隨著造船業(yè)對船用鋼要求的不斷提高，相關(guān)材料正朝著高強度、高韌性和易焊接的方向發(fā)展[1-2]。在造船過程中，焊接是一項至關(guān)重要的工序，根據(jù)已有數(shù)據(jù)顯示，焊接船體所需的工時通常占據(jù)整個造船工時的30%~40%，焊接成本約占總造船成本的30%~50%。因此確保高質(zhì)量的焊接工藝和提高焊接效率對于造船業(yè)至關(guān)重要[3]。隨著焊接技術(shù)的大范圍應(yīng)用，缺陷探傷也逐步在質(zhì)檢環(huán)節(jié)中起著至關(guān)重要的作用。由于磁粉檢測既經(jīng)濟又方便，適合于鐵磁性材料的表面缺陷檢測，并且具有較高的檢測靈敏度和準確性，所以可采用磁粉檢測保證船體焊縫檢測的可靠性[4-5]。但磁粉檢測結(jié)果大多利用人眼觀察和人工記錄，人為因素會對檢測結(jié)果造成一定程度影響，甚至可能導(dǎo)致結(jié)果誤判。隨著制造業(yè)的快速崛起，質(zhì)量檢測工作任務(wù)艱巨，“智能化”的趨勢促進了機器視覺技術(shù)在缺陷檢測領(lǐng)域的發(fā)展。將機器視覺與傳統(tǒng)磁粉檢測過程相結(jié)合，既可以一次性測量缺陷等參數(shù)，又可以規(guī)避不同人員檢測標(biāo)準不一、誤檢等問題，進而提高檢測結(jié)果的準確性[6]。 

現(xiàn)有針對焊縫內(nèi)部缺陷檢測的方法主要有超聲檢測、X射線檢測和紅外熱輻射檢測，表面檢測的方法主要有磁粉檢測，滲透檢測和渦流檢測[7]。近年來，人們將機器視覺應(yīng)用于焊縫外觀檢測中，基于機器視覺的新型焊縫質(zhì)量檢測技術(shù)能夠?qū)崟r識別缺陷。DING等[8]采用工業(yè)相機捕捉焊縫圖像進行缺陷檢測，引入Canny邊緣檢測算法提取圖像邊緣，將Canny邊緣檢測得到的二值圖像作為輸入進行Hough變換，輸出為識別和提取的圖像邊緣形狀和輪廓。通過對焊縫周圍區(qū)域中連續(xù)像素數(shù)量的分析，能夠判斷焊縫是否存在缺陷且能夠快速對缺陷進行定位。熊川等[9]開發(fā)了一種基于機器視覺的船板連接處焊縫缺陷檢測算法，該方法利用主成分分析算法提取焊縫圖像中的特征信息，采用特征模板匹配方法實現(xiàn)了焊縫缺陷的自動檢測，在檢測焊縫缺陷方面具有較高的準確性和魯棒性，為船板焊接工藝的質(zhì)量控制提供了有力的技術(shù)支持，并為進一步優(yōu)化焊接工藝和提高生產(chǎn)效率提供了可行方案。 

與人工檢測相比，自動缺陷檢測技術(shù)的優(yōu)勢在于其能夠適應(yīng)惡劣環(huán)境，且能夠長時間高精度、高效率地工作。因此筆者開發(fā)了一種自動磁粉缺陷檢測系統(tǒng)，通過采集焊縫磁粉檢測后的工件表面圖像，利用計算機圖像處理軟件對檢測圖像進行自動化識別分析和處理，進而得到準確的缺陷檢測結(jié)果，以更精確識別焊縫缺陷類型和提升產(chǎn)品質(zhì)量。 

1.   試驗準備

1.1   焊接材料及方法

試驗使用母材為10 mm厚的DH36船用鋼，其交貨狀態(tài)為CR（冷軋），DH36鋼屬于碳錳鋼，其化學(xué)成分如表1所示，力學(xué)性能如表2所示。采用手工電弧焊焊接DH36鋼，分別選擇直徑為2.5 mm和3.2 mm的J507焊條，（化學(xué)成分見表1）。焊接接頭采用對接形式，V型坡口，坡口角度為60°，具體焊接工藝參數(shù)如表3所示。 

1.2   圖像采集系統(tǒng)

光源的選擇和配置對于采集圖像的質(zhì)量至關(guān)重要，決定了圖像的亮度、對比度和清晰度，從而影響后續(xù)的圖像處理。LED光源能夠保證光源的一致性、色彩穩(wěn)定性且操作方便，所以文章選擇LED燈作為光源，由于測試的是金屬焊縫表面，正面照在試件上將發(fā)生鏡面反射，為避免反光過強干擾圖像的成像效果，所以將攝像頭與母件的夾角保持在45°左右進行安裝[10]。CCD相機利用隔離層進行隔離所得到的圖像干擾程度低，成像質(zhì)量更好，故根據(jù)檢測需求采用HDUSB Camera型相機[11]。 

整個視覺檢測系統(tǒng)分為以下3個主要部分：圖像采集部分、圖像處理部分和參數(shù)顯示部分。在圖像采集部分，攝像頭用于采集試件的圖像數(shù)據(jù)；圖像處理模塊負責(zé)接收圖像采集模塊傳來的數(shù)據(jù)并進行圖像數(shù)據(jù)的處理，其主要包含圖像濾波去噪處理、圖像缺陷區(qū)域分割、圖像缺陷區(qū)域特征提取以及缺陷類型分類器的訓(xùn)練驗證[12-13]。與此同時，參數(shù)顯示模塊顯示了缺陷的有無、類型以及其他相關(guān)參數(shù)，為檢測結(jié)果提供了相關(guān)的數(shù)據(jù)參考。 

為了實現(xiàn)焊縫缺陷磁粉檢測的自主識別，首先將6個桿件組裝成一個高25 cm的立體支架，以保證能在一定高度上安裝相機，然后將攝像機固定于支架中間，鏡頭豎直向下以確保能接收到水平畫面。距離鏡頭大約10 cm左右安置一載物臺，用于放置試件。將CCD相機作為前端圖像輸入設(shè)備，放置于試件正上方，圖像采集系統(tǒng)如圖1所示。 

圖  1  圖像采集系統(tǒng)構(gòu)成示意

1.3   相機畸變與校正

試驗所使用的相機由于透鏡邊緣部分和中心部分的放大倍率不同，圖像會產(chǎn)生畸變[14]。雖然透鏡的畸變不可消除，但在實際應(yīng)用中可以通過校正來補償此畸變。校正的第一步就是進行標(biāo)定，目前存在很多圖像的標(biāo)定方法，廣泛采用的是張正友標(biāo)定法[15]，這種方法通過固定相機位置，使用相機從不同角度和位置拍攝多張包含棋盤格圖案的圖片，利用線性估計法和最小二乘法對其進行計算。文章移動棋盤圖位置采集16張圖像，利用OpenCV方法進行圖像標(biāo)定，并通過CameraCalibrator工具箱進行標(biāo)定，并利用獲得的標(biāo)定參數(shù)對圖像進行校正，其結(jié)果如圖2所示。使用張正友標(biāo)定法進行標(biāo)定，標(biāo)定重投影誤差小于0.33個像素，標(biāo)定結(jié)果如表4所示。 

圖  2  相機矯正結(jié)果示意

Table  4.  標(biāo)定結(jié)果

參數(shù)	結(jié)果
相機內(nèi)參數(shù)矩陣	$<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">[</span>\begin{array}{ccc}\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">2.301</span>}\text{<span style="font-size: 16px; color: rgb(0, 0, 0);"> </span>}\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">4</span>}\text{<span style="font-size: 16px; color: rgb(0, 0, 0);">×1</span>}{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">0</span>}}^{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">3</span>}}& \mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">0</span>}& \mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">0</span>}\\ \mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">0</span>}& \mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">2.529</span>}\text{<span style="font-size: 16px; color: rgb(0, 0, 0);"> </span>}\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">1</span>}\text{<span style="font-size: 16px; color: rgb(0, 0, 0);">×1</span>}{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">0</span>}}^{\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">3</span>}}& \mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">0</span>}\\ \mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">642.231</span>}\text{<span style="font-size: 16px; color: rgb(0, 0, 0);"> </span>}\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">6</span>}& \mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">387.835</span>}\text{<span style="font-size: 16px; color: rgb(0, 0, 0);"> </span>}\mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">8</span>}& \mathrm{<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">1</span>}\end{array}<span\; style="font-size:\; 16px;\; color:\; rgb(0,\; 0,\; 0);">]</span>$
焦距	[1.037 6×103，1.037 6×103]

2.   結(jié)果與分析

2.1   圖像處理

2.1.1   圖像預(yù)處理

首先進行圖像預(yù)處理（見圖3），利用CCD、LED光源和計算機組成的圖像采集系統(tǒng)采集的圖像如圖3（a）所示。為了提高系統(tǒng)的處理效果，將獲取到的圖像進行灰度化處理，以有效減少信息冗余，提高圖像處理效率，處理結(jié)果如圖3（b）所示。為提高圖像的處理效率，同時能有效提取需要的重要信息（如裂紋等），進行對比度增強處理，得到圖3（c）所示結(jié)果，可以觀察到圖像中的裂紋更明顯清晰，干擾因素減少。 

圖  3  原圖及其預(yù)處理結(jié)果對比

2.1.2   圖像濾波去噪

然后進行圖像濾波去噪處理，有多種方法可以對圖像進行去噪處理，包括均值濾波、高斯濾波和中值濾波等。均值濾波采用多次測量取平均值的方法，通過替換每個像素的值為其鄰域內(nèi)像素值的平均值來減少圖像中的噪聲，該算法簡單，計算量較小，對高斯噪聲有良好的去除效果，但是其會模糊圖像的邊緣和細節(jié)。高斯濾波器可以有效地平滑圖像，減少隨機噪聲，但在需要保留圖像邊緣和細節(jié)的應(yīng)用中，表現(xiàn)較差，如邊緣檢測、圖像分割。相比之下，中值濾波算法在處理特定類型的噪聲時表現(xiàn)較好，且在需要保留邊緣和細節(jié)的圖像處理任務(wù)時較為出色。 

將原始圖片加入高斯噪聲與椒鹽噪聲后分別使用中值濾波法、均值濾波法以及高斯濾波法進行處理，得到的效果對比如圖4所示。經(jīng)過比較，可明顯看出高斯濾波法不適用于文章試驗，而中值濾波與均值濾波法相比，中值濾波法所得到的圖像對比度更強，效果更好，因此圖像平滑時采用中值濾波法。 

圖  4  不同濾波方法處理后的圖像對比

2.1.3   圖像分割

為使圖像對比清晰便于識別，最后需要進行圖像增強。通過處理數(shù)據(jù)，調(diào)整參數(shù)使圖像均衡化，并繪出相應(yīng)圖像的灰度值，得到如圖5所示的直方圖均衡化結(jié)果和灰度直方圖，再對灰度圖進行圖像分割。為使分割得到的圖像完整地反映出其原本的特征，在使用閾值分割法時還要采用不同的二值化方法比對圖像效果。對灰度圖分別用OTSU二值化分割、最大熵法分割和迭代法進行閾值分割，得到的處理效果如圖6所示。 

圖  5  直方圖均衡化處理結(jié)果及其直方圖

圖  6  不同方法的閾值分割處理效果對比

對比3種二值化處理方法的效果圖，可以看出最大熵法缺陷與周圍對比更明顯，同時可以過濾其他干擾因素，更便于進行特征提取，因此使用最大熵法進行二值化更合適。 

2.2   特征提取

2.2.1   裂紋提取

圖像銳化是一種圖像處理技術(shù)，用于增強圖像中的邊緣和細節(jié)，使其更加清晰。圖像中的邊緣可以分為細線型、突變型和漸變型3種類型。為了突出這些邊緣，常用的圖像銳化算法包括Sobel算子、Canny算子和Roberts算子等。這些算法可以準確地檢測出圖像中的邊緣，并能再次加回原圖像增強其細節(jié)，使得圖像更加生動、明亮和具有立體感[16]。某圖像經(jīng)過3種方法處理前后的效果如圖7所示。3種方法中，Sobel算子處理結(jié)果的邊緣較粗、計算速度快；Canny算子邊緣最細、定位精度最高；Roberts算子受噪聲影響大，圖像分割后還是會存在一定的噪聲區(qū)域，故必須進行二次去噪。文章采用一種基于連通域的動態(tài)去噪方法，裂紋的連通域面積遠大于噪聲的連通域面積，通過計算目標(biāo)裂紋區(qū)域和噪聲區(qū)域像素面積，并通過計算噪聲面積和裂紋面積的比值來定量地估計圖像中的噪聲和裂紋占比，這種比值計算的方法通常被稱為信噪比（SNR）分析，其可以幫助評估圖像質(zhì)量并優(yōu)化圖像處理的結(jié)果，以此確定是否濾除當(dāng)前的連通區(qū)域。 

圖  7  某圖像的3種方法銳化效果對比

針對焊縫中的裂紋，首先采用Canny邊緣檢測，然后進行x和y方向的Sobel邊緣檢測得到圖像梯度，并沿著圖像梯度在經(jīng)過的像素點上計數(shù)，最后利用rectangle標(biāo)記矩形框，其提取結(jié)果如圖8所示?？梢园l(fā)現(xiàn)，結(jié)合Canny算子與Sobel算子的裂紋提取方法在確?？乖胄缘耐瑫r，增加了邊緣。該方法可以較好地對線性裂紋等缺陷進行提取。通過對200個裂紋圖像樣本進行測試，裂紋識別準確率達97.5%，其中5個誤判別數(shù)據(jù)圖像本身紋理較為復(fù)雜。 

圖  8  裂紋提取結(jié)果示意

2.2.2   圓度提取

通過圓度提取可進行氣孔檢測。筆者利用Hough變換檢測圖像中存在的圓，主要是利用Hough函數(shù)測直線的思路，即圓外一點不僅是平面內(nèi)3個點的圓錐面焦點，也是同時過此3個點的圓。利用Hough變換可以得到如圖9所示的提取結(jié)果，可以發(fā)現(xiàn)，此函數(shù)對于圓形缺陷的識別較準確。通過對200個氣孔圖像樣本進行測試，氣孔識別準確率達94%，其中12個誤判別樣本圖像存在表面污染干擾。 

圖  9  利用Hough變換得到的氣孔提取結(jié)果示意

2.3   GUI軟件界面設(shè)計

缺陷圖像處理之后可以有效識別相應(yīng)缺陷，但為了實現(xiàn)工業(yè)生產(chǎn)過程的自動化探傷，更加直觀地顯示缺陷，文章進一步設(shè)計了GUI（圖形用戶界面）的系統(tǒng)軟件界面[17]。軟件界面分為圖像顯示區(qū)、面板控制區(qū)、結(jié)果輸出區(qū)。使用該軟件時，首先載入圖像，點擊獲取原始缺陷圖片，輸入需要檢測的文件并打開；然后顯示缺陷，對目標(biāo)圖像進行灰度化處理，再進行圖像增強提高對比度，使用高斯濾波法平滑圖像，最終二值化圖像并進行缺陷檢測，將處理后的檢測結(jié)果顯示在圖像顯示區(qū)域。針對以上測試圖片，系統(tǒng)識別界面及其試驗結(jié)果如圖10所示。 

圖  10  GUI系統(tǒng)裂紋自主識別界面及試驗結(jié)果

此次試驗通過3個區(qū)域?qū)崿F(xiàn)對系統(tǒng)的控制，4張圖像分別對應(yīng)相應(yīng)步驟，結(jié)果輸出可直接完成缺陷自動化識別及輸出。利用面板控制區(qū)，對系統(tǒng)進行便捷式操作，通過獲取圖片、圖像增強、二值化、特征提取4個按鈕就能實現(xiàn)對圖像的處理；在圖像顯示區(qū)，對圖像處理并顯示，可以直觀地觀察到檢測過程中的圖像數(shù)據(jù)，便于進行目視校核；在結(jié)果輸出區(qū)，以文字形式輸出檢測結(jié)果，能自主顯示識別缺陷。最后可以通過目視觀察，對系統(tǒng)識別的缺陷類型進行比對，從而完成系統(tǒng)的校驗和核對，以保證系統(tǒng)輸出結(jié)果的穩(wěn)定性及準確性。 

3.   結(jié)論

提出了一種基于機器視覺的焊縫磁粉檢測圖像智能識別系統(tǒng)，該系統(tǒng)采用了一系列處理流程進行缺陷的自主識別。首先，系統(tǒng)搭建了圖像采集系統(tǒng)，并采用畸變校正技術(shù)進行圖像校正。接著對圖像進行濾波、銳化、增強等預(yù)處理，結(jié)合二值化和特征提取，實現(xiàn)裂紋和氣孔等缺陷的自主識別。最后，系統(tǒng)設(shè)計了GUI界面進行驗證，確保算法的可行性和系統(tǒng)設(shè)計的合理性。該試驗對于精確識別船用鋼焊縫缺陷類型、提高探傷自動化效率、保證產(chǎn)品質(zhì)量等方面具有重要價值。

文章來源——材料與測試網(wǎng)