螺旋钢管表面缺陷自动检测系统设计

付嘉玮 王军民* 白 宇

（长江大学，湖北 武汉430000）

1 概述

螺旋钢管广泛用于石油工业，承担油气集输任务，也用于桥墩码头结构支撑套管中。螺旋钢管表面在生产加工过程中往往出现划痕、腐蚀、孔洞等不同程度的缺陷，降低了螺旋钢管的质量与性能。

缺陷的检测工作往往是由人工完成的。随着生产量的提升，人工检测效率低下、成本高的问题越发突出[1]。为满足现代工业生产自动化智能化的趋势，研究缺陷自动检测技术，对提高生产效率和质量、降低人工成本和生产能源消耗、保障管道运行安全具有积极意义。

2 系统设计方案

表面缺陷自动检测系统设计方案如图1 所示。工业相机置于待检测的螺旋管的上方开始采集原始图像，将图像传输至Raspberry Pi 4B，经图像处理模块分析后，得到缺陷的判别结果。如果原始图像存在符合缺陷特征的区域，则向指示灯传递信号，提醒存在缺陷，需要人工修补；同时Raspberry Pi 4B 通过无线传输将缺陷图像与图像采集时间同步记录，上传至服务器存档。

图1 缺陷检测系统示意图

由于生产线的环境存在大量电焊弧光干扰，在相机镜头前夹具了650nm 带通滤光片过滤杂光。为防止图像丢帧紊乱，工业相机与Raspberry Pi 4B 采用长屏蔽线传输。

3 嵌入式平台搭建

缺陷检测系统需要符合生产线时序规则，为保证检测效率，选用Raspberry Pi 4B 新型嵌入式系统开发套件[2]。4B 型采用64 位四核Cortex A72 处理器，主频1.5GHz，支持C++、Python语言开发。与上一代3B+型相比，处理器速度显著提升，拥有更充裕的内存和更先进的计算机接口，如图2 所示为具体硬件性能对比。

图2 两代Raspberry Pi 的硬件性能对比

Raspberry Pi 4B 的核心是图像处理模块。

图像处理模块的流程如图3 所示。原始图像的输入是亮图像，用亮度矩阵来表示原始数据。为了抑制与缺陷图像无关的信息，应对其作预处理。

由于现场环境光照不充足，缺陷区域图像局限在很小的范围内，使用线性单值函数，对图像的像素做线性扩展，增强视觉效果[3]。设图像灰度级大小为G，设定长为G 的数组H，图像大小表示为M*N。对图像每个像素点p 扫描，得亮度为gp，将gp导入数组H，当H[g]>0 时即为图像最小灰度级gmin，依次累积得到直方图Hc 为，设定：

将T[gp]重新写入图像即得到空间域灰度级变换结果，如图4。此时原始图像已被覆盖，设定阈值P，将图像像素点以P 为零界点设置为0 或255，得到二值化图像，突出缺陷与背景。

图像二值化后传入Canny 边缘检测算法模块，利用线性高斯滤波器（Gaussian filter）对所有像素点平均加权[4]，过滤噪声。接着计算水平、垂直、对角的梯度幅值方向，通过非极大值抑制的边缘细化方法，保留各个梯度最锐利的部分，将其传入OpenCV 轮廓提取函数库中得到缺陷的分割轮廓。当OpenCV 检测到缺陷时，向4B 通用串行总线发送缺陷提示指令，同时将缺陷轮廓、备份的原始图片上传至服务器备份。

在实地测试中，由于现场工作环境恶劣，弧光电磁、烟尘焊料经常影响设备的正常运行，因此采用了软导体PVC 绝缘线外加屏蔽层和PVC 护套的多芯软导线，屏蔽线单端接地的方式将嵌入式设备和现场环境隔离。

图3 图像处理模块流程

图4 灰度级变换图像

4 结论

试验现场及检测结果如图5 所示。实验表明，自动缺陷检测系统能较准确的检测到螺旋钢管上的缺陷位置，同时能提取、标记缺陷轮廓，轮廓基本符合缺陷外围特征，对于小区域连成片的缺陷也能起到较高的识别度，算法鲁棒性良好。

在螺旋钢管生产线上，自动检测设备与人工校验结合，在不增加其他成本的同时大幅延长有效工作时长，不仅提高检测效率，也能保障成品质量。

5 结论

随着计算机、自动化领域的飞速发展，螺旋管生产线的自动化智能化是现代工业的发展趋势和指标。实验说明了设计方案的可行性较好，但仍有诸多细节以待改进[5]。期望在图像处理模块上，改用计算机视觉领域的深度学习方法加以实验验证、对比；期望在嵌入式设备上跟进领域最新开发设备；期望重构系统实现代码，减少亢余。

图5 实验结果