基于機器視覺的鋼管壁厚在線檢測方法研究

涂德浴，劉 坤，朱 慶，2，劉慶運，2

1.安徽工業大學 機械工程學院，安徽 馬鞍山 243002

2.特種重載機器人安徽省重點實驗室，安徽 馬鞍山 243032

當前，制造業的自動化程度越來越高，測量作業作為制造業中至關重要的環節也在不斷地發展。在鋼管生產過程中，需要對鋼管壁厚進行實時檢測，這對于提高鋼管的生產質量有著重要的意義。目前鋼管行業中一些軋管廠在對鋼管的管端進行尺寸測量時長期靠人工用量具進行手動測量，測量數據偏少，對壁厚不均和橢圓度不能給出直觀的判斷，測量準確性受生產節奏、環境和量具精度及測量人員的主觀因素影響較大。傳統的尺寸測量方法有卡尺和量規測量等，這些方法雖然比較簡便和快捷，但是測量的數據比較少，精度也不高。而隨著我國經濟水平的提高以及對工業產品檢測精度要求的提升，傳統的尺寸測量方法對工業生產領域已經不是很適合。其他檢測手段如激光測厚法[1]、三坐標測量儀、CR技術測厚[2]和γ射線測厚、超聲波測厚儀[3]等測量方法雖然測量的精度比較高，但是需要檢測設備在一定的環境中才能進行檢測，并且使用不便捷，投入較大。

機器視覺技術[4-9]，是一門涉及多領域的交叉學科，其主要通過計算機來模擬人的視覺功能，從客觀事物的圖像中提取信息，并加以處理與分析改進，從而用于實際的檢測、測量和控制。將機器視覺技術應用于尺寸測量中，具有非接觸性、測量效率高的特點，同時可實現在線高精度測量，因此機器視覺技術在尺寸測量中的應用越來越廣泛[10-14]。通過查閱大量有關鋼管壁厚在線檢測及其相關的文獻發現，有關基于機器視覺鋼管壁厚在線檢測的研究相對少，許多只是對于管狀類零件尺寸如內外徑長度等進行測量，并且有些壁厚檢測并不完善，仍需進一步改進。基于以上情況，本文提出一種基于機器視覺測量技術的鋼管壁厚在線檢測方法。圖1 為該方法檢測鋼管壁厚流程圖。

圖1 鋼管壁厚檢測流程圖Fig.1 Flow chart of detection of wall thickness of steel pipe

1 圖像預處理

由于拍攝環境較為復雜，在采集鋼管斷面圖像時會混入大量無關信息，需要去除這些無關信息。圖像預處理的目的是消除圖像中的無關信息，恢復有用的真實信息，增強有關信息的可檢測性和最大限度地簡化數據，從而提高圖像檢測、識別的可靠性。圖像預處理包括圖像濾波、圖像分割、圖像邊緣檢測、圖像增強[15]等操作。圖像濾波的目的是消除圖像中混入的噪聲，為圖像識別抽取出圖像特征；圖像分割的目的是將圖像的邊緣、感興趣區域等有意義的特征部分提取出來，為進一步圖像識別、分析和理解奠定基礎；圖像邊緣檢測的目的是檢測并識別圖像中亮度變化明顯的點，大幅度地減少數據量，并且剔除不相關的信息，保留圖像重要的結構屬性。

1.1 圖像濾波

圖像濾波[16-17]，是指在盡量保留圖像細節特征的條件下對目標圖像的噪聲進行抑制，是圖像預處理中不可缺少的操作，其處理效果的好壞將直接影響后續圖像處理和分析的有效性與可靠性。有關圖像濾波可分為線性濾波與非線性濾波。常見的線性濾波有方框濾波、均值濾波、高斯濾波、拉普拉斯濾波等，通常線性濾波器之間只是模版的系數不同。常見的非線性濾波有中值濾波器和雙邊濾波器[18]。

選取大小為600×800像素的鋼管斷面圖像在Visual Studio 2017 平臺下進行濾波實驗。分別使用高斯濾波、雙邊濾波、高斯與雙邊混合濾波進行對比實驗，實驗效果如圖2所示。

圖2 圖像濾波對比圖Fig.2 Comparison of image filtering

從效果圖中可以看出高斯濾波與中值濾波處理后仍然含有少量的噪聲，并且圖像邊緣也有著不同程度的模糊，丟失了原始圖像的一些細節信息。混合濾波算法較好地去除了鋼管斷面圖像中的噪聲，且較好地保留了鋼管斷面圖像的邊緣輪廓。因此采用高斯與雙邊混合濾波對鋼管斷面圖像進行濾波處理。

1.2 圖像閾值分割

圖像閾值分割[19]是一種較為典型的區域分割技術，其中閾值的確定是圖像分割的關鍵環節，閾值大小的選擇直接影響圖像分割的效果。因此，為了得到較好的分割效果就必須選擇合適的分割閾值，閾值選擇較大時可能將本應該是目標的點錯誤地判定為背景，選擇較小時可能將本應該是背景的點作為目標點。在鋼管斷面圖像采集的過程中，由于拍攝背景較為復雜，對于圖像閾值分割中閾值的選擇可能不是一定的，需要根據不同的環境而選擇不同的閾值。常用的閾值分割方法有自適應閾值分割法、最大熵閾值分割法、OTSU 法[20]、迭代閾值分割法。

下面選用采集到的鋼管斷面圖像進行對比實驗，分割效果如圖3所示。

圖3 閾值分割對比圖Fig.3 Comparison picture of threshold segmentation

從以上分割效果圖可以看出，相較于其他幾種算法，OTSU 分割效果較好，而且避免了人為設置閾值的不便，提高了算法的分割效率。因此，本文采用OTSU法作為圖像預處理的分割算法。

1.3 圖像邊緣檢測

進行圖像分割之后，需要檢測鋼管圖像的邊緣。對于邊緣檢測[21]，要求所檢測的邊緣盡量完整、清晰，同時要盡量降低虛假邊緣與噪聲的干擾。目前比較成熟的、應用比較廣泛的邊緣檢測算法有Canny算法、Prewitt算法、Sobel算法、Laplacian算法等。

使用Canny算法、Prewitt算法、Sobel算法、Laplacian算法分別對鋼管斷面圖像進行邊緣檢測，檢測結果如圖4所示。

圖4 邊緣檢測對比圖Fig.4 Comparison of edge detection

從檢測結果來看，Canny 邊緣檢測[22]相較于其他三種方法能夠獲得較為完整的邊緣，定位精度高，并且所獲得的邊緣幾乎沒有虛假的邊緣與噪聲。因此，采用Canny邊緣檢測作為鋼管斷面邊緣檢測的方法。

2 鋼管斷面圓檢測

2.1 基于隨機Hough圓檢測的改進

在圖像處理過程中，圓形的檢測是鋼管壁厚檢測中一個至關重要的部分，是保證后續鋼管壁厚尺寸精度的重要環節，同時也是壁厚檢測的基礎。常用的圓檢測方法[23-24]有Hough變換檢測圓方法、霍夫變換及其變形、最小二乘法擬合圓等，其中應用最廣泛的是Hough變換及隨機Hough霍夫圓檢測[25]。Hough變換具有較強的魯棒性，但是其計算量過大，檢測耗時且內存需求量要求較高，以及傳統的Hough 變換無法檢測同心圓。隨機Hough 雖然大大減輕了內存的負擔，節省大量內存空間，避免了Hough 變換一到多映射的巨大運算量，但在處理帶有一定噪聲且復雜度較高的圖像時，由于隨機采樣的無效點太多，造成了大量的無效累積。因此，本文基于隨機Hough圓檢測提出了改進，改進后的算法主要分為兩部分：

（1）候選圓的檢測。采用分區域隨機采樣的方法進行隨機三點的邊緣點采樣，避免原有隨機Hough檢測算法中隨機采樣的3 點距離較近時，出現采樣3 點共線及檢測出的圓出現嚴重偏差的情況，從而減小了無效采樣的累積。將隨機采樣的3點代入圓的方程，得到候選圓的圓心坐標與半徑。

（2）真圓的篩選。計算得到候選圓圓心與輪廓邊緣各點間的距離Li,統計每個候選圓| |Li-r0＜c（c為差值閾值）的邊緣點個數z,其中z值最大的候選圓即為真圓。原有隨機Hough檢測算法通過設置邊緣點閾值，當候選圓z值達到邊緣點閾值時，該候選圓即為真圓。本文檢測算法無需設置邊緣點閾值，從而避免了原有隨機Hough檢測算法人為設置邊緣點閾值的不便，由于z值越大候選圓越接近于真實圓，本文檢測算法提高了原有檢測算法的檢測精度。

2.1.1 候選圓的檢測

由于原隨機Hough 檢測算法通過隨機選取3 點的方式來計算得到候選圓，當檢測圖像邊緣較為復雜，隨機采樣的3點距離較近時，檢測出的圓可能會出現較大偏差以及隨機采樣的3點出現共線的情況，從而造成大量的無效累計。本文通過分區域采樣的方式隨機采集3點來構造候選圓，并設置采樣輪廓邊緣點的最小邊緣點數，進而去除無關輪廓邊緣，提高了采樣的準確度。首先將邊緣檢測出的鋼管圖像輪廓信息通過一定算法構造出邊緣點集D，將邊緣點集D平均分為三部分S1、S2、S3，如圖5所示。

圖5 分區采樣圖Fig.5 Areal sampling

隨機分別從3個邊緣點區域內選取一點，然后將隨機選取的3個點(xa,ya)、(xb,yb)、(xc,yc)，帶入到圓的方程來計算圓的參數，從而獲取候選圓。用3 個參數x0、y0和r0表示每個候選圓P(x0,y0,r0)。其中(x0,y0)是圓心坐標，r0是半徑。

通過式（1）、（2）、（3）、（4）計算出每個候選圓P的圓心坐標、半徑。

2.1.2 真圓的篩選

在獲取候選圓后，需要對候選圓進行篩選以獲取真圓信息。為了驗證候選圓是否為真圓，需要對候選圓進行相關條件設置。設候選圓P圓心坐標為(x0,y0)，半徑為r0，外接矩形的左上角坐標為(x,y)，邊長為h，寬為w。輪廓外接矩形中心坐標為(x+h/2,y+w/2)，設候選圓圓心與輪廓外接矩形中心之間的距離為k，若其圓心坐標與半徑滿足式（5），則說明該候選圓可能為真圓。如圖6所示為多個候選圓的檢測圖像。

圖6 多個候選圓的檢測圖像Fig.6 Detection image of multiple candidate circles

式（5）中所有數值的單位均為pixel，其中0.5是由于存在輪廓偽邊緣點而設置的允許誤差，經過多次實驗選取兩中心點之間的距離閾值為10。

進一步地篩選，計算候選圓圓心與輪廓邊緣點集中各點的距離Li(i=0,1,2,…) 與候選圓半徑r0的差值。設定差值閾值c,z為|Li-r0|＜c的邊緣點個數，令z值初始化為0，當輪廓邊緣點滿足|Li-r0|＜c時z值加1，通過循環取得候選圓的最終z值。統計所有候選圓z值，其中z值最大的候選圓即為真圓。如圖7所示為最終真圓的檢測圖像。

圖7 真圓的檢測圖像Fig.7 Detection image of real circle

2.2 改進隨機Hough圓檢測算法的具體步驟

改進算法描述如下：

（1）構造邊緣點集D，將邊緣點集D平均分為三部分，初始化候選圓集合H=null，初始化循環次數k=0,并設定最大循環次數Kmax。

（2）隨機分別從3 個邊緣點區域內選取一點，并令k=k+1，轉步驟（3）。

（3）由隨機選取的3個邊緣點以及圓的方程來計算圓的參數，從而獲取候選圓P(x0,y0,r0)，并從集合D中去除選取的3點，轉步驟（4）。

（4）判斷3點構成的候選圓半徑r0是否在最大半徑rmax與最小半徑rmin的范圍內，即若rmin≤r0≤rmax，則轉步驟（5）；否則轉步驟（2）。

（5）判斷候選圓P的圓心(x0,y0)坐標是否在圓輪廓的外接矩形中，即設外接矩形的左上角坐標為(x,y)，長為h，寬為w。若0 ≤x0-x-0.5 ≤w且0 ≤y0-y-0.5 ≤h且r0-h/2-0.5 ≤0,說明候選圓P的圓心在輪廓的外接矩形內，轉步驟（6）；否則轉步驟（2）。

（6）計算候選圓圓心與輪廓外接矩形的中心坐標之間的距離k，并判斷該距離是否小于設定的閾值，若小于則轉（7）；否則轉步驟（2）。

（7）計算候選圓圓心到輪廓邊緣點集D中各點的距離Li(i=0,1,2,…)與候選圓半徑r0的差值，設定差值閾值c,z為|Li-r0|＜c的邊緣點個數。令z值初始化為0，當輪廓邊緣點滿足|Li-r0|＜c時z值加1，通過循環取得候選圓的最終z值。轉步驟（8）。

（8）判斷候選圓是否已經檢測完，即若k＜Kmax，轉步驟（2）；否則轉步驟（9）。

（9）統計候選圓集合H中所有候選圓的z值，其中z值最大的候選圓即為真圓。并判斷下一輪廓是否為空，若為空，則結束；否則轉步驟（1）。

算法流程圖如圖8所示。

圖8 改進隨機Hough圓檢測算法流程圖Fig.8 Flow chart of improved random Hough transform circle detection algorithm

3 鋼管壁厚測量

3.1 鋼管壁厚測量方案的設計

成像系統獲取鋼管端面圖像后傳輸到計算機內存中轉換為數字圖像，并將采集到的鋼管斷面圖像進行圖像濾波、圖像分割、圖像邊緣檢測等預處理。之后經改進隨機霍夫圓變換檢測鋼管端面邊緣圖像，獲取了鋼管斷面輪廓的圓心與半徑。然后通過測量方案進一步計算得到鋼管端部壁厚，其具體測量方案如下：

將鋼管壁厚測量問題轉換為圓與直線交點的問題，即以檢測出的鋼管端面內外圓的任意一個圓的圓心作為參考點。然后從參考點發射一條直線在一三象限或二四象限內與鋼管內外圈相交，直線與內圈、外圈交點之間的法向距離即為此部位鋼管壁厚。根據精度要求將直線繞參考點沿圓周方向掃描一周，得到鋼管整圈壁厚樣本。如圖9所示。

圖9 測量方案圖Fig.9 Programme of measurement

本文選擇每隔20°與每隔1°進行一次壁厚測量，通過對比發現當測量間隔變小時檢測精度有所提升，但檢測時間明顯增加。同時選擇每隔20°進行一次測量，這種測量方式也能較好地反映鋼管壁厚。綜合考慮選擇每隔20°進行測量，共測得18處壁厚，如圖10所示。

3.2 系統標定

鋼管壁厚檢測系統是通過采集到的圖像來計算鋼管壁厚的實際尺寸，因此需要對其進行標定以此獲得鋼管壁厚的實際尺寸。標定步驟為：首先選取鋼管端面某一處進行標記，并用測量工具測出此處的鋼管厚度值并記為h（單位為mm），然后獲取此處的像素值壁厚記為H（單位為pixel）。則壁厚像素值轉換成實際尺寸的公式可表示為：

k為像素當量，單位為mm/pixel。

為了減小誤差提高檢測精度，取多處鋼管壁厚進行標定。選取60°與140°方向及其對角線處的4處壁厚進行標定，然后由式（6）可得4 處的像素當量，如圖11 所示。取4處像素當量平均值得到標定系數s。

圖11 系統標定圖Fig.11 Systemic calibration

3.3 實驗測量與分析

為了驗證本文檢測系統在鋼管壁厚檢測中的可行性，在Windows10 系統下，處理器為Intel i5，運行內存為8 GB的電腦上，程序采用C++編寫，使用Opencv3.4.6平臺對鋼管斷面圖像進行了圖像處理。

實驗采用600×800 像素大小的兩種不同拍攝環境下的不同規格鋼管斷面圖像進行實驗測量，如圖12所示。

圖12 鋼管樣本測試環境圖Fig.12 Testing environmental for steel pipe sample

根據設計的檢測算法進行計算分析得出測量結果。并將改進隨機霍夫變換（randomized Hough transform，RHT）與最小二乘法圓檢測、隨機抽樣一致性（random sample consensus，RANSAC）算法、RHT 算法檢測結果進行了比較，兩種圖像檢測結果如表1、表2所示。

表1 樣本1鋼管壁厚檢測結果Table 1 Detection result of wall thickness of steel pipe for sample 1

表2 樣本2鋼管壁厚檢測結果Table 2 Detection result of wall thickness of steel pipe for sample 2

從表1中可以看出，改進后的隨機霍夫圓檢測在時間和檢測精度上都優于其他三種檢測算法，檢測精度約為0.1 mm，與改進之前相比提高了約3倍。從檢測時間上看，改進后的檢測算法檢測時間約為1 s，較改進之前時間縮短了一半，且與其他兩種檢測算法相比，檢測用時也都有不同程度的提升。從檢測的最大誤差來看，改進后的檢測算法最大誤差為0.223 1 mm，小于其他幾種檢測算法所得結果。均方根誤差表示壁厚檢測值與真實壁厚值之間的偏差，可以看出改進后的檢測算法壁厚檢測值與真值相差較小。

從表2 中可以看出，相對于樣本1 的鋼管斷面圖像檢測結果，由于樣本2放置環境中增加了無關物體干擾項，各檢測算法檢測精度都有所改變，其中最小二乘檢測算法變化最大。這是由于最小二乘法圓擬合對于圖像邊緣要求較高，當圖像邊緣出現無關邊緣點時會對擬合結果產生較大的影響。本文檢測算法相較于其他幾種檢測算法變化較小，檢測精度約為0.1 mm，并未明顯變化，說明本文檢測算法具有較好的魯棒性。

為了能夠更加直觀地觀察各處鋼管壁厚誤差變化情況，選擇每隔20°進行均勻測量，共測得18處壁厚，并將樣本1 與樣本2 的各處誤差進行統計，結果如圖13、圖14所示。

圖13 樣本1壁厚誤差統計圖Fig.13 Statistical deviation of wall thickness for sample 1

從圖13 與圖14 可以看出，與其他幾種檢測算法相比，本文檢測算法下鋼管壁厚各處誤差相差較小且大部分接近于0，并且檢測環境的改變并未使得壁厚誤差產生較大改變，說明本文檢測算法優于其他幾種檢測算法。

圖14 樣本2壁厚誤差統計圖Fig.14 Statistical deviation of wall thickness for sample 2

4 總結

為了解決傳統鋼管壁厚測量方式中存在的測量速度慢、測量精度低以及難以實現測量的實時性等問題，本文提出一種基于機器視覺的鋼管壁厚在線檢測方法。該方法利用單目相機，結合Opencv3.4.6平臺，通過改進RHT算法實現鋼管壁厚的在線檢測。實驗證明該方法的壁厚測量誤差約為0.1 mm，且效率高，能夠滿足對鋼管壁厚在線檢測的要求，具有一定的實用價值。

本文運用了改進后的隨機Hough圓檢測算法，提高了原有檢測算法的檢測精度與效率，彌補了原有檢測算法由于噪聲和復雜背景的干擾，從而產生大量無效累計的缺點。

該方法實現了非接觸測量，是一種無損檢測方法。在此基礎上，還可以對所測鋼管是否符合生產要求進行判定，從而篩選出殘次品。