前 言 焊接生產(chǎn)自動化、智能化已經(jīng)成為焊接技術發(fā)展的重要方向。在焊接智能化過程中，傳感器的應用是關鍵技術之一，其中光學傳感器跟蹤精度高，動態(tài)響應快，信息豐富，是目前研究最多的傳感器之一。圖像傳感具有非接觸性的特點且受焊接電弧、電磁場干擾小，在焊接領域得到了廣泛應用，為實現(xiàn)焊接操作自動化提供了有力手段。CCD等視覺傳感器的小巧體積和低廉價格也使得其工業(yè)應用成為可能。目前視覺傳感和圖像處理技術已廣泛應用到焊縫識別、熔池動態(tài)智能控制、焊縫跟蹤、預測焊接組織、結構及性能等方面[1-3]。 要想利用視覺技術識別焊縫或提取熔池特征進行焊縫跟蹤、熔透控制等，其中一個重要的步驟就是提取焊縫或者熔池的特征參數(shù)。如在一幅工件圖像上，焊縫和形成焊縫的工件的灰度是不連續(xù)的，因此，在工件圖像上焊縫表現(xiàn)為一條邊緣。對于熔池圖像，熔池和電弧的灰度差別也體現(xiàn)在圖像邊緣上，反應了熔池的形狀特征。故邊緣是一個重要的特征量。Poggio等[4]定義邊緣檢測為“主要是灰度變化的度量、檢測和定位”。邊緣與圖像中物體的邊界有關但不同。要利用光學傳感和圖像處理技術來進行焊接智能化，焊縫或熔池邊緣的提取是一個必須的過程。 1959年,文獻上最早提到邊緣檢測[5]。1965年L. G. Roberts最早開始系統(tǒng)研究邊緣檢測［6］。以后每年都會出現(xiàn)很多關于邊緣檢測的文章，重要的文章大都發(fā)表在IEEE Trans. On Pattern Analysis and Machine Intelligence，CVGIP: Image Processing，IEEE Trans. On Image Processing，Journal of the ACM等上。盡管已有成千上萬的邊緣檢測方法，但是沒有一種方法具有通用性和廣泛的適應性，能直接拿來用在某種特定的應用上，因此探索已有算法的特點發(fā)現(xiàn)適合焊接特點的算法和發(fā)展新的算法來用于焊接過程具有一定的現(xiàn)實意義。 1.焊縫邊緣類型特點分析 在圖像處理理論中[7]，圖像邊緣點可能對應不同的物理意義。根據(jù)對應的不同物理意義可以將邊緣分為如下4類（如下圖）： [align=center] 圖1 圖像邊緣類型[/align] （1）1類邊緣。如圖1中標為1的邊緣線，1類邊緣為兩個不同曲面的或平面的交線，該點處物體表面的法線方向不連續(xù)，在1類邊緣線的兩邊，圖像的灰度值有顯著得變化。 （2）2類邊緣。2類邊緣線是由材料類型不同或顏色差異產(chǎn)生的。上圖中由兩種不同材料組成，由于它們對光的反射系數(shù)不同，使2邊緣線的兩側灰度有顯著變化。 （3）3類邊緣。3類邊緣線是物體與背景的分界線。如上圖中圓柱上有兩條3類邊緣線，一般稱為外輪廓線。在3類邊緣點上，三維物體表面的法線方向是連續(xù)的，出現(xiàn)邊緣點是由于從一定視角看物體時，3類邊界點是物體與背景的交界處。由于物體與背景在光照條件與材料反射系數(shù)等方面差異很大，因此在3類邊緣兩側，圖像的灰度也有顯著變化。圖中標以3′的邊緣，既是物體與背景的交界處，也是物體上表面法線的不連續(xù)處，但引起它兩側灰度躍變的原因是前者?！? （4）4類邊緣。4是陰影引起的邊緣。由于物體表面某一部分被另一物體遮擋，使它得不到光源的照射，從而引起邊緣點兩側灰度值有較大的差異。 對于焊前的接縫而言，無論是對接焊縫、帶坡口的焊縫或者搭接的焊縫都表現(xiàn)為兩個明顯的邊緣，對搭接而言可以看作是邊緣的重疊。而對于焊接熔池表現(xiàn)為一個明顯的邊緣輪廓，對應于熔池形狀。同時焊接環(huán)境較為復雜，比如焊件表面的不一致性（劃痕、氧化色、標記、油污等等），又如弧光的干擾。對于像鋁這樣的強反射工件，還存在光的反射，焊槍等的倒影問題，使得識別異常困難。分析焊縫和熔池的這些特點，可以看出焊接環(huán)境的邊緣包括上述的2，3，4類邊緣。在選用和提出新的邊緣提取算法時必須考慮這些因素的影響。 2.常用的邊緣提取算法及其在焊接環(huán)境識別中的適用性 如前所述，邊緣提取的方法粗略可以分為梯度檢測法（如Roberts算子、Prewitt算子和Sobel算子等）、二階導數(shù)零交叉點檢測法、統(tǒng)計型方法、小波多尺度檢測、模糊數(shù)學方法，還有數(shù)學形態(tài)學、神經(jīng)網(wǎng)絡、邊緣流法等檢測方法。這么多算法只有針對特定的應用領域時才能說哪種更好。1986年Canny[8]總結了以往理論和實踐的成果,提出邊緣檢測Canny三準則:好的檢測結果,好的定位還有對單一邊緣低重復響應，并給出了他們的數(shù)學表達式。下面結合焊接環(huán)境的特點，分析現(xiàn)有的邊緣提取算法對焊接環(huán)境識別的適用性。 2.1微分算子 2.1.1梯度算子 梯度對應于一階導數(shù)，相應的梯度算子就對應于一階導數(shù)算子。對于一個連續(xù)函數(shù)f（x,y），其在（x,y）處的梯度定義如下： 梯度是一個矢量，其幅值和相位分別為 該算法需要對每一個象素位置進行計算，這樣運算量很大，實際中常常采用小模板利用卷積運算近似，Gx和Gy各自使用一個模板。常用的模板是Robert算子，較為復雜的常用模板有Prewitt算子、Sobel算子、Kirsch算子。而這幾種算子中其好壞取決于噪聲的結構，如果在每個點噪聲都是相同的，那么Prewitt算子是比較好的，如果靠近邊緣的噪聲是沿著邊緣的2倍，那么Sobel算子是比較好的。 這樣梯度算子考慮了幅度和方向兩個參數(shù)。而在焊接環(huán)境的識別中，我們希望實時獲得焊縫的信息，同時又希望能預測下面焊縫前進的方向。所以梯度算子給我們提供了一種可行的方法。但是梯度算子對噪聲敏感，這對于復雜的焊接環(huán)境來說，會識別出很多偽邊緣。因此單獨采用梯度算子對焊縫邊緣提取效果不理想?？梢酝ㄟ^先對圖像做平滑以改善結果，會把一些靠在一起的邊緣平滑掉，而且會影響對邊緣的定位。用這些模板卷積后得到的邊緣可能是跨躍好幾個點而不是一個點，因此應該同時考慮兩個因素，邊緣像素不只是要大于閥值，而且在梯度方向上梯度 的大小要大于它的前者和它的后者，這個方法稱之為非極值抑制。 2.1.2 Laplacian算子 Laplacian算子是一種二階微分算子，其在數(shù)字圖像中的一般表示形式是： 其中是以 f（m,n）為中心的鄰點的集合，可是4或8鄰點可直接以作為邊緣象素灰度，也可把的象素作為邊緣。 梯度算子和 Laplacian 算子對噪聲都比較敏感。對此可以在做邊緣提取前先用鄰域平均法做平滑處理，同時可以用高斯形二維低通濾波器對圖像進行濾波，然后再作Laplacian邊緣提取。這就是常用的Laplacian-Gauss算子。 在焊接工件上有很多噪聲點，而微分運算對那些孤立的噪聲點有“擴散”作用，尤其是Laplacian算子，不但擴散而且強度顯著增大。所以在微分算子檢測邊緣之前最好清除噪聲。而對于對接的焊縫，當間隙較小時其邊緣特征顯示為細直線，微分運算后會變寬。由于梯度算子可以檢測圖像邊緣的方向，更適合于焊接環(huán)境的識別。 2.2 小波多尺度邊緣檢測方法[9][10] 小波變換可以通俗的理解為：將原始的信號和小波函數(shù)的左端進行比較，求出兩個函數(shù)的相似性系數(shù)，然后將小波函數(shù)右移一個小波函數(shù)的距離，進行比較和計算，直至完成整個信號的運算；這樣得到一個尺度下的小波系數(shù)。將小波函數(shù)膨脹，重復上述過程，得到一系列尺度下的小波系數(shù)。圖像中的突變點是分析圖像時的關鍵特征，通常就是感興趣的邊緣特征。邊緣檢測就是從小波系數(shù)的變化梯度方向上找到階躍的突變點。為了檢測到圖像中大目標結構的邊緣和細節(jié)特征，研究者提出了多尺度邊緣檢測的概念，即在大尺度上檢測出目標的大邊緣，在小尺度上檢測到目標細節(jié)。相關理論可參見文獻[9][10]。該方法是當前圖像處理中的熱點之一，具有較好的發(fā)展前途。已有文獻將其應用到焊接熔池圖像的處理中[10]。 對焊接環(huán)境來講，該方法具有較好的適應性，可以對工件或者熔池從大尺度上搜索出目標，然后提取出感興趣的細節(jié)。 2.3 數(shù)學形態(tài)學方法[11] 數(shù)學形態(tài)學是研究數(shù)字影像形態(tài)結構特征與快速并行處理方法的理論，是通過對目標影像的形態(tài)變換實現(xiàn)結構分析和特征提取的目的。數(shù)學形態(tài)學以圖像的形態(tài)特征為研究對象，它的主要內容是設計一整套概念、變換和算法，用來描述圖像的基本特征和基本結構，也就是描述圖像中元素與元素、部分與部分間的關系。圖像中對象及圖像特征直接取決于形狀，數(shù)學形態(tài)學的目的是在時域空間研究形狀，所以形態(tài)學適用于圖像處理。形態(tài)運算中的腐蝕、膨脹、開、閉是基于集合的運算。在這些運算中結構元素具有非常關鍵的作用，它調整圖像特征變換的幾何結構。借助形態(tài)運算可以引入圖像邊緣檢測算子。數(shù)學形態(tài)學中的膨脹和腐蝕運算有著很直觀的幾何背景,它們可以使被處理的圖像在一定方向上增厚或減薄,原圖像與這兩種運算的差則可以用作全方位的邊緣檢測,即或便可檢出圖像的邊緣。此外，形態(tài)學方法還可以通過自適應方法對所獲圖像邊緣進行修正，逐步調整結構元素窗口尺寸，達到有效增強模糊邊緣并適當消除噪聲影響的目的。 2.4亞象素邊緣檢測算法 上述這些邊緣檢測算法都是在象素級上進行，亞象素邊緣檢測是指將邊緣附近的象素分解，從而精確確定邊緣所在。亞象素邊緣檢測將圖像數(shù)據(jù)映射到有9個參數(shù)構成的Hilbert空間，從而確定邊緣參數(shù)。Ghosal和Mehrotal首次提出了利用Zernike矩（Zernike Moments ZMs）來檢測亞象素邊緣，在他們的算法中對邊緣建立了理想的階躍灰度模型，通過計算圖像的三個不同階次的ZMs，把理想階躍灰度模型的4個參數(shù)映射到三個ZMs中，再通過這三個ZMs來計算出邊緣所在直線的參數(shù)，從而確定出邊緣的亞象素級坐標。李金泉[12]對ZMs算法進行了較為深入的研究，并指出其不足之處并提出了相應的改進算法，將其應用于焊縫識別中，檢測的邊緣具有精度高、自細化邊緣和抗干擾性強等優(yōu)點。 3.結論 大多數(shù)焊縫的方向變化不會太劇烈，都是連續(xù)的直線或者曲線。在局部小的范圍內可以看作是兩條平行的直線。因此在焊接環(huán)境識別時可以通過尋找直線的方法來檢測焊縫。在這些已有算法中，梯度算子可以檢測焊縫的邊緣同時還可以對方向進行預測，這樣實時圖像處理的同時還可以預測焊縫前進的方向，較適合于焊接環(huán)境的識別。但微分算子抗干擾性差，對于復雜的焊接環(huán)境來講，不能直接拿來應用，當加以改進和結合其它算法。小波多尺度、形態(tài)學邊緣檢測算法等是該領域研究熱點之一，其特點適合于復雜的焊接環(huán)境識別，應加以深入研究。一些亞象素檢測算法能夠獲得更為精確的檢測結果，是提高圖像處理精確度和焊接結果的努力方向之一。邊緣檢測方法數(shù)不勝數(shù)，都有其特定的適用范圍，在選用或者開發(fā)新的算法時，一定要考慮焊接本身的特 點。