基于機(jī)器視覺的大軸端面銹蝕檢測與清洗

　　摘 要： 為解決傳統(tǒng)清洗方式所帶來的高成本、低效率、污染嚴(yán)重等問題，提出一種基于機(jī)器視覺的激光清洗視覺檢測方法。 通過灰度化、直方圖均衡和中值濾波對圖像進(jìn)行預(yù)處理，采用灰度級形態(tài)學(xué)重建消除陰影和反射光，使用最大類間方差法及閾值分割對圖像進(jìn)行特征提取，使用自擬特征判斷函數(shù)來完成對清洗效果的最終識別。 實驗結(jié)果表明， 該方法能準(zhǔn)確檢測出大軸端面清洗率，單次檢測時間控制在 0.17 s 內(nèi)，滿足其精度及效率要求。

　　張宏發(fā); 劉復(fù)興; 周詩洋; 楊金堂， 煤礦機(jī)械 發(fā)表時間：2021-09-24

　　關(guān)鍵詞： 銹蝕檢測; 機(jī)器視覺; 最大類間方差法; 形態(tài)學(xué)重建

　　0 引言

　　大型軸類件在煤礦機(jī)械中具有重要地位，然而在高速、重載、強(qiáng)介質(zhì)、多場耦合等嚴(yán)苛環(huán)境下報廢率較高，且現(xiàn)有再制造水平不足、成本高、難度大，亟需提升再制造水平，推動煤礦、海洋、冶金、掘進(jìn)等領(lǐng)域廢舊大型軸類件的循環(huán)再利用。

　　激光清洗作為一種新型環(huán)境友好型清洗技術(shù)，相比于其他傳統(tǒng)清洗方式具有安全可靠、成本低、除銹髙效等優(yōu)勢;而機(jī)器視覺相比于傳統(tǒng)人力視檢具有更高效、精確等特點(diǎn)。 故針對廢舊大型軸類件端面極易形成的銹蝕污染層，采用機(jī)器視覺與激光清洗技術(shù)相結(jié)合的方式進(jìn)行清洗。

　　1 基于機(jī)器視覺的激光清洗裝置設(shè)計

　　廢舊重型裝備大型軸類零件的特點(diǎn)為重量和體積大、移動困難、清洗操作難度大，針對此特點(diǎn)設(shè)計了基于機(jī)器視覺的激光清洗裝置，如圖 1 所示。

　　工作流程：① z 軸移動支架初始位置為最上端，相機(jī)正對零件端面中心，對整個端面進(jìn)行拍照取樣，確定清洗位置; ②激光清洗頭通過 x、y、z 軸驅(qū)動電機(jī)移動到指定位置進(jìn)行激光清洗， 吸塵裝置同步吸附廢渣;③結(jié)束清洗后，相機(jī)拍照，檢測清洗是否達(dá)標(biāo)，若未達(dá)標(biāo)，則繼續(xù)進(jìn)行清洗、拍照、檢測，直至達(dá)標(biāo)。

　　2 視覺檢測系統(tǒng)的算法設(shè)計

　　現(xiàn)場廢舊大型軸類零件端面銹層主要顏色為紅色，而清洗后的端面呈現(xiàn)金屬銀色。 針對銹層與背景顏色上的明顯差異、光照射到金屬表面以及不平整銹層上產(chǎn)生的反射光與陰影，采用以灰度級形態(tài)學(xué)重建、最大類間方差法圖像分割以及自擬特征函數(shù)識別為核心的圖像處理方法對清洗效果進(jìn)行判斷。 視覺檢測系統(tǒng)軟件算法流程如圖 2 所示。

　　(1)圖像預(yù)處理

　　受環(huán)境和傳感器的影響，成像過程中會不可避免地伴隨噪聲等非真實的像素值，表現(xiàn)出畫面對比度不強(qiáng)等癥狀，這對后續(xù)的圖像特征提取和識別分析是非常不利的，故需進(jìn)行預(yù)處理。

　　采用直方圖均衡法對圖片進(jìn)行處理, 增大銹層和背景的對比度，采用中值濾波對椒鹽噪聲進(jìn)行濾除。

　　采用灰度化、直方圖均衡和中值濾波的預(yù)處理效果如圖 3 所示，可以看到銹層與背景的對比度變得更加鮮明。

　　(2)灰度級形態(tài)學(xué)重建

　　光照到任何物體上都會發(fā)生反射，光照到表面粗糙度數(shù)值小的金屬端面表現(xiàn)為一定程度的反光，光照到表面粗糙度數(shù)值大且有一定高度差的銹蝕上表現(xiàn)為一定程度的陰影，陰影與反光都會對圖像中銹蝕的識別產(chǎn)生嚴(yán)重影響，故采用灰度級形態(tài)學(xué)重建有效地對陰影和反光進(jìn)行抑制和去除，具體步驟：

　　①消除圖像中的水平反射光，在腐蝕操作中用 1 條長水平線執(zhí)行重建的開運(yùn)算 b=OR (f)=Rf [(f○nl)] (1)

　　②從原圖像中消除水平反射光和變化背景的頂帽重建運(yùn)算 g=That (f)=f-b (2)

　　③消除圖像中的垂直反射光，在腐蝕操作中用 1 條短水平線執(zhí)行重建的開運(yùn)算。 其公式同式(1)，得到 h。

　　④對 h 進(jìn)行膨脹 t=h⊕l1={z(l1z)∩h≠○｝ (3)式中 l1——膨脹結(jié)構(gòu)元。

　　⑤取 b 與 t 的最小值作為標(biāo)記 m=min(b，t) (4)

　　⑥以頂帽重建結(jié)果 g 為模板，m 為標(biāo)記，進(jìn)行形態(tài)學(xué)重建運(yùn)算 j=Rg (m) (5)

　　通過形態(tài)學(xué)重建后得到的圖像如圖 4 所示。

　　(3)圖像特征提取

　　采用最大類間方差法，將圖像分成銹層和背景兩部分。 假設(shè) 1 幅數(shù)字圖像有 L 個不同的灰度級，將 0 到 L-1 依次代入公式，運(yùn)算得到最大類間方差 σB 2 =ω0ω1(u0-u1)2 (6) 式中 ω0——圖像中灰度值不大于閾值 T 的像素個數(shù)與總像素個數(shù)之比; ω1——圖像中灰度值大于閾值 T 的像素個數(shù)與總像素個數(shù)之比; u0——灰度值不大于閾值 T 的像素平均灰度值; u1——灰度值大于閾值 T 的像素平均灰度值。

　　最大類間方差 σB 2 對應(yīng)的灰度級即為最佳閾值 T，其將圖像的灰度值分成 2 組，以此將圖片轉(zhuǎn)換為 1 個二值圖4 幅大軸端面進(jìn)行圖像分割后的二值圖效果如圖 5 所示，可以看到銹層被較完整地提取，達(dá)成了該階段的目標(biāo)。

　　(4)特征函數(shù)判斷

　　視覺檢測中，目標(biāo)特征表現(xiàn)為需要清洗的銹層，當(dāng)銹層逐漸被清洗，在對應(yīng)二值圖上表現(xiàn)為非目標(biāo)特征數(shù)量的上升。 基于此，可以得到清洗率 P(zi)= Ni MN ×100% (8)總像素量 MN=N0+Ni (9)式中 Ni ——非目標(biāo)特征的像素量。

　　為了實現(xiàn)圖像清洗效果是否達(dá)標(biāo)的最終判斷，引入設(shè)定閾值 λ 這一可變參數(shù)，其大小與精確度成正比，可根據(jù)實際工作情況以及需要而取值，0.9 以上可視為較可靠的精度標(biāo)準(zhǔn)。 當(dāng)清洗完成度升高至指定的閾值 λ，即當(dāng)判斷函數(shù) f(P(zi)，λ)=1 時，認(rèn)為清洗完成。 自擬判斷函數(shù) f(P(zi)，λ)= 1 P(zi)-λ≥0 ≤0 P(zi)-λ<0 (10)

　　3 實驗結(jié)果及分析

　　(1)清洗效果判斷

　　對圖 5 中未進(jìn)行激光清洗的(a)、(c)、(d)三幅圖像以及經(jīng)過 1 次清洗的(b)圖像進(jìn)行清洗效果判斷，通過靈活設(shè)置達(dá)標(biāo)閾值 λ，得出最后的判斷結(jié)果。

　　閾值由具體工藝要求決定，閾值越高表示判斷精度越高，工藝要求越嚴(yán)格。取 λ=0.9 代表高精度要求下的閾值，取 λ=0.6 代表中精度要求下的閾值，取 λ=0.1 代表低精度要求下的閾值， 對 3 種 λ 下的 4 幅圖像清洗效果進(jìn)行試驗，結(jié)果如表 1 所示。 在取 λ=0.1 時清洗率全部達(dá)標(biāo)，在取 λ=0.6 時僅僅只有(b)達(dá)標(biāo)，在取 λ=0.9 時則全部未達(dá)標(biāo)。 由此可知，當(dāng)需要提高清洗質(zhì)量時，可以通過提高閾值 λ來實現(xiàn)。

　　(2)單次檢測時間

　　單次檢測時間為從圖像預(yù)處理到清洗效果判斷完成的時間。 采用 sum 函數(shù)和 imhist 函數(shù)分別對 4幅不同像素大小的樣圖進(jìn)行了多次實驗，取其平均檢測耗時如表 2 所示。由實驗結(jié)果可以得出，任意圖片的處理耗時并不與其像素大小完全成正相關(guān)，單次檢測耗時的最大值不超過 0.17 s，符合清洗工藝在處理時間上的要求。

　　4 結(jié)語

　　從實際工業(yè)應(yīng)用的角度出發(fā)，設(shè)計了一種適用于大軸端面的激光清洗裝置，并對大軸端面激光清洗效果的視覺檢測進(jìn)行了設(shè)計研究，以端面銹層為特征目標(biāo)說明了視覺檢測的設(shè)計方案及其實現(xiàn)原理，并對方案可行性進(jìn)行了驗證。 實驗結(jié)果表明，該算法可通過修改閾值改變清洗率判斷精度，滿足清洗工藝中對準(zhǔn)確性的要求;任意一次檢測，視覺檢測系統(tǒng)的最大耗時均控制在 0.17 s 以內(nèi)，符合視覺檢測系統(tǒng)對效率性的要求。 本文研究結(jié)果對煤礦機(jī)械領(lǐng)域廢舊重型裝備再制造水平的提高具有重要意義和參考價值。