基于DMG的焊缝边缘检测方法及应用*

张俊男，王远涛

(辽宁机电职业技术学院 材料工程系，辽宁 丹东 118009)

0 引 言

目前很多机械关键部件主要采用焊接加工制造，在大规模生产中，广泛应用焊接机器人。在焊接过程中难免由于各种原因导致焊缝质量不合理，造成构架结构变形和性能下降，严重影响机械使用安全性。焊接缺陷识别是焊接生产自动化提高焊接质量的关键。随着计算机视觉技术的飞速发展，图像检测在焊接过程中应用越来越广泛。由于在焊接时所摄焊缝图像往往存在很多噪声[1]，一般要先进行图像平滑滤波和图像矫正等预处理。现行的焊缝质量检测手段有：对工程常见焊接缺陷(烧穿、夹杂和气孔等)基于X射线焊缝图像缺陷自动提取与识别技术[2]；采用超声相控阵检测图像特征与识别，对焊缝缺陷的特征规律进行统计，进而获得典型缺陷特征[3]；使用Canny算子对焊缝边缘提取，虽然有效但是工作量大[4]。采用遗传算法对焊缝图像边缘进行检测并提取焊缝边缘，导致焊缝信息丢失严重[5]。这些方法大多集中在架构的强度分析和焊接温度场模拟以及焊缝内部检测上，存在一定的局限性。笔者提出一种基于DMG(Differential Morphological Gradient)的焊缝图像检测方法，针对焊缝边缘提取困难、识别精度低等问题，利用微分形态学算法有效地抑制噪声并保留有效信息，大大提高检测效率，实现一种可靠高效的焊缝质量检测。

1 焊缝边缘检测预处理

图1为焊接专业作为1+X特殊焊接技术证书的试点对培训人员进行考核时采用CCD摄像机对部分测试样品进行检测并生成三维数据。焊缝质量决定了焊接成品是否合格，虽然焊缝主体可以直观辨别，但是对于焊缝边缘部分无法通过肉眼清晰判别。为了提高焊缝质量检测水平，利用典型算法对图像中焊缝边缘进行提取，获得最好的辨识精度。

图1 焊缝图像及数据

如图1所示，该焊缝图像存在大量的噪声，对于焊缝图像边缘提取有较大的影响。中值滤波[6]作为一种有效的非线性信号处理手段可以去除噪声。图2所示，采用中值滤波处理焊缝图像时对于屏蔽脉冲干扰和保持信号边缘表现突出。

图2 中值滤波

由于所摄图像往往存在大量噪声，往往造成图像中物体颜色脱离了它们原来的实际色彩。采用白平衡方法处理失真图像从而矫正色彩偏移，以获得正常颜色的图像。

2 焊缝图像边缘检测算法

图像边缘是图像中灰度不连续或急剧变化的所有像素的集合，其中含有图像的大部分信息，保证焊缝边缘信息不丢失是提取过程的关键。边缘检测被认为是后续图像分割、特征提取和识别等图像分析过程十分重要的一步。

2.1 形态学算法

数学形态学(Mathematical Morphology)在处理焊缝图像时主要用于从图像中提取对表达和描绘区域形状有意义的图像分量，为了方便下一步处理能够抓住焊缝图像中最为本质(Most Discriminative)的形状特征[7-10]。使用数学形态学对焊缝图像进行分析和识别处理能够大大简化图像数据，在留住它们基本形状特征的同时除去不相干的结构，提高图像分析处理速度。

如图3所示，形态学处理采用三原色RGB通道线性组合模型rgb′=aR+bG+cB，得到凸显焊缝目标二维图像。对该图像进行二值化操作，通过剔除小块和标记块中心得到二值化图像，通过填充、膨胀和腐蚀操作优化二值化图像。整个图像处理过程利用形态学算法简单、结构元选取灵活的特点可以很好地抑制噪声并保留焊缝细节部分，达到检测出真正焊缝边缘的目的。

图3 形态学处理流程

设P是原图像，S是结构元素。使用S对P进行腐蚀时，会使图像的灰度值比原来变小，是将S作用于P的每个像素点，重合部分的最小值我们称之为腐蚀运算，用PΘS表示。

(1)

最大值为膨胀，即使用S对P进行膨胀，用P⊕S表示。

(2)

特别当结构元素S是平展的，则有S(α,β)=0，腐蚀和膨胀公式变为：

(3)

(4)

图4、5分别对腐蚀和膨胀运算进行了演示。可以看出腐蚀运算由于取最小值而减小了高亮区域；膨胀运算由于取最大值增加了高亮区域。

图4 腐蚀运算

图5 膨胀运算

2.2 经典形态学梯度

基本梯度(Basic Morphological Gradient,BMG)：

BMG(x,y)=(P⊕S)-(PΘS)

(5)

内部梯度(Inside Morphological Gradient,IMG)：

IMG(x,y)=P(x,y)-(PΘS)

(6)

外部梯度(External Morphological Gradient,EMG)：

EMG(x,y)=(P⊕S)-P(x,y)

(7)

2.3 微分形态学梯度算子(DMG)

基本的形态学处理灰度图像，在经过腐蚀膨胀后虽然可以达到提取焊缝边缘的效果，但是边缘效果较模糊，因此本文在此基础上对经典的形态学算法进行了改进，提出了DGM微分形态学方法[11]。DGM(x,y)图像是对BGM(x,y)进行一阶微分：

(8)

(9)

焊缝图像是由许多离散的像素点组成，以像素点为单位，可令Δx=1、Δy=1，则有：

(10)

(11)

于是整个焊缝图像的梯度为：

(12)

3 实验分析

实验选取辽宁机电职业技术学院1+X特殊焊接证书考核T型焊接件，通过对以上四种算法在处理焊缝图像上的分析，使用MATLAB分别采用Sobel、Prewitt、Canny和微分形态学(DMG)几种算法处理焊缝图像，并对焊缝图像处理结果进行分析比较[12-15]。

从图6中可以看出，采用Sobel算子对图像边缘进行检测时，受噪声干扰较大，以至于不能对目标焊缝进行单一提取，得到的边缘较粗，可能出现伪边缘，导致检测精度较差。

图6 Sobel边缘检测

从图7中可以看出，Prewitt算法虽然对图像边缘能够提取，但是提取边缘没有闭合的区域，提取效果差。Prewitt算法对图像边缘检测效果较粗，受背景噪声影响较大，阈值选取不适当会导致边缘点误判。

图7 Prewitt边缘检测

从图8中可以看出，Canny算子对焊缝图像边缘提取是较为有效的，在检测样本边缘的噪声和焊接位置方面是精确的，但是焊缝表面质量纹理较为不规则，Canny检测纹理较细，增加了计算工作量。

图8 Canny边缘检测

从图9中可以看出，采用微分形态学边缘检测能够对图像噪声起到较好的过滤效果，得到的二值化图像接近于实际目标，保证了焊缝特征信息不丢失，信噪比大而且精度高，焊缝边缘轮廓较清晰。

图9 微分形态学边缘检测

表1 四种算子处理图像对比度

为了验证DWG算法对焊缝边缘检测效果的普遍适用性，采用其他肉眼不容易辨认的含有缺陷的焊缝进行实验。从图10中可以明显识别出焊缝不饱满，即含有缺陷的位置。

图10 DWG检测缺陷焊缝

4 结 语

文中将DMG算法应用于含有大量噪声的焊缝边缘检测问题中，使图像数据简化，保持基本特征的同时除去不相干的结构，提高了图像分析处理速度。与Sobel、Prewitt、Canny方法相比，微分形态学算法能够更好地提取焊缝特征，对图像噪声过滤较好，得到的二值化图像接近于实际目标，获得了较为满意的焊缝检测效果，对提高焊缝焊缝质量检测的实际应用具有重要意义。