機器人焊縫圖像特征提取技術研究

薄 濤

0 引言

在裝備制造工業中，焊接是僅次于裝配與機加工的第三大產業，目前多采用機器人焊接技術，由此提高了工作效率和加工精度。由于受到各種因素的影響，焊槍運行時可能偏離焊縫的位置，使得焊接的質量降低。機器人焊縫自動跟蹤系統通過焊接傳感器捕捉到焊縫位置信息、偏差信息后，可以把信息及時反饋給中央控制器，因此如何準確找出焊縫的中心位置，以便讓控制系統以此為依據驅動焊槍進行姿勢調節，對焊接動作做出相應的調整，這是自動跟蹤系統技術的核心所在。筆者將改進型Canny算子作為提取機器人焊縫圖像邊緣特征的最佳方案，使得焊縫圖像整體平滑效果較好，焊縫邊緣信息也得到了加強，利于對焊縫圖像進行特征值的提取；同時運用bwmorph函數提取焊縫圖像中心線的具體位置，由此為控制機器人焊槍姿勢提供必要的位置信息，提高焊接精度。

1 焊縫圖像邊緣檢測

焊縫圖像的邊緣特征在焊縫圖像處理中非常關鍵。獲得焊縫圖像的邊緣信息，才能利用這些信息對其準確識別。

1.1 圖像邊緣提取方法比較分析

對多種邊緣檢測算法進行比較分析，選取最優、最適合機器人焊縫圖像處理的方案。

用Sobel算子提取焊縫圖像邊緣，能夠去掉一些噪音，不過不完美，而且用這個算子處理的焊縫圖像邊緣比較模糊；Robert算子提取焊縫圖像邊緣，結果是邊緣線欠精確；Prewitt算子提取的焊縫圖像邊緣線略粗，而且并不連續；Canny因為具有兩種互不相同的閾值，焊縫圖像強弱邊緣都可檢測出來，而且強弱邊緣連接在一起時，它才把弱邊緣顯示出來，相對比較智能。因此Canny算子可作為提取機器人焊縫圖像邊緣特征的最佳方案。

1.2 傳統Canny邊緣檢測算子

傳統的Canny邊緣檢測算子是依據圖像邊緣檢測最優準則設計的[1]。

第一步，用高斯濾波模板實施卷積來消除圖像中的噪聲：

其中，σ是控制圖像平滑程度的高斯濾波器參數，傳統的Canny邊緣檢測算子σ參數根據需要，人為設定。

第二步，利用導數算子找到圖像灰度沿兩個方向的偏導數(Gx，Gy)，并求出梯度的大小：

第三步，利用第二步的結果計算出梯度的方向：

將邊緣的梯度方向分成四種，分別為水平方向、豎直方向、45°方向和135°方向。利用第三步求出的結果，找出此像素梯度方向上的鄰接像素[1]。

遍歷這個圖像，假如說出現一個像素的灰度值和其梯度方向上前后兩個像素的灰度值相比并不是最大的情況，就把此像素值記為0，就是說這個不屬于邊緣[2]。

利用累計直方圖計算出兩個閾值，大于高閾值的值必然就是邊緣，小于低閾值的必然不是邊緣。介于前兩種情況之間的，就要分析這個像素的鄰接像素中到底有沒有那么一種超過高閾值的邊緣像素，假如有，這個像素就屬于邊緣；假如沒有，它就不屬于邊緣[3]。

1.3 改進型Canny邊緣檢測算子

雖然傳統的Canny邊緣檢測算子優于常見的Sobel，Robert，Prewitt等經典的邊緣檢測算子，但由于利用固定參數σ的高斯濾波器對焊縫圖像進行平滑時會出現兩種情況：σ取值較小時，雖然濾波器邊緣精度較高，造成過渡平滑，但在去除噪聲的過程中，很多邊緣點被模糊掉，焊縫圖像的信噪比下降；σ取值較大時，雖然能較好地平滑噪聲，但邊緣定位精度下降。

將自適應空間尺度因子應用于傳統的Canny邊緣檢測算法，可提高算法的適用性。

改進后的空間尺度因子自適應調整的高斯濾波器為G(x，y，σ(x，y))，

改進型Canny算子邊緣提取流程如圖1所示。

圖1 改進型Canny算子邊緣提取流程

利用傳統Canny邊緣檢測算子與改進型Canny邊緣檢測算子得到的焊縫檢測結果如圖2-4所示。

圖2 焊縫原圖

圖3 用傳統Canny邊緣檢測算子得到的焊縫效果圖

圖4 用改進型Canny邊緣檢測算子得到的焊縫效果圖

比較圖3和圖4可以看出，傳統Canny算子對于強點的噪聲比較容易將其錯誤地檢測為圖像的邊緣；改進后的算法，焊縫圖像邊緣定位準確，細節處理較好。說明具有空間尺度因子自適應調整高斯濾波器的Canny算子較傳統Canny算子有了較大的提高，焊縫圖像整體平滑效果較好，同時焊縫邊緣信息也得到了加強，利于對焊縫圖像進行特征值的提取。

2 焊縫圖像中心線的提取

機器人焊縫圖像中的每一個像素，其所在的位置都與實際空間位置有非常緊密的關聯。由此可知，焊縫的邊緣信息，全都體現在那一條焊縫圖像中心線上。對焊縫圖像中心線的提取，實質上就是對焊縫圖像的細化。而細化就是經過一層一層的剝離，把原始焊縫圖像中的一些點去掉，在這一過程中不能改變焊縫的形狀，最后得到焊縫圖像的骨架。骨架即為焊縫圖像的中軸，即減少了圖像數據的冗余，從而非常有效地提高處理效率。

將焊縫邊緣檢測得到的圖像中各像素灰度值看成溫度，則同一溫度的像素構成一條等溫線，對各等溫曲線上的每個像素向臨近低溫像素進行熱擴散，各像素的溫度值經過熱擴散后降低。各像素經過各項異性熱擴散運算前后灰度變化如下：

再結合高斯平滑及閾值處理，實現對低熱能像素的過濾，可以提取出光條中能量最高的像素，由此得到完整的焊縫圖像中心線。

bwmorph函數是一種形態學的細化算法，有著算法簡單、計算速度快的優點，用于處理焊縫圖像骨骼，能夠達到非常完美的效果。

提取的焊縫圖像中心線細化效果如圖5所示。

圖5 焊縫圖像中心線細化效果圖

觀察圖5可以看出，運用bwmorph函數可以很好地提取出焊縫圖像的中心線的具體位置。

3 結論

圖像特征提取中的邊緣檢測技術可以使焊縫與背景進行有效區分，之后利用細化算法提取出焊縫圖像的中心線，通過焊縫圖像細化效果圖找到焊縫的特征點及焊縫像素點，將焊縫像素點與焊縫實際坐標進行比較，計算偏差，為調節機器人焊槍姿勢提供必要的位置信息，從而提高焊接精度。

參考文獻：

[1] 田進華.張韌志.基于MapReduce數字圖像處理研究[J].電子設計工程，2014，22(15)：93-95.

[2] 戚文婷.面向線目標提取的多源信息融合技術研究[D].哈爾濱：哈爾濱工業大學，2010.

[3] 王磊.機器視覺在銅條缺陷在線高速檢測中的應用[D].上海：上海理工大學，2010.