摘要：

摘要: 為解決散熱器釬焊缺陷在工業(yè)檢測(cè)過(guò)程中效率低、差錯(cuò)率高的問(wèn)題，本文設(shè)計(jì)了一種基于機(jī)器視覺(jué)的缺陷檢測(cè)系統(tǒng)。針對(duì)釬焊環(huán)節(jié)產(chǎn)生的焊縫和阻塞這兩種缺陷，通過(guò)設(shè)計(jì)的內(nèi)外雙光源照射模塊分別對(duì)其打光得到各自的原始圖像;其次采用灰度處理、濾波除燥等算法進(jìn)行預(yù)處理;最后采用區(qū)域生長(zhǎng)算子和設(shè)計(jì)的雙閾值篩選算法分別得到了圖像的焊縫和阻塞缺陷。實(shí)驗(yàn)表明，本系統(tǒng)檢測(cè)效率比傳統(tǒng)人工檢測(cè)效率提高了6倍，準(zhǔn)確率在97%以上。

1. 引言

散熱器是汽車(chē)?yán)鋮s系統(tǒng)的重要部件之一，其各部件一般采用鋁合金材料，通過(guò)釬焊爐高溫釬焊而成。但在整體成型的釬焊過(guò)程中散熱器容易出現(xiàn)焊縫泄漏 [1] 和阻塞缺陷，這兩種缺陷嚴(yán)重降低了散熱器的使用性能，并且容易產(chǎn)生安全隱患。目前，散熱器釬焊處的缺陷檢測(cè)主要通過(guò)人工檢測(cè)的方式完成，但是隨著自動(dòng)化檢測(cè)技術(shù)的發(fā)展，這種落后的檢測(cè)方式已不適應(yīng)時(shí)代的發(fā)展要求。因此，實(shí)現(xiàn)對(duì)焊件質(zhì)量的自動(dòng)化檢測(cè)具有重要意義。、

目前，對(duì)釬焊、擴(kuò)散式焊接質(zhì)量的檢測(cè)主要還是采用超聲波檢測(cè)、X射線(xiàn)檢測(cè)和機(jī)器視覺(jué) [2] 等方法。美國(guó)Cognex公司設(shè)計(jì)出了基于機(jī)器視覺(jué)的Smart View 系統(tǒng)，該系統(tǒng)在金屬表面缺陷檢測(cè)中取得了很高的識(shí)別率 [3];而Westinghous公司在鋼板釬焊表面的缺陷檢測(cè)中提供了一種新的檢測(cè)方案 [4]，原理是利用不同照明光路與電荷耦合元件(charge coupled device, CCD)線(xiàn)陣相機(jī)相結(jié)合的方式對(duì)其進(jìn)行檢測(cè)。國(guó)內(nèi)方面，浙江大學(xué)的周紅明等人設(shè)計(jì)了分水嶺閾值分割法，利用機(jī)器視覺(jué)技術(shù)實(shí)現(xiàn)了對(duì)焊縫缺陷定位與尺寸測(cè)量 [5]，從目前的研究成果可以看出，研究關(guān)注點(diǎn)主要集中在圖像分割提取和缺陷識(shí)別分類(lèi) [6]。

針對(duì)散熱器釬焊產(chǎn)生的缺陷問(wèn)題，本文以機(jī)器視覺(jué)技術(shù)和圖像處理為基礎(chǔ)，通過(guò)設(shè)計(jì)的雙光源照射模塊、改進(jìn)圖像預(yù)處理算法及閾值篩選算法實(shí)現(xiàn)了對(duì)汽車(chē)散熱器釬焊缺陷的自動(dòng)化、高精度的檢測(cè)。

2. 系統(tǒng)整體方案

2.1. 檢測(cè)對(duì)象

汽車(chē)散熱器主要是由散熱器芯、水管、散熱空氣葉片、上水箱及下水箱等組合而成。上水箱在散熱器上，由水管將上水箱與散熱器下水箱相連通，熱水由上而下流到下水箱時(shí)變?yōu)闇厮峥諝馊~片則構(gòu)成孔道，經(jīng)風(fēng)扇的抽吸使大量的冷空氣經(jīng)空氣孔道，將流經(jīng)水管中冷卻水的熱量吸收，再發(fā)散于大氣中。本文檢測(cè)對(duì)象為水管口四周的釬焊處，如圖1所示。

Figure 1. Brazing defects of automobile radiator

圖1. 汽車(chē)散熱器釬焊缺陷

汽車(chē)散熱器的水管口四周經(jīng)過(guò)釬焊而成的，其中個(gè)別管口的釬焊處會(huì)存在焊縫缺陷或阻塞缺陷。本檢測(cè)系統(tǒng)主要基于散熱器的這兩種缺陷進(jìn)行檢測(cè)和識(shí)別，圖2為通過(guò)打光即可得到散熱器的焊縫缺陷圖，圖3為阻塞缺陷圖。

Figure 2. Radiator weld defects (lighting)

圖2. 散熱器焊縫缺陷(打光)

Figure 3. Radiator blocking defect

圖3. 散熱器阻塞缺陷

2.2. 硬件系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

本文針對(duì)散熱器釬焊缺陷設(shè)計(jì)的機(jī)器視覺(jué)檢測(cè)系統(tǒng)主要由硬件系統(tǒng)和軟件系統(tǒng)組成。軟件方面主要利用在VS2017平臺(tái)下開(kāi)發(fā)的系統(tǒng) [7]，可以實(shí)現(xiàn)圖像采集控制、圖像處理分析 [8] [9]、PLC驅(qū)動(dòng)和控制、檢測(cè)數(shù)據(jù)統(tǒng)計(jì)存儲(chǔ)、人機(jī)交互等系統(tǒng)功能。硬件系統(tǒng)包括工業(yè)相機(jī)、鏡頭、光源、圖像采集卡、計(jì)算機(jī)等。

硬件系統(tǒng)整體結(jié)構(gòu)如圖4所示。

Figure 4. Brazing defect detection system of automobile radiator based on machine vision. 1.Computer; 2. Camera; 3. Lens; 4. External Light; 5. Automotive radiator

圖4. 基于機(jī)器視覺(jué)的汽車(chē)散熱器釬焊缺陷檢測(cè)系統(tǒng)。1. 計(jì)算機(jī);2. 相機(jī);3. 鏡頭;4. 外光源;5. 內(nèi)光源;6. 汽車(chē)散熱器

系統(tǒng)工作流程為：首先通過(guò)將散熱器放置到由伺服電機(jī)帶動(dòng)的傳送帶上，當(dāng)散熱器經(jīng)過(guò)檢測(cè)工位時(shí)，相機(jī)給計(jì)算機(jī)發(fā)送工件到位信號(hào)。

第一階段，計(jì)算機(jī)對(duì)散熱器的焊縫缺陷進(jìn)行檢測(cè)，內(nèi)光源會(huì)亮起，而外光源會(huì)關(guān)閉，然后再發(fā)送采集信號(hào)觸發(fā)相機(jī)拍照。

第二階段，計(jì)算機(jī)對(duì)散熱器的阻塞缺陷進(jìn)行檢測(cè)，內(nèi)光源會(huì)關(guān)閉，而外光源會(huì)亮起，然后再發(fā)送采集信號(hào)觸發(fā)相機(jī)拍照。

第三階段，計(jì)算機(jī)接收到前兩各階段拍攝的圖片，并且分別對(duì)圖像進(jìn)行實(shí)時(shí)處理，并將檢測(cè)結(jié)果信號(hào)反饋給計(jì)算機(jī)來(lái)顯示檢測(cè)結(jié)果。

2.3. 軟件算法設(shè)計(jì)

本檢測(cè)算法系統(tǒng)主要分為兩個(gè)檢測(cè)模塊，分別對(duì)焊縫缺陷以及阻塞缺陷進(jìn)行檢測(cè)。該系統(tǒng)通過(guò)對(duì)原始圖像進(jìn)行處理，提煉出其中的主要特征(輪廓、亮度等)，便于計(jì)算機(jī)識(shí)別法 [10] [11]。首先，開(kāi)啟內(nèi)光源對(duì)汽車(chē)散熱器的釬焊處進(jìn)行焊縫檢測(cè)，判斷其是否存在缺陷。然后，關(guān)閉內(nèi)光源，開(kāi)啟外光源，對(duì)散熱器釬焊處的阻塞缺陷進(jìn)行檢測(cè)，判斷其是否存在缺陷。若兩個(gè)模塊都未檢測(cè)出缺陷，則判定為合格產(chǎn)品，否則即為不合格產(chǎn)品。本文算法流程圖如圖5所示。

Figure 5. Radiator brazing defect detection algorithm flow、

圖5. 散熱器釬焊缺陷檢測(cè)算法流程

3. 釬焊缺陷檢測(cè)流程

3.1. 焊縫缺陷檢測(cè)

3.1.1. 灰度處理

本系統(tǒng)的工業(yè)相機(jī)拍攝到的圖像是散熱器的三通道彩色圖像，顏色本身非常容易受到光照的影響，三通道轉(zhuǎn)為一通道后，運(yùn)算量將大大減少。圖6為灰度處理后的焊縫缺陷圖像，圖7為它的灰度直方圖。

3.1.2. ROI區(qū)域提取

在對(duì)圖像采集的過(guò)程中往往會(huì)因?yàn)橄鄼C(jī)視場(chǎng)較大出現(xiàn)目標(biāo)以外的場(chǎng)景，而目標(biāo)缺陷區(qū)域只存在于散熱器釬焊處的圖像中。因此，在進(jìn)行圖像處理以前，需要對(duì)散熱器釬焊圖像進(jìn)行有效區(qū)域的提取。有效區(qū)域也可稱(chēng)為感興趣區(qū)域(Regions of Interest簡(jiǎn)稱(chēng)ROI)，去除背景無(wú)關(guān)部分，盡可能的保全散熱器釬焊處的部分。圖8為提取后的ROI圖像，圖9為ROI圖像的灰度直方圖。

Figure 6. Weld defects after gray processing

圖6. 灰度處理后的焊縫缺陷

Figure 7. The gray level of weld defects is straight、

圖7. 焊縫缺陷的灰度直方圖

Figure 8. ROI weld defects after extraction

圖8. 提取后的ROI焊縫缺陷

Figure 9. Grayscale histogram of ROI weld defect image

圖9. ROI焊縫缺陷圖像的灰度直方圖

3.1.3. 濾波算法

圖像去噪算法有很多種類(lèi)，而高斯濾波是里面最常用的去噪算法之一。因?yàn)楦咚篂V波是一種低通濾波，所以它能有效地濾除掉圖像中出現(xiàn)的噪點(diǎn)。高斯濾波會(huì)對(duì)邊緣信息進(jìn)行平滑，使圖像變得模糊，當(dāng)能濾除掉圖像中噪聲信號(hào)。由于它在濾波過(guò)程中只關(guān)注了位置信息，所以會(huì)使圖像變得模糊;權(quán)重的計(jì)算方法如下式：

Figure 10. Radiator weld defects after filtering

圖10. 濾波后的散熱器焊縫缺陷

3.1.4. 焊縫缺陷提取

本文將采用區(qū)域生長(zhǎng)算子對(duì)濾波后的圖像進(jìn)行閾值化處理，將打光的焊縫提取出來(lái)。首先，需要對(duì)每一個(gè)區(qū)域指定一個(gè)種子點(diǎn)作為生長(zhǎng)的起點(diǎn)，然后將種子點(diǎn)周?chē)I(lǐng)域的像素點(diǎn)和種子點(diǎn)進(jìn)行對(duì)比，將具有相似性質(zhì)的點(diǎn)合并起來(lái)繼續(xù)向外生長(zhǎng)，直到?jīng)]有滿(mǎn)足條件的像素被包括進(jìn)來(lái)為止。這樣一個(gè)區(qū)域的生長(zhǎng)就完成了。

具體步驟如下：

1) 對(duì)圖像順序掃描，找到第1個(gè)還沒(méi)有歸屬的像素，設(shè)該像素為 (x0,y0)(x0,y0) ;

2) 以 (x0,y0)(x0,y0) 為中心，考慮 (x0,y0)(x0,y0) 的8鄰域像素 (x,y)(x,y)，如果 (x,y)(x,y) 滿(mǎn)足生長(zhǎng)準(zhǔn)則，將 (x,y)(x,y) 與 (x0,y0)(x0,y0) 合并，同時(shí)將 (x,y)(x,y) 壓入堆棧;

3) 從堆棧中取出一個(gè)像素，把它當(dāng)作(x0，y0)返回到步驟2;

4) 當(dāng)堆棧為空時(shí)，返回到步驟1;

5) 重復(fù)步驟1~4直到圖像中的每個(gè)點(diǎn)都有歸屬時(shí)。生長(zhǎng)結(jié)束，區(qū)域生長(zhǎng)法分割。

提取后的散熱器焊縫缺陷圖如下圖11所示。

Figure 11. Radiator weld defects after extraction

圖11. 提取后的散熱器焊縫缺陷

3.2. 阻塞缺陷檢測(cè)

3.2.1. 圖像預(yù)處理

首先，采用上文的算法分別對(duì)原始圖像進(jìn)行灰度處理、ROI區(qū)域提取，然后對(duì)其進(jìn)行濾波除燥后，即可得到阻塞缺陷的預(yù)處理圖像。

本章節(jié)將采用雙邊濾波算法去除圖像中的噪點(diǎn)。它處理后的圖像能夠保持邊緣、降噪平滑。這是因?yàn)殡p邊濾波的權(quán)重不僅考慮了像素的歐氏距離，還考慮了像素范圍域中的輻射差異，在計(jì)算中心像素的時(shí)候同時(shí)考慮到了這兩個(gè)權(quán)重。

在圖像中的平坦區(qū)域，濾波器中每個(gè)像素點(diǎn)的 GrGr 值相等，空間距離權(quán)重 GsGs 主導(dǎo)濾波效果。通過(guò)實(shí)驗(yàn)我們可以看出來(lái)，在圖像的邊緣區(qū)域，邊緣信息能夠得到有效的保護(hù)。在進(jìn)行歸一化后，這些權(quán)值得到了提升，因此在平坦區(qū)域內(nèi)出現(xiàn)的噪聲點(diǎn)也有濾除效果。本文采用雙邊濾波，如圖12所示。

Figure 12. Blocking defects after gray processing

圖12. 灰度處理后的阻塞缺陷

本文在傳統(tǒng)的Canny法基礎(chǔ)上，對(duì)Canny算法進(jìn)行改進(jìn)。采用了在Canny邊緣的梯度圖像上進(jìn)行二次曲面擬合，并參考Canny邊緣位置及邊緣方向進(jìn)行更精確的邊緣提取。本文采用改進(jìn)的Canny算法使最后的圖像邊緣達(dá)到了較高的尺寸檢測(cè)精度，如圖13所示。

Figure 13. Blocking defects after edge extraction

圖13. 邊緣提取后的阻塞缺陷

3.2.2. 阻塞缺陷提取

本文將采用雙閾值篩選算法對(duì)阻塞缺陷進(jìn)行提取。首先，經(jīng)過(guò)改進(jìn)的Canny邊緣檢測(cè)之后，可以清晰的將散熱器釬焊處的邊緣輪廓提取出來(lái)。其次，缺陷管口的輪廓在面積和長(zhǎng)度方面都遠(yuǎn)遠(yuǎn)的小于正常管口。因此，本文結(jié)合輪廓的高度和面積設(shè)計(jì)了一種新的缺陷提取算法–雙閾值篩選算法，該算法通過(guò)設(shè)置尺寸的閾值來(lái)篩選出缺陷的輪廓，算法流程圖如圖14所示。

Figure 14. Double threshold filtering algorithm flow

圖14. 雙閾值篩選算法流程

圖15即為該算法提取出的阻塞缺陷圖。

Figure 15. Curve: system result of standard experiment

圖15. 提取后的散熱器阻塞缺陷

4. 缺陷檢測(cè)結(jié)果及分析

為了判別待處理的散熱器是否為合格產(chǎn)品，本文對(duì)300張圖像進(jìn)行實(shí)驗(yàn)分析，其中87張為焊縫缺陷圖像、93張為阻塞缺陷圖像以及120張非缺陷圖像。本文采用了適合本材質(zhì)的光照進(jìn)行補(bǔ)光，并在傳統(tǒng)圖像算法的基礎(chǔ)上進(jìn)行了諸多改進(jìn)以達(dá)到更好的檢測(cè)效果。實(shí)驗(yàn)檢測(cè)結(jié)果統(tǒng)計(jì)如表1所示。

Table 1. Radiator defect detection system test data

表1. 散熱器缺陷檢測(cè)系統(tǒng)試驗(yàn)結(jié)果數(shù)據(jù)

實(shí)驗(yàn)結(jié)果表明，本算法檢驗(yàn)正確率在97%以上，在缺陷檢測(cè)方面的失誤較小，尤其對(duì)焊縫缺陷的檢測(cè)尤為準(zhǔn)確，可滿(mǎn)足汽車(chē)散熱器釬焊缺陷的檢測(cè)要求。

5.結(jié)論

本文針對(duì)散熱器釬焊處的焊縫和阻塞這兩類(lèi)缺陷分別采用了不同圖像算法進(jìn)行檢測(cè)，首先通過(guò)相機(jī)、鏡頭、光源、圖像采集卡和計(jì)算機(jī)等硬件設(shè)備搭建采集缺陷圖像，然后分別進(jìn)行焊縫缺陷和阻塞缺陷兩個(gè)模塊的檢測(cè)，最后再結(jié)合兩個(gè)模塊的檢測(cè)結(jié)果對(duì)采集到的圖像進(jìn)行最后的判定。文章不僅改進(jìn)了相關(guān)的圖像算法，也提出了新的篩選算法來(lái)判定提取到的輪廓是否為缺陷圖像。

結(jié)果表明本檢測(cè)平臺(tái)對(duì)散熱器釬焊缺陷檢測(cè)的正確率達(dá)到97%以上，充分驗(yàn)證了本系統(tǒng)的可靠性，滿(mǎn)足了對(duì)散熱器釬焊缺陷的自動(dòng)化檢測(cè)要求，具有一定的實(shí)用價(jià)值。

審核編輯：湯梓紅