針對(duì)目前人工檢測(cè)厚壁鋼管端面缺陷存在的效率低、速度慢，且還會(huì)出現(xiàn)錯(cuò)檢、漏檢等問題，提出一種基于機(jī)器視覺的方法，實(shí)現(xiàn)對(duì)厚壁鋼管端面缺陷的檢測(cè)及分類。首先單獨(dú)提取鋼管倒角區(qū)域，利用最小二乘法對(duì)內(nèi)外倒角包含的輪廓圓進(jìn)行擬合，并根據(jù)歐式距離來判斷倒角是否出現(xiàn)偏心的情況；其次提取鋼管端面區(qū)域，并通過Otsu算法分割出缺陷區(qū)域，計(jì)算各聯(lián)通域的特征描述并組成新的特征向量，使用支持向量機(jī)來判斷缺陷類型。研究結(jié)果表明：該方法能準(zhǔn)確檢測(cè)出厚壁鋼管的倒角是否偏心、端面是否存在各類的缺陷，且準(zhǔn)確率達(dá)到96.7%，對(duì)一鋼管端面的判斷時(shí)間不超過100ms，相比人工目測(cè)速度有明顯的提高。

厚壁鋼管和普通鋼管的最大區(qū)別在于鋼管壁的厚度，通常把鋼管外徑和壁厚之比小于20的鋼管稱為厚壁鋼管，其主要用作液體氣體輸送管以及一些建筑結(jié)構(gòu)用管。受加工過程中各種不確定因素的影響，鋼管的端面可能會(huì)出現(xiàn)劃痕、刮傷、凹坑、崩邊等缺陷，且鋼管端面的內(nèi)外倒角還可能會(huì)出現(xiàn)偏心的情況。上述缺陷一方面影響了產(chǎn)品的外觀，另一方面若缺陷過于嚴(yán)重，則會(huì)影響鋼管后續(xù)的裝配，從而降低了鋼管的使用性能，且還會(huì)為工程的正常進(jìn)行埋下安全隱患。[1]目前，國(guó)內(nèi)鋼管生產(chǎn)企業(yè)大多數(shù)為人工目視完成對(duì)鋼管的缺陷檢測(cè)及剔除，但是人工檢測(cè)的效率低、速度慢，且還會(huì)出現(xiàn)誤檢、漏檢的情況。

基于機(jī)器視覺的缺陷檢測(cè)方法憑借其速度快、精度高、穩(wěn)定性強(qiáng)等特點(diǎn)受到廣泛關(guān)注[2]。對(duì)于鋼管端面缺陷檢測(cè)的方法目前研究報(bào)告很少，其類似于各種環(huán)形工件表面的缺陷檢測(cè)，如軸承套端面、瓶口端面、磁環(huán)表面等。朱錚濤等[3]通過斑點(diǎn)分析工具及斑點(diǎn)特征參數(shù)，完成薄壁鋼管端面的凹坑、倒角斜面變弧面等缺陷的檢測(cè)，但該方法并不適用厚壁鋼管，且該研究還需進(jìn)一步劃分端面缺陷的類型，以完成后續(xù)自動(dòng)分揀的目的。而軸承端面、磁環(huán)表面的缺陷檢測(cè)方法對(duì)于厚壁鋼管端面缺陷檢測(cè)具有一定的借鑒意義，但由于檢測(cè)需求不同，在一定程度上并不適用。因此，針對(duì)當(dāng)前端面檢測(cè)方法的不足，提出一種適用于厚壁鋼管端面缺陷檢測(cè)的方法，以提高對(duì)厚壁鋼管端面缺陷檢測(cè)的效率和準(zhǔn)確率。

1圖像采集系統(tǒng)設(shè)計(jì)

厚壁鋼管端面缺陷檢測(cè)圖像采集系統(tǒng)主要由相機(jī)、鏡頭、光源、計(jì)算機(jī)及相應(yīng)的算法程序等組成。為了獲取易于檢測(cè)的厚壁鋼管端面圖像，選擇藍(lán)色低角度環(huán)形LED光源，且工件端面與光源下底面的距離約為10mm，目的是為了同時(shí)得到鋼管端面內(nèi)外倒角區(qū)域和端平面區(qū)域的圖像。缺陷檢測(cè)采集裝置簡(jiǎn)圖如圖1所示。這樣采集到的灰度圖像中，倒角區(qū)域的灰度值接近255，即亮區(qū)域；端平面區(qū)域的灰度值接近0，即暗區(qū)域；而端平面中存在的缺陷區(qū)域的灰度值則處于倒角區(qū)域和端平面區(qū)域的灰度值之間。圖2為采集到的正品圖像和端面包含缺陷的圖像.

2厚壁鋼管倒角偏心判斷

2.1圖像平滑濾波處理

由于直接采集到的厚壁鋼管端面圖像會(huì)出現(xiàn)散粒噪聲，因此使用鄰域像素的非線性濾波會(huì)有很好的效果。中值濾波是一種典型的非線性濾波技術(shù)，其可以去除椒鹽噪聲的同時(shí)又能保留圖像的邊緣細(xì)節(jié)[4]。該研究選用5×5的函數(shù)窗口對(duì)原始圖像進(jìn)行濾波處理。其效果如圖3所示。

2.2倒角區(qū)域提取與擬合

經(jīng)過濾波操作后，可以發(fā)現(xiàn)圖像中倒角區(qū)域的灰度值明顯要高于其他區(qū)域的灰度值，因此可以選用固定閾值的方法將倒角區(qū)域的圖像提取出來，為了達(dá)到閾值選取相對(duì)準(zhǔn)確的目的，通過計(jì)算圖像的灰度直方圖，觀察其灰度分布情況，如圖4所示�？梢园l(fā)現(xiàn)，倒角區(qū)域的灰度值集中分布在最右側(cè)，即灰度值趨向于255，而端面區(qū)域及背景區(qū)域的灰度值則相對(duì)集中的分布在左側(cè)，灰度值趨向于0~130之間，理論上可以選取灰度值在131~254這一區(qū)間的任意值作為閾值，但有時(shí)候倒角區(qū)域會(huì)因?yàn)楸砻婀鉂啥鹊雀鞣N因素的影響而呈現(xiàn)一些小暗點(diǎn)，因此為了確保完整的提取出倒角區(qū)域，選擇保守一點(diǎn)的固定的閾值α=190。將小于α的像素點(diǎn)灰度值變?yōu)?/span>0（黑色），將大于等于α的像素點(diǎn)的灰度值變?yōu)?/span>255（白色）。處理結(jié)果如圖5所示。

倒角區(qū)域由4個(gè)圓組成，為了判斷倒角是否出現(xiàn)偏心的情況，需先對(duì)其進(jìn)行圓擬合操作。本研究首先選擇由OpenCV庫(kù)提供的findContours()函數(shù)檢測(cè)4個(gè)圓的輪廓，再利用最小二乘法擬合圓[5]。最小二乘法是一種數(shù)學(xué)優(yōu)化技術(shù)，它通過最小化誤差的平方和找到一組數(shù)據(jù)的最佳函數(shù)匹配。假設(shè)需擬合的曲線為：x2+y2+ax+by+c=0，且其半徑為R2，圓心坐標(biāo)為（A，B）圖像輪廓點(diǎn)集中的點(diǎn)（Xi,Yi）i∈(1，2，3，…，N)到圓心的距離為di:d2i=(Xi-A)2+(Yi-B)2，其與半徑的平方差δi=d2i-R2=X2i+Y2i+aXi+bYi+c。將L()a,b,c=∑δ2i作為目標(biāo)誤差函數(shù)，求其最小時(shí)a，b，c的值。為實(shí)現(xiàn)該目的，需對(duì)目標(biāo)函數(shù)求偏導(dǎo)，即∂L∂a=∂L∂b=∂L∂c=0。

3實(shí)驗(yàn)與分析

實(shí)驗(yàn)測(cè)試運(yùn)行環(huán)境：工業(yè)相機(jī)采用巴斯勒acA2500_14gm千兆網(wǎng)相機(jī)；鏡頭采用ComputerM2514_MP2工業(yè)鏡頭；15度藍(lán)色環(huán)形光源；處理器為In⁃terCOREi57300HQCPU。軟件系統(tǒng)在Windows10系統(tǒng)下設(shè)計(jì)，利用C++開發(fā)環(huán)境，圖像處理算法都是基于OpenCV庫(kù)函數(shù)來實(shí)現(xiàn)，圖像的分辨率為1296×972。

對(duì)于厚壁鋼管倒角是否偏心的情況檢測(cè)，由于其不涉及訓(xùn)練及分類識(shí)別，僅僅是根據(jù)固定的判據(jù)來判斷，因此檢測(cè)準(zhǔn)確度可達(dá)到99%以上。對(duì)于端面缺陷的檢測(cè)，實(shí)驗(yàn)針對(duì)4種缺陷類型，每種缺陷選取了60個(gè)缺陷區(qū)域樣本圖，并從中隨機(jī)選取30個(gè)來提取歸一化后的11維特征向量進(jìn)行訓(xùn)練，其余30個(gè)樣

本用于測(cè)試。故訓(xùn)練集共計(jì)120組特征向量，測(cè)試集共計(jì)120組特征向量。

在選用線性核函數(shù)時(shí)，利用網(wǎng)格搜索法對(duì)懲罰因子參數(shù)C作優(yōu)化選擇，在C值取不同的情況下分類準(zhǔn)確率如圖10所示。根據(jù)同樣的樣本，在選用高斯核函數(shù)時(shí)，同樣利用網(wǎng)格搜索法對(duì)參數(shù)C和gamma進(jìn)行調(diào)優(yōu)，其分類準(zhǔn)確率如圖11所示。

根據(jù)圖10、11可知，線性核函數(shù)下當(dāng)懲罰因子C=0.1時(shí)，分類準(zhǔn)確率達(dá)到最高，準(zhǔn)確率為85.8%；而選用RBF核時(shí)，在C=100，gamma=0.1的情況下準(zhǔn)確率達(dá)到了96.7%，較線性核有很大的提升，且訓(xùn)練耗時(shí)并不會(huì)比線性核的情況下長(zhǎng)很多。因此，筆者選擇高斯核函數(shù)（RBF）作為最終SVM分類器的核函數(shù)。在對(duì)4類測(cè)試樣本共計(jì)120組特征向量進(jìn)行測(cè)試后，其分類結(jié)果混淆矩陣如表2所示。

從表2中，可以看出利用11維特征向量作為SVM的輸入可以實(shí)現(xiàn)厚壁鋼管端面缺陷的分類，其綜合準(zhǔn)確率可以達(dá)到96.7%。其中，對(duì)擦傷缺陷的分類效果最好，對(duì)劃痕缺陷的分類準(zhǔn)確率最低，且劃痕容易誤分類為擦傷，因?yàn)橛械膭澓鄄⒉恢皇且粭l痕跡，還可能包含兩三條痕跡，而擦傷看起來更像是大面積的劃痕，在兩者之間過渡區(qū)有可能會(huì)產(chǎn)生誤分類的情況。在實(shí)際樣品圖像的檢測(cè)中，還應(yīng)對(duì)圖像處理相關(guān)操作做進(jìn)一步的研究，以免為了達(dá)到同時(shí)檢測(cè)出端面全部缺陷的目的，在運(yùn)用相關(guān)的圖像處理方法如形態(tài)學(xué)操作、濾波操作等時(shí)可能會(huì)改變?nèi)毕荼旧淼囊恍┨匦裕�甚至�(xí)�將缺陷遺漏，以致出現(xiàn)漏檢的情況。對(duì)于端面全部缺陷的檢測(cè)效果如圖12所示。

4結(jié)束語

提出一種基于機(jī)器視覺的厚壁鋼管端面綜合缺陷的檢測(cè)方法，不僅實(shí)現(xiàn)了對(duì)厚壁鋼管端部倒角是否偏心的判斷，還選用基于高斯核函數(shù)的SVM分類器，實(shí)現(xiàn)了對(duì)厚壁鋼管端平面區(qū)域缺陷的檢測(cè)、識(shí)別和判斷，且準(zhǔn)確率達(dá)到96.7%。對(duì)于一副完整的鋼管端面圖像的判斷速度在100ms以內(nèi)，完全滿足企業(yè)自動(dòng)化質(zhì)檢過程的要求，不僅為以后的實(shí)際在線檢測(cè)技術(shù)打下理論基礎(chǔ)，還對(duì)相似環(huán)形產(chǎn)品的檢測(cè)提供重要的參考依據(jù)。