焊縫磁粉檢測圖像自動分揀系統(tǒng)的設計與應用

凌張偉1,2，孔 帥1,2，蔣政培1,2，陶竑杰，耿 潔

(1.浙江省特種設備科學研究院, 杭州 310020;2.浙江省特種設備安全檢測技術研究重點實驗室, 杭州 310020;3.中國計量大學 質量與安全工程學院, 杭州 310018)

按幾何形狀分類,壓力容器主要有球形容器、圓筒形容器、錐形容器和組合形容器等4大類。其中，球形儲罐(簡稱球罐)主要用來儲存氣體和液化氣體，在國內外石油、化工、冶金等領域應用非常廣泛。由于球罐的球殼板厚度一般都在50 mm左右，球罐在組裝時通常采用雙面焊接的方式，因而在球罐內外壁均有焊縫。球殼由許多塊球瓣組焊而成，橙皮式分瓣是國內球罐的常用建造方式[1]。在使用過程中，球罐內部受介質的影響，外部受大氣環(huán)境的影響，不可避免地會存在疲勞蠕變、介質腐蝕等引起的安全隱患。尤其焊縫是球罐最脆弱的部位，定期對焊縫進行磁粉檢測是保障球罐安全的重要措施。

傳統(tǒng)的檢測作業(yè)主要依靠人工借助無損探傷設備來完成，操作人員需要進入球罐內部進行清理和檢測，工作環(huán)境惡劣，勞動強度大，且存在一定的危險性[2]。爬壁檢測機器人攜帶有視覺傳感器，將機械結構、控制系統(tǒng)和傳感技術融為一體，可實時采集磁粉檢測結果，具有廣闊的應用前景。不同于傳統(tǒng)地面行走機器人，爬壁機器人的主要特點是可在壁面移動過程中進行作業(yè)，代替人工進行危險作業(yè)[3]。

在焊縫缺陷的自動檢測過程中，焊縫和焊縫周邊母材存在差異，如焊縫的高度要高于母材的、焊縫和母材的金屬光澤和表面粗糙度不同等，此類差異可作為檢測機器人的路徑識別特征值，矯正檢測機器人在行走過程中的偏差，以達到理想檢測效果。在機器人進行檢測時，其視覺傳感器會連續(xù)輸出含有焊縫和焊縫周邊的圖像信息，如圖1所示。由于圖像信息數(shù)量較多，如果采用人工分揀，不但會造成檢測結果處理的延遲，更會消耗大量的人力和物力，降低檢測效率。筆者根據(jù)球罐裂紋的圖像特征進行提取，初步設計了圖像自動分揀系統(tǒng)，為爬壁機器人實時采集、分揀、識別焊接缺陷圖像提供理論與應用的前期研究基礎。

圖1 爬壁機器人在球罐內部的檢測示意

1 圖像自動分揀系統(tǒng)的研究基礎

目前，圖像的識別與分揀仍存在很多挑戰(zhàn)性問題。圖像數(shù)據(jù)具有不確定性并伴隨著信息噪聲；圖像類型多種多樣，如醫(yī)學圖像、遙感圖像、高光譜圖像、彩色圖像、指紋圖像等，不同類型圖像的特征不同[4]。王倩[5]對單像素成像的方法進行了討論與論證，認為該方法更適用于3D成像、視頻信息采集、遙感成像、雷達成像、目標檢測等眾多領域，既能提高現(xiàn)有技術的性能，也能促進技術的發(fā)展。

針對圖像信息的分揀系統(tǒng)，潘梁靜[6]在2018年根據(jù)DWT(離散小波變換)的彩色圖像分量方法實現(xiàn)了機器人的紅棗分揀，提高了分揀作業(yè)效率；該研究將彩色圖像轉換成固定像素的圖像格式，通過提取像素的顏色等特征，對紅棗對象進行篩選。李頎等[7]針對果蔬圖像特征，設計了基于圖像處理的果蔬分揀系統(tǒng);在特征提取基礎上，該分揀系統(tǒng)應用了基于BP神經網絡的KNN最鄰近分類算法，分類正確率達到98%左右，誤差在1 mm內。

劉亞奇[8]通過用機器視覺來定位目標，設計了自動分揀機器人;在圖像識別部分，使用了圖形函數(shù)庫和OpenCV 函數(shù)庫對獲取的圖像進行邊緣檢測；采用最佳閾值法對灰度圖片進行二值化圖像信息采集；對獲取的圖像信息進行運動學分析，并整合到機械臂控制算法中。

2 磁粉檢測圖像特征值的提取

像素是組成整個圖像的最小元素，也是圖像不可分割的最小單位。每個圖像中的像素由小方格組成，每個小方格被分配了一個明確的位置和色彩數(shù)值。所有像素組合在一起呈現(xiàn)出整個圖像[9]。描述像素的色彩通常有HSB、RGB、Lab和CMYK等4種表現(xiàn)方式。

(1) HSB模式。其對應的媒介是人眼，H代表色相(hue)，在0°～360°的標準色輪上按位置度量；S代表飽和度(saturation)，表示色彩純度，取值范圍為0～100%，最大飽和度的色相具有最純的色光；B代表色彩的明亮度(brightness)，取值范圍為0～100%，值為0時即為黑色[10]。

(2) RGB模式。其是工業(yè)界的一種顏色標準，通過對紅(R)、綠(G)、藍(B)顏色通道相互之間的疊加來得到各種顏色，幾乎能表現(xiàn)人類視力所能感知的所有顏色[9]。

(3) Lab模式。該模式描述了正常視力的人能夠看到的所有顏色，其中L表示明度(Luminosity)，a表示從洋紅色至綠色的范圍，b表示從黃色至藍色的范圍。L的值域為0～100，取值為50時，就相當于50%的黑；a和b的值域都是+127～-128，其中+127a就是紅色，漸漸過渡到-128a時就變成綠色；同樣原理，+127b是黃色，-128b是藍色。所有的顏色都可以用這3個值的交互變化來表示。

(4) CMYK模式。其是彩色印刷時采用的一種套色模式[11]，利用色料的三原色混色原理，加上黑色油墨，共計4種顏色混合疊加，形成“全彩印刷”；其中C代表青色(Cyan)，M代表品紅色(Magenta)，Y代表黃色(Yellow)，K代表黑色(black)。

圖2 磁粉檢測輸出的圖像樣本

根據(jù)磁粉檢測輸出的圖像特征，所有圖像均在封閉的球罐內部拍攝獲得，獲取的圖像有明顯的顏色和飽和度方面的差異，輸出的圖像樣本如圖2所示。如果單從某種特定的顏色特征進行分析，分析方式過于單一，判定標準簡單，會存在較高的不確定性，從而降低自動分揀系統(tǒng)的精確度。根據(jù)輸出的圖像樣本的顏色特征值，筆者提出基于像素的色彩特征值分析法的圖像識別方法，如圖3所示，通過綜合分析每個像素塊的HSB，RGB，Lab，CMYK四個類別的屬性，相互嵌套，使得分析結果盡可能精準。具體的步驟如下所述。

圖3 基于像素的色彩特征值分析法的圖像識別流程

(1) 獲取磁粉檢測輸出的圖像文件。

(2) 提取每張圖片的像素特征。

(3) 基于Lab和CMYK模式，去除干擾像素塊(排除含有黑色、白色和紫色的像素塊)。

(4) 基于RGB模式，獲取含有青色(綠色)的全部像素塊。

(5) 基于HSB模式，比對全部含有綠色的像素塊的亮度和飽和度，識別出含有最高亮度和一定取值范圍內的飽和度色相的像素塊為含有“缺陷”的可疑圖像。

(6) 判定分揀圖像。含有最大飽和度色相的像素塊數(shù)量大于一定數(shù)值的圖像判定為確定的含有“缺陷”的圖像，并進行分揀。

3 缺陷圖像自動分揀系統(tǒng)的開發(fā)

根據(jù)上述設計的圖像識別方法，筆者采用Python編程語言設計了易操作的軟件界面，如圖4所示。該界面由4個按鍵和1個運行窗口組成。4個按鍵分別是“選擇圖片文件夾”(選擇目標圖像文件)、“選擇結果文件夾”(選擇分揀結果所放置的目的地文件夾)、“檢測圖片”和“退出”。運行窗口則實時顯示檢測過程和結果。

圖4 分揀系統(tǒng)運行界面

為了驗證自動分揀系統(tǒng)的有效性，搜集了82張球罐焊縫的磁粉檢測典型圖像，并將其人工分為3組，包括無缺陷的圖像(perfect)39張，有缺陷的圖像(defect)32張，無法準確識別是否含有缺陷的圖像(Risk)11張。每張圖片所占內存平均在100～5 000 KB 之間，將82張圖像輸入分揀系統(tǒng)測試，程序總運行時間約8 min。分揀結果顯示，32張有缺陷的圖像中，28張被準確分揀出來。

針對系統(tǒng)性能進行測評，包括準確率、精確率、召回率和F值等指標。通過計算，該分揀系統(tǒng)的準確率為72.6%(準確率=所有預測正確的樣本/總樣本)；精確率為73.7%(精確率=將正類預測為正類/所有預測為正類的樣本數(shù))；召回率為87.5%(召回率=將正類預測為正類/所有正類)；F為79.4%[F值為正確率和召回率的調和平均值，F(xiàn)=準確率×召回率×2/(準確率+召回率)]。

4 結語

由于傳統(tǒng)人工檢測工作環(huán)境惡劣，危險性高，勞動強度大，而攜帶有視覺傳感器的爬壁檢測機器人可實時采集磁粉檢測結果。為了實現(xiàn)對磁粉檢測圖像的快速自動缺陷識別，通過提取球罐裂紋的圖像特征，初步設計了焊縫磁粉檢測圖像自動分揀系統(tǒng)。通過對收集到的82張檢測圖像進行自動分揀，該系統(tǒng)對有缺陷圖像的分揀正確率為87.5%，為進一步自動檢測圖像分揀系統(tǒng)提供了理論實踐基礎。

由于圖像樣本量有限，系統(tǒng)識別的精確率、準確率還有待提高。根據(jù)目前已成熟的智能優(yōu)化算法，進一步引入深度學習的理論和算法，通過實時收集大量圖像信息進行數(shù)據(jù)訓練和優(yōu)化，有望大大提高圖像分揀系統(tǒng)的準確率和精確率。