基于機器視覺的大軸端面銹蝕檢測與清洗

　　摘 要： 為解決傳統清洗方式所帶來的高成本、低效率、污染嚴重等問題，提出一種基于機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行預處理，采用灰度級形態學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行特征提取，使用自擬特征判斷函數來完成對清洗效果的最終識別。 實驗結果表明， 該方法能準確檢測出大軸端面清洗率，單次檢測時間控制在 0.17 s 內，滿足其精度及效率要求。

　　張宏發; 劉復興; 周詩洋; 楊金堂， 煤礦機械 發表時間：2021-09-24

　　關鍵詞： 銹蝕檢測; 機器視覺; 最大類間方差法; 形態學重建

　　0 引言

　　大型軸類件在煤礦機械中具有重要地位，然而在高速、重載、強介質、多場耦合等嚴苛環境下報廢率較高，且現有再制造水平不足、成本高、難度大，亟需提升再制造水平，推動煤礦、海洋、冶金、掘進等領域廢舊大型軸類件的循環再利用。

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

　　1 基于機器視覺的激光清洗裝置設計

　　廢舊重型裝備大型軸類零件的特點為重量和體積大、移動困難、清洗操作難度大，針對此特點設計了基于機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，相機正對零件端面中心，對整個端面進行拍照取樣，確定清洗位置; ②激光清洗頭通過 x、y、z 軸驅動電機移動到指定位置進行激光清洗， 吸塵裝置同步吸附廢渣;③結束清洗后，相機拍照，檢測清洗是否達標，若未達標，則繼續進行清洗、拍照、檢測，直至達標。

　　2 視覺檢測系統的算法設計

　　現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生的反射光與陰影，采用以灰度級形態學重建、最大類間方差法圖像分割以及自擬特征函數識別為核心的圖像處理方法對清洗效果進行判斷。 視覺檢測系統軟件算法流程如圖 2 所示。

　　(1)圖像預處理

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

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

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

　　(2)灰度級形態學重建

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

　　①消除圖像中的水平反射光，在腐蝕操作中用 1 條長水平線執行重建的開運算 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 條短水平線執行重建的開運算。 其公式同式(1)，得到 h。

　　④對 h 進行膨脹 t=h⊕l1={z(l1z)∩h≠○｝ (3)式中 l1——膨脹結構元。

　　⑤取 b 與 t 的最小值作為標記 m=min(b，t) (4)

　　⑥以頂帽重建結果 g 為模板，m 為標記，進行形態學重建運算 j=Rg (m) (5)

　　通過形態學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 1 幅數字圖像有 L 個不同的灰度級，將 0 到 L-1 依次代入公式，運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 的像素個數與總像素個數之比; ω1——圖像中灰度值大于閾值 T 的像素個數與總像素個數之比; 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，以此將圖片轉換為 1 個二值圖4 幅大軸端面進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，達成了該階段的目標。

　　(4)特征函數判斷

　　視覺檢測中，目標特征表現為需要清洗的銹層，當銹層逐漸被清洗，在對應二值圖上表現為非目標特征數量的上升。 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 ——非目標特征的像素量。

　　為了實現圖像清洗效果是否達標的最終判斷，引入設定閾值 λ 這一可變參數，其大小與精確度成正比，可根據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準。 當清洗完成度升高至指定的閾值 λ，即當判斷函數 f(P(zi)，λ)=1 時，認為清洗完成。 自擬判斷函數 f(P(zi)，λ)= 1 P(zi)-λ≥0 ≤0 P(zi)-λ<0 (10)

　　3 實驗結果及分析

　　(1)清洗效果判斷

　　對圖 5 中未進行激光清洗的(a)、(c)、(d)三幅圖像以及經過 1 次清洗的(b)圖像進行清洗效果判斷，通過靈活設置達標閾值 λ，得出最后的判斷結果。

　　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 幅圖像清洗效果進行試驗，結果如表 1 所示。 在取 λ=0.1 時清洗率全部達標，在取 λ=0.6 時僅僅只有(b)達標，在取 λ=0.9 時則全部未達標。 由此可知，當需要提高清洗質量時，可以通過提高閾值 λ來實現。

　　(2)單次檢測時間

　　單次檢測時間為從圖像預處理到清洗效果判斷完成的時間。 采用 sum 函數和 imhist 函數分別對 4幅不同像素大小的樣圖進行了多次實驗，取其平均檢測耗時如表 2 所示。由實驗結果可以得出，任意圖片的處理耗時并不與其像素大小完全成正相關，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 結語

　　從實際工業應用的角度出發，設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行了設計研究，以端面銹層為特征目標說明了視覺檢測的設計方案及其實現原理，并對方案可行性進行了驗證。 實驗結果表明，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確性的要求;任意一次檢測，視覺檢測系統的最大耗時均控制在 0.17 s 以內，符合視覺檢測系統對效率性的要求。 本文研究結果對煤礦機械領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。