不​锈钢GTAW熔池正面图像处理

锈钢GTAW熔池正面图像处理

李来平¹， 樊重建¹ ，林涛¹ ，陈善本¹，杨学勤²，徐爱杰²

（1.上海交通大学 焊接研究所 上海 200030 2. 上海航天800所 上海 201600）

摘要：熟练的焊工可以通过眼睛观察熔池的形状变化，并且实时地调整焊接规范，保证焊缝成形稳定。视觉传感是模拟焊工技术获取的熔池形状信息，熔池图像处理的目的是改善熔池图像的质量，提取焊接熔池的几何特征参数。本文分析了不锈钢正面熔池图像的特点，开发了基于小波分析理论的图像处理软件包括图像增强、边缘检测、边缘细化、曲线拟合和熔池类型检测等步骤。  

关键词： 不锈钢熔池图像，图像增强，熔池边缘监测，双向细化，熔池图像类型辨别

引言

由于熔池正面特征参数和反面特征参数之间具有很好的对应关系，因此熔池的正面形状参数对于焊接过程的建模与智能控制具有非常重要的作用^[1~7]。为了精确的获得熔池正面特征参数，必须对获取的熔池图像进行处理。

在焊接过程中存在着电磁干扰、摄像机与熔池之间存在相对运动、氩气的流动、摄像机内部噪声以及图像采集卡的离散和量化都会使熔池图像模糊。因此要对熔池图像进行去噪、边缘增强、边缘检测、边缘细化和拟合的操作。

在送丝脉冲GTAW中，熔池正面形状随着焊接参数的变化而变化，当熔化金属量逐渐减少时，熔池表面高度最明显的变化是熔池表面由凸起变为下凹。不锈钢熔池正面的形状由椭圆形变为桃子形。为了判断熔池图像属于凸起还是下塌需要对熔池的形状进行判断。

目前，图像处理的方法很多，但是任何一种图像处理方法都不能直接应用于熔池图像的处理。小波分析理论被看作是一种多层次分解函数的数学工具，小波分析在图像处理中的应用思想是把图像信号变换到小波域上，成为多层次小波系数，然后根据小波基的特性，分析小波系数的特点，结合常规图像处理方法处理小波系数，再对小波系数进行反变换。

本文针对不锈钢熔池图像的特点开发了基于小波分析的图像处理方法，包括边缘增强和边缘检测，然后采用双向细化方法对熔池边缘进行细化，最后对熔池边缘进行拟合和熔池类型辨别。

1 熔池图像分析

图1是采用复合滤光系统采集的不锈钢正面熔

池图像。熔池正面图像由喷嘴、电弧区、液态金属、已凝固焊道、工件表面组成。由于液态金属表面的镜面反射具有方向性，从熔池斜后方获取的液态金属表面反射的电弧光较少，使得熔池正面图像上液态金属区域具有较低的灰度级，斜后方的镜面反射较强，呈亮色，已凝固的焊道表面对弧光进行漫反射，在图像上呈现亮色，工件表面对弧光的反射较弱，所以图像灰度较低，电弧倒影呈现亮色。凸起型熔池图像的后拖角较大，呈现近似椭圆形状；而下塌型熔池图像的后拖角较小，呈现明显的桃子形状。

2 图像处理

焊接过程的视觉传感中，由于光学镜片的反光、复合滤光系统的作用、熔池本身的振动、焊接熔池与摄像机之间的相对运动、氩气的流动和烟尘造成熔池图像模糊。焊接过程中高频以及其他电磁干扰都会使焊接熔池图像质量下降。摄像机本身的噪声以及图像采集卡的模数转换和量化也会降低图像的质量。

2.1 熔池图像增强  

   为了消除熔池图像的模糊，需要对采集的熔池图像进行增强处理

（1）式中f(x,y)是处理前的图像，g(x,y)表示处理后的图像，图像增强算子用T[·]表示。

传统的图像平滑方法是将原图中一个像素的灰度值和它周围邻近八个像素的灰度值加权求和，然后求得平均值作为新图中该像素的灰度值。采用平滑的方法可能造成图像模糊。虽然中值滤波在一定条件下可以克服线性滤波器带来的图像细节模糊，而且对滤除脉冲干扰非常有效，但是对于细节多的下塌型熔池图像不适用。传统的解决图像模糊的方法是图像锐化处理，但是图像锐化可能会重新引入噪声，降低图像的信噪比。

   基于小波分析的图像增强算法是把图像被分解为不同频带的变换系数，根据所需要的频带成分进行增强，然后在经过逆变换重建图像。设φ(x,y) 和ψ(x,y)分别是尺度函数和小波函数，j为图像分解层次，则对任意一幅图像f(x,y)，其小波分解的表达式为：

(2)式中，前一项是低分辨率的图像；后一项是不同频带的子图像。

为了在图像平滑的时候加强高频成分，使图像轮廓更清晰，在式（2）中引入增益系数g_k,n，得到

(3)本文采用Daubechies构造的具有紧支撑正交归一小波为小波函数，滤波器响应序列为：

{p_k}={0.483,0.8366,0.224,-0.1294}

{q_k}={-0.1294,-0.224,0.8366, -0.483}

图像的大小为128×128，所以选择小波分解的级数为2级。由于不锈钢的熔池图像反射光比较强，边界有些模糊,通过试验确定增益参数为。图2是增强处理的图像。

2.3 熔池边缘提取

   不锈钢的下塌型熔池和凸起型熔池图像的形状存在很大的差别，具体表现在后拖角上，因此可以通过测量后拖角的大小来判断熔池的类型。

   图像的边缘是指周围像素灰度值有阶跃变化或者屋顶变化的那些像素的集合。经典的边缘检测方法是考察图像中每个像素在某个邻域内灰度的变化，利用边缘邻近一阶或者二阶方向导数变化规律来检测边缘。

   图2中，液态熔池与工件之间的对比度较小，并且凝固的焊道处的灰度变化复杂，难以直接用经典的边缘检测的方法获取熔池边缘。由于图像边缘的不连续性在小波变换中体现为奇异性，而小波变换系数的模极大值以及在不同尺度小的变化可以表征出信号的局部奇异性。小波变换的模极大值随着尺度的变化而变化，因此可以开发基于小波变换的边缘检测算法。本文选择高斯函数为尺度函数，其一、二阶导数为小波函数，构成多尺度小波变换。

（4）基于小波变换的图像边缘检测算法为：

   ①选定光滑函数θ(x)为尺度函数，相应地，函数θ(x)的一阶、二阶导数为小波函数，构成多尺度小波变换。

②设定分解级数。

③对图像进行小波变换，由小波系数计算不同尺度下的梯度方向和梯度矢量模。

④分别从图像每一层行与列小波系数中，找出零交叉点，并求出两两相邻零交叉点的最大点，由行与列同时出现最大值处的点设为边缘点。

⑤按照一定的规则把边缘点连接成边界。

图3是经过边缘检测后的熔池图像，图像边缘不是由单个像素表示的曲线，同时图像中存在着伪边缘，因此要对熔池边缘进行细化处理。本文首先从图像中提取经验知识，找到电弧中心以及倒影在图像中的位置，并予以去除。文献[4]根据熔池的边缘不在曲线区域中心而位于弧线的内侧的特点，发展了投影边缘细化算法。文献中的图像是半个熔池，所以采用了向同一个方向作垂直投影的方法。而本文采集的熔池图像是整个图像，因此本文根据熔池图像是对称的特点，以fku为中心线沿fkv正负两个方向搜索，如果当前点的灰度值为0，则检查fkv方向上的下一点，如果该点的灰度值为0，则继续搜索，如果该像素点的灰度值为255，并且在fkv两个方向上的距离相同，则该像素点是熔池的边界，然后继续搜索，当遇到灰度值为255时的点时，直接设置为0；如果第一次遇到的灰度值为255的点没有对称的话，则继续搜索，如果没有找到对称的点，则该点熔池的边缘，否则对称点是熔池的边缘。图4是经过细化后的熔池图像。

    由于工作过程图像是动态的，每一幅图像的特征并不是完全一致的，图像处理后的图像边缘是不连续也不完全光滑的，因此需要采取一定的措施来拟合边缘。描述曲线的方法有Bezier和B样条曲线，Bezier可以通过特征多边形顶点的个数实现对曲线的精确控制，但是Bezier曲线不能作局部修改，即改变某一个控制点的位置对整条曲线都有影响。B样条曲线具有局部性、连续性、几何不变性、造型灵活的特点，因此可以选择三次B样条曲线来实现熔池边缘的拟合。三次B样条基函数的矩阵表示为：

处理过程中，每次取4个节点，并且使后一次拟合所用的第一、二个节点和前一次拟合所采用的第三、四个节点相同，就形成了一个连续的曲线。熔池边缘的拟合结果如图5所示。

   2.4 熔池图像类型区别

   钢的凸出型熔池与下塌型熔池在图像中表现为下塌角的大小不同，凸出型熔池的后拖角大于90º，下塌型熔池图像的后拖角小于90º。本文采用Hough变换来确定熔池尾部边缘线的夹角来区分钢的熔池图像类型，采用判断平均灰度值的方法来区分铝合金的熔池图像类型。Hough边缘用来提取熔池边缘拟合曲线中的直线段。直线的极坐标表示为：

（5）其中（r,θ）定义了一个从原点到直线上最近点的向量。x,y平面内的任意一直线的Hough变换是极坐标空间（r,θ）中的一个点。图6不锈钢熔池图像类型的区分结果。

3 结论

   焊接过程视觉传感是焊接过程智能控制的重要组成部分，熔池表面视觉信息的准确与否直接决定了控制的效果与精度，本文在图像处理中引入了小波分析理论，用于图像的去除噪声和熔池边缘提取的操作；针对完整熔池对称的特点，首先对伪边缘进行识别和去除，提出了双向投影细化方法来对熔池边缘进行细化。提出了分别采用检测熔池尾部边缘线的夹角的方法判断不绣钢熔池图像的类型。

参考文献

1.Chen S. B., Wu L, and Wang Q.L., Self-learning Fuzzy Neural Network and Computer Vision for Control of Pulsed GTAW. Welding Journal. 1997, vol. 76 (5):201-209.

2.Lou Yajun, Chen Shanben, and Wu Lin, Monitoring of Weld Joint Penetration Based on Sensing Double-side Vision Images of Weld Pool, Journal of Harbin Institute of Technology, 1998, Vol.7 (11): 22-27.

3.Zhao D.B., Lou Y.J., Chen S.B., Wu L., Surface height and geometry parameters for describing shape of weld pool during pulsed GTAW. SPIE International Symposium on Intelligent System and Advanced Manufacturing, Boston, Massachusetts,USA, 1999,V3833: 91-99.

4.王建军，铝合金脉冲TIG焊熔池动态特征的视觉信息获取与自适应控制[博士学位论文]，上海，上海交通大学，2003.

5. Zhang,Y.M., Kovacevic,R., Wu L., Sensitivity of Front-face Weld Geometry in Representing the Full Penetration, Proc. Inst. Mech. Eng, Part B: Journal of Engineering Manufacture, 1991, Vol. 206: 191-197.

6.Gonzalez R. C. and Woods R.，Digital Image Processing. 3^rd ed, Addison-Wesley．

7.  贾云得   机器视觉，科学出版社，2000：139-149

8.陈武凡 小波分析及其在图像处理中的应用，科学出版社，2002：152-200。

9.孙家广 计算机图形学，清华大学出版社，1998：308-318。

作者简介：李来平，男，1974年出生，上海交通大学博士，主要研究方向机器人焊接关键技术研究，发表论文10篇。

Email:Llp117@sjtu.edu.cn