個連接有氣缸的壓管頭組成，3個壓管頭又設于線性滑軌上，方便調節位置，以便于與彎管裝置配合。在開始彎管作業前，壓頭下端氣缸動作，壓頭頂住熱管，起到彎管時的固定作用。

彎管裝置由一電機帶動擺桿旋轉，擺桿另一端連接有一連桿，連桿上安裝有3個彎管頭。當裝置開始工作，電機軸旋轉，帶動連桿，連桿帶動彎管頭。彎管頭還安裝在氣缸上，工作時氣缸動作，彎管頭動作到位。于是，電機的正反轉便實現了彎管動作與彎管頭的復位。

在實際生產中，熱管具有單邊填粉，多邊填粉以及無粉等多種型號。對于單邊粉和雙邊粉等熱管種類，折彎時對熱管具有周向定位要求。本裝置對送料模組運送熱管進行視覺檢測，識別焊頭缺口邊緣，根據識別結果旋轉調整熱管周向位置，確保缺口朝上。

1.2 電氣控制

本文所設計的彎管檢測加工一體化裝置的電氣控制部分所用主要硬件有工控機、伺服電機若干、伺服電機驅動器若干、三菱PLC以及工業相機模組。在這其中，工控機是整個裝置電控部分的核心，承載著圖像數據處理并根據處理結果與PLC通訊的任務；在送料裝置、旋轉裝置以及彎管裝置中都使用伺服電機作為動力源，PLC控制伺服驅動器來控制伺服電機的動作，確保了熱管周向定位的精度。整個裝置電氣硬件布置如圖2所示。

圖2 電氣硬件布置

2 傳統Canny邊緣檢測算法

本文采用Canny算法進行邊緣檢測。一般來說，利用傳統的Canny邊緣檢測算法進行邊緣檢測的步驟應如下。

（1）將二維高斯濾波模板與原始圖像數據進行卷積，以實現對灰度化后輸入圖像的濾波處理，從而去除噪聲，降低錯誤率。其二維高斯函數G（x，y）為:

（2）計算梯度幅值與方向。通過差分近似代替偏導，常用3×3大小的Sobel算子作為梯度模板與圖像進行卷積運算，從而估算出圖像像素點（x，y）處沿x和y兩個方向梯度Gx和Gy：

根據上式可以求出像素點（x，y）處的梯度幅值與方向：

為了防止丟失邊緣梯度信息，可以增加45°和135°兩個方向的模板進行計算，這時像素點（x，y）處的梯度幅值計算公式變化為：

圖3所示為4個不同方向的梯度計算模板以及原圖像中與模板卷積的3×3窗口。

圖3 Sobel梯度計算模板與原圖像3×3卷積窗口（從左至右依次為x、y、45°、135°、3×3窗口）

（3）根據梯度方向，對梯度幅值進行非極大值抑制，旨在抑制干擾值，保留圖像中灰度梯度幅值變化最大的像素點，提高邊緣定位的準確度。

（4）采用雙閾值處理并且連接邊緣。當梯度值大于設定的高閾值Th，則得到的是邊緣點是真實的邊緣點，予以保留；當梯度值介于高閾值與低閾值之間，檢查當前點領域內是否有梯度值大于高閾值的點，如果有則保留連有高閾值像素邊緣點，否則舍棄邊緣點；當梯度值低于低閾值Tl時，舍棄所有邊緣點。最后，連接所有保留的邊緣點，即為最終輪廓。

3 改進的Canny邊緣檢測算法

根據上述傳統邊緣檢測流程，結合熱管焊頭缺口邊緣檢測的實際需求，對傳統Canny算法作出如下改進。

3.1 雙邊濾波處理

首先，傳統的Canny算法采用高斯濾波。高斯濾波廣泛應用于圖像的減噪平滑。在濾波結果中，每一個像素點的值，都由其本身和鄰域內的其他像素值經過高斯加權平均后得到，故其對服從高斯分布的噪聲抑制效果十分顯著。但是，高斯濾波在濾波降噪的同時，也不可避免地對邊緣產生一定的模糊作用。針對高斯濾波存在的問題，在傳統Canny算法濾波這一步驟中，采用雙邊濾波代替高斯濾波。雙邊濾波定義如下：

式中：f（x，y）為去噪后圖像；ωs為空間相似度權重；ωr為灰度相似度權重；ωp為歸一化權重；I（i，j）為含噪原圖像；Ω為像素點（x，y）處的鄰域范圍。

和高斯濾波原理一樣，雙邊濾波同樣采用加權平均的方法，用像素點領域灰度值的高斯加權平均代替像素點的灰度值。不同的是，雙邊濾波不僅考慮了像素范圍域下的灰度差異，還考慮到了空間域下像素的歐式距離。為了在計算時同時考慮到這兩個不同域的影響，分別引入兩個不同域權重ωs和ωr。在空間域中，σs為權重ωs的參數，決定空間權重分布，其值越大，空間權重越分散，去噪效果越好，但是圖像也會越模糊；反之，空間權重越集中，濾波后圖像越清晰，但是去噪效果越差。在像素范圍域中，與中心像素點的灰度相似度越大的像素點分配的權重ωr越大，參數σr決定對灰度相似度的要求高低[17]。由于雙邊濾波引入了空間域權重，所以離邊緣較近的像素對邊緣像素值影響較大，反之，離邊緣較遠的像素對邊緣像素值影響較小，因此能夠對待檢測邊緣起到保護作用。

3.2 遺傳算法優化OTSU法求取閾值

在傳統Canny算法中，檢測邊緣與連接邊緣所依據的高低雙閾值是人工設定的，閾值區間設定的合適與否對邊緣檢測的效果有著很大的影響。為了得出相對合適的閾值，常常需要憑借經驗或者多次嘗試，費時費力，且效果往往不是很理想。

OTSU（最大類間方差法）是一種較為常用的全局閾值分割方法，其基本思想是根據圖像灰度特性，將圖像像素分為前景與背景兩部分，使得它們的類間方差最大，從而得到閾值分割的最佳閾值。對于一幅待分割的圖像，將其圖像的灰度范圍定義為{0,1,2,…,L-1}，定義一閾值t將圖像中像素劃分為前景C0={0,1,2,…,t}和背景C1={t+1,t+2,…,L-1}。當像素點的灰度值小于t時，屬于背景；當灰度值大于t時，屬于前景。

計算每個灰度級i的概率為:

式中：ni為灰度值為i的像素個數；N為圖像中像素點總個數。

C0與C1出現的概率和均值分別為：

式中：ω0、ω1為C0和C1的概率；μ0、μ1為C0和C1的均值。

故總平均灰度為：

由此可得:

當σ2取得最大值時，對應的閾值t便是最佳閾值。實際上，OTSU法是以錯分概率最小作為分割閾值的選取準則[18]。

在Canny邊緣檢測的過程中，對經歷過非極大值抑制的梯度圖像運用OTSU法，便可得到其最佳分割閾值，將得到的最佳閾值作為Canny雙閾值中的高閾值。在通常情況下，將高閾值設定為低閾值的兩倍或者三倍[5]，本文將低閾值取為高閾值的一半。這樣，便實現了Canny算法閾值選取的自適應。但是，當圖像前景與背景相差不大，或者目標像素點數與總像素點數之比過小時，傳統的OTSU法閾值分割結果可能就會偏向背景區域，從而導致結果不準確。

OTSU法是基于整幅圖像進行閾值分割的，其本質可以看作搜尋全局范圍內最優解的過程，而遺傳算法是模擬著名生物學家達爾文進化論的數學模型，反映了物競天擇、適者生存[19]的基本思想。其從種群編碼開始，經過初始化、適應度函數、輪盤賭選擇、交叉運算、變異運算和終止條件判斷，最后輸出在進化過程中的具有最大適應度個體的最優解[20]。為了保證利用OTSU法求得的閾值是適用于Canny算法的最優閾值，本文在利用OTSU法求取Canny閾值的基礎上，引入遺傳算法，利用遺傳算法來優化OTSU求取最佳閾值。同樣，將低閾值設置為高閾值的一半。其具體過程如下。

（1）產生初始種群并編碼，設定種群以及進化相關參數。本文設定種群大小為100，二進制編碼長度為8，交叉概率為0.6，變異概率為0.001。

（2）選用OTSU法的類間方差計算公式σ2=ω0ω1(μ0-μ1)2作為遺傳算法的計算公式，從而計算個體適應度值。對于本文研究焊頭缺口圖像而言，遍歷梯度圖像像素點，分別計算前景部分與后景部分的概率與均值，得到一個與種群大小相等的類間方差矩陣，即為求得的個體適應度值。

（3）進行遺傳操作，根據步驟（2）計算得到的適應度對父代種群進行選擇和交叉操作，從而得到子代種群。接下來，再對生成的子代種群進行變異操作。這樣，經過一輪遺傳操作的新種群將成為下一輪遺傳操作的父代種群。

（4）終止條件判斷。當達到設定的遺傳迭代次數或者個體適應度值滿足某一性能指標時，停止計算，否則從步驟（2）開始重復進行計算。

（5）繪制每代種群最佳位置（即OTSU法最佳閾值）的變化曲線圖，當變化曲線基本收斂時，得到最優解，此最優解即為OTSU最佳閾值。將此閾值作為高閾值，高閾值的一半作為低閾值。

4 實驗結果與分析

圖4（a）所示為原始熱管焊頭缺口區域局部放大灰度化后的圖像，在采用了本文所提的雙邊濾波代替高斯濾波后，結果如圖4（b）所示。

圖4 雙邊濾波結果

圖5所示為Canny算法運行過程中非極大值抑制后的結果，為了在黑色背景下能夠清晰觀察此子結果，對圖像進行取反操作，如圖5（b）所示。從中可以看出經過非極大值抑制后的梯度圖像仍然存在少量的非邊緣區域，因此需要進行下一步雙閾值處理。將此圖作為OT?SU法與遺傳算法優化后的OTSU法求取閾值的對象。

圖5 非極大值抑制結果

對上一步圖像利用遺傳算法優化后的OTSU法計算閾值最優解，設置種群大小為100，交叉概率為0.6，變異概率為0.001，得到每一次迭代最佳閾值的變化曲線如圖6所示。從圖中可以看出，當迭代次數達到200次后，變化曲線基本收斂，得到最佳閾值為44，歸一化后為0.17。

圖6 利用遺傳算法每代閾值變化曲線

圖7所示為不同Canny算法提取熱管焊頭缺口的結果對比。其中，圖7（a）采用的是傳統Canny算法，其高低閾值需人工根據經驗或多次實驗選取，由于選取了不合適的高低閾值，導致了邊緣輪廓的缺失；圖7（b）在傳統Canny算法的基礎上，使用了OTSU法求取了Canny的高低閾值，實現了閾值選取的自適應，效果較好；圖7（c）則使用遺傳算法優化OTSU閾值的求取，提高了全局搜索最佳閾值的能力，得到結果與基本OTSU法相比較為接近，且提取效果較好，較完整地保留了邊緣輪廓。

圖7 不同閾值選取方法檢測結果對比圖

宋人杰等[21]使用了一種新的基于連通成分的邊緣檢測算法性能評價方法。通過該方法，對傳統Canny算法、Canny+OTSU方法和Canny+遺傳算法OTSU方法后的二值圖像分別統計其邊緣像素點總數（A），四連通成分數（B），八連通成分數（C），再計算比值C/A與C/B，兩個比值越小則表明邊緣提取效果越好。原理是：如果C/A的值越小，則說明提取到的焊頭缺口邊緣連續性越強，間斷越少；如果C/B的值越小，則說明單像素邊緣所占比例越大，算法的單邊響應效果越好。表1分別計算了3種方法的C/A與C/B，對邊緣檢測效果進行了統計對比。可以看出，利用OTSU自適應求得的閾值能顯著提高邊緣檢測效果，在此基礎上，利用遺傳算法，能進一步改善邊緣檢測效果。

表1 邊緣檢測效果對比

5 結束語

（1）本文為了解決傳統熱管折彎作業模式存在的弊端，提高熱管折彎精度，實現熱管折彎工序的自動化，設計了一套熱管折彎檢測加工一體化裝置，通過檢測焊頭缺口位置并旋轉調整，改善了熱管的周向定位精度。

（2）利用雙邊濾波代替傳統Canny算法中的高斯濾波，使得在濾除噪聲的同時，也能夠更好地保護熱管缺口邊緣。

（3）利用遺傳算法優化OTSU法求取Canny高低閾值，實現了邊緣提取的自適應。實驗結果表明，該方法能夠較好地改善邊緣檢測效果，滿足檢測與加工的需求。