基于图像处理的爬壁机器人焊缝识别与跟踪

杨玥旻，闫维新

(上海交通大学机械与动力工程学院，上海 200240)

0 引言

随着工业自动化与智能化的不断发展，爬壁机器人由于其高度的灵活性与机动性，引起了研究者的广泛关注。爬壁机器人根据其吸附方式的不同，主要分为真空吸附式、磁吸附式和静电吸附式；根据其移动机构的不同，可分为轮式、履带式、足式和轨道式等[1]。国内爬壁机器人的研究大多偏重于应用型，主要用于油罐、管道和船体壁面等的清洗除锈及焊缝检测[2]。为实现爬壁机器人的焊缝跟踪，引导其沿焊缝行进，需要获取更准确的焊缝位置信息。非接触的视觉传感器，被广泛应用于焊缝跟踪过程中。针对不同的应用环境，研究者分别讨论了基于单目视觉的方法、基于双目视觉的方法，以及基于激光机构光与视觉传感器相结合的方法，获取焊缝的二维或者三维立体信息[3-5]。

对于采集到的图像信息，一般有2种处理方法：空间域和频域。空间域方法是把图像看作平面上各个像素组成的集合，直接对像素点进行处理；频域方法需先对图像进行正交变换后，再处理变换域的系数矩阵[6]。由于数字图像信息量大、处理器运算速度有限，而频域方法计算过程不直观、计算量大，不满足实时性要求，更常用的是空间域方法，如图像模板匹配、模式识别等。

本文的爬壁机器人，应用于三峡水电站发电机组压力钢管的焊缝检测，管道直径不小于12.5 m，机器人需要高空作业。考虑到吸附力与机器人自重限制，希望视觉系统尽可能简单；考虑到焊缝高度相对较小，三维特征不明显，希望通过二维信息获取焊缝位置；考虑到图像信息量及处理速度限制，希望选用效率较高的算法。基于以上原因，选用基于单目视觉的图像采集方式，以及基于灰度形态学的图像处理方法，搭建了三峡爬壁机器人实验平台，并基于机器人传回的图像研究了焊缝识别与位置提取算法，并对算法的准确率和实时性进行了分析。

1 爬壁机器人及视觉系统

爬壁机器人采用模块化设计方法，电机驱动4组履带轮作为移动模块，能适应曲率半径不同的壁面；使用永磁式吸附结构，确保运动过程中吸附可靠性；使用里程计+位姿传感器，解决压力钢管内大范围的定位问题。采用机器视觉方法，实现焊缝循迹，图像采集使用海康网络PTZ摄像机。相机置于爬壁机器人前端云台，距离壁面高度可调节，行进过程中垂直于壁面俯拍焊缝图像。考虑到管道内部光照强度较低，在相机上方增加白色条形光辅助照明，提高图像采集质量。机器人上还安装有六自由度关节式机械臂、焊枪和喷涂装置等，可以实现移动中的焊缝维护。实验系统构成如图1所示，设计质量约200 kg。

图1 爬壁机器人及图像处理系统

云台相机采集图像，传回上位PC控制端，在Python3.0软件平台上，进行图像实时处理，识别焊缝并提取焊缝位置。位置信息反馈到移动平台控制器，引导爬壁机器人沿焊缝前进。

2 焊缝识别及位置检测

CCD视觉传感器获得的原始图像如图2所示(图像左侧方框中为需要识别的焊缝大致所在区域)。焊缝图像信息量大，有效区域小，信噪比高。为此，将图像处理流程设计为预处理和焊缝提取2个步骤，如图3所示。预处理流程目的在于压缩图像信息，弱化图像噪声，凸显焊缝特征；焊缝提取步骤通过边缘检测等方法，表征焊缝具体位置，并获取坐标。

图2 视觉传感器获取的焊缝原始图像

图3 图像信息处理流程

2.1 焊缝图像预处理

2.1.1 灰度化处理

原图为1 024×1 280的RGB 三色图，分辨率和画面质量较高。为减少图像信息，提高运算速度，将RGB图像转换为灰度图像。转换方式采用根据人眼灰度视觉效果得到的心理学灰度公式：

Zxy=0.11Rxy+0.59Gxy+0.3Bxy

(1)

Zxy为转换后的灰度图像在(x,y)点处的灰度值；Rxy、Gxy、Bxy分别为原彩色图像中红、绿、蓝分量在(x,y)点处的值。

2.1.2 自适应中值滤波去噪

在图像采集、传输过程中存在许多干扰因素，如管道壁面不完全平整，光照条件不一致，焊缝周围存在飞溅物、车轮印等。这些噪声严重影响到焊缝特征提取，必须予以滤除。传统的滤波方法，如高通滤波、低通滤波和中值滤波等，往往在去噪的同时模糊了图像的细节特征，不利于后续处理。为了有效消除噪声的同时，保留焊缝细节，本文采用自适应中值滤波方法。

自适应中值滤波在传统的中值滤波基础上，实时更正滤波窗尺寸，提高其适用性。基本工作过程分2步完成[7]：

a.A1=Zmed-Zmin-1；A2=Zmed-Zmax+1。 若A1>0且A2<0，转b，否则放大窗口Sxy；若Sxy≤Smax，重复a，否则输出Zxy。

b.若B1=Zxy-Zmin-1；B2=Zxy-Zmax+1。若B1>0且B2<0，输出Zxy，否则输出Zmed。

其中，Sxy为像素点(x,y)的领域；Zxy为像素点(x,y)的灰度值；Zmax、Zmed、Zmin分别为领域Sxy中的灰度最大值、中值和最小值；Smax表为自适应滤波窗口最大尺寸。

步骤a的作用是判断滤波器输出Zmed是否为噪声点，由于噪声点灰度值为极大或极小，当Zmin

与一般的自适应滤波方法不同，将判断条件由A1=Zmed-Zmin改为A1=Zmed-Zmin-1，增加了常数项，是考虑到噪声幅度过高或噪声面积过大时，可能出现Zmed和Zmax或Zmin相等的情况，避免将噪声点误判为有用信号输出。经测试，该方法有效弱化了焊缝边缘的噪声。

2.1.3 二值化和细化处理

在采集的管道焊缝图像中，焊缝处的灰度值低于焊缝附近背景灰度，可以通过选择合适的阈值，将焊缝与背景区分开。先对图像进行直方图均衡化，再依据直方图中灰度值的分布，按最大类间方差法(OTSU算法)求得最佳分割阈值。

经阈值分割处理的二值化图像，突出了焊缝边缘信息，但周围还存在众多离散分布的噪点。对图像进行1次开运算，即先膨胀后腐蚀，消除离散点，平滑焊缝边界。由于焊缝余高不均匀，二值化后的焊缝边界可能出现断裂，为此对图像进行1次闭运算，即先腐蚀后膨胀，尽可能消除断点影响。焊缝图像预处理结果如图4所示。

图4 预处理后的焊缝图像(局部)

2.2 焊缝位置提取

经预处理得到的二值化图像，焊缝特征更为突出。为了从图像中提取焊缝，确定其位置，首先通过边缘检测得到其轮廓，再进一步确定中心线坐标。

2.2.1 边缘检测

焊缝边缘，即灰度值Zxy在其周围发生阶跃变化的像素点(x,y)的集合，也即灰度值函数z(x,y)的梯度极具变化的位置。由于梯度计算涉及偏微分较为复杂，常用离散逼近的算子代替。常见的有一阶的Sobel算子、Prewitt算子，二阶的Gauss-Laplace算子、LOG算子，以及特殊的非微分Canny算子等。其中，Canny算子抗干扰性最强，能检测到弱边缘。

在本文中，由于焊缝边缘与周围背景灰度值差别小，信噪比高，目标边缘特征较弱。故采用检测精度最高的Canny算法，先用高斯滤波器平滑图像，再通过双阈值法(double-threshold)检测，确定真实和潜在的边缘。该方法能在检测到弱边缘的同时，抑制不与强边缘相连接的孤立部分[8]。Canny算子边缘检测结果如图5所示，焊缝边缘连续无断点，但周围存在少量离散的噪点。

图5 Canny算子检测的焊缝边缘图像

2.2.2 中心线坐标提取

检测到焊缝边缘之后，为确定焊缝位置，需用直线拟合焊缝中心。经Canny算子检测的焊缝图像中，边缘信息复杂、噪点多，难以用传统的最小二乘等方法拟合直线。考虑到工作中的实时性要求，本文采用计算量较小的Hough变换方法。

Hough变换是将直角坐标系中寻找共线点的问题，转换为极坐标中寻找共点曲线的问题。直角坐标中的点(x,y)，在极坐标中表示为一条正弦曲线ρ=xcosθ+ysinθ，因此直角坐标系中同一直线上的点，对应到极坐标系中交于点(ρ0，θ0)的一簇曲线。将焊缝边缘图像中每一点映射到极坐标系，统计通过每一点的正弦曲线数，计数值最大的点(ρ0，θ0)，即对应与焊缝共点数最多的一条直线。该方法能有效抑制离散噪点的影响。

本文实验系统中相机置于爬壁机器人前端云台上，距离壁面焊缝远，拍摄视角宽，视野中焊缝宽度小。Hough变换得到的直线近似为焊缝中心线，其在图像中的坐标近似为焊缝位置。

3 结果分析

手动控制爬壁机器人在管道壁面沿焊缝爬行，采集1组连续的焊缝图像，进行本文所述的图像处理和焊缝提取。机器人爬行速度约为20 cm/s，图像采集速率12 帧/s。爬行过程中不同位置拍摄的图像，壁面情况及焊缝特征有所不同，从中随机选取4组不同位置的焊缝图像，处理结果如图6所示。

图6 4组图像焊缝位置提取结果

4组图像(a、b、c、d)每组2张,分别为机器人行进过程中拍摄的连续2帧图像，即管道壁面上相近位置的焊缝图像。图6中，θ表示焊缝拟合直线相对垂直方向的偏角，以逆时针方向为正方向；x0表示焊缝相对位置，以图像左下角为原点，水平向右为x轴正方向。提取焊缝位置如表1所示。

表1 焊缝位置提取结果

表1中,dθ、dx0分别表示每组2幅图像焊缝角度、横向位置的偏移量。从测试结果来看，提取的直线可以比较准确地表征焊缝位置。a、b组壁面平整，信噪比相对较低，可以提取到完整的焊缝；c、d组壁面存在明显噪声，对提取精度有一定影响。共测试图像7 474幅，其中5 305幅可得到较为准确的焊缝位置。综合测试结果，焊缝提取成功率达到70%以上，单幅图像处理时间为200 ms(处理器为Intel(R)Core(TM)i5-8250U CPU@1.60 GHz 1.80 GHz，系统为Windows 10 64位，Python 3.0)。处理时间主要体现在自适应滤波算法上，实际工作中爬壁机器人移动速度不超过20 cm/s，该算法处理速度5～6帧/s，能够满足实时性要求。

同组连续2张图像提取的焊缝信息相近，其偏差反映了爬壁机器人在当前位置的行进方向和横向位移。起始位置机器人行进方向平行于焊缝，偏角θ为0。若希望机器人保持沿焊缝移动，则需控制偏角在一定范围内。x0反映机器人相对初始位置的水平偏移量，将提取的焊缝位置信息反馈到运动控制器，辅助爬壁机器人的定向，引导其沿焊缝移动。

4 结束语

基于爬壁机器人移动平台和视觉传感器构成的焊缝图像采集系统，本文设计了一种基于CCD图像处理的焊缝识别和焊缝位置提取算法。

a.采用了焊后焊缝图像处理方法，能过滤焊接和图像采集过程中的噪声和干扰，从高信噪比的图像中准确提取焊缝位置，有效解决爬壁机器人移动过程中的焊缝信息采集。

b.提出了一种基于单目视觉和图像处理的爬壁机器人辅助定向方案，引导机器人沿焊缝方向行进，处理速度满足机器人移动过程中的实时性要求。