基于机器视觉的铁塔钢结构锈蚀检测技术

唐江飞

（杭州塔桅检测技术有限公司，浙江 杭州 311305）

在现代化城市中，铁塔是广泛存在的一种重要钢结构建筑，其功能包支撑天线、信号传输、设备保护、地标指示以及监测预警等多个方面[1]。但是，因为长时间伫立于户外并受风化和雨雪侵蚀，所以铁塔经常会出现锈蚀现象。铁塔钢结构的锈蚀不仅会影响表面的美观程度，还会导致支撑强度下降、铁塔倾覆等严重问题[2]。因此铁塔钢结构的锈蚀检测是重要的研究方向。机器视觉技术是一种光、机、电、算完美结合的方法，通过一定的硬件设备和配套软件算法，可使机器视觉具备与人类视觉相近的功能。进入机械制造业检测领域后，机器视觉技术迅速发展成最重要的检测技术[3]。该技术可以实现高精度检测、在线检测和高速检测，提高外观质量检测领域的质量和效率。机器视觉检测技术是利用仿人类视觉原理并依托于计算机设备和图像处理技术形成的一类全新检测技术。本文将在自然光条件下通过无人机机载摄像机完成铁塔钢结构表面拍摄，进而运用机器视觉方法完成锈蚀检测。

1 铁塔钢结构锈蚀区域的直方图检测

在机器视觉技术的使用过程中，准确把握图像的特点是有效执行图像处理算法的前提工作。实际上，不同图像存在不同形式的差异，这些差异也可以通过不同方法捕捉并加以辨析。在分析图像特点的工作中，最常见的就是直方图分析方法。

直方图分析法的基本原理是根据图像中同一灰度的像素进行统计，直到统计出所有出现灰度像素的频次，即可知道图像主要区域的像素分布情况，从而判断图像的特点。图像的直方图统计如公式（1）所示。

式中：S1代表图像f（x）的k级灰度；nk代表整幅图像中fk对应得像素的个数；n代表整幅图像的像素总个数。

图像的直方图的属性包括3个方面。1）图像直方图统计图像中各灰度级别的像素出现概率，但不能反映出不同像素所在位置，即灰度直方图中的位置信息是丢失了的。2）不同图像的直方图可能相同，即图像和直方图有多对一关系。虽然2幅图像的直方图可能相同，但鉴于其像素的位置可能存在不同，2幅图像的内容会呈现出不同的场景。3）直方图是图像像素信息的灰度等级统计，因此反映了图像的像素总数、灰度总和，一幅图像的直方图可以看成图像中各区域的直方图效果之和。

当观测机械零件的直方图时，还可以发现其他一些与机械零件本身相关的特性。首先，机械零件大部分为金属质地、反光性能也比较好，而机械零件周围的质地一般为布质，二者有显著区别，也会导致直方图中的目标区域像素和背景区域像素的灰度等级较明显。其次，机械加工现场存在各种干扰，包括电气的、电磁的、振动的和机械的，从而导致CCD摄像机拍摄到的图像中有较多噪声信息，这部分信息也会成为目标区域的干扰。因此，在直方图中统计的图像像素灰度应该包括背景信息、目标信息和噪声信息3个类别。

铁塔钢结构表面被摄像机拍摄成图像时，如果其表面存在锈蚀区域，会和钢结构其他区域形成显著区别，体现在直方图上也有显著不同，如图1所示。

图1 铁塔钢结构表面锈蚀图和直方图

从图1可以看出，左侧为铁塔钢结构的局部，其支撑立柱的表面存在2个明显的锈蚀区域，锈蚀区域和周围的原漆存在较大差异。为了使机器视觉算法能够快速甄别锈蚀区域和原漆区域，采用直方图方法绘制出图1（a）的直方图统计结果。从图1（b）可以看出，相对于大部分灰度的统计区间，锈蚀区域会出现2个峰值区间。因为锈蚀区域的颜色较深，在图像中对应的灰度值较低，而原漆区域的颜色较浅，在图像中对应的灰度值较高，因此就有2个峰值区域处在灰度值较低的区域内，分布在50～120的灰度范围内。可见，通过直方图的统计特征可以较快检测出锈蚀区域。

2 铁塔钢结构锈蚀区域的形态学检测

根据铁塔锈蚀区域图像的特点，对目标区域和背景区域进行分割，提供后续处理所需背景区域，是锈蚀检测的第一步工作。在图像分割中，基于形态学理论的分割方法是最常见的方法。形态学分割包括腐蚀运算、膨胀运算、开运算和闭运算等操作，是一套比较成熟的方法。

在形态学分割中，腐蚀运算和膨胀运算是2种基本操作，源自图像处理领域，但已经形成了自身的理论体系，相应的数学描述如下：假设一结构函数g（x），其对称函数可以用gs（x）描述，则二者间的关系为gs（x）=g（-x），那么可以将关于f（x）和g（x）的膨胀处理和腐蚀处理分别描述为公式（2）、公式（3）。

为膨胀处理和腐蚀处理的结果分别定义2个变量，则有关开、闭运算的数学描述式分别如公式（4）、公式（5）所示。

根据上述运算式就可以顺利进行基于形态学的图像分割了。利用形态学图像分割的实质就是根据结构元素，对原始图像进行一系列腐蚀、膨胀等形态学运算。因此，形态学分割的结果取决于2个因素，一是形态学运算方法的选取，二是结构元素的情况。

在已有的形态学分割操作中，菱形、圆形、线形和八边形等形状都出现过，但是在实际中更倾向于使用简单的结构元素。原因是复杂的结构元素不仅计算量大，而且很难预计可能出现的形态学处理结果。对于结构元素大、小的选取，也是影响形态学处理的关键。例如选取圆形结构元素，如果半径过小，形态学处理效果就不明显；如果半径过大，形态学处理就会过度，都会影响实际处理效果。

当腐蚀处理、膨胀处理、开运算处理、闭运算处理这4种运算复合在一起时，形态学会产生丰富的处理效果，从而实现有效的图像分割。

一般的形态学分割流程是先对原始图像进行开、闭运算，然后从原始图像中减去开、闭运算的图像，再用2个结果图像执行闭运算操作，从而可以得到剪除背景区域的目标图像。其数学描述如公式（6）所示。

式中：F为最终提取出来的零件区域。

3 铁塔钢结构锈蚀区域的机器视觉检测试验

去除杂点后，铁塔图像锈蚀区域被独立保留下来，但是锈蚀区域的大小、位置对计算机来说是很难获得的，因此需要经过边缘检测，进一步确定边界。所谓边缘，就是在图像灰度域中存在阶跃变化抑或屋脊变换的像素点。边缘是图像非常重要的特征，在目标区域和背景区域值间、目标区域与目标区域值间以及此区域与彼区域值间均广泛存在，图像的边缘信息也是图像灰度不连续的外在表现。

可见，获得图像边缘对深层次的图像处理工作具有非常重要的意义。为了获得图像边缘信息，很多边缘检测算子被设计出来，最常见的有Robert算子边缘检测器、Sobel算子边缘检测器、Prewitt算子边缘检测器、LoG算子边缘检测器以及Canny算子边缘检测器等。

通过试验的不断检验，人们发现大多数边缘算子很难同时满足定位准确和抑制噪声能力强这2个需求，不同算子也表现出自己的优势所在和不足之处。

3.1 Robert算子边缘检测器

Robert算子边缘检测器的基本原理是使用局部的差分算子来实现边缘检测，因此其边缘定位是比较准确的，但有时会表现出检测出的边缘信息不全。另外，Robert算子的去噪能力比较差，检测结果中通常含有较多干扰信息，即存在一定量的伪边缘。因此Robert算子较适合图像本身噪声不多且图像内部边缘信息明显的图像。

3.2 Sobel算子边缘检测器

Sobel算子边缘检测器的基本原理是先进行平滑处理抵抗噪声干扰，再执行微分检测定位边缘。因此Sobel算子的去噪能力比较强，边缘定位效果也比较理想。Sobel算子的最大缺点是检测出的边缘信息比较粗，即不是单像素边缘，同时会出现一定量的伪边缘特征。

3.3 Prewitt算子边缘检测器

Prewitt算子边缘检测器的基本原理和优、缺点与Sobel算子边缘检测器非常类似，二者主要是最后的边缘检测模板不同。

3.4 LoG算子边缘检测器

LoG算子边缘检测器实际上由拉普拉斯算子和高斯算子共同组成。其中拉普拉斯算子是一个二阶次微分算子，主要负责检索图像中的边缘。高斯算子主要用于图像的平滑处理，负责最终边缘检测结果的去噪。LoG算子比前3种算子的处理效果好，但如果图像中存在尖锐的边缘，可能会被高斯算子平滑掉。

3.5 Canny算子边缘检测器

Canny算子边缘检测器是边缘检测算子单独使用效果最理想的一种，其基本原理是先利用高斯算子进行图像平滑以达到去噪目的，再采用双域值检测定位边缘，最后通过连接操作进行断续边缘连接。这是目前边缘检测中比较理想的一种方法。

本文在上述研究的基础上，针对铁塔锈蚀区域图像的具体情况，将形态学处理和Canny算子边缘检测器相结合以实现边缘检测，分别对不同锈蚀区域的分割结果进行识别前预处理，得到的结果如图2～图4所示。

图2 铁塔点状锈蚀区域的检测结果

图2给出的是铁塔点状锈蚀区域的检测结果和经过形态学去除杂点、边缘检测确定区域的效果。比较图2（a）和图2（b）可以看出，检测结果中右下方的杂点被去除了，点状锈蚀区域被确定出来。

图3、图4的试验结果图像展示的分别是铁塔钢结构表面带状外观质量特征、块状外锈蚀区域。其检测结果和图2一样，证实了本文构建的机器视觉检测方法的对锈蚀区域检测的有效性。

图3 铁塔带状锈蚀区域的检测结果

图4 铁塔块状锈蚀区域的检测结果

4 结论

钢结构铁塔在现代化城市中具有重要作用，负责地标指示、通信信号传输和监测警示等任务。长时间的户外矗立使铁塔钢结构的风化和雨雪侵蚀现象较严重，从而出现锈蚀现象，威胁到铁塔的安全。据此，本文提出了一种基于机器视觉的锈蚀缺陷检测方法，包括直方图检测、形态学检测和边缘检测，并通过3组试验验证了所提出方法的有效性。