CC BY
119
УДК: 004.932; 620.19 ГРНТИ: 76.29.37
ПРИМЕНЕНИЕ МАШИННОГО ЗРЕНИЯ ДЛЯ ПОИСКА И ОБНАРУЖЕНИЯ ПОВЕРХНОСТНЫХ ДЕФЕКТОВ СВАРНЫХ СОЕДИНЕНИЙ
Д. В. Гордеев
Тюменский индустриальный университет Россия, 625000 г. Тюмень, ул. Володарского, 38
Н Гордеев Денис Валерьевич - nadexx@mail.ru
Приведен краткий обзор методов фильтрации и морфологических операций применительно к задаче обнаружения поверхностных дефектов. Поэтапно рассмотрен алгоритм детектирования дефектов, разработанный в интегрированной среде Vision Builder AI. Эффективность алгоритма подтверждена результатами обнаружения трещины и кратера на поверхности сварного соединения с помощью исследовательской платформы машинного зрения.
Ключевые слова: машинное зрение, обработка изображений, сварной шов, дефект, Vision Builder AI, визуальный контроль.
APPLICATION OF MACHINE VISION FOR SEARCHING AND DETECTION OF SURFACE DEFECTS OF WELD SEAM
D. V. Gordeev
Tyumen Industrial University 38 Volodarskogo St., 625000 Tyumen, Russia
El Gordeev Denis - nadexx@mail.ru
The article gives a brief review of filtration methods and morphological operations in relation to the problem of detection of surface defects. Step-by-step algorithm of defect detection developed in the integrated environment of Vision Builder AI is considered. The efficiency of the algorithm is confirmed by the results of detection of a crack and a crater on the surface of a welded joint using the research platform of machine vision.
Keywords: machine vision, image processing, weld seam, defect, Vision Builder AI, visual inspection.
В настоящее время существует тенденция автоматизации неразрушающего контроля, в частности визуального. Примером тому, являются системы машинного зрения, в задачи которых входит поиск и обнаружение дефектов на поверхности сварных соединений [1, с. 3-4]. Основу таких систем составляют смарт-камеры и среда разработки и создания алгоритмов, осуществляющих обработку и анализ захватываемого изображения смарт-камерой [2, с. 383].
Цель настоящей статьи - разработка и реализация алгоритма цифровой обработки изображений в интегрированной среде машинного зрения NI Vision Builder for Automated Inspection (AI). В ходе работы приведен краткий обзор на использующиеся методы предобработки, постобработки (морфологические операции) изображений и методы выделения связанных областей.
Для применения интегрированной среды Vision Builder AI выбрана исследовательская платформа машинного зрения со встроенной камерой NI 1752, подсветкой и демонстрационным стендом.
В качестве объекта исследования использовалась небольшая металлическая пластина, имеющая дефекты на поверхности сварного соединения.
Общий вид системы машинного зрения для автоматизированного контроля поверхности сварных соединений представлен на рис. 1.
Структура алгоритма интегрированной среды Vision Builder AI для поиска и обнаружения дефектов на поверхности сварного соединения приведена на рис. 2(а).
Разработанный алгоритм применялся для поиска и обнаружения продольной трещины и кратера в сварном со-
Рисунок 1. Общий вид системы машинного зрения 1 - компьютер, 2 - исследовательская платформа машинного зрения, 3 - металлическая пластина
единении. Он состоит из 5 этапов, 2,3 и 4 этапы составляют скрипт, представленный на рис. 2(б).
На первом этапе формируется изображение сварного соединения, путем его захвата смарт-камерой, которая является монохромной, что не требует дальнейшего преобразования изображения из цветного в полутоновое.
На втором этапе предварительной обработки проводят фильтрацию изображения для уменьшения уровня шума и бинаризацию для преобразования полутонового изображения в бинарное.
Фильтрация является наиболее сложной процедурой на данном этапе. Для устранения шума и помех выбран медианный фильтр, принцип действия которого основан на замене значения яркости некоторой точки на значение яркости медианы в области этой точки [3, с. 171; 5; 6; 7].
В отличие от линейных сглаживающих фильтров про-
Technical and Computer Science | Juvenis scientia 2018 № 3
5
Zl
\ pass 1
I ^.'-'i, I
4- -—- • *
+ * I PASS| 1*13 I PASS| □ S
PASS
$
PASS I
Смрной IDod Frame Incex - 3
Vision Assistant 1 Find Straight Edge 1 Detect Objects 1 Set Inspection Status 1 Custom Overlay 1 Distance = 22,51 # Objects = 1 Inspection Status=Pass
а)
б)
Add Buffer 1 Smoothing - Median 1 Convolution Threshold 1 Remove small objects Separate objects FFT - Truncate Lookup Table
Рисунок 2. Структура алгоритма интегрированной среды NI Vision Builder for AI (а) и скрипт алгоритма в приложении Vision Assistant (б)
исходит меньшее размывание изображения, которое восстанавливают с помощью детализации путем использования фильтра «свертывания с ядром» Результат медианной фильтрации и детализации сварного соединения представлен на рис. 3(а, б, в).
После улучшения изображения выполняют процедуру бинаризации. Процесс бинаризации заключается в определении некоторого предельного порога яркости, который разделяет область объекта и область фона. Пиксели в этих областях могут принимать значения либо 0, либо 1 [3, с. 82; 6; 8]. Результат применение бинаризации приведен на рис. 3 (г).
а)
•«. . . ы ..... . }' Л?*. ' 1
в)
б)
Рисунок 3. Исходное изображение сварного соединения (а), изображения, полученные в результате медианной фильтрации (б) 3-го порядка, детализации (в) матрицы 3х3 и бинаризации (г)
Третий этап - постобработка изображений с применением морфологических операций (отсев малоразмерных областей и разделение слипшихся областей). Данные операции позволяют улучшить бинарное изображение, например, определить форму объекта и его границы [4, с. 768]. Результат морфологической обработки представлен на рис. 4 (а,б).
а)
б)
в)
используется фильтрация с быстрым преобразованием Фурье (БПФ). Такой фильтр преобразовывает изображение из пространственной области в частотную, где происходит усреднение частотных компонентов по выборке [3, с. 197; 4; 5]. Выбирается частота среза и задается область ослабления низких или высоких частот.
После завершения скрипта происходит автоматическая эквализация изображения [3, с. 123; 6, с. 55]. Результат БПФ и эквализации представлены на рис. 4 (в,г).
В заключительном этапе происходит обнаружение дефектов. Для распознавания трещины используется метод выделения прямых линий. Суть данного метода состоит в поиске горизонтальной границы путем построения группы горизонтальных отрезков в заданной области с определением в каждом отрезке точек перепада яркости [3, с. 285; 9].
Дефект типа кратера определяют с помощью функции анализа и селекции областей. Такой метод позволяет найти количество связанных областей на изображении, используя параметры отбора, такие как диапазон площади областей, порог бинаризации и контраст (темные или светлые области) [3, с. 266; 9]. Результаты обнаружения трещины и кратера приведены на рис. 5 (а б).
а)
Рисунок 5. Обнаружение трещины (а) и кратера (б)) Заключение:
Разработан и реализован алгоритм поиска и обнаружения дефектов на поверхности сварных соединений в интегрированной среде машинного зрения Vision Builder AI. Алгоритм применялся для обнаружения трещины и кратера на поверхности сварного соединения с помощью исследовательской платформы машинного зрения. Некоторые операции на этапе постобработки могут быть избыточными, т.е. оказывают малое влияние на конечный результат изображения. Однако введение таких операций позволяет сделать алгоритм более универсальным и использовать для других типов изделий. Что касается обнаружения других типов поверхностных дефектов, то для каждого алгоритма должны быть свои методы выделения связанных областей.
Рисунок 4. Бинарное изображение (а), изображения, полученные в результате морфологических операций (б), БПФ (в) и эквализации (г) ЛИТЕРАТУРА
На четвертом этапе после морфологических операций на изображении могут присутствовать связанные области, которые могут помешать нахождению дефектов. Для этого
Поезжаева Е.В., Федотов А.Г., Заглядов П.В. Применение систем технического зрения в диагностике автомобилей при эксплуатации // Интернет-журнал «Науковедение». 2014. №6. С. 11.
2. Федосов В.П., Нестеренко А.К. Цифровая обработка сигналов в LabVIEW. М. : ДМК Пресс, 2007. 456 с.
3. Визильтер Ю.В., Желтов С.Ю., Князь В.А., Ходарев А.Н., Моржин А.В. Обработка и анализ цифровых изображений с примерами на LabVIEWIMAQ Vision. М. : ДМК Пресс, 2007. 464 с.
4. Гонсалес Р., Вудс Р. Цифровая обработка изображений. 3-е изд. М. : Техносфера, 2012. 1104 с.
5. Сойфер В.А. Методы компьютерной обработки изображений. 2-е изд. М. : Физматлит, 2003. 782 с.
6. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распоз-
навание изображений. СПб. : СПбГУ ИТМО, 2008. 192 с.
7. Грузман И.С., Киричук В.С., Косых В.П., Перетягин Г.И., Спектор А.А. Цифровая обработка изображений в информационных системах. Новосибирск : Изд-во НГТУ, 2000. 168 с.
8. Шапиро Л., Стокман Дж. Компьютерное зрение. 2-е изд. М. : БИНОМ. Лаборатория знаний, 2013. 752 с.
9. NI Vision Builder for Automated Inspection Tutorial: National Instruments Corporation, 2011. URL: http://www.ni.com/pdf/ manuals/373379h.pdf.
Поступила в редакцию 05.03.2018
