基于形态特征滤波的激光焊缝跟踪图像处理
发布时间：2021-03-25
摘要：大多数焊缝跟踪图像处理算法在滤波过程中存在冗余运算，实时性差问题。为减少在滤除焊缝图像中噪声的过程中存在的大量冗余运算，根据焊缝图像中的弧光飞溅和激光条纹的形态特征，运用一阶马尔科夫链描述图像矩阵邻域的空间相关性，设计了基于形态特征滤波的激光焊缝跟踪图像处理算法。该算法在提取激光条纹中心线时，通过形态特征的判定，去除焊接图像中的噪声干扰，有效减少滤波过程冗余运算，提高了算法的实时性。实验结果表明，该方法抗噪声干扰能力强，能准确地提取激光条纹中心线，且处理分辨率为576×768的整幅图像耗时约为20ms，能完成实时跟踪焊接且跟踪绝对平均误差为0.1358mm。
关键词：激光焊缝跟踪;形态特征滤波;激光条纹中心线;图像处理
焊缝跟踪技术作为实现焊接自动化的关键技术，近年来正急速发展[1]。基于视觉传感器的激光焊缝跟踪系统，结合了激光测量和视觉传感器获取焊缝信息丰富的优点，是近年来研究的热点[2]。孙立新等人[3]利用焊缝图像相邻帧的相关性，提出相邻多帧图像“与”操作去除图像中的噪声。但该方法不能有效去除位置相同的噪声，且获取的焊缝特征点具有滞后性。刘习文等人[4]采用小波分解技术结合中值滤波去除图像噪声，滤波效果好但实时性较差。魏振忠等人[5]基于形态学腐蚀、细化和最小中值二乘法，提出一种鲁棒性光条中心线提取方法，但该方法不能满足焊缝跟踪的实时性要求。
基于滤光片的波长带通特性，视觉传感器获取的焊缝图像矩阵是稀疏矩阵，因此为了突出图像中的有用信息对全图像去除噪声处理，会产生大量的冗余运算。本文从大量的焊接视频中提取了焊接过程中产生的弧光飞溅和激光条纹的形态特征，并结合图像矩阵邻域的空间相关性，设计了一种基于形态特征滤波的图像处理算法。该算法在准确提取光条中心线的同时减少了大量滤波冗余运算。实验结果表明，该方法可快速准确地获取焊缝特征点坐标，能完成实时跟踪焊接且焊接质量良好。
1焊缝图像中的形态特征
1.1图像中的形态特征
采用滤光片的焊缝跟踪系统获取到的焊接图像表现为亮条纹暗背景且对比度十分明显的灰度图像，如图1(a)、图2(a)所示，但图像中仍存在噪声干扰，其中包括弧光飞溅的干扰和焊板表面存在的漫反射噪声干扰[6]。为突出显示图像中的噪声，文中将焊缝图像反色，如图1(b)、图2(b)所示。因焊缝图像的焊缝信息体现在亮像素上，这里把图像中亮区域形态特征分为：弧光飞溅的形态特征和激光条纹的形态特征。
1.2激光条纹和中心线的形态特征
常见的焊缝类型有搭接、角接、对接、坡口等，通过将激光线投射到不同的焊缝类型上，激光条纹产生形变来体现不同焊接类型的焊缝区域特征信息[7]。因此激光条纹的形态在图像中有如下特征：①激光条纹在图像中都是连续或局部连续的;②当激光垂直入射板材时，激光条纹的横截面的光强呈近高斯分布[8]。
因像素邻域间的空间一致性[9]，区域连通的激光条纹的中心线提取，可描述为时间离散、状态离散的马尔科夫过程，即为一阶马尔科夫链，如式(1)所示。
1.3焊接飞溅的形态特征
焊接过程中，影响产生飞溅率的因素[10]有：①焊接电流和焊接电压;②焊丝的伸出长度;③焊枪的姿态。本文选取了产生飞溅率较高的4组变量组合(见表1)，在采用保护气的前提下，使用不锈钢、碳钢、铝板、镀锌板4种焊接板材，从拍摄的100组焊接视频中提取出弧光飞溅的形态特征，即飞溅噪声在图像中横向占据的最大像素数，见表2。
相关期刊推荐：《热加工工艺》杂志创刊于1972年，1986年公开发行，2004年以前为双月刊，2004年起改为月刊，2006年起改为半月刊。本刊由国家科委批准，中国船舶重工集团公司主管，热加工工艺研究所和中国造船工程学会船舶材料学术委员会主办，是全国性热加工技术期刊。本刊刊登的论文涵盖铸造、锻压、焊接、金属材料及热处理等领域，栏目设置有试验与研究、金属材料、复合材料、铸造技术、锻压技术、焊接技术、热处理技术、失效分析、模具设计和生产应用等
从表2中可以看到，测试时焊接中出现飞溅横向占据的最大像素数为36。由于在激光条纹形态特征判定过程中，需要的运算数目正相关于判定长度，综合算法处理速度、算法精确度并考虑留有一定的裕量，在后续算法设计中选取像素数阈值50来分割飞溅形态特征和激光条纹形态特征。
1.4焊接图像中的特殊情形
在焊缝图像中，飞溅噪声的分布具有随机性，一般图像中的飞溅噪声亮区域在横向上表现为孤立的亮斑，而激光条纹表现为连通的亮区域，噪声和激光条纹的形态特征较易区分。但存在两种飞溅分布的特殊情形需要在后续的算法设计中着重考虑。特殊情形一：飞溅噪声的亮斑和激光条纹亮度区域连接，如图3(a)所示;特殊情形二：在图像的最左端存在飞溅噪声(即图像矩阵中第一列存在噪声)，如图3(b)所示。
2形态特征滤波算法设计
2.1算法总体思路
不同于绝大多数焊缝跟踪算法先滤除图像中的噪声得到无干扰干净的图像，再进行激光条纹中心线的提取，本文算法采取在提取图像每列激光横截面中心点的过程中，通过形态特征判定来去除图像中噪声对光条中心线提取的影响。算法总体思路流程图如图4所示。
2.2初始滤波去除反光噪声
由于焊接环境恶劣和激光投射到焊接板材上面的反光效应，采集到的激光焊缝图像受到噪声污染。为了突出激光条纹的形态特征，对采集到的激光焊缝图像进行初始滤波，去除反光噪声干扰。由于不同的焊接板材对激光的反光效应不同，图像中的反光噪声强度也不同，因此采用自适应阈值法去除图像中的反光噪声。滤波方法为遍历图像矩阵每一列，对每一列单独滤波去除反光噪声。
2.3提取光条中心线
经过初始滤波后，能有效去除焊缝图像中的反光噪声，但并不能有效地去除弧光飞溅噪声。这里根据激光条纹横截面的光强分布特征和激光条纹形态特征，设计了基于形态特征滤波的提取激光条纹中心线的算法，对经过初始滤波得到的新图像进行处理，按列遍历整幅图像。
2.3.1激光横截面中心点判定算法设计
(1)获取当前列的最大灰度值。
(2)搜索当前列最大灰度值的位置，获取该灰度值的y轴坐标。
2.3.2激光中心线形态特征判定算法设计
(1)计算当前列j(j>1)与上一列选取的中心点的图像y轴距离D(式6)和标识flag(式7)。
3实验结果
3.1Matlab离线测试
用本文算法对图1(a)、图2(a)、图3(a)、图3(b)进行处理，并将所提取的激光条纹中心线以绿色线标入原图中，判定的焊缝特征点坐标以红色十字标入原图中(如果像素重叠，红色会将绿色覆盖，见电子版)，结果如图6所示。结果表明，该算法可以快速准确地提取激光条纹中心线，可以精确地判定焊缝的特征点。
3.2线上测试测试
平台由六轴焊接机器人、激光视觉传感器、工业焊机、工控机组成。焊接板材为碳钢板，板材厚度为3mm，采用保护气，焊接电流120A，焊接电压为16.2V，焊枪倾斜角度为2°，焊接速度为20mm/s。根据焊缝跟踪结果中的焊缝中心所在世界坐标数据，分别绘制出水平x方向与y方向、水平x方向与垂直z方向的坐标关系图，结果如图7(a)、(b)所示。以x方向作为跟踪偏差的计算基准，利用式(11)计算焊缝中心位置与实际跟踪位置的绝对偏差。
4结论
(1)根据噪声和激光条纹的形态特征设计的形态特征滤波算法是可行的，能有效去除噪声对激光条纹中心线提取过程的影响。
(2)该算法对焊缝图像中噪声鲁棒性强，对不同焊缝类型图像中激光条纹中心线的提取有较强的适应性。
(3)该算法减少了大量的滤波过程中的冗余运算，处理单张图像约为20ms，完全满足工业需求。——论文作者：刘亚辉1,李昊2,张方义2,贾明3,张光先1
