基于机器视觉的大轴端面锈蚀检测与清洗

　　摘 要： 为解决传统清洗方式所带来的高成本、低效率、污染严重等问题，提出一种基于机器视觉的激光清洗视觉检测方法。 通过灰度化、直方图均衡和中值滤波对图像进行预处理，采用灰度级形态学重建消除阴影和反射光，使用最大类间方差法及阈值分割对图像进行特征提取，使用自拟特征判断函数来完成对清洗效果的最终识别。 实验结果表明， 该方法能准确检测出大轴端面清洗率，单次检测时间控制在 0.17 s 内，满足其精度及效率要求。

　　张宏发; 刘复兴; 周诗洋; 杨金堂， 煤矿机械 发表时间：2021-09-24

　　关键词： 锈蚀检测; 机器视觉; 最大类间方差法; 形态学重建

　　0 引言

　　大型轴类件在煤矿机械中具有重要地位，然而在高速、重载、强介质、多场耦合等严苛环境下报废率较高，且现有再制造水平不足、成本高、难度大，亟需提升再制造水平，推动煤矿、海洋、冶金、掘进等领域废旧大型轴类件的循环再利用。

　　激光清洗作为一种新型环境友好型清洗技术，相比于其他传统清洗方式具有安全可靠、成本低、除锈髙效等优势;而机器视觉相比于传统人力视检具有更高效、精确等特点。 故针对废旧大型轴类件端面极易形成的锈蚀污染层，采用机器视觉与激光清洗技术相结合的方式进行清洗。

　　1 基于机器视觉的激光清洗装置设计

　　废旧重型装备大型轴类零件的特点为重量和体积大、移动困难、清洗操作难度大，针对此特点设计了基于机器视觉的激光清洗装置，如图 1 所示。

　　工作流程：① z 轴移动支架初始位置为最上端，相机正对零件端面中心，对整个端面进行拍照取样，确定清洗位置; ②激光清洗头通过 x、y、z 轴驱动电机移动到指定位置进行激光清洗， 吸尘装置同步吸附废渣;③结束清洗后，相机拍照，检测清洗是否达标，若未达标，则继续进行清洗、拍照、检测，直至达标。

　　2 视觉检测系统的算法设计

　　现场废旧大型轴类零件端面锈层主要颜色为红色，而清洗后的端面呈现金属银色。 针对锈层与背景颜色上的明显差异、光照射到金属表面以及不平整锈层上产生的反射光与阴影，采用以灰度级形态学重建、最大类间方差法图像分割以及自拟特征函数识别为核心的图像处理方法对清洗效果进行判断。 视觉检测系统软件算法流程如图 2 所示。

　　(1)图像预处理

　　受环境和传感器的影响，成像过程中会不可避免地伴随噪声等非真实的像素值，表现出画面对比度不强等症状，这对后续的图像特征提取和识别分析是非常不利的，故需进行预处理。

　　采用直方图均衡法对图片进行处理, 增大锈层和背景的对比度，采用中值滤波对椒盐噪声进行滤除。

　　采用灰度化、直方图均衡和中值滤波的预处理效果如图 3 所示，可以看到锈层与背景的对比度变得更加鲜明。

　　(2)灰度级形态学重建

　　光照到任何物体上都会发生反射，光照到表面粗糙度数值小的金属端面表现为一定程度的反光，光照到表面粗糙度数值大且有一定高度差的锈蚀上表现为一定程度的阴影，阴影与反光都会对图像中锈蚀的识别产生严重影响，故采用灰度级形态学重建有效地对阴影和反光进行抑制和去除，具体步骤：

　　①消除图像中的水平反射光，在腐蚀操作中用 1 条长水平线执行重建的开运算 b=OR (f)=Rf [(f○nl)] (1)

　　②从原图像中消除水平反射光和变化背景的顶帽重建运算 g=That (f)=f-b (2)

　　③消除图像中的垂直反射光，在腐蚀操作中用 1 条短水平线执行重建的开运算。 其公式同式(1)，得到 h。

　　④对 h 进行膨胀 t=h⊕l1={z(l1z)∩h≠○｝ (3)式中 l1——膨胀结构元。

　　⑤取 b 与 t 的最小值作为标记 m=min(b，t) (4)

　　⑥以顶帽重建结果 g 为模板，m 为标记，进行形态学重建运算 j=Rg (m) (5)

　　通过形态学重建后得到的图像如图 4 所示。

　　(3)图像特征提取

　　采用最大类间方差法，将图像分成锈层和背景两部分。 假设 1 幅数字图像有 L 个不同的灰度级，将 0 到 L-1 依次代入公式，运算得到最大类间方差 σB 2 =ω0ω1(u0-u1)2 (6) 式中 ω0——图像中灰度值不大于阈值 T 的像素个数与总像素个数之比; ω1——图像中灰度值大于阈值 T 的像素个数与总像素个数之比; u0——灰度值不大于阈值 T 的像素平均灰度值; u1——灰度值大于阈值 T 的像素平均灰度值。

　　最大类间方差 σB 2 对应的灰度级即为最佳阈值 T，其将图像的灰度值分成 2 组，以此将图片转换为 1 个二值图4 幅大轴端面进行图像分割后的二值图效果如图 5 所示，可以看到锈层被较完整地提取，达成了该阶段的目标。

　　(4)特征函数判断

　　视觉检测中，目标特征表现为需要清洗的锈层，当锈层逐渐被清洗，在对应二值图上表现为非目标特征数量的上升。 基于此，可以得到清洗率 P(zi)= Ni MN ×100% (8)总像素量 MN=N0+Ni (9)式中 Ni ——非目标特征的像素量。

　　为了实现图像清洗效果是否达标的最终判断，引入设定阈值 λ 这一可变参数，其大小与精确度成正比，可根据实际工作情况以及需要而取值，0.9 以上可视为较可靠的精度标准。 当清洗完成度升高至指定的阈值 λ，即当判断函数 f(P(zi)，λ)=1 时，认为清洗完成。 自拟判断函数 f(P(zi)，λ)= 1 P(zi)-λ≥0 ≤0 P(zi)-λ<0 (10)

　　3 实验结果及分析

　　(1)清洗效果判断

　　对图 5 中未进行激光清洗的(a)、(c)、(d)三幅图像以及经过 1 次清洗的(b)图像进行清洗效果判断，通过灵活设置达标阈值 λ，得出最后的判断结果。

　　阈值由具体工艺要求决定，阈值越高表示判断精度越高，工艺要求越严格。取 λ=0.9 代表高精度要求下的阈值，取 λ=0.6 代表中精度要求下的阈值，取 λ=0.1 代表低精度要求下的阈值， 对 3 种 λ 下的 4 幅图像清洗效果进行试验，结果如表 1 所示。 在取 λ=0.1 时清洗率全部达标，在取 λ=0.6 时仅仅只有(b)达标，在取 λ=0.9 时则全部未达标。 由此可知，当需要提高清洗质量时，可以通过提高阈值 λ来实现。

　　(2)单次检测时间

　　单次检测时间为从图像预处理到清洗效果判断完成的时间。 采用 sum 函数和 imhist 函数分别对 4幅不同像素大小的样图进行了多次实验，取其平均检测耗时如表 2 所示。由实验结果可以得出，任意图片的处理耗时并不与其像素大小完全成正相关，单次检测耗时的最大值不超过 0.17 s，符合清洗工艺在处理时间上的要求。

　　4 结语

　　从实际工业应用的角度出发，设计了一种适用于大轴端面的激光清洗装置，并对大轴端面激光清洗效果的视觉检测进行了设计研究，以端面锈层为特征目标说明了视觉检测的设计方案及其实现原理，并对方案可行性进行了验证。 实验结果表明，该算法可通过修改阈值改变清洗率判断精度，满足清洗工艺中对准确性的要求;任意一次检测，视觉检测系统的最大耗时均控制在 0.17 s 以内，符合视觉检测系统对效率性的要求。 本文研究结果对煤矿机械领域废旧重型装备再制造水平的提高具有重要意义和参考价值。