焊缝的视觉识别与测量

中图分类号：TU74文献标识码： A

摘要：本文主要介绍了基于结构光双目立体视觉技术的焊缝识别与测量的处理方法，实现了焊缝图像识别与测量的自动化。通过对已有算法的组合设计出了一套相应的算法处理流程。重点研究了焊缝图像预处理以及特征提取部分。在焊缝图像预处理部分，采取中值滤波和灰度最大化对图像进行简要处理，并且结合后续处理步骤对灰度最大化算法进行了一些改变，即只在焊缝边缘附近进行灰度最大化。在特征提取部分，分别介绍了两种不同中心线提取的方法和基于最远距离的特征点提取方法。在以上工作的基础上，运用HALCON进行编程并且开发出一个MFC简单操作界面，将所有程序模块进行集成。实验部分首先验证了该视觉系统的有效性、稳定性和精度，同时为了更加真实的模拟现实情况，我们还进行了强光干扰实验，并且对实验数据进行分析，提出了一些改进措施。

关键词焊缝视觉识别测量，图像处理，特征提取，HALCON，干扰实验

Visual Recognition and Measurement of Weld Seam

Abstract: A vision processing method to identify and measure the weld seam based on structured light binocular stereo vision technology is described in this paper and we automated image recognition and measurement of weld seam. We design a corresponding algorithm processing by a combination of existing algorithms. This paper focuses on the pre-processing and feature extraction section of weld seam image. In image pre-processing part, we use the methods of median filtering and grayscale maximizing to process image briefly, and we change the grayscale maximizing method based on subsequent processing steps, that is, only use it near the edge of the weld seam. In the feature extraction part, we introduce two different methods to extract the centerline and the method of feature point extraction based on the distance. Based on the above work, we program with HALCON and develop a simple user interface of MFC, and then all program modules are integrated. In the experimental section, the validity，stability and accuracy of the visual system are verified, and at the same time, we also conduct a light interference experiments for a more realistic simulation of the actual situation. Finally we analyze the experimental data and make ​​some improvements.

Keywords:Visual measurement and recognition of weld seam, image processing, feature extraction, HALCON, interference experiment

1 绪论

视觉识别与测量以计算机视觉技术为基础，涉及光学、光电子学、信号处理、图像处理等一系列学科。其快速发展使得这一技术已经从实验室研究开始慢慢走向实际生产，具有广泛的应用前景，逐渐受到各类研究人员的重视，已成为生产过程中的关键技术之一。鉴于焊接技术的发展现状以及焊接过程中各种因素的影响，焊接之后焊缝尚无法达到很高的质量，焊缝的后续处理短期内无法避免。要获得质量较高的焊缝就需要进行后期的焊缝磨抛，而人工打磨费时费力，劳动强度大，还不能保证打磨质量。因此研究焊缝视觉识别与测量对磨抛过程实现智能化和自动化是一项非常有意义的工作。本论文旨在通过组合设计一套焊缝图像的识别与测量的算法流程，并且进行编程实现，同时通过实验进行验证以及改进。

2 视觉算法

首先介绍一下双目立体视觉技术，双目立体视觉技术基于视差原理，两摄像机同时记录下空间某一物体的同一特征点，分别获得点P的图像。由P在图像上所处的位置通过一些换算可以求得P在左右摄像机坐标系下的，然后通过坐标的旋转与平移可以得到P点的三维坐标。为了便于理论分析及计算，对实际情况情况进行适当转化做出其原理图，如图2.1所示。

图2.1 双目视觉技术原理图

上述双目立体视觉原理在本论文中很多地方都有运用，包括CCD标定原点获取以及三维测量，在后续不再介绍。

获取焊缝的图像之后，由于采集现场的各种干扰，在对图像进行特征提取之前需要采取相应的措施降低图像的各种干扰，增强图像的对比度，在不破坏图像保存的原有信息的前提下使焊缝更加便于后续的处理。此处重点介绍中值滤波去噪、灰度最大化等过程，这些对于后期焊缝轮廓以及特征点的提取有较大的影响，直至影响最终的测量结果。

中值滤波通常用于去除图像中的噪声以及毛刺，它是一种基于排序统计理论非线性信号处理技术，其基本思路是将待处理数字图像中某一点的灰度值用该点附近邻域中各点灰度值的中值来代替，从而消除孤立的噪声点。处理效果如下图2.2所示。

图2.2 中值滤波后焊缝图像对比

灰度最大化处理指的是将原图像的灰度值范围扩大到0至255，一般对整体偏暗或者偏亮的图像处理效果明显。在对采集到的焊缝图像进行观察过之后，我们可以发现由于激光的能量是比较强的，其亮度一般较大，而背景处很暗，正常的灰度最大化处理效果不明显。在本课题中，我们只关注某一灰度范围内的灰度值，即焊缝边缘处附近的灰度。此处对边缘灰度最大化稍加改变，使得其只作用在焊缝边缘处，而背景和焊缝中心处的灰度被设置为0或者255。不仅使图像对比更明显而且达到了二值化的效果，剔除了一些不必要的干扰。处理效果如图2.3。

图2.3 经灰度最大化处理后焊缝图像对比

在提取出焊缝的轮廓之后，可以将焊缝上下两条轮廓的行坐标相加取平均值，列坐标不变得到焊缝中心线，如图2.4所示。也可以由HALCON中自带的算子直接提取焊缝中心线，它提取中心线是在轮廓曲线法方向上进行的。如图2.5所示。

图2.4 轮廓平均值方法求得的焊缝中心线

图2.5 直接求得的焊缝中心线

在得到焊缝中心线之后，我们就需要在中心线上找出关键点，用于计算焊缝的参数。如图2.6所示，B、C、D三点为关键点，可以通过坐标旋转进行提取。以C点为例，连接AE并且将中心线绕A旋转至AE水平找到曲线上行坐标的最大值，该最大值处所对应的点的坐标就是特征点C。同理可以找到B点和D点。找到左右目图像的特征点之后可以还原他们在世界坐标中的三维坐标，从而可以计算出焊缝的相关参数。

图2.6 焊缝特征点提取示意图

3 焊缝视觉软件开发

程序框架如下图3.1所示，第一步在HALCON中编写各个模块的组成程序，如二值化、中值滤波、边缘提取等等，然后在HALCON 中将其组合，使其能实现某一功能，比如图像增强、特征提取等等，在这之后我们将HALCON程序转存为VC程序，并且建立起对应的程序工程，使其可以实现独立的功能。最后编写MFC界面，在每个按钮对应的位置添加相应的响应函数调用之前的各个功能模块，将所有程序集合在一起，通过界面响应外界的操作。集成之后的软件如图3.2所示。

图3.1 程序总体框架

图3.7 MFC主要界面

4实验分析及研究

在测得实际数据（如图4.3）之后，我们使用视觉系统对相同的焊缝段进行测量，通过比较实测数据和视觉测量数据来验证算法的有效性。为避免实验的偶然性，我们采用视觉系统对划定好的焊缝重复测量三次，另一方面还能验证该套视觉处理系统的重复稳定性，即对同一段焊缝在完全相同的条件测量多次观察每次测量的数据是否一致。实验所得数据如下图4.2所示。

图4.1 视觉测量与实测焊缝余高对比图 4.2 视觉测量与实测焊缝余高对比综合图

由图4.1易知，视觉测得数据与实测数据之间并没有特别大的差距，其变化趋势也基本一致，这说明该视觉系统具有一定的可用性。从实验平均值来看，实测平均值为1.8923mm视觉测量平均值为1.8057mm，误差大概为5%。从图4.2可以看出，使用视觉测量时，三次测量结果之间没有明显差异，数据几乎一致，只存在很小的差别，考虑到现实测量过程中存在各种各样的随机误差，这些差异应该是被允许的。

图4.3 焊缝实测数据图 4.4 强光干扰下视觉系统所测数据与实际数据对比

在实际生产现场往往有可能出现强光干扰，这对于图像采集而言影响特别大，会使采集到的图像严重失真，存在很严重的噪点，严重时可能无法提取像素的有用信息，使得图像失去其意义，如图4.5右半部分。为防止这种情况出现，我们进行相应的强光干扰实验，并且提出相应的解决措施。在实验之前我们先采集在手电筒光照下的图片，观察发现干扰较强时，图片质量很低，几乎不能获得什么有用信息，如图4.4右目图像所示。为解决这一问题，我们使用了窄带滤波片，滤除不必要的干扰光，只让激光器的光所对应的频率光通过摄像机镜头。其后获得的图像对比如图：

图4.4 强光干扰下加滤光片前后采集图片对比图

由上图可以明显看出，加上滤光片之后采集到的图片质量有很大改善，右边图像明显无法进行利用，而左目图像则可以进行处理。在加滤光片的条件下，我们使用LED手电筒做干扰光源，在焊缝上方一米处垂直照射焊缝模拟强光烦扰情况，并且持续到所有焊缝图片采集结束。重复进行了三组实验，用来研究强光 干扰下系统的性能。此处给出其中一组数据如图4.4。强光干扰下测得实验数据如上图绿线所示，其平均值为1.7953mm，与之前视觉所测的数据相差不大，与实测数据的差距也没多大变化。可以看出在加上滤光片的前提下，强光对该系统测量性能影响不大。

5 结论

通过对已有算法的组合，设计出一套从焊缝图像预处理到特征提取，最后获得焊缝具体参数的算法流程。在软件方面，用HALCON对各个图像处理模块进行了编程，在VC环境中配置了HALCON函数库，并且制作了MFC界面使各个程序模块能够在该界面下集成。在上述工作基础上，进行了算法有效性和稳定性试验以及强光干扰试验，对实验数据进行了处理并且进行了一些改进。

参考文献

[1] Carsten Steger，Markus UlrichChristian，Wiedemann.Machine Vision Algorithms and Application. 北京：清华大学出版社，2008.

[2] 何斌等. Visual C++数字图像处理.北京市：人民邮电出版社，2002

[3] 张宏林.精通Visual C++数字图像处理典型算法及实现.北京市：人民邮电出版社，2008

[4] 王滨.焊缝磨抛机器人视觉伺服系统研究[D].吉林大学,2012.

[5] 赵军，赵继，张雷.焊缝结构光图像处理与特征提取方法[J]. 西安交通大学学报,2013,01:114-119.