基于機器視覺的鐵塔鋼結構銹蝕檢測技術

唐江飛

（杭州塔桅檢測技術有限公司，浙江 杭州 311305）

在現代化城市中，鐵塔是廣泛存在的一種重要鋼結構建筑，其功能包支撐天線、信號傳輸、設備保護、地標指示以及監測預警等多個方面[1]。但是，因為長時間佇立于戶外并受風化和雨雪侵蝕，所以鐵塔經常會出現銹蝕現象。鐵塔鋼結構的銹蝕不僅會影響表面的美觀程度，還會導致支撐強度下降、鐵塔傾覆等嚴重問題[2]。因此鐵塔鋼結構的銹蝕檢測是重要的研究方向。機器視覺技術是一種光、機、電、算完美結合的方法，通過一定的硬件設備和配套軟件算法，可使機器視覺具備與人類視覺相近的功能。進入機械制造業檢測領域后，機器視覺技術迅速發展成最重要的檢測技術[3]。該技術可以實現高精度檢測、在線檢測和高速檢測，提高外觀質量檢測領域的質量和效率。機器視覺檢測技術是利用仿人類視覺原理并依托于計算機設備和圖像處理技術形成的一類全新檢測技術。本文將在自然光條件下通過無人機機載攝像機完成鐵塔鋼結構表面拍攝，進而運用機器視覺方法完成銹蝕檢測。

1 鐵塔鋼結構銹蝕區域的直方圖檢測

在機器視覺技術的使用過程中，準確把握圖像的特點是有效執行圖像處理算法的前提工作。實際上，不同圖像存在不同形式的差異，這些差異也可以通過不同方法捕捉并加以辨析。在分析圖像特點的工作中，最常見的就是直方圖分析方法。

直方圖分析法的基本原理是根據圖像中同一灰度的像素進行統計，直到統計出所有出現灰度像素的頻次，即可知道圖像主要區域的像素分布情況，從而判斷圖像的特點。圖像的直方圖統計如公式（1）所示。

式中：S1代表圖像f（x）的k級灰度；nk代表整幅圖像中fk對應得像素的個數；n代表整幅圖像的像素總個數。

圖像的直方圖的屬性包括3個方面。1）圖像直方圖統計圖像中各灰度級別的像素出現概率，但不能反映出不同像素所在位置，即灰度直方圖中的位置信息是丟失了的。2）不同圖像的直方圖可能相同，即圖像和直方圖有多對一關系。雖然2幅圖像的直方圖可能相同，但鑒于其像素的位置可能存在不同，2幅圖像的內容會呈現出不同的場景。3）直方圖是圖像像素信息的灰度等級統計，因此反映了圖像的像素總數、灰度總和，一幅圖像的直方圖可以看成圖像中各區域的直方圖效果之和。

當觀測機械零件的直方圖時，還可以發現其他一些與機械零件本身相關的特性。首先，機械零件大部分為金屬質地、反光性能也比較好，而機械零件周圍的質地一般為布質，二者有顯著區別，也會導致直方圖中的目標區域像素和背景區域像素的灰度等級較明顯。其次，機械加工現場存在各種干擾，包括電氣的、電磁的、振動的和機械的，從而導致CCD攝像機拍攝到的圖像中有較多噪聲信息，這部分信息也會成為目標區域的干擾。因此，在直方圖中統計的圖像像素灰度應該包括背景信息、目標信息和噪聲信息3個類別。

鐵塔鋼結構表面被攝像機拍攝成圖像時，如果其表面存在銹蝕區域，會和鋼結構其他區域形成顯著區別，體現在直方圖上也有顯著不同，如圖1所示。

圖1 鐵塔鋼結構表面銹蝕圖和直方圖

從圖1可以看出，左側為鐵塔鋼結構的局部，其支撐立柱的表面存在2個明顯的銹蝕區域，銹蝕區域和周圍的原漆存在較大差異。為了使機器視覺算法能夠快速甄別銹蝕區域和原漆區域，采用直方圖方法繪制出圖1（a）的直方圖統計結果。從圖1（b）可以看出，相對于大部分灰度的統計區間，銹蝕區域會出現2個峰值區間。因為銹蝕區域的顏色較深，在圖像中對應的灰度值較低，而原漆區域的顏色較淺，在圖像中對應的灰度值較高，因此就有2個峰值區域處在灰度值較低的區域內，分布在50～120的灰度范圍內。可見，通過直方圖的統計特征可以較快檢測出銹蝕區域。

2 鐵塔鋼結構銹蝕區域的形態學檢測

根據鐵塔銹蝕區域圖像的特點，對目標區域和背景區域進行分割，提供后續處理所需背景區域，是銹蝕檢測的第一步工作。在圖像分割中，基于形態學理論的分割方法是最常見的方法。形態學分割包括腐蝕運算、膨脹運算、開運算和閉運算等操作，是一套比較成熟的方法。

在形態學分割中，腐蝕運算和膨脹運算是2種基本操作，源自圖像處理領域，但已經形成了自身的理論體系，相應的數學描述如下：假設一結構函數g（x），其對稱函數可以用gs（x）描述，則二者間的關系為gs（x）=g（-x），那么可以將關于f（x）和g（x）的膨脹處理和腐蝕處理分別描述為公式（2）、公式（3）。

為膨脹處理和腐蝕處理的結果分別定義2個變量，則有關開、閉運算的數學描述式分別如公式（4）、公式（5）所示。

根據上述運算式就可以順利進行基于形態學的圖像分割了。利用形態學圖像分割的實質就是根據結構元素，對原始圖像進行一系列腐蝕、膨脹等形態學運算。因此，形態學分割的結果取決于2個因素，一是形態學運算方法的選取，二是結構元素的情況。

在已有的形態學分割操作中，菱形、圓形、線形和八邊形等形狀都出現過，但是在實際中更傾向于使用簡單的結構元素。原因是復雜的結構元素不僅計算量大，而且很難預計可能出現的形態學處理結果。對于結構元素大、小的選取，也是影響形態學處理的關鍵。例如選取圓形結構元素，如果半徑過小，形態學處理效果就不明顯；如果半徑過大，形態學處理就會過度，都會影響實際處理效果。

當腐蝕處理、膨脹處理、開運算處理、閉運算處理這4種運算復合在一起時，形態學會產生豐富的處理效果，從而實現有效的圖像分割。

一般的形態學分割流程是先對原始圖像進行開、閉運算，然后從原始圖像中減去開、閉運算的圖像，再用2個結果圖像執行閉運算操作，從而可以得到剪除背景區域的目標圖像。其數學描述如公式（6）所示。

式中：F為最終提取出來的零件區域。

3 鐵塔鋼結構銹蝕區域的機器視覺檢測試驗

去除雜點后，鐵塔圖像銹蝕區域被獨立保留下來，但是銹蝕區域的大小、位置對計算機來說是很難獲得的，因此需要經過邊緣檢測，進一步確定邊界。所謂邊緣，就是在圖像灰度域中存在階躍變化抑或屋脊變換的像素點。邊緣是圖像非常重要的特征，在目標區域和背景區域值間、目標區域與目標區域值間以及此區域與彼區域值間均廣泛存在，圖像的邊緣信息也是圖像灰度不連續的外在表現。

可見，獲得圖像邊緣對深層次的圖像處理工作具有非常重要的意義。為了獲得圖像邊緣信息，很多邊緣檢測算子被設計出來，最常見的有Robert算子邊緣檢測器、Sobel算子邊緣檢測器、Prewitt算子邊緣檢測器、LoG算子邊緣檢測器以及Canny算子邊緣檢測器等。

通過試驗的不斷檢驗，人們發現大多數邊緣算子很難同時滿足定位準確和抑制噪聲能力強這2個需求，不同算子也表現出自己的優勢所在和不足之處。

3.1 Robert算子邊緣檢測器

Robert算子邊緣檢測器的基本原理是使用局部的差分算子來實現邊緣檢測，因此其邊緣定位是比較準確的，但有時會表現出檢測出的邊緣信息不全。另外，Robert算子的去噪能力比較差，檢測結果中通常含有較多干擾信息，即存在一定量的偽邊緣。因此Robert算子較適合圖像本身噪聲不多且圖像內部邊緣信息明顯的圖像。

3.2 Sobel算子邊緣檢測器

Sobel算子邊緣檢測器的基本原理是先進行平滑處理抵抗噪聲干擾，再執行微分檢測定位邊緣。因此Sobel算子的去噪能力比較強，邊緣定位效果也比較理想。Sobel算子的最大缺點是檢測出的邊緣信息比較粗，即不是單像素邊緣，同時會出現一定量的偽邊緣特征。

3.3 Prewitt算子邊緣檢測器

Prewitt算子邊緣檢測器的基本原理和優、缺點與Sobel算子邊緣檢測器非常類似，二者主要是最后的邊緣檢測模板不同。

3.4 LoG算子邊緣檢測器

LoG算子邊緣檢測器實際上由拉普拉斯算子和高斯算子共同組成。其中拉普拉斯算子是一個二階次微分算子，主要負責檢索圖像中的邊緣。高斯算子主要用于圖像的平滑處理，負責最終邊緣檢測結果的去噪。LoG算子比前3種算子的處理效果好，但如果圖像中存在尖銳的邊緣，可能會被高斯算子平滑掉。

3.5 Canny算子邊緣檢測器

Canny算子邊緣檢測器是邊緣檢測算子單獨使用效果最理想的一種，其基本原理是先利用高斯算子進行圖像平滑以達到去噪目的，再采用雙域值檢測定位邊緣，最后通過連接操作進行斷續邊緣連接。這是目前邊緣檢測中比較理想的一種方法。

本文在上述研究的基礎上，針對鐵塔銹蝕區域圖像的具體情況，將形態學處理和Canny算子邊緣檢測器相結合以實現邊緣檢測，分別對不同銹蝕區域的分割結果進行識別前預處理，得到的結果如圖2～圖4所示。

圖2 鐵塔點狀銹蝕區域的檢測結果

圖2給出的是鐵塔點狀銹蝕區域的檢測結果和經過形態學去除雜點、邊緣檢測確定區域的效果。比較圖2（a）和圖2（b）可以看出，檢測結果中右下方的雜點被去除了，點狀銹蝕區域被確定出來。

圖3、圖4的試驗結果圖像展示的分別是鐵塔鋼結構表面帶狀外觀質量特征、塊狀外銹蝕區域。其檢測結果和圖2一樣，證實了本文構建的機器視覺檢測方法的對銹蝕區域檢測的有效性。

圖3 鐵塔帶狀銹蝕區域的檢測結果

圖4 鐵塔塊狀銹蝕區域的檢測結果

4 結論

鋼結構鐵塔在現代化城市中具有重要作用，負責地標指示、通信信號傳輸和監測警示等任務。長時間的戶外矗立使鐵塔鋼結構的風化和雨雪侵蝕現象較嚴重，從而出現銹蝕現象，威脅到鐵塔的安全。據此，本文提出了一種基于機器視覺的銹蝕缺陷檢測方法，包括直方圖檢測、形態學檢測和邊緣檢測，并通過3組試驗驗證了所提出方法的有效性。