Table 1. DH36鋼和J507焊條的主要化學成分（質量百分數）
| 材料 | C | Si | Mn | P | S | Ni |
|---|---|---|---|---|---|---|
| CCS DH36船用鋼 | 0.14 | 0.152 | 1.51 | 0.014 | 0.007 | 0.012 |
| J507焊條 | ≤0.12 | ≤0.07 | 0.8~1.4 | ≤0.040 | ≤0.035 | - |
分享：基于機器視覺的焊縫磁粉檢測缺陷自主識別系統
隨著造船業對船用鋼要求的不斷提高，相關材料正朝著高強度、高韌性和易焊接的方向發展[1-2]。在造船過程中，焊接是一項至關重要的工序，根據已有數據顯示，焊接船體所需的工時通常占據整個造船工時的30%~40%，焊接成本約占總造船成本的30%~50%。因此確保高質量的焊接工藝和提高焊接效率對于造船業至關重要[3]。隨著焊接技術的大范圍應用，缺陷探傷也逐步在質檢環節中起著至關重要的作用。由于磁粉檢測既經濟又方便，適合于鐵磁性材料的表面缺陷檢測，并且具有較高的檢測靈敏度和準確性，所以可采用磁粉檢測保證船體焊縫檢測的可靠性[4-5]。但磁粉檢測結果大多利用人眼觀察和人工記錄，人為因素會對檢測結果造成一定程度影響，甚至可能導致結果誤判。隨著制造業的快速崛起，質量檢測工作任務艱巨，“智能化”的趨勢促進了機器視覺技術在缺陷檢測領域的發展。將機器視覺與傳統磁粉檢測過程相結合，既可以一次性測量缺陷等參數，又可以規避不同人員檢測標準不一、誤檢等問題，進而提高檢測結果的準確性[6]。
現有針對焊縫內部缺陷檢測的方法主要有超聲檢測、X射線檢測和紅外熱輻射檢測，表面檢測的方法主要有磁粉檢測，滲透檢測和渦流檢測[7]。近年來，人們將機器視覺應用于焊縫外觀檢測中，基于機器視覺的新型焊縫質量檢測技術能夠實時識別缺陷。DING等[8]采用工業相機捕捉焊縫圖像進行缺陷檢測，引入Canny邊緣檢測算法提取圖像邊緣，將Canny邊緣檢測得到的二值圖像作為輸入進行Hough變換，輸出為識別和提取的圖像邊緣形狀和輪廓。通過對焊縫周圍區域中連續像素數量的分析，能夠判斷焊縫是否存在缺陷且能夠快速對缺陷進行定位。熊川等[9]開發了一種基于機器視覺的船板連接處焊縫缺陷檢測算法，該方法利用主成分分析算法提取焊縫圖像中的特征信息，采用特征模板匹配方法實現了焊縫缺陷的自動檢測，在檢測焊縫缺陷方面具有較高的準確性和魯棒性，為船板焊接工藝的質量控制提供了有力的技術支持，并為進一步優化焊接工藝和提高生產效率提供了可行方案。
與人工檢測相比，自動缺陷檢測技術的優勢在于其能夠適應惡劣環境，且能夠長時間高精度、高效率地工作。因此筆者開發了一種自動磁粉缺陷檢測系統，通過采集焊縫磁粉檢測后的工件表面圖像，利用計算機圖像處理軟件對檢測圖像進行自動化識別分析和處理，進而得到準確的缺陷檢測結果，以更精確識別焊縫缺陷類型和提升產品質量。
1. 試驗準備
1.1 焊接材料及方法
試驗使用母材為10 mm厚的DH36船用鋼，其交貨狀態為CR（冷軋），DH36鋼屬于碳錳鋼，其化學成分如表1所示，力學性能如表2所示。采用手工電弧焊焊接DH36鋼，分別選擇直徑為2.5 mm和3.2 mm的J507焊條，（化學成分見表1）。焊接接頭采用對接形式，V型坡口，坡口角度為60°，具體焊接工藝參數如表3所示。
Table 2. DH36鋼的力學性能
| 鋼種 | 成品厚度/mm | 屈服強度Rel/MPa | 抗拉強度Rm/MPa | 伸長率A/% | -20°C沖擊功/J | |
|---|---|---|---|---|---|---|
| DH36 | 10 | 416 | 557 | 26.5 | 橫向85 | 縱向39 |
Table 3. 焊接工藝參數
| 焊道 | 焊接方法 | 焊條直徑/mm | 電流/A | 電流種類 |
|---|---|---|---|---|
| 1 | 111 | 2.5 | 70~90 | 直流反接 |
| 2 | 111 | 3.2 | 90~130 | 直流反接 |
1.2 圖像采集系統
光源的選擇和配置對于采集圖像的質量至關重要，決定了圖像的亮度、對比度和清晰度，從而影響后續的圖像處理。LED光源能夠保證光源的一致性、色彩穩定性且操作方便，所以文章選擇LED燈作為光源，由于測試的是金屬焊縫表面，正面照在試件上將發生鏡面反射，為避免反光過強干擾圖像的成像效果，所以將攝像頭與母件的夾角保持在45°左右進行安裝[10]。CCD相機利用隔離層進行隔離所得到的圖像干擾程度低，成像質量更好，故根據檢測需求采用HDUSB Camera型相機[11]。
整個視覺檢測系統分為以下3個主要部分：圖像采集部分、圖像處理部分和參數顯示部分。在圖像采集部分，攝像頭用于采集試件的圖像數據；圖像處理模塊負責接收圖像采集模塊傳來的數據并進行圖像數據的處理，其主要包含圖像濾波去噪處理、圖像缺陷區域分割、圖像缺陷區域特征提取以及缺陷類型分類器的訓練驗證[12-13]。與此同時，參數顯示模塊顯示了缺陷的有無、類型以及其他相關參數，為檢測結果提供了相關的數據參考。
為了實現焊縫缺陷磁粉檢測的自主識別，首先將6個桿件組裝成一個高25 cm的立體支架，以保證能在一定高度上安裝相機，然后將攝像機固定于支架中間，鏡頭豎直向下以確保能接收到水平畫面。距離鏡頭大約10 cm左右安置一載物臺，用于放置試件。將CCD相機作為前端圖像輸入設備，放置于試件正上方，圖像采集系統如圖1所示。
圖 1 圖像采集系統構成示意
1.3 相機畸變與校正
試驗所使用的相機由于透鏡邊緣部分和中心部分的放大倍率不同，圖像會產生畸變[14]。雖然透鏡的畸變不可消除，但在實際應用中可以通過校正來補償此畸變。校正的第一步就是進行標定，目前存在很多圖像的標定方法，廣泛采用的是張正友標定法[15]，這種方法通過固定相機位置，使用相機從不同角度和位置拍攝多張包含棋盤格圖案的圖片，利用線性估計法和最小二乘法對其進行計算。文章移動棋盤圖位置采集16張圖像，利用OpenCV方法進行圖像標定，并通過CameraCalibrator工具箱進行標定，并利用獲得的標定參數對圖像進行校正，其結果如圖2所示。使用張正友標定法進行標定，標定重投影誤差小于0.33個像素，標定結果如表4所示。
圖 2 相機矯正結果示意
Table 4. 標定結果
| 參數 | 結果 |
|---|---|
| 相機內參數矩陣 |
 |
| 焦距 | [1.037 6×103，1.037 6×103] |
2. 結果與分析
2.1 圖像處理
2.1.1 圖像預處理
首先進行圖像預處理（見圖3），利用CCD、LED光源和計算機組成的圖像采集系統采集的圖像如圖3（a）所示。為了提高系統的處理效果，將獲取到的圖像進行灰度化處理，以有效減少信息冗余，提高圖像處理效率，處理結果如圖3（b）所示。為提高圖像的處理效率，同時能有效提取需要的重要信息（如裂紋等），進行對比度增強處理，得到圖3（c）所示結果，可以觀察到圖像中的裂紋更明顯清晰，干擾因素減少。
圖 3 原圖及其預處理結果對比
2.1.2 圖像濾波去噪
然后進行圖像濾波去噪處理，有多種方法可以對圖像進行去噪處理，包括均值濾波、高斯濾波和中值濾波等。均值濾波采用多次測量取平均值的方法，通過替換每個像素的值為其鄰域內像素值的平均值來減少圖像中的噪聲，該算法簡單，計算量較小，對高斯噪聲有良好的去除效果，但是其會模糊圖像的邊緣和細節。高斯濾波器可以有效地平滑圖像，減少隨機噪聲，但在需要保留圖像邊緣和細節的應用中，表現較差，如邊緣檢測、圖像分割。相比之下，中值濾波算法在處理特定類型的噪聲時表現較好，且在需要保留邊緣和細節的圖像處理任務時較為出色。
將原始圖片加入高斯噪聲與椒鹽噪聲后分別使用中值濾波法、均值濾波法以及高斯濾波法進行處理，得到的效果對比如圖4所示。經過比較，可明顯看出高斯濾波法不適用于文章試驗，而中值濾波與均值濾波法相比，中值濾波法所得到的圖像對比度更強，效果更好，因此圖像平滑時采用中值濾波法。
圖 4 不同濾波方法處理后的圖像對比
2.1.3 圖像分割
為使圖像對比清晰便于識別，最后需要進行圖像增強。通過處理數據，調整參數使圖像均衡化，并繪出相應圖像的灰度值，得到如圖5所示的直方圖均衡化結果和灰度直方圖，再對灰度圖進行圖像分割。為使分割得到的圖像完整地反映出其原本的特征，在使用閾值分割法時還要采用不同的二值化方法比對圖像效果。對灰度圖分別用OTSU二值化分割、最大熵法分割和迭代法進行閾值分割，得到的處理效果如圖6所示。
圖 5 直方圖均衡化處理結果及其直方圖
圖 6 不同方法的閾值分割處理效果對比
對比3種二值化處理方法的效果圖，可以看出最大熵法缺陷與周圍對比更明顯，同時可以過濾其他干擾因素，更便于進行特征提取，因此使用最大熵法進行二值化更合適。
2.2 特征提取
2.2.1 裂紋提取
圖像銳化是一種圖像處理技術，用于增強圖像中的邊緣和細節，使其更加清晰。圖像中的邊緣可以分為細線型、突變型和漸變型3種類型。為了突出這些邊緣，常用的圖像銳化算法包括Sobel算子、Canny算子和Roberts算子等。這些算法可以準確地檢測出圖像中的邊緣，并能再次加回原圖像增強其細節，使得圖像更加生動、明亮和具有立體感[16]。某圖像經過3種方法處理前后的效果如圖7所示。3種方法中，Sobel算子處理結果的邊緣較粗、計算速度快；Canny算子邊緣最細、定位精度最高；Roberts算子受噪聲影響大，圖像分割后還是會存在一定的噪聲區域，故必須進行二次去噪。文章采用一種基于連通域的動態去噪方法，裂紋的連通域面積遠大于噪聲的連通域面積，通過計算目標裂紋區域和噪聲區域像素面積，并通過計算噪聲面積和裂紋面積的比值來定量地估計圖像中的噪聲和裂紋占比，這種比值計算的方法通常被稱為信噪比（SNR）分析，其可以幫助評估圖像質量并優化圖像處理的結果，以此確定是否濾除當前的連通區域。
圖 7 某圖像的3種方法銳化效果對比
針對焊縫中的裂紋，首先采用Canny邊緣檢測，然后進行x和y方向的Sobel邊緣檢測得到圖像梯度，并沿著圖像梯度在經過的像素點上計數，最后利用rectangle標記矩形框，其提取結果如圖8所示。可以發現，結合Canny算子與Sobel算子的裂紋提取方法在確保抗噪性的同時，增加了邊緣。該方法可以較好地對線性裂紋等缺陷進行提取。通過對200個裂紋圖像樣本進行測試，裂紋識別準確率達97.5%，其中5個誤判別數據圖像本身紋理較為復雜。
圖 8 裂紋提取結果示意
2.2.2 圓度提取
通過圓度提取可進行氣孔檢測。筆者利用Hough變換檢測圖像中存在的圓，主要是利用Hough函數測直線的思路，即圓外一點不僅是平面內3個點的圓錐面焦點，也是同時過此3個點的圓。利用Hough變換可以得到如圖9所示的提取結果，可以發現，此函數對于圓形缺陷的識別較準確。通過對200個氣孔圖像樣本進行測試，氣孔識別準確率達94%，其中12個誤判別樣本圖像存在表面污染干擾。
圖 9 利用Hough變換得到的氣孔提取結果示意
2.3 GUI軟件界面設計
缺陷圖像處理之后可以有效識別相應缺陷，但為了實現工業生產過程的自動化探傷，更加直觀地顯示缺陷，文章進一步設計了GUI（圖形用戶界面）的系統軟件界面[17]。軟件界面分為圖像顯示區、面板控制區、結果輸出區。使用該軟件時，首先載入圖像，點擊獲取原始缺陷圖片，輸入需要檢測的文件并打開；然后顯示缺陷，對目標圖像進行灰度化處理，再進行圖像增強提高對比度，使用高斯濾波法平滑圖像，最終二值化圖像并進行缺陷檢測，將處理后的檢測結果顯示在圖像顯示區域。針對以上測試圖片，系統識別界面及其試驗結果如圖10所示。
圖 10 GUI系統裂紋自主識別界面及試驗結果
此次試驗通過3個區域實現對系統的控制，4張圖像分別對應相應步驟，結果輸出可直接完成缺陷自動化識別及輸出。利用面板控制區，對系統進行便捷式操作，通過獲取圖片、圖像增強、二值化、特征提取4個按鈕就能實現對圖像的處理；在圖像顯示區，對圖像處理并顯示，可以直觀地觀察到檢測過程中的圖像數據，便于進行目視校核；在結果輸出區，以文字形式輸出檢測結果，能自主顯示識別缺陷。最后可以通過目視觀察，對系統識別的缺陷類型進行比對，從而完成系統的校驗和核對，以保證系統輸出結果的穩定性及準確性。
3. 結論
提出了一種基于機器視覺的焊縫磁粉檢測圖像智能識別系統，該系統采用了一系列處理流程進行缺陷的自主識別。首先，系統搭建了圖像采集系統，并采用畸變校正技術進行圖像校正。接著對圖像進行濾波、銳化、增強等預處理，結合二值化和特征提取，實現裂紋和氣孔等缺陷的自主識別。最后，系統設計了GUI界面進行驗證，確保算法的可行性和系統設計的合理性。該試驗對于精確識別船用鋼焊縫缺陷類型、提高探傷自動化效率、保證產品質量等方面具有重要價值。
文章來源——材料與測試網
下一篇：已經是最后一篇了
上一篇：分享：鋼軌探傷綜合試驗仿真平臺的設計及應用
浙公網安備 33042402000106號
