海洋平台是海上油气资源开发的重要设施,需要在恶劣的环境中长时间运行[1]。在海洋工程领域,平台焊接构件的质量对于整个海洋平台的稳定性,安全性和使用寿命至关重要[2]。同时,由于海洋平台建设过程中的焊接工作量较大,故对海洋平台焊接构件焊缝进行检测和评估就显得尤为重要。
杜玉红等[3]提出通过工业相机拍摄大量焊缝图像,并应用正弦灰度变换算法实现图像增强处理,得到焊缝检测所需的图像样本。该方法以改进YOLOv5网络为基础,构建焊缝检测模型,将焊缝图像样本输入其中自动完成特征提取和焊缝检测,但其检测结果存在较大误差。胡丹等[4]利用激光视觉传感器获取焊缝图像,通过灰度化处理和去噪处理凸显图像边缘特征,并获取基本的焊缝轮廓；从焊缝轮廓图像对应的方向梯度直方图入手,得到大量特征信息并将其输入至支持向量机智能模型中,自动完成焊缝检测。但是,该目标检测方法的计算复杂度过高。王杰等[5]提出在焊缝检测过程中引入YOLOv3网络,并采用深度可分离卷积取代普通卷积网络结构,形成改进YOLOv3焊缝检测模型,将现场采集的焊接构件图像输入其中,即可自动生成焊缝检测结果,但该方法的平均检测时间较长。
Canny算子是一种经典的边缘分割算法,笔者提出一种基于Canny算子边缘分割的海洋平台焊接构件焊缝检测方法。该方法先对图像进行去噪、增强等预处理操作,再通过Canny算子对预处理后的图像进行边缘提取,并通过对边缘信息的处理和分析,实现对海洋平台焊接构件焊缝的检测。
1. 基于Canny算子边缘分割的方法设计
1.1 设计数学形态学滤波算法
海洋平台的工作环境复杂,实时采集的焊接构件焊缝图像往往包含大量噪声,会干扰焊缝检测结果。因此,笔者引入数学形态学滤波算法,通过膨胀、腐蚀等操作实现对焊缝图像的预处理,消除无用信息,并合理填补焊缝缺陷轮廓线的裂痕[6]。
实际运算过程中,先确定待处理图像中某个像素的具体坐标和结构元素集合,定义图像膨胀、腐蚀处理过程为
式中：χ为输入的海洋平台焊接构件焊缝图像；η为结构元素集合；(x,y)为任意选中的像素点坐标；(i,j)为结构元素坐标；⊕为膨胀运算符号；⊗为腐蚀运算符号。
在此基础上,将灰度开运算,闭运算公式定义为
式中：°为开运算算子；·为闭运算算子。
结合开运算和闭运算表达式,可以建立式（4）所示的数学形态学滤波函数,即
式中：ηo为固定半径的结构元素集合；o为结构元素集合的半径；
1.2 提取焊接构件图像显著区域
针对预处理后的海洋平台焊接构件图像进行焊缝检测时,需要先应用视觉注意模型[7],分析图像不同区域的视觉显著程度,提取出图像显著区域,作为焊缝检测的初始环节。考虑到视觉注意机制会对图像中心区域给出更多的关注,而对图像边缘的关注则较小,利用这一特点计算不同尺度图像的对比度差异,获取亮度特征图,即
式中：I为亮度特征图；c为中央视觉区域对应的尺度；g为周边视觉区域对应的尺度；*为中央周边差运算符号。
明确海洋平台焊接构件焊缝图像的不同颜色分量,并将其代入式（5）所示的计算原理中,得到颜色亮度特征图,即
式中：R、G、B、Y为四个广义颜色分量。
选取多个角度方向作为Gabor滤波器的滤波方向[8],对焊缝亮度图像进行多次处理,得到焊缝图像对应的方向特征图,即
式中：u为方向特征图；θ为滤波方向角度。
将亮度特征图和方向特征图融合起来,形成海洋平台焊接构件焊缝图像对应的总显著图,通过其描述原始图像中的所有特征信息,找到图像中视觉显著区域并标注出来,作为后续焊缝检测的重点区域。
1.3 建立Canny算子图像边缘分割方案
以Canny算子为基础,建立焊缝边缘分割算法,应用其对图像视觉显著区域进行分析,检测出图像边缘信息[9],并去除图像背景区域。Canny算子图像边缘分割过程中,需要计算每个像素点的梯度方向,得到
式中：ε为梯度方向；Q1、Q2分别为像素点水平、垂直方向的梯度值；arctan为反正切函数。
像素点的梯度强度为
式中：ϕ为梯度强度。
上述计算过程中涉及的两个梯度值,可以通过以下公式推算,即
式中：
