基于方向显著性的熔池背景下V形焊缝激光条纹的有效提取

余卓骅 胡艳梅 何银水

(1.华东交通大学理工学院,南昌 330100； 2.南昌大学 资源环境与化工学院,南昌 330031)



基于方向显著性的熔池背景下V形焊缝激光条纹的有效提取

余卓骅1胡艳梅1何银水2

(1.华东交通大学理工学院,南昌 330100； 2.南昌大学 资源环境与化工学院,南昌 330031)

焊缝跟踪是机器人自动化焊接的核心技术，而厚板焊接中准确提取用于检测焊缝轮廓的激光条纹技术是实现自动跟踪的关键技术之一。根据同一帧焊缝图像中同时采集了熔池区域和激光条纹的特点，提出采用多区域多方向Gabor滤波的方法获取焊缝图像多方向特征图，然后采用基于局部区域灰度均值最大法消除背景干扰，最后利用连通域法消除因激光条纹轮廓检测缺口而产生的干扰。通过图像处理试验验证了算法的有效性，为厚板焊接的实时跟踪打下基础。

方向性 V形焊缝 激光条纹提取 Gabor滤波

0 序 言

厚板焊接因涉及多层多道焊往往需要用主动视觉传感器检测焊缝轮廓。目前采用激光器作为辅助光源照射焊缝来检测焊缝轮廓是一种通用的技术[1]。为了减少熔池区域和飞溅等对图像采集的干扰，在视觉传感器设计上往往采用挡板[2]，因而采集的焊缝图像往往没有熔池只有激光条纹。针对这种焊缝图像，大量文献提出了多种激光条纹提取的算法。如文献[3]中，作者提出了基于单目立体视觉的焊缝三维重建，利用图像滤波、阈值分割法、边缘检测、图像锐化及骨架细化等方法对焊缝图像进行处理。在文献[4]陈熙引的有关焊缝识别的研究论文中，提出了利用背景差分、阈值分割以及匹配检测三步组成的算法，也对激光条纹的提取起到了很好的效果。

然而，熔池区域有助于对焊机过程的监控，同时有助于指示焊枪位置。因此在焊缝图像中出现熔池区域有助于提高焊接质量。文中利用新颖的激光视觉传感器将熔池区域和激光条纹采集在同一帧中。为了降低熔池区域对激光条纹的干扰，同时满足后续焊缝跟踪精度的需要，激光条纹距离焊枪的实际距离约为30 mm。针对这一焊缝图像的特点，提出采用激光条纹的方向特征来提取焊缝轮廓信息，并通过图像处理试验验证了该算法的有效性。

1 Gabor滤波

利用Gabor变换进行图像滤波是由D.Gabor在1946年提出来的。Gabor滤波器属于线性滤波器，它的频率和方向特征与人类的视觉系统类似。在空域里，Gabor滤波器等于高斯函数和正弦平面波的乘积，可以利用如下公式来描述：

(1)

其中，

(2)

式中,σ为高斯函数的标准差;λ为正弦函数波长;θ为检测方向。通过大量的离线处理试验得出，当设置σ=4.12，λ=7.69且δ=1时能较好检测不同方向的激光条纹，且能适用于不同场合采集的含有激光条纹的焊缝图像。通过大量的图像处理试验得出，采用不同角度的滤波对检测焊缝方向特征的效果是不一样的。从试验选取的原始焊缝图像如图1所示。

图1 原始焊缝图像

对图1的原始焊缝图像进行不同方向的Gabor滤波获取不同的滤波结果，如图2所示。

图2 不同滤波方向下的Gabor滤波效果图

从图2中可以看出，使用不同的角度对图像进行滤波，焊缝不同部位的方向信息检测的效果也不一样。为了将不同方向特征的激光分段充分凸显出来，采用多区域多检测方向对焊缝图像进行Gabor滤波，然后将不同区域不同方向下滤波的结果组合在一起，经验证是一种有效的方法。

2 多区域多方向Gabor滤波

图像中熔池区域具有最大亮度，而其与激光条纹之间的位置相对固定。利用上述信息可以对焊缝图像进行区域划分，具体步骤如下：首先对图1进行阈值分割，将图像中的最大灰度值作为阈值，得到图3。然后利用熔池区域的几何中心和其下边界对整个图像分割如图4所示。

接着对不同区域进行Gabor滤波。通过大量图片处理试验得出，对区域A设置-5°的检测方向进行Gabor滤波，得出的焊缝效果最佳，对区域B设置13°的检测方向进行Gabor滤波，得出的焊缝轮廓效果最佳，结果分别如图5a，5b所示。

图3 阈值分割

图4 划分区域

图5 对不同区域进行Gabor滤波的结果

将上述2种方向特征结合即可显示焊缝轮廓，如图6所示。

最后对区域C的处理较为简单，可以直接将该区域处理为黑色背景。

图6 Gabor滤波综合图

3 局部区域灰度均值最大法提取激光条纹

图6中焊缝图像经过分区域Gabor滤波之后，除了有焊缝轮廓信息外，图像中仍有部分干扰背景，所以还需要对图像进行去干扰处理。在文中中采取的是局部区域最大值法来提取焊缝轮廓。由于多区域多方向Gabor滤波处理后，在相同范围的局部区域内激光条纹所在位置的灰度值高于其上下背景处，利用这一特点可以将激光条纹进一步凸显出来。具体步骤如下：设定5×1的局部区域进行列平滑，每次记录该区域所在位置的平均灰度值，且以该区域的中心标记每个平均灰度值。当某列平滑完成后可以获取该列最大平均灰度值，同时可以获取相应的位置。将该列最大平均灰度值所在的平滑区域设置灰度255，其他平滑区域的灰度设置为背景0。对图6进行如上处理得到结果如图7所示。

通过图7看出，经过平均灰度最大值法所处理的图像，仍存在少数熔池部分干扰或其他噪点，文中通过bwareaopen函数删除图像中干扰的小面积对象，其运算结果如图8所示。由图8可以看出，焊缝轮廓已经清晰的被提取出来了。为验证该方法的有效性，我们也选取了有着不同干扰程度的焊缝图像进行试验，其效果如图9所示，其中图9a为焊缝原始图像；图9b为中间滤波处理结果；图9c为利用局部区域灰度最值法处理过后的图像。

图7 平均灰度最值法处理结果

图8 删除小面积对象结果

大量的图像处理试验表明，文中提出的多方向Gabor滤波均可以有效消除或降低不同的熔池形貌和具有竖直方向的飞溅带来的干扰(图9a和图9b)，结合局部区域灰度最值算法可以有效提取激光条纹(图9c)。

值得注意的是：文中Gabor滤波的高斯函数的标准差和正弦函数波长的取值虽是经过滤波试验获取的，但是大量的离线图像处理试验验证了这样一个事实，即文中对这两个参数的设置值对厚板不同接头形貌下激光条纹的方向特征的检测均有效。

图9 针对不同干扰的焊缝试验图像

4 结 论

文中针对同一帧焊缝图像中同时采集了熔池区域和激光条纹的特点，在仅以提取激光条纹为目的的图像处理中充分利用熔池区域的位置，提出采用多区域多方向Gabor滤波来充分凸显激光条纹，通过图像处理验证了如下事实：

(1)厚板焊接中采用激光来检测焊缝轮廓时，采用多方向特征来提取激光条纹具有更快更好的识别效果。

(2)利用Gabor滤波检测激光条纹的方向特征时，设置σ=4.12，λ=7.69且δ=1，能满足不同场合采集的焊缝图像的激光条纹的提取。

(3)局部区域灰度均值最大法其实质为局部区域阈值分割法，能最大限度的检测出激光条纹，同时最大限度消除背景干扰。

[1] 张 轲, 朱晓鹏, 陈志翔. 智能化跟踪传感技术的现状及发展趋势[J]. 金属加工(热加工), 2014(10): 18-22.

[2] 王含宇, 韩 冲, 张碧超. 结构光焊缝跟踪传感器设计的关键问题[J]. 电焊机, 2013，43(8): 1-7.

[3] 王建军.铝合金脉冲TIG焊熔池动态特征的视觉信息获取与自适应控制[D]. 上海：上海交通大学博士学位论文, 2007.

[4] 陈熙引.基于双目视觉的机器人焊缝识别及轨迹规划研究[D].广州：华南理工大学硕士学位论文,2014.

2016-03-21

TG409

余卓骅，1980年出生，硕士，讲师。主要从事机器人焊接图像处理和汽车技术方面的科研和教学工作，已发表论文10余篇。