激光視覺搭接焊縫的圖像識別*

江南春,劉蘇宜，張 華

(1.南昌大學 江西省機器人與焊接自動化重點實驗室,江西 南昌330031;2.南昌大學 機電工程學院,江西 南昌 330031)

焊接過程自動化是焊接的發展方向，焊縫識別技術則是實現焊接自動化的關鍵技術之一。由于視覺傳感方法具有信息量大、信號傳感過程不影響焊接等優點，目前，激光視覺傳感被廣泛應用于焊縫識別。與其他普通光源相比，激光具有波長范圍窄、能量相對集中以及受環境影響小等優點，利用它來進行焊縫跟蹤識別所得圖像效果更好，從激光圖像中不僅能檢測出焊縫的中心位置，還能夠獲得焊縫的截面形狀和尺寸，適用于各種不同形狀的焊縫和焊接方法[1]。焊接接頭坡口的形式有不開坡口、V形坡口、U形坡口、X形坡口、搭接坡口等。本文針對搭接焊縫的圖像進行識別，取得了較好效果。

1 圖像預處理

1.1 原始搭接焊接圖像分析

盡管激光圖像的質量相比于其他光源拍攝圖像有所改善，但依然會受到焊接飛濺、煙塵以及弧光的影響。如何花費盡可能少的時間消除這些噪聲，獲得高質量的圖像是焊縫跟蹤識別的關鍵。

圖1為激光視覺焊縫跟蹤示意圖，試驗用的焊絲為天津三英公司的SQJ501氣保護藥芯焊絲。圖2為焊接過程中現場采集的搭接接頭激光傳感圖像，從圖中可以看出采集的焊接坡口圖像信噪比低，包含很多噪聲，多為線狀和塊狀。根據焊接過程分析，這些噪聲主要由弧光、強熱、飛濺、煙塵等產生，噪聲的圖像灰度高于背景灰度，與圖像中激光線的灰度接近或者更高。因此如果對這些原始采集圖像直接進行焊接坡口中心位置的識別和提取，會嚴重受到圖像噪聲的干擾而難以正確識別和提取。為更精確地識別、提取出焊接圖像中坡口中心的位置，需要對原始采集圖像進行濾波去噪、邊緣檢測、二值化等預處理。

1.2 圖像預處理

圖像預處理的方法很多，主要有濾波去噪、圖像增強、圖像恢復（復原）、幾何畸變校正、直方圖變換等，圖像預處理的目的是改善圖像質量，利于計算機后續處理和提取出目標對象特征。圖像處理針對性很強，對不同的應用有不同的要求，采取的處理方法也各不相同[2，3]，需要針對現場采集到的搭接焊接圖像進行預處理分析。

通過均值濾波法、中值濾波、改進濾波方法分析得出,焊接坡口圖像中背景灰度值最低，一般在50以下,噪聲和目標圖像-激光線的灰度值基本上在100以上,但激光線的寬度一般為2～3個像素,而噪聲多為點線狀，寬度多在4個像素以上。基于這些特征,本文提出一種更有效快速的濾波去噪方法。

在圖像中取一個1×5的水平窗口，并選定某一閾值T，當窗口中第一像素小于 T而第 2、3、4、5個像素大于T，則判定為噪聲，并用第1個像素灰度值替代窗口中第2、3、4、5 個像素灰度值,按此規則掃描整幅圖像。圖3為原圖中一個 1×5水平窗口，窗口中第1個像素值為68，與第 2個像素 102有較大的灰度差值，而第 2～5個像素之間灰度差值很小，這是典型的噪聲。可取某一閾值T作判斷依據，并用68取代第2～5個像素灰度值。

圖3 噪聲示例

由于每幅圖像的噪聲特點各有差異，因此閾值T的選取也不盡相同,而T值選取得合適與否會直接影響圖像處理的效果。為此，通過統計圖像中灰度值在50～100間各級灰度對應的像素數，按以下公式取其中的概率平均灰度值：

其中，i為灰度級，ni為灰度級的像素數。采用通過此方法得到的閾值T，能取得較好的處理效果。

1.3 搭接焊接圖像的二值化

進行圖像分析首先要把分析對象即感興趣的物體從背景中分割出來，即圖像分割。圖像分割最常用的方法就是圖像二值化。圖像二值化就是設定某一閾值T，用T將圖像的數據分成兩大部分：大于T的像素群的灰度值設置為0或255，小于T的像素群的灰度值設置為255或0，使灰度圖像變成黑白二值圖像，其數學表達式為：

正確選取灰度閾值T是圖像二值化處理的關鍵問題。閾值選取的方法有多種[3]，如P參數法、雙峰法、微分直方圖法等，使用時針對圖像的不同特性選取最佳的方法。

在焊接過程中，由于電弧狀況不斷變化，焊縫跟蹤時實時拍攝的坡口圖像背景灰度值并不恒定，在一幅圖像中效果較好的灰度閾值在其他圖像中效果可能較差。基于這種情況，本文采用一種自適應閾值調整的方法——最大方差法[4]。這種閾值選取法不管圖像的直方圖有無明顯的雙峰，都能得到較滿意的結果，是閾值自動選擇的最優方法。搭接直方圖及其二值化圖像如圖4所示。

2 圖像識別

2.1 三種圖像識別方法

2.1.1 結構元素匹配法

通過分析大量經圖像預處理后的搭接接頭中心位置的特點，本文提取了搭接接頭中心的三種結構元素模型如下：其中帶*號的像素點為待識別的搭接接頭中心點，×表示灰度值為0或255。

2.1.2 改進模板匹配法

圖像的模板匹配算法思想是先給定一幅圖像，然后到另一幅圖像中去查找這幅圖像，如果找到了就匹配成功[5-6]。圖像模板匹配的算法有多種，常用的是全圖模板匹配。

(1)全圖模板匹配

全圖模板匹配的具體計算方法如下:設一幅圖像f(x,y)的大小為 M×N，模板圖像ω(x,y)的大小為 J×K(J＜M，K＜N),如圖6所示。模板圖像ω(x,y)在原圖上平移，在原圖上被模板圖像所覆蓋的圖稱為子圖Sm,n，m、n是子圖左上角像素點在原圖中的坐標，模板圖像與子圖像之間的相似程度用以下相關函數R(m,n)計算，當m,n改變時，可搜索到一個R(m,n)最大值，即為模板匹配的位置。

(2)特征點模板匹配

基于全圖模板匹配計算量大、費時、實時性差的不足，本文提出采用圖像特征點匹配的方法，即不作全圖匹配而只是對原始圖像預處理后的二值化圖像中的白點(灰度值為255)計算其相關值R，同時二值化的模板圖像也只提取其中的白點參與計算。需要注意的是，這時模板圖像的匹配基準點不在左上角像素點上，而在圖像上面第一行中掃描到的第一個灰度值為255的白點處。

模板匹配方法對搭接接頭的識別和提取適用，并且方法穩定性高，精度誤差和實時性滿足應用要求。

2.1.3 改進Hough變換識別法

Hough變換[7-8]是一種檢測和定位直線和解析曲線的方法，適于用來檢測已知形狀的幾何曲線。Hough變換的主要優點是其檢出曲線的能力較少受曲線中的斷點等干擾的影響，同時對原圖上的所有點進行處理，取最終效果，因此抗干擾能力較強，是一種有效檢出形狀的方法。

(1)標準直線 Hough變換

Hough變換思想為：在原始圖像坐標系下的一個點對應了參數坐標系中的一條直線，同樣參數坐標系的一條直線對應了原始坐標系下的一個點，然后，原始坐標系下呈現直線的所有點，它們的斜率和截距是相同的，所以它們在參數坐標系下對應于同一個點。這樣在將原始坐標系下的各個點投影到參數坐標系下之后，看參數坐標系下有沒有聚集點，這樣的聚集點就對應了原始坐標系下的直線。

(2)快速Hough變換識別法

2.2 坡口中心識別方法的比較

本文對不同圖像識別方法進行了直線型搭接焊縫的機器人跟蹤試驗。

在焊接條件基本相同的情況下，分別采用三種對坡口中心的識別法，即結構元素匹配法、特征點模板匹配法、快速Hough變換法，其試驗條件如表1所示。

表1 試驗條件

對20幀采樣圖像進行實驗,將此提取的接頭中心點坐標與實際圖像中接頭中心點坐標進行對照，并對以上提出的三種識別和提取搭接接頭中心點位置的方法進行比較，從比較結果看，特征點模板匹配法比全模板匹配法的識別誤差和正確率均有所下降，但由于其計算量大大減少，因此實時性得到了很大提高；同樣,快速Hough變換法相比標準直線Hough變換法其識別誤差和正確率有所下降，但實時性得到很大提高。結構元素匹配法的識別正確率稍低，但邊緣提取及角點檢測法識別誤差和正確率都較好，且計算量不大，實時性也高。另外，從穩定性來看，結構元素匹配法由于受所提取的結構元素模型正確與否的影響，其穩定性較其他方法稍差；從魯棒性來看，特征點模板匹配法和邊緣提取及角點檢測法的抗干擾能力強。

3 實驗結果與分析

使用不同的識別方法對直線搭接焊縫進行跟蹤,結果如圖7所示。

從圖7跟蹤試驗結果來看，在直線搭接接頭焊縫的機器人跟蹤中，本文研究的三種焊接坡口中心圖像識別方法均能較好地實時識別和提取到坡口中心的圖像位置。其中用特征點模板匹配法、快速Hough變換法識別搭接接頭中心得到的跟蹤焊縫比較平整，而結構元素匹配法稍有波動，穩定性較其他兩種稍低。

利用一種改進的濾波方法，運用自適應閾值調整的的最大方差法計算濾波圖像的二值化閾值，是一種行之有效的圖像分割方法，最終為完善焊縫跟蹤系統奠定了基礎。

比較了三種方法的識別坐標誤差、識別正確率，其中快速Hough變換法得到的跟蹤焊縫比較平整，為控制系統提供可靠的焊縫位置信息，這樣不僅有利于得到滿意的焊縫跟蹤效果，還能改善焊縫成形質量。

[1]劉習文,王國榮,石永華.單條紋激光引導焊縫跟蹤圖像處理[J].焊接學報，2006，27(6)：25-28.

[2]岡薩雷斯.數字圖像處理(第 2版)[M].北京：電子工業出版社，2007.

[3]陳天華.數字圖像處理(第 1版)[M].北京：清華大學出版社,2007.

[4]陳梵,張秋余.基于背景圖像差分的手勢分割方法研究[D].蘭州:蘭州理工大學,2009.

[5]高軍.基于模板匹配的圖像配準算法[J].西安交通大學學報,2007，41(3):307－311.

[6]隆武林,陳穎琪.基于圖像分割與特征匹配的目標檢測及跟蹤[J].信息技術,2009(11):19-23.

[7]姚立健，丁為民，趙三琴，等.廣義 Hough變換在遮擋圖像識別中的應用[J].農業工程學報，2008，24(12)：97－101.

[8]姚立健,丁為民,張培培,等.基于改進型廣義 Hough變換的茄子果實位姿識別方法[J].農業工程學報,2009,25(12):128-132.