基于逐行扫描法的焊缝识别研究

Research on weld seam identification based on line-by-line scanning

摘要

爬壁机器人通过跟踪焊缝以完成对大型压力容器密封性的检测。压力容器上的焊缝主要存在直线型和T型两种焊缝，传统的焊缝识别方法在正常环境下可以准确地识别焊缝，但压力容器上的焊缝长时间暴露在空气中会产生许多干扰信息。针对原始焊缝图像存在腐蚀、锈斑等问题，导致传统方法难以准确识别，提出了一种基于逐行扫描的焊缝识别方法。在经过灰度拉伸变化、二值化、滤波及形态学处理等预处理的基础上，利用Canny算法结合修正技术进行边缘检测，采用逐行扫描获取中点的方法提取中心线，使得检测机器人能准确识别焊缝。通过爬壁机器人搭载相机对焊缝进行实时检测实验，实验结果表明该方法可帮助机器人稳定可靠地完成对大型压力容器上的焊缝识别。

Abstract

The wall-climbing robot completes the sealing detection of large pressure vessels by tracking weld seams. There are mainly two types of weld seams on pressure vessels: linear and T-shaped. Traditional methods of weld seam identification can accurately identify weld seams in normal environments. However, weld seams on pressure vessels exposed to air for a long time will produce a lot of interference information. Due to issues such as corrosion and rust spots in original weld seam images, traditional methods have difficulty in accurate identification. A weld seam recognition method based on line-by-line scanning is proposed. After preprocessing steps such as grayscale stretching, binarization, filtering, and morphological processing, edge detection is performed using the Canny algorithm combined with correction techniques. The method uses line-by-line scanning to extract the centerline through midpoint acquisition, allowing the detection robot to accurately identify weld seams. Real-time detection experiments on weld seams were carried out using a wall-climbing robot equipped with a camera. The experimental results show that this method can help the robot stably and reliably complete the identification of weld seams on large pressure vessels.

Graphical abstract

关键词

焊缝识别 / 图像处理 / 爬壁机器人 / 逐行扫描

Key words

weld identification / image processing / wall-climbing robot / line-by-line scanning

大型压力容器作为一种存储液体和气体的钢制承压密封容器，在化工、冶金、机械等领域应用广泛。压力容器的本体是由钢板卷制焊接而成，当容器长期运行在高温高压或具有腐蚀性的环境下，焊缝材质会发生蠕变、劣化、疲劳断裂或者有微裂纹形成的可能性^[1-2]。裂缝在萌生阶段和扩展阶段不易被肉眼察觉，如果不及时采用有效的方式对压力容器焊缝进行检测，则存在压力失效酿成严重事故的风险^[3]。因此定期对大型压力容器焊缝缺陷进行检测，排除安全隐患，是大型压力容器应用领域一项较为重要的工作，也是保障安全生产的关键。

随着科学技术的高速发展，一些新型的焊缝检测技术应运而生，包含磁粉探伤、射线检测、超声检测等^[4-5]。但检测方式仍以传统人工检测为主，人工检测过程中需要操作人员手持检测设备贴近焊缝进行检测，需要搭建大量脚手架及其他辅助措施^[6]。这种检测方式存在许多缺点，首先是操作人员的安全问题，工作人员不但要面对高空作业的风险，而且容器残留的有害物质也会影响操作人员的健康。其次大量搭建脚手架不但耗时费力，而且容易对容器造成二次伤害，同时也提高了企业检测成本。爬壁机器人作为一种可在壁面行走的机器人，在大型压力容器自动检测领域应用最多，但使用爬壁机器人进行检测仍有许多关键技术尚未成熟^[7-8]。随着深度学习在机器视觉领域的广泛应用，促使大量基于深度学习的焊缝识别方法^[9]应运而生。高向东等^[10]和刘美菊等^[11]使用神经网络对焊缝特征点的提取展开研究，分析了直线型、十字型、曲线型焊缝形状的特点，分别利用改进均值漂移算法和改进型卷积网络压缩算法对焊缝中心进行识别。该方法需要大量的焊缝图像作为训练集，而现有的焊缝图像数据集很少，难以找到大规模且理想焊缝图像。同时，卷积神经网络的训练和调试十分耗时，严重影响在工程应用中焊缝识别的效率。Kramer等^[12]和Zhang等^[13]分别采用纹理梯度和改进的SPP-net深度学习模型提取焊缝特征。这种方法提取的焊缝特征信息有限，致使识别的精度不高，将该方法应用在检测机器人上，会导致机器人与预定的轨迹出现偏离，需要反复进行手动校正机器人的位置，加大了操作人员的工作量，不利于自动化焊缝识别。为了弥补这一劣势，许多学者在提高焊缝识别的速度和精度方面做了大量研究。He等^[14]和Dong等^[15]根据焊缝的轮廓和背景的差异，分别利用视觉注意模型和几何边缘检测算法对焊缝边缘进行精准检测，这种方法对于正常环境下的焊缝基本满足识别要求，但在存在锈迹、油漆等复杂环境下的焊缝检测表现不够理想。考虑到以上方案在识别精度和效率方面存在不足之处，本文根据焊缝自身的形状特点，提出利用逐行扫描焊缝图像计算连通区域上下边界中点的直线检测方法。首先对工业相机获取的焊缝图像进行逐行扫描，找到连通区域的上下边界；其次计算每个连通区域上下边界的中点；最后将这些中点作为基准，拟合出一条直线，并进行修正处理，提取焊缝直线特征。该方法与传统方法相比，有以下优越之处：1) 在识别的准确度上有较大改进，尤其对受光照和锈迹等影响的复杂环境下的焊缝，本文方法仍然能保持较高的稳定性。2) 在识别效率方面，爬壁机器人可边行走边识别，不受其他作业方式的干扰，保证焊缝识别的实时性。3) 该方法对设备的适应性强，不受相机安装的高低（即焊缝离相机的远近）的约束，均可以完成对焊缝的识别任务，对设备的要求不高。

1 焊缝识别整体方案

机器人进行大型压力容器检测的前提是准确识别出大型压力容器上的焊缝。焊缝长时间暴露在空气中，存在的干扰信息导致焊缝难以识别。通过相机采集的焊缝图像明显存在腐蚀、锈斑及磨损等问题，这导致焊缝边缘特征难以捕捉，针对这种焊缝，常规的霍夫变换方法不能显著突出焊缝特征。

为减少这些情况对识别造成的影响，使得机器人能够准确识别出焊缝，本文制定解决方案，需要进行预处理、形态学处理、边缘检测和中心线提取操作。

2 图像预处理

图像质量的高低与所包含信息的丰富程度直接影响后续的图像识别结果，如何处理焊缝周围环境中的亮度影响以及剔除其他干扰信息等成为首要任务。为保留焊缝区域的前景，去除背景干扰，增大灰度图像背景与前景之间的灰度值分布，采用灰度拉伸的方法，来增强图像的对比度。进行二值化处理，将灰度图像转换为黑白二值图像。对图像进行平滑、去噪等处理，从而提高图像质量和焊缝线特征的捕捉率，方便后续图像分析和处理。

2.1 焊缝图像增强处理

焊缝图像增强技术是一种基本的焊缝图像预处理手段，运用此技术可提高焊缝图像质量，增强焊缝图像识别效果。灰度变换是图像增强技术中的一种，灰度拉伸可以将原始灰度图像的灰度值分布映射到更广泛的范围内，从而增大背景与前景之间的差异^[16]。针对大型压力容器实际的焊缝信息条件，选择灰度拉伸变换对焊缝进行增强处理。即通过拉伸灰度区间来改善输出的焊缝图像信息。灰度拉伸变换函数为

(1)

依据上述线性函数，要完成对焊缝的灰度变换处理，将焊缝图像中的像素点灰度值区间由[40, 215]拉伸变换到[0, 255]，进行灰度变换。处理结果如图1、2所示。

使用灰度变换方法处理的焊缝图像，增强了在球罐上焊缝的识别度，可使图像动态范围限制缩小，对比度增大，清晰度增高，没有明显增加焊缝图像中的噪声，改善区分了焊缝与母材识别度。

2.2 焊缝图像二值化

为方便后期焊缝图像处理，对焊缝图像进行二值化操作是实现焊缝跟踪的较为重要的环节。当对一幅焊缝灰度图像进行二值化操作时，首先要选取合适阈值，把所有高于阈值灰度的像素点替换成1，所有低于阈值的像素点替换成0^[17]。但实际操作中，由于不同图像的灰度值不同，同一幅图像中各部分的明暗程度不同，阈值的设定很困难，二值化阈值的选取至关重要。阈值公式如下

(2)

式中：K为分割选择的阈值，0为背景像素值，1为目标像素值。

最大类间方差法(OTSU)是全局阈值分割方法应用广泛的一种^[18]。它参照灰度级的方差结果，选择合理的灰度级进行分割参照。最大类间方差公式为

\left\{\begin{array}{l}N={\displaystyle \sum _{i=\mathrm{0}}^{L-\mathrm{1}}}{N}_i\\ P_i=\frac{N_i}{N}\\ \mu ={\displaystyle \sum _{i=\mathrm{0}}^{L-\mathrm{1}}}i{P}_i\\ {\omega }_{\mathrm{0}}={\displaystyle \sum _{i=\mathrm{0}}^{K-\mathrm{1}}}{P}_i\\ {\omega }_{\mathrm{1}}={\displaystyle \sum _{i=K}^{L-\mathrm{1}}}{P}_i\\ {\mu }_{\mathrm{0}}={\mu }_{\mathrm{0}}(K)/{\omega }_{\mathrm{0}}\\ {\mu }_{\mathrm{1}}={\mu }_{\mathrm{1}}(K)/{\omega }_{\mathrm{1}}\\ {\delta }^{\mathrm{2}}(K)={\omega }_{\mathrm{0}}(\mu -{\mu }_{\mathrm{0}}{)}^{\mathrm{2}}+{\omega }_{\mathrm{1}}(\mu -{\mu }_{\mathrm{1}}{)}^{\mathrm{2}}\end{array}\right.(3)

其中：L为灰度级；N为像素点总数；P_i 为第i级像素出现的概率；ω₀，ω₁分别表示背景和目标出现的概率；总灰度的平均值μ，μ₀，μ₁分别为背景平均灰度值和目标平均灰度值；δ²(K)为图像中背景和目标的类间方差。当选取的最优阈值K=121时，此两类间方差δ²(K)最大。

图像二值在提取焊缝中心线的过程中起关键作用，通过二值处理，可以更明显区分焊缝中的干扰信息，但图像二值化后仍然存在一些噪声。因此，需要进行降噪操作以确保提取的焊缝中心线准确、完整。

2.3 焊缝图像滤波

噪声大小在数字图像信号中的不同像素的灰度值都可以改变数字图像信号的明暗区域。噪声信号的存在不仅会降低图像质量，使得焊缝信息与背景母材信息不易区分，拓扑结构展现不合理，而且会影响到后续图像操作。因此，在进行焊缝图像处理过程中，需要进行降噪处理。

均值滤波是一种平滑图像的方法，该原理是对图像中每个像素周围的像素取平均值作为该像素的新值，从而实现降噪的目的。由于要求在消除焊缝图像中噪声的同时，能够较好地保存图像的边缘信息，因此选择均值滤波方法对采集到的焊缝图像采用3×3的滤波器进行均值滤波，图3为滤波后图像。对采集到的图像进行滤波降噪处理，结果显示均值滤波明显去除大量椒盐噪声，模糊效应明显减轻，但还存在许多白色小区域的干扰信息。

2.4 形态学处理

在焊缝处理中，形态学处理是一种非常重要的图像处理技术。利用形态学处理可以对焊缝图像中的几何形态、拓扑关系等特征进行分析和提取，从而有效地去除噪声、增强边缘等。为进一步减少图像中的白色区域干扰信息，需要进行填充缝隙，完整的显示焊缝边缘特征，最终得到更加准确的焊缝分割结果。因此，针对上述焊缝图像的特点，需进行去除小面积区域、填充焊缝以及筛选焊缝区域等操作。

利用MATLAB中的Bwareaopen函数，用于去除二值图像中的小面积区域。具体来说，Bwareaopen函数即利用了开运算的特性，对输入的二值图像进行开运算，然后采用连通区域分析的方法计算每个连通区域的面积，最后删除面积小于阈值的连通区域。

为了去除左边和上边边界的影响，防止边界区域粘连，需要对其进一步填充缝隙处理，利用形态学闭运算，填充缝隙。在对图像进行填充缝隙后，依然存在三部分白色干扰区域，因此需要将焊缝信息区域和其他区域分离出来。调用MATLAB函数Bwlabel对上述图像进行标记连通域操作，利用像素的连通性来判断焊接区域的位置，筛选出焊接图像区域。进行形态学膨胀运算，可以将其扩大一定的像素，以便后续处理。形态膨胀运算可能会使焊接区域之间产生重叠，需要进行合并处理，以得到最终的焊缝区域。通过显示的焊缝图像发现，在满足一定条件下，经过上述处理的边界变得更加平滑，焊缝图像能够得到明显改善，也解决了图像细节模糊问题，去除了干扰区域并充分保留焊缝边缘的细节信息，方便了焊缝特征信息的提取。

2.5 焊缝的边缘检测

在经过以上方法处理图像后，焊缝边缘区域显化，采用边缘检测方法对上述焊缝图像做进一步处理。传统的边缘检测可归结为通过检测图像灰度变化确定图像边缘的过程。因为焊缝图像边缘信息基本连续，且具有一定方向性，所以边缘检测可以提取焊缝图像边缘特征，区分焊缝边缘与干扰项，也可进一步识别焊缝图像。Canny算法是一种经典的边缘检测算法，通过对图像进行多次卷积和阈值处理，可以得到图像中的边缘信息。Canny给出评价边缘检测性能的三大准则：高信噪比准则、高定位精度准则和单一边缘响应准则^[19]。在本文中，采用Canny算法对焊缝区域进行边缘检测，由于焊缝区域边界相对背景较为明显，因此Canny算法可以很好地识别出焊缝区域的边缘信息。同时，Canny算法具有很好的抗噪性能和定位精度，可以有效去除无关部分。

在得到焊缝区域的边缘轮廓之后，利用边缘修正去除无关部分，消除图像中不必要的细节，可以得到更加准确的焊缝区域边界，从而提高后续处理的精度和效率，如图4所示。综上所述，采用Canny算法进行焊缝边缘检测，并结合边缘修正技术，可以得到精确的焊缝区域边界信息，而且适用于视觉传感的焊缝跟踪图像处理过程。

3 焊缝中心线提取

经过上述处理，可以得到精确且连续的焊缝区域边界信息。下一步，通过处理边界信息来提取焊缝线。霍夫变换(Hough transform)是对直线特征提取的常用方法，但针对T型焊缝，Hough变换等普通的直线检测算法并不是提取焊缝图像显著线性特征的理想方法^[20]。因此，本文采用基于逐行扫描中点方法来对焊缝图像特征进行提取，具体步骤如下：

1) 从图像的第一行开始逐行扫描图像，找到连通区域的上下边界。计算每个连通区域上下边界的中点，即将这些中点作为基准，拟合出一条竖直线，提取竖直方向引导线，作为最终引导线。

2) 在竖直方向上以每个引导线的中点为中心，取一定宽度的区域，计算该区域内像素的灰度值直方图。对灰度值进行直方图统计。实际位于中线上的点比较多，故对直方图进行排序，找到出现次数最多的灰度值，将该灰度值作为新的引导线位置。

3) 在竖直方向上可能存在断裂的中心线，以每个引导线的中点为中心，取一定宽度的区域，计算该区域内像素的灰度值直方图。找到直方图中出现次数最多的灰度值，将其作为新的引导线位置。如果新引导线和原引导线的距离太远，则放弃修正。对于新的引导线，去除偏离中心线较远的点。目的是对竖直方向断裂的引导线进行修正，去除中心线上偏离较远的点。

4) 对边界上的点进行滤波平滑处理，目的是减少边界上的点噪声的影响。

5) 提取水平方向中心线。对于T字型焊缝，除竖直方向的中心线之外，还存在水平方向的中心线。针对提取水平方向中心线，也需要进行逐列扫描，找到连通区域的左边界和右边界，计算其中点，作为水平方向的引导线。对引导线上的像素进行直方图统计，找到峰值点作为水平方向的中心线。

由于水平方向中心线也会存在断裂的现象，因此也需要对中心线进行修正，去除偏离中心线较远的点，对中心线进行插值，填充断裂的中心线，并且对边界上的点进行滤波平滑处理，最终得到完整的中心线。

综上所述，提取焊缝区域中心线是一个比较复杂的过程，需要进行多个步骤的处理，包括区域的扫描、中点的计算、直方图统计、排序和排除异常点等步骤。每个步骤都需要考虑具体的实现细节和算法优化。通过这些步骤的处理，可以得到精确、平滑的焊缝中心线。如图5所示，将霍夫变换和本文方法进行对比，可以显著地看出本文方法提取的焊缝中心线更加精确，受外界环境干扰更小。

4 实验研究

4.1 实验整体方案设计

本文设计的检测机器人导航控制系统整体方案如图6所示，控制系统采用主从控制结构^[21]。控制系统分为远程操控系统和本体控制系统。远程操控系统负责实现信息交互、显示图像信息和数据处理等，将远程操控系统作为从控制系统。本体控制系统分为运动控制系统、决策控制系统和传感器管理系统，并将本体控制系统作为主控制系统^[22]。运动控制系统负责实现对检测机器人位置、速度和电流控制以及二次运动机构的运动控制。决策控制系统控制检测机器人的焊缝识别、自主定位和路径规划等实现。传感器管理系统负责传感器之间信息的采集交互。

4.2 硬件系统框架

爬壁检测机器人装配工业相机，用来识别焊缝与跟踪。在需要自主完成焊缝检测任务的同时，实现在大型压力容器上的定位，完成全遍历焊缝且路径最优检测。所设计机器人机械结构平台采取磁吸附方式，采用永磁吸附以确保在断电时不会脱落，使其具有稳定的吸附能力。同时采用轮式行走方式进行控制，使其移动和操纵更加方便。

检测机器人硬件系统采用模块化思想，分为以下主要模块：电源模块、控制模块、检测模块、感知模块和通信模块，各模块功能相互独立^[23]。控制系统作为桥梁，联系整个体系中其他模块。电源模块将为整个系统供电。控制模块负责实现路径规划和定位算法，并对数据进行处理。通信模块实现数据传输。运动模块调节检测机器人运动。检测模块用来检测焊缝。感知模块通过采集数据，用于获取与机器人位置相关的距离及角度信息。感知模块中硬件主要包括工业相机和陀螺仪传感器。

4.3 软件系统框架

机器人采用的是模块化系统结构，以便实现系统的易维护、易扩展和灵活组合，并要保证与硬件设备的兼容性和互操作性。根据机器人的功能需求，将系统划分为不同的模块，如运动控制、视觉感知、路径规划、人机交互等。在该软件系统中，运动控制模块是核心，其主要功能是规划和控制机器人运动^[24]。视觉传感器模块则对机器人进行环境感知和处理图像信息，为机器人提供更全面、更准确的感知信息，从而支持机器人智能化操作。感知模块则能够为机器人提供更全面、更准确的感知信息。通讯模块能够实现各模块之间高效、可靠的通信，而人机交互界面则能让操作员通过显示状态信息来监测机器人软硬件状态，以及完成设备的设置和操作等工作。

4.4 单目相机模型

本文使用大恒图像推出的新一代工业数字相机水星二代(MER2-G-P)系列工业相机，具体型号为MER2-503-23GM-P POL。相机分辨率为2 448×2 024，帧率为23.5 fps，采用千兆以太网数据接口。相机性能出色，设计小巧，安装及使用方便，具有清晰度高、噪声低、分辨率高等优点，而且内部采用CMOS型感光芯片，采用千兆以太网数据接口进行图像数据传输，且集成了IO (GPIO)接口，提供线缆锁紧装置，能够在大型压力容器环境下稳定运行，满足实际工况下像素需求。此外该摄像头对焦镜头，光圈、亮度以及曝光度等均可调节，采集到的图像既清晰又最大限度抵抗光照的影响。

单目相机模型成像原理主要是利用各个坐标系之间的转换关系，将三维空间点映射到像素坐标系下的像素点。单目成像模型如图7所示。

其中：O_w —X_w—Y_w—Z_w 是世界坐标系，o-u-v是像素坐标系，O_c —X_c—Y_c—Z_c 是相机坐标系，O—X—Y是图像坐标系。设三维空间上点P，经过针孔变换投影到成像平面为点P′。设定点P坐标为[X, Y, Z]^T，投影点P，为[u, v]^T。

根据三角形相似性整理可得

\frac{Z}{f}=\frac{X}{u}=\frac{Y}{v}(4)

其中 f 为焦距。

图像坐标系和像素坐标系都在成像平面，设一个像素单位对应为dx，dy，图像坐标系与像素坐标之间变换关系为

\left\{\begin{array}{l}u=\frac{x}{\mathrm{d}x}+u_{\mathrm{0}}\\ v=\frac{y}{\mathrm{d}y}+v_{\mathrm{0}}\end{array}\right.(5)

世界坐标系与相机坐标系的转换关系为

\left[\begin{array}{l}{X}_c\\ Y_c\\ Z_c\\ \mathrm{1}\end{array}\right]=\left[\begin{array}{cc}R& T\\ {\mathrm{0}}^{\mathrm{T}}& \mathrm{1}\end{array}\right]\left[\begin{array}{l}{X}_w\\ Y_w\\ Z_w\\ \mathrm{1}\end{array}\right](6)

其中：R为3×3的旋转矩阵，T为3×1的平移向量，P(X_c, Y_c, Z_c )为相机坐标系下的坐标。利用齐次坐标，通过综合以上公式可以得出，在世界坐标系下三维空间点在像素平面上的像素坐标如式(7)所示。

\begin{array}{l}{Z}_c\left[\begin{array}{l}u\\ v\\ \mathrm{1}\end{array}\right]=\left[\begin{array}{ccc}\frac{\mathrm{1}}{\mathrm{d}x}& \mathrm{0}& u_{\mathrm{0}}\\ \mathrm{0}& \frac{\mathrm{1}}{\mathrm{d}y}& v_{\mathrm{0}}\\ \mathrm{0}& \mathrm{0}& \mathrm{1}\end{array}\right]\left[\begin{array}{l}f\mathrm{0}{u}_{\mathrm{0}}\mathrm{0}\\ \mathrm{0}f\mathrm{0}\mathrm{0}\\ \mathrm{0}\mathrm{0}\mathrm{0}\mathrm{0}\end{array}\right]\times \left[\begin{array}{l}RT\\ {\mathrm{0}}^{\mathrm{T}}\mathrm{1}\end{array}\right]\left[\begin{array}{l}{X}_w\\ Y_w\\ Z_w\\ \mathrm{1}\end{array}\right]\\ =\left[\begin{array}{l}{f}_x\mathrm{0}{u}_{\mathrm{0}}\mathrm{0}\\ \mathrm{0}{f}_y{v}_{\mathrm{0}}\mathrm{0}\\ \mathrm{0}\mathrm{0}\mathrm{1}\mathrm{0}\end{array}\right]\left[\begin{array}{l}RT\\ {\mathrm{0}}^{\mathrm{T}}\mathrm{1}\end{array}\right]\left[\begin{array}{l}{X}_w\\ Y_w\\ Z_w\\ \mathrm{1}\end{array}\right]\\ =M_{\mathrm{1}}{M}_{\mathrm{2}}\left[\begin{array}{l}{X}_w\\ Y_w\\ Z_w\\ \mathrm{1}\end{array}\right]\end{array}(7)

4.5 焊缝识别实验

搭建完实验平台之后，机器人可进行正常调试，将爬壁机器人携带工业相机对焊缝进行识别实验。由于实际实验需要企业停工才能实施，本次焊缝识别测试在如图8(a)所示的钢板上的焊缝进行。测试过程中首先将机器人移动到焊缝的起点，随后机器人便进入焊缝识别的状态。

在机器人识别跟踪焊缝的过程中，随着移动距离的增加会出现打滑，使得识别出现偏差。此时上位机能够显示机器人的实时状态(图8(b))，可以调整机器人的姿态，对其进行纠正，调整完毕后机器人将继续跟踪焊缝完成识别。实验结果表明，机器人能够正常地识别背景复杂的焊缝。

5 结论

本文对传统焊缝图像识别方法进行分析和总结，发现已有焊缝识别方法存在精度低、实时性差等缺点。鉴于此，将逐行扫描的方法应用于焊缝识别中。首先对原始焊缝图像进行预处理，再基于数学形态学的算法对焊缝缺陷轮廓进行填充，并进行边缘检测，最后逐行扫描焊缝区域，并计算焊缝上下边界的中点，以中点为基准完成焊缝中心线的提取。针对特殊的大型压力容器检测环境，设计检测机器人焊缝识别的实验方案、硬件系统、软件系统，并进行单目相机模型数学建模。通过实验验证结果显示，该方法能有效突出边缘信息，得到可靠、精确焊缝图像中心线，检测效果良好。此外，该方法还可以与传统焊缝识别方法相结合使用，如将传统霍夫变换提取直线的方法叠加到本文方法中，在进行完焊缝中心线拟合后，对焊缝中心线采用霍夫变换，其结果比直接拟合的焊缝中心线更加平滑。在工程应用上，该方法很大程度上解决了复杂背景下焊缝难以识别的问题，对容器内部和外部焊缝识别都具有较高的准确度，可以广泛地应用于大型压力容器的密封性检测，为焊缝的缺陷检测提供了前提条件。

参考文献

[1] 苏宣机, 谢丽婉. 球罐缺陷安全评定程序[J]. 质量技术监督研究, 2013(3): 39-42.

[2] XIONG Y P, XING J T, PRICE W G. The interactive dynamic behaviour of an air-liquid-elastic spherical tank[C]//ASME 2006 Pressure Vessels and Piping/ICPVT-11 Conference, Vancouver: ASME, 2007: 711-718.

[3] LUO Y, JIANG W C, YANG Z W, et al. Using reinforce plate to control the residual stresses and deformation during local post-welding heat treatment for ultra-large pressure vessels[J]. International Journal of Pressure Vessels and Piping, 2021, 191: 104332.

[4] 陈钢, 沈功田. 压力容器无损检测——球形储罐的无损检测技术[J]. 无损检测, 2005, 27(1): 27-32.

[5] 王勇, 沈功田, 李邦宪, 等. 压力容器无损检测——大型常压储罐的无损检测技术[J]. 无损检测, 2005, 27(9): 487-490.

[6] 舒俊健, 王强, 何雅颖, 等. 大型球罐容器焊缝识别与检测爬壁机器人设计[J]. 热加工工艺, 2020, 49(11): 127-131, 135.

[7] ABDULKADER R E, VEERAJAGADHES W P, LIN N H, et al. Sparrow: a magnetic climbing robot for autonomous thickness measurement in ship hull maintenance[J]. Journal of Marine Science and Engineering, 2020, 8(6): 469.

[8] HU L Q, LIU Z H, WANG M K. Design of wall climbing robot for weld seam inspection of LPG spherical tank[J]. International Core Journal of Engineering, 2020, 6(11): 1-6.

[9] 史雪玉. 基于深度卷积网络的虹膜分割与识别方法研究[D]. 大连: 大连理工大学, 2021.

[10] 高向东, 黎扬进, 刘秀航, 等. 改进均值漂移算法的焊缝特征点识别分析[J]. 华南理工大学学报(自然科学版), 2019, 47(4): 132-137.

[11] 刘美菊, 运勃. 深度卷积网络压缩算法在焊缝识别中的应用[J]. 激光与光电子学进展, 2019, 56(5): 81-88.

[12] KRAMER S, FIEDLER W, DRENKER A, et al. Seam tracking with texture based image processing for laser materials processing[C]//SPIE 8963: High-Power Laser Materials Processing: Lasers, Beam Delivery, Diagnostics, and Applications III, San Francisco: SPIE, 2014: 89630P.

[13] ZHANG F, ZHANG B Y, ZHANG X H. Automatic forgery detection for X-ray non-destructive testing of welding[J]. Welding in the World, 2022, 66(4): 673-684.

[14] HE Y S, XU Y L, CHEN Y X, et al. weld seam profile detection and feature point extraction for multi-pass route planning based on visual attention model[J]. Robotics and Computer-integrated Manufacturing, 2016, 37: 251-261.

[15] DONG S H, SUN X, XIE S Y, et al. Automatic defect identification technology of digital image of pipeline weld[J]. Natural Gas Industry B, 2019, 6(4): 399-403.

[16] 姜宏涛, 何博侠, 章亚非. 采茶机械手嫩芽识别与定位方法研究[J]. 机械与电子, 2021, 39(7): 60-64, 69.

[17] 黄静, 蒋泽宁. 基于灰度拉伸和遗传算法的焊缝图像二值化算法[J]. 智能计算机与应用, 2021, 11(9): 99-102, 107.

[18] CHEN X, FENG S, PAN D. An improved approach of lung image segmentation based on watershed algorithm[C]//Proceedings of the 7th International Conference on Internet Multimedia Computing and Service, Zhangjiajie: ACM, 2015: 1-5.

[19] 宗露艳, 吴陈. 一种改进的Canny算子边缘检测算法[J]. 现代电子技术, 2011, 34(4): 104-106.

[20] DENG S, JIANG L, XUE L, et al. Detecting linear features in weld seam images based on beamlet transform[C]//2008 9th International Conference on Signal Processing, Beijing: IEEE, 2008: 1145-1148.

[21] 丁杰月. 基于大型罐体无损检测的爬壁机器人控制系统研究[D]. 南京: 东南大学, 2019.

[22] 李高阳. 工业机器人智能运动控制方法的分析[J]. 大科技, 2019(23): 263-264.

[23] 蔡杰, 贾英群, 高友. 地下商城停车场无人值守智能机器人测控系统[J]. 辽东学院学报(自然科学版), 2013, 20(2): 120-124.

[24] 宫小飞. 基于ARM嵌入式码垛机器人控制系统的研发[D]. 南京: 南京航空航天大学, 2018.

基金资助

内蒙古自治区科技计划项目(2021GG0260)

内蒙古自治区自然科学基金项目(2020LH06003)