Nondestructive Image Detection Method for Welding Cracks of Mechanical Parts Considering Morphological Characteristics

LIU Shiqiao

doi:10.7512/j.issn.1001-2303.2024.07.05

Important Issuse | Views : 167 Downloads: 195 CSCD: 0

PDF
Export
Share with wechat friends or circle of friends

Share
Collection
Album

Nondestructive Image Detection Method for Welding Cracks of Mechanical Parts Considering Morphological Characteristics
- role： First author 第一作者
- Affiliation：
  China Nuclear Power Operation Technology Corporation,Wuhan 430205,China
- Email： Liusq02@cnnp.com.cn
- Introduction：刘石桥（1983—），男，硕士，副高级工程师，主要从事核电设备性能监测和智能故障诊断技术研究。E-mail：Liusq02@cnnp.com.cn。
LIU Shiqiao
Vol. 54, Issue 7, Pages: 31-37(2024)
Published： 25 July 2024 ，
DOI： 10.7512/j.issn.1001-2303.2024.07.05
Accepted：

Scan for full text

Quote

PDF
刘石桥.基于形态学特征的机械零件焊接裂纹无损图像检测方法［J］.电焊机，2024，54（7）：31-37.

LIU Shiqiao.Nondestructive Image Detection Method for Welding Cracks of Mechanical Parts Considering Morphological Characteristics[J].Electric Welding Machine, 2024, 54(7): 31-37.
刘石桥.基于形态学特征的机械零件焊接裂纹无损图像检测方法［J］.电焊机，2024，54（7）：31-37. DOI： 10.7512/j.issn.1001-2303.2024.07.05.

LIU Shiqiao.Nondestructive Image Detection Method for Welding Cracks of Mechanical Parts Considering Morphological Characteristics[J].Electric Welding Machine, 2024, 54(7): 31-37. DOI： 10.7512/j.issn.1001-2303.2024.07.05.

Abstract

In the welding crack detection of mechanical parts, because the welding boundary is interfered by reflection wave in the acquired image, there is fuzzy noise, which leads to inaccurate detection. In order to solve this problem, based on the principle of shape basis invariance in boundary morphology, a non-destructive image detection method for welding cracks of mechanical parts considering morphological characteristics was proposed. In this method, machine vision technology is used to collect the visual image of mechanical parts welding, and the fuzzy noise caused by optical interference is filtered by illumination reflection model and Fourier transform. The low frequency approximate component and high frequency detail component are constructed by the two-layer wavelet decomposition. By introducing morphological algorithm, taking structural elements as the core, through corrosion and expansion treatment, and optimization by optimizing corrosion frequency and homomorphic filtering, the morphological characteristics of welding cracks of mechanical parts are extracted, and the non-destructive detection of welding cracks of mechanical parts is realized. The experimental results show that the visual image collected by the proposed method is clearer, and the crack morphological characteristics and cracks can be effectively extracted. The detection location of welding cracks in mechanical parts is basically consistent with the actual location, and the error is only 0.01, indicating that the detection accuracy of the proposed method is high.

transl

Keywords

welding of machine parts; machine vision; homomorphic filtering; image correction; wavelet; morphological characteristics

transl

0 引言

机械零件由于使用磨损、外部冲击或制造缺陷等问题，需要通过焊接修复，但是焊接过程受到多种因素的影响，焊后可能存在裂纹，导致机械零件存在失效隐患，从而使机械设备出现故障或安全事故，因此，需要检测机械零件焊接位置是否存在裂缝^［

1］。传统检测方法对检测环境要求较高，需要专业的操作人员，并且没有充分滤除采集图像中存在的模糊化噪点和考虑边界形态变化因素，导致检测精度较低。

transl

因此，研究人员针对传统检测方法的不足，开发了新的图像处理、计算机视觉算法等，以提高裂纹检测的精度，从而准确检测出裂纹^［

2］。丁伟利^{［Reference 3

Baidu Scholar

3］}等人首先以前后帧对齐方法为基础，清除由振动造成的运动模糊和位移，结合帧间差法和分割算法获得裂纹长度及形态，实现裂纹检测。但是该方法未消除反射波干扰，图像存在较多的模糊化噪点，导致裂纹检测精度低。郝博^{［Reference 4

Baidu Scholar

4］}等人首先采用机器视觉技术采集图像，并提取图像特征，采用主成分分析法降维，并用支持向量机分类缺陷，实现裂纹检测。但是该方法没有考虑裂纹边界形态中形状变化因素，导致无法准确检测出裂纹。Abraham^{［Reference 5

Baidu Scholar

5］}等人以尖端弹性波的衍射为核心，设计了超声波测量方法，实现零件表面缺陷检测，但是其图像存在较多的模糊化噪点，导致检测不准确。Silva^{［Reference 6

Baidu Scholar

6］}等人首先将计算机摄影技术和计算机断层技术相结合，并且将机器学习和后处理信号方法相融合，实现零件表面检测。但是其在克服噪点复原图像时，未充分考虑边界形态变化，导致该方法检测精度较低。

transl

为解决以上问题，本研究提出基于形态学特征的机械零件焊接裂纹无损图像检测方法。该方法以形态学特征为基础，通过机器视觉采集零件焊接位置图像，采用照明反射模型和傅里叶变换滤除图像的光学干扰，通过迭代和同态滤波优化后的形态学算法，提取裂纹形态学特征，实现裂纹准确检测。

transl

1 焊接图像采集和处理

1.1 基于机器视觉的焊接图像采集

采用机器视觉技术^［

7-8］采集机械零件焊接视觉图像，为机械零件焊接裂纹无损检测提供检测对象数据。机器视觉采集图像的设备主要包括电荷耦合器件（Charge-Coupled Device，CCD）相机和光学镜头，相机镜头采用TEC-M55的光学镜头。

transl

CCD相机位置和待检测机械零件焊接位置保持不变，两者相互配合采集需要检测的机械零件焊接视觉图像。相机和光学镜头的参数见表1、表2。

transl

表1 CCD相机参数

Table1 CCD camera parameters

项目	参数
分辨率/DPI	1048×576
采样精度/bit	20
传输接口	IEE-488 GPIB/USB接口
帧速率/s	20
镜头接口	C型接口

Download: CSV

Download: Table Images

表2 光学镜头参数

Table 2 Optical lens parameters

项目	参数
焦距/mm	60
光圈	F2.8-F22
工作距离/cm	$\geq$ 17
工作温度/℃	20~45
分辨率/DPI	>55
接口	C型接口

Download: CSV

Download: Table Images

选择和上述型号兼容且可以即插即用的图像采集卡。将发光二极管（LED）光源作为照明装置，其发热量较小，耐用性好，可以满足机械零件焊接裂纹检测的需求。由于机械零件焊接位置会产生较强的反光性，影响图像采集效果，因此，在采集机械零件焊接位置图像时，需要使用红色LED照明，避免反光情况发生，如图1所示。图1中的 $T$ 代表反射盲区，上述照明设备可以减少周围环境对图像采集造成的干扰，并将需要检测的机械零件焊接位置限制在检测区域。机器视觉采集到的机械零件焊接图像像素点设置为（x，y），为后续检测提供视觉图像。

transl

图1 LED照明

Fig.1 LED lighting

Download: Full-size image | High-res image | Low-res image

1.2 光学干扰滤除

在采集过程中，图像受光源照射不均匀产生模糊或者偏移等现象的影响，导致图像存在模糊化噪点，质量不佳。因此，需要对机器视觉采集的图像进行处理，滤除图像的光学干扰，即消除模糊化噪点。基于图像一般由场景内零件焊接位置对入射光造成反射的比率和入射的可见光组成，即反射分量和入射分量，引入照明反射模型和傅里叶变换，压缩亮度范围，消除模糊化噪点，提高图像质量。照明反射模型如图2所示。

transl

图2 照明反射模型

Fig.2 Lighting reflection model

Download: Full-size image | High-res image | Low-res image

图2中g（x，y）为光强度函数，j（x，y）和e（x，y）为入射分量和反射分量，g（x，y）=j（x，y）e（x，y），且0＜j（x，y）＜∞，0＜e（x，y）＜1。其中，入射光分量j（x，y）受空间影响较小，主要集中在空间频率域的低频段，反映成像环境，而反射光e（x，y）在高频段，反映零件焊接本身，因此，分开图像（x，y）中的入射光和反射光，放大高频段，降低低频段，可以有效改善图像质量。同时，考虑到照明分量在空间中变化相对缓慢，属于低频段，不均匀的照明在入射分量内体现，而图像的反差在反射分量内体现。根据入射分量和反射分量的特性，构建滤波器K（p，b），增强高频分量，降低低频分量，提高机械零件焊接视觉图像质量，图像处理步骤如下所示：

transl

（1）因为反射分量和入射分量是相乘状态，不能直接变换成频域后分开处理，因此，对数变换机器视觉采集的图像（x，y），公式为：

transl

l n g (x, y) = l n j (x, y) + l n e (x, y)

（1）

（2）采用傅里叶变换^［

9-10］将采集的图像从空间域变成频域：

transl

G [l n g (x, y)] = G [l n j (x, y)] + G [l n e (x, y)]

（2）

将式（2）简化为：

transl

G (p, b) = J (p, b) + E (p, b)

（3）

式中　 $J (p, b)$ 、 $E (p, b)$ 和 $G (p, b)$ 是 $l n j (x, y)$ 、 $l n e (x, y)$ 和 $l n g (x, y)$ 的傅里叶变换；E（p，b）代表频谱函数，集中在高频段；J（p，b）代表频谱函数，集中在低频段。

transl

（3）选择合适的滤波器，采用增加对比方式，通过滤波器K（p，b）增强高频段频谱函数E（p，b），得到增强的机械零件焊接机器视觉图像A（p，b）：

transl

A (p, b) = K (p, b) G (p, b) = K (p, b) J (p, b) + K (p, b) E (p, b)

（4）

（4）采用傅里叶变换将图像从频域转变成空间域，将k（x，y）设为A（p，b）的逆傅里叶变换：

transl

k (x, y) = G^{- 1} [A (p, b)] = k_{j} (x, y) + k_{e} (x, y)

（5）

式中　k_j（x，y）和k_e（x，y）代表滤波器^［

11］在入射分量和反射分量中的变换；

G^{- 1}

代表傅里叶逆变换。

transl

（5）对式（5）取指数，得到光学干扰滤除处理后的图像：

transl

h (x, y) = e x p |k (x, y)|

（6）

2 焊接裂纹形态学特征检测

在光学干扰滤除后，引入二层小波分解、形态学算法、小波变换，将算法结合，检测滤除处理后的机械零件焊接裂纹形态学特征，基于形态学特征，实现机械零件焊接裂纹检测。首先，引入二层小波分解^［

12-13］，二层小波分解被用于对处理后的图像进行分解，得到低频近似分量和高频细节分量。低频分量包含图像的大致轮廓和基本结构信息，而高频分量则包含图像的细节和纹理等更加细致的特征。引入二层小波分解经过处理后的图像，获得高低频分量：

transl

\begin{array}{l} I_{0} (x, y) = \sqrt[]{2} {I^{H} [h (x, y)] \times I^{N} [h (x, y)] + I^{D} [h (x, y)]} \\ I_{1} (x, y) = I (x, y) + I^{H} [h (x, y)] + I^{N} [h (x, y)] + I^{D} [h (x, y)] \end{array}

（7）

式中　 $I^{H}$ 代表高频水平分量； $I^{D}$ 代表高频对角分量； $I^{N}$ 代表高频垂直分量； $H$ 、 $D$ 和 $N$ 分别表示水平、对角和垂直方向； $I_{0} (x, y)$ 代表低频近似分量； $I_{1} (x, y)$ 代表高频细节分量。

transl

在确定高低频分量后，引入形态学算法^［

14-15］，提取机械零件焊接裂纹边缘的形态学特征。首先，在机械零件焊接裂纹检测中，形态学运算用于提取机械零件焊接图像的高频细节分量中的形态学特征。在该过程中，首先采用形态学算法提取焊接边界，该步骤可以通过结构元素腐蚀高频细节分量，然后采用高频细节分量减去腐蚀得到边界：

transl

\begin{array}{l} I (x, y) = I_{e'} (x, y) - [I_{e'} (x, y) Θ S] \\ I_{e'} (x, y) = {I_{0} (x, y), I_{1} (x, y)} \end{array}

（8）

式中　 $S$ 代表结构元素； $Θ$ 代表差集操作。

transl

在提取机械零件焊接裂纹的边界形态学特征后，为使裂纹区域扩展和连通，提取形态学特征，以膨胀的形式填充目标边界内区域，所有非边界背景点标记为0，则以将1赋给 $i$ 点开始：

transl

\begin{array}{l} I_{i}^{o} (x, y) = (I_{i}^{o - 1} (x, y) \oplus S) ⋂ I_{e'}' (x, y) \\ I_{i} (x, y) \in I (x, y) \end{array}

（9）

式中　 $I_{e'}' (x, y)$ 表示高低频分量的补集； $o$ 表示迭代次数； $\oplus$ 代表异或操作。

transl

根据式（9）可知，本文用 $I_{e'}' (x, y)$ 的交集将得到的结果限制在感兴趣的区域内，在一定程度上提高形态学特征检测的准确性。基于此，在机械零件焊接裂纹图像中提取连通分量。首先，迭代生成的连通分量所有元素，该过程与式（9）类似，但是用高低频分量代替了补集，公式为：

transl

I_{i}^{o} (x, y) = (I_{i}^{o - 1} (x, y) \oplus S) ⋂ I_{e'} (x, y)

（10）

在式（10）中，如果 $I_{i}^{o} (x, y) = I_{i}^{o} (x, y) - 1$ ，则算法收敛，获得连通分量，公式为：

transl

Y = o I_{i}^{o} (x, y)

（11）

通过结构元素细化图像，公式为：

transl

\begin{array}{l} Y' = Y - ((I_{e'}' (x, y) Θ S_{1}) ⋂ I_{e'} (x, y) Θ S_{2}) \\ S_{1}, S_{2} \in S \end{array}

（12）

式中　 $S_{1}$ 是个与对象相联系的元素构成的集合； $S_{2}$ 是与相应背景有关的元素构成的集合。通过使用 $S_{1}$ 经过一遍处理对机械零件焊接裂纹图像进行细化，然后使用 $S_{2}$ 经一遍处理对得到的结果进行细化。整个过程不断重复直到得到的结果不再发生变化。

transl

在完成机械零件焊接裂纹图像细化后，考虑到裂纹边界形态中形状是变化的，影响裂纹检测效果，因此，提取机械零件焊接裂纹图像形态学骨架特征，降低边界形态变化因素的影响。首先连续 $O$ 次腐蚀处理机械零件焊接裂纹图像，公式为：

transl

Y'' = (\dots (Y' Θ S_{o'}) Θ S_{o' + 1}) Θ \dots) Θ S_{O}

（13）

式中　 $S_{O}$ 表示第 $O$ 次腐蚀。

transl

在连续腐蚀后，获取机械零件焊接裂纹图像形态学骨架特征元素，公式为：

transl

Y_{o}'' = Y'' - Y'' \circ S_{o}

（14）

式中　 $\circ$ 表示圆环操作符，也称为Hadamarad积。

transl

在经过腐蚀处理后，通过开启的方式，获取机械零件焊接裂纹图像形态学骨架特征：

transl

Z = \cup_{o = 0}^{O} Y_{o}''

（15）

为了进一步提高机械零件焊接裂纹无损检测性能，对腐蚀次数进行优化，获取最优腐蚀次数：

transl

O = m a x {o | I_{e'} (x, y) Θ o S \neq \emptyset}

（16）

在优化腐蚀处理的次数后，基于机械零件焊接裂纹图像形态学骨架特征，采用膨胀处理重构机械零件焊接裂纹图像形态学特征，公式为：

transl

Z' = \cup_{o = 0}^{O} (Y_{o}'' \oplus o S)

（17）

为能够准确地检测机械零件焊接中的裂纹，引入同态滤波优化机械零件焊接裂纹形态学特征无损检测，进一步凸显焊接裂纹的形态学特征，公式为：

transl

M = χ [\frac{1}{1 + {(\frac{Z_{0}}{Z'})}^{6}}] + δ (c_{M} - c_{L}) [c_{L} + \frac{c_{M}}{{(1 + \frac{Z_{0}}{Z'})}^{6}}]

（18）

式中　 $χ$ 和 $δ$ 代表高通和同态信号之间的比值； $Z_{0}$ 代表高通率波截止产生的频率； $c_{L}$ 代表上移的距离； $c_{M}$ 代表高频段增强的倍数； $N$ 和 $B$ 代表图像的尺寸； $(c_{M} - c_{L})$ 代表总共增强的倍数； $δ$ 代表激活函数。

transl

基于检测出的形态学特征，无损检测机械零件焊接的裂纹，公式为：

transl

U = \sum_{m} \sum_{n} R_{m, n} M + \sum_{l = H, D, N} \sum_{m} \sum_{n} R_{m, n}^{l} M

（19）

式中　 $m$ 和 $n$ 代表小波变换中的级数； $l$ 代表不同的方向； $R_{m, n}^{i}$ 表示加权尺度系数。

transl

根据上述步骤完成机械零件焊接裂纹无损图像检测，得到检测后的裂纹。

transl

3 试验与分析

3.1 试验准备

为了验证基于机器视觉的机械零件焊接裂纹无损检测方法的有效性，开展试验测试。选取经过冲击的机械零件作为样品，并采用焊机对其进行焊接处理，零件焊接后，安装和调试采集图像的相机，并用白色纸遮挡相机和焊接部位之间的位置，增加曝光时间，确保可以采集到较为清楚的图像，不影响检测结果，试验设备参数如表3所示。

transl

表3 试验设备参数

Table 3 Experimental equipment parameters

项目	参数
CCD相机型号	MU3HS500M
图像采集卡	VGA
运行内存	16 GB
硬盘容量	2 TB
CCD镜头型号	XDC-10A
焦距	>17

Download: CSV

Download: Table Images

试验以100T压缩机的十字头销机械零件为研究对象，采用氩弧焊机进行焊接，如图3所示。

transl

图3 机械零件焊接

Fig.3 Welding of the mechanical parts

Download: Full-size image | High-res image | Low-res image

通过上述试验设备的CCD相机等采集机械零件焊接图像，将其作为检测的样本。

transl

3.2 裂纹无损检测方法参数设置

在开始验证机械零件焊接裂纹无损检测方法的性能前，需要设置该方法的参数数值，因为参数取值不同，则直接影响检测方法的效果，经过多次试验优化后的参数设置如表4所示。

transl

表4 裂纹无损检测方法参数

Table 4 Crack nondestructive testing method parameters

序号	参数	数值	序号	参数	数值
1	$e$	（0，1）	5	$c_{M}$	50
2	$χ$	0.82	6	$m$	5
3	$δ$	1.34	7	$n$	5
4	$Z_{0}$	85

Download: CSV

Download: Table Images

3.3 视觉图像采集测试

本文方法以机器视觉为核心，而机器视觉技术的主要作用是采集机械零件焊接位置的图像，因此，在分析该方法检测性能前首先验证视觉图像采集效果。采集的图像越清晰，可以在一定程度上提高检测准确性。对本文方法、文献［

4］和文献［5］方法进行视觉图像采集测试，对比结果如图4所示。

transl

Download: | High-res image | Low-res image

图4 图像采集测试

Fig.4 Image acquisition test

由图4可知，文献［

4］和文献［5］方法采集的机械零件焊接图像较为模糊，很难辨认出裂纹的位置，与原始图像差别较大，对后续的检测结果存在较大的影响，而本文方法采集的图像较为清晰，与原始图像差别不大，提供了较多的细节信息，能够保证检测结果的准确性，更好地确定机械零件焊接的裂纹位置和形状。

transl

3.4 裂纹形态学特征提取测试

本文方法以形态学特征为基础，如果裂纹形态学特征提取效果较差，则影响裂纹无损检测的准确性，因此，在分析检测性能前，基于机器视觉采集的图像4，采用不同方法提取图像4中机械零件焊接裂纹的形态学特征，分析裂纹形态学特征提取效果，结果如图5所示。

transl

图5 裂纹形态学特征提取测试

Fig.5 Crack morphological feature extraction test

Download: Full-size image | High-res image | Low-res image

根据图5可知，三种方法均提取出了裂纹的形态学特征，但是仔细分析可知，文献［

4］方法提取的裂纹不全，中间缺少部分特征，即裂纹形态学特征缺失；而文献［5］方法虽然提取到了形态学特征，但是该形态学特征与实际裂纹存在较大误差，细节部分均未体现，未准确描述裂纹，特征提取效果较差，与文献方法相比，本文方法提取的裂纹形态学特征体现了裂纹的细节信息，其特征形状与裂纹一致，说明本文方法的裂纹形态学特征提取效果较好。

transl

3.5 结果分析

（1）裂纹提取测试。

transl

裂纹提取测试主要用于检验提取的裂纹是否完整，能否准确获取裂纹的形状、位置和大小等信息。本文方法、文献［

4］和文献［5］方法提取的裂纹测试结果如图6所示。

transl

图6 裂纹提取测试

Fig.6 Crack extraction test

Download: Full-size image | High-res image | Low-res image

由图6可知，与文献［

4］和文献［5］的方法相比，本文方法能够更完整地提取裂纹信息，避免了裂纹缺漏的现象。这一优势确保了焊接位置上裂纹的大小和位置可以被准确识别，从而避免了由于裂纹未被准确识别而导致的机械零件焊接失效，进一步防止了机械设备在使用过程中出现二次故障，减少了潜在的经济损失。

transl

（2）检测精度测试。

transl

本文方法、文献［

4］和文献［5］方法的检测精度测试结果如表2所示。

transl

表2 检测精度测试

Table 2 Test accuracy test

方法	裂纹位置/（x，y）	检测结果/（x，y）
所提方法	（2.3，3.6）	（2.3，3.59）
文献［4］方法	（3.1，5.2）	（2.7，5.2）
文献［5］方法	（3.5，4.5）	（3.1，4.3）

Download: CSV

Download: Table Images

由表2可知，文献［

4］和文献［5］方法在对机械零件焊接的裂纹检测中，检测精度与实际的裂纹位置相差较多，检测结果准确度较低，误差达到了0.4，这样的误差水平限制了它们在提供裂纹详细信息方面的有效性。而本文方法的检测结果与实际结果相差较小，误差仅为0.01，可以精准地检测到机械零件焊接上的裂纹位置。

transl

综上所述，本文方法在检测精度和图像采集方面都优于文献［

4］和文献［5］的方法，更符合实际需求，可以用于对机械零件焊接裂纹的检测，能够及时发现机械零件焊接表面的问题，提高安全性。这是因为本文方法充分考虑了裂纹的形态学特征，并且在通过迭代和同态滤波优化后的形态学算法提取特征前，采用照明反射模型和傅里叶变换，滤除了光学干扰的模糊化噪点，从而提高了机械零件焊接裂纹的检测性能。

transl

4 结论

针对目前机械零件焊接裂纹检测的方法中存在检测精度低和提取的裂纹完整性低等问题，本文提出了一种考虑形态学特征的机械零件焊接裂纹无损图像检测方法，经过研究得出：

transl

（1）证明了在焊接裂纹检测中考虑形态学特征的重要性。通过形态学算法的应用，能够更准确地提取裂纹边界和纹理特征，从而提高检测精确度。

transl

（2）采用机器视觉技术采集焊接图像，并利用照明反射模型和傅里叶变换能够有效滤除图像中的光学干扰和模糊化噪点，显著提升图像质量。

transl

（3）通过二层小波分解，结合形态学算法，成功构建了低频近似分量和高频细节分量，为形态学特征提取提供了强有力的支持。

transl

（4）通过优化腐蚀次数和同态滤波处理，本文提出的算法能够更精确地提取裂纹的形态学特征，并通过膨胀处理增强裂纹区域的连通性，进一步提升了检测的完整性。

transl

（5）与现有文献方法进行对比试验，本文方法采集的图像更加清晰，提取的裂纹形态学特征更加完整，提供了较多的细节信息，检测精度误差仅为0.01，验证了本文方法具备较好的机械零件焊接裂纹无损检测性能。

transl

参考文献

李卓然，迟宏伟. 计算机图像识别技术在农机零件无损检测中的应用［J］. 农机化研究，2023，45（07）：219-223. [Baidu Scholar]

LI Z R，CHI H W. Application of Computer Image Recognition Technology in Nondestructive Testing of Agricultural Machinery Parts［J］.Journal of Agricultural Mechanization Research，2023，45（07）：219-223. [Baidu Scholar]

张瀚丹，吴一全. 基于视觉的汽车装配件缺陷检测研究进展［J］. 仪器仪表学报，2023，44（08）：1-20. [Baidu Scholar]

ZHANG H D，WU Y Q. Research progress of vehicle assembly defect detection methods based on vision［J］.Chinese Journal of Scientific Instrument，2023，44（08）：1-20. [Baidu Scholar]

丁伟利，任天赐，谭伟敏，等. 基于视觉的零部件振动裂纹在线监测系统研究［J］.电子测量与仪器学报，2022，36（02）：78-88. [Baidu Scholar]

DING W L，REN T C，TAN WM，et al. Online vibration crack detection algorithm based on computer vision［J］.Journal of Electronic Measurement and Instrumentation，2022，36（02）：78-88. [Baidu Scholar]

郝博，闫俊伟，尹兴超，等. 多特征联合的薄壁零件表面缺陷检测方法［J］.工具技术，2023，57（08）：147-152. [Baidu Scholar]

HAO B，YAN J W，YIN XC，et al. Surface Defect Detection Method for Thin-wall Parts Based on Multi-feature Joint［J］. Tool Engineering，2023，57（08）：147- 152. [Baidu Scholar]

Abraham S T，Babu M N，Venkatraman B.A novel ultrasonic non-destructive testing methodology to monitor fatigue crack growth in compact tension specimens［J］.Review of Scientific Instruments，2023，94（3）：035108. [Baidu Scholar]

Silva M I，Malitckii E，Santos T G，et al. Review of conventional and advanced non-destructive testing techniques for detection and characterization of small-scale defects［J］.Progress in materials science，2023，138：101155. [Baidu Scholar]

程莹，许亚男，侯浩楠，等. 基于机器视觉技术的小粒中药材种子净度快速检测［J］. 中国农业大学学报，2022，27（05）：114-122. [Baidu Scholar]

CHENG Y，XU Y N，HOU H N，et al. Rapid small seed clarity detection method of Chinese medicinal plants based on machine vision technology［J］.Journal of China Agricultural University，2022，27（05）：114-122. [Baidu Scholar]

林宁. 基于机器视觉技术的电梯曳引轮磨损检测研究［J］. 微特电机，2022，50（03）：26-30. [Baidu Scholar]

LIN N. Research on Elevator Traction Wheel Wear Detection Based on Machine Vision Technology［J］. Small & Special Electrical Machines，2022，50（03）：26-30. [Baidu Scholar]

刘高平，曲超，张思琪. 傅里叶变换光谱仪非线性光程差分析与校正［J］. 光学学报，2022，42（08）：255-262. [Baidu Scholar]

LIU G P，QU C，ZHANG S Q. Analysis and Correction of Nonlinear Optical Path Difference of Fourier Transform Spectrometer［J］. Acta Optica Sinica，2022，42（08）：255-262. [Baidu Scholar]

李超，李孟芝，李丹霞，等. 基于傅里叶变换红外光谱指纹技术的艾叶产地溯源研究［J］. 光谱学与光谱分析，2022，42（08）：2532-2537. [Baidu Scholar]

LI C，LI M Z，LI D X，et al. Study on Geographical Traceability of Artemisia argyi by Employing the Fourier Transform Infrared Spectral Fingerprinting［J］.Spectroscopy and Spectral Analysis，2022，42（08）：2532-2537. [Baidu Scholar]

张淼，吴事煜，冯春寿，等. 一种新型谐振混合型有源电力滤波器［J］. 电力电子技术，2023，57（04）：41-45. [Baidu Scholar]

ZHANG M，WU S Y，FENG C S，et al. A New Resonantt Hybrid Active Power Filter［J］. Power Electronics，2023，57（04）：41-45. [Baidu Scholar]

王梓璇，王圃，王颖，等. 基于小波分解及遗传BPNN耦合模型的地表水As浓度预测研究［J］. 环境科学学报，2021，41（07）：2942-2950. [Baidu Scholar]

WANG Z X，WANG P，WANG Y，et al. Wavelet decomposition and genetic BPNN hybrid model based modelling approach for As concentration prediction in surface water［J］. Acta Scientiae Circumstantiae，2021，41（07）：2942-2950. [Baidu Scholar]

徐志祥，杨帆，关守岩，等. 基于小波分解表面波的涂层平板表面缺陷检测方法研究［J］. 激光与红外，2021，51（05）：592-599. [Baidu Scholar]

XU Z X，YANG F，GUAN S Y，et al. Research on surface defect detection method of coating plate based on wavelet decomposition surface wave［J］. Laser & Infrared，2021，51（05）：592-599. [Baidu Scholar]

杨翠茹，彭向阳，余欣. 结合小波变换与数学形态学的电缆局放信号识别与降噪方法［J］. 沈阳工业大学学报，2023，45（06）：619-624. [Baidu Scholar]

YANG C R，PENG X Y，YU X. Recognition and denoising method of cable partial discharge signal based on wavelet transform and mathematical morphology［J］.Journal of Shenyang University of Technology，2023，45（06）：619-624. [Baidu Scholar]

康爽，陈长征，刘石，等. 基于最优多尺度集的形态学红外图像缺陷检测研究［J］. 太阳能学报，2022，43（06）：145-152. [Baidu Scholar]

KANG S，CHEN C Z，LIU S，et al. Study on Defect Detection of Morphological Infrared Images Based on Optimal Multi-scale Set［J］. ActaEnergiae Solaris Sinica，2022，43（06）：145-152. [Baidu Scholar]

摘要

在机械零件焊接裂纹检测中，由于采集的图像中焊接边界受到反射波干扰，其存在模糊化噪点，导致检测不准确。为解决该问题，基于边界形态中形状基不变原理，提出考虑形态学特征的机械零件焊接裂纹无损图像检测方法。该方法采用机器视觉技术采集机械零件焊接的视觉图像，通过照明反射模型和傅里叶变换，滤除图像受到光学干扰产生的模糊化噪点。通过二层小波分解图像，构建低频近似分量和高频细节分量。引入形态学算法，以结构元素为核心，通过腐蚀和膨胀处理，并且通过优化腐蚀次数和同态滤波进行优化，提取机械零件焊接裂纹的形态学特征，实现机械零件焊接裂纹无损检测。经过试验证明，所提方法采集的视觉图像更加清晰，可以有效提取裂纹形态学特征和裂纹，其机械零件焊接裂纹检测位置与实际位置基本一致，误差仅为0.01，说明该方法检测精度较高。

Abstract

In the welding crack detection of mechanical parts

because the welding boundary is interfered by reflection wave in the acquired image

there is fuzzy noise

which leads to inaccurate detection. In order to solve this problem

based on the principle of shape basis invariance in boundary morphology

a non-destructive image detection method for welding cracks of mechanical parts considering morphological characteristics was proposed. In this method

machine vision technology is used to collect the visual image of mechanical parts welding

and the fuzzy noise caused by optical interference is filtered by illumination reflection model and Fourier transform. The low frequency approximate component and high frequency detail component are constructed by the two-layer wavelet decomposition. By introducing morphological algorithm

taking structural elements as the core

through corrosion and expansion treatment

and optimization by optimizing corrosion frequency and homomorphic filtering

the morphological characteristics of welding cracks of mechanical parts are extracted

and the non-destructive detection of welding cracks of mechanical parts is realized. The experimental results show that the visual image collected by the proposed method is clearer

and the crack morphological characteristics and cracks can be effectively extracted. The detection location of welding cracks in mechanical parts is basically consistent with the actual location

and the error is only 0.01

indicating that the detection accuracy of the proposed method is high.

关键词

机械零件焊接机器视觉同态滤波图像校正小波变换形态学特征

Keywords

welding of machine partsmachine visionhomomorphic filteringimage correctionwaveletmorphological characteristics

references

李卓然，迟宏伟. 计算机图像识别技术在农机零件无损检测中的应用［J］. 农机化研究，2023，45（07）：219-223.

张瀚丹，吴一全. 基于视觉的汽车装配件缺陷检测研究进展［J］. 仪器仪表学报，2023，44（08）：1-20.

ZHANG H D，WU Y Q. Research progress of vehicle assembly defect detection methods based on vision［J］.Chinese Journal of Scientific Instrument，2023，44（08）：1-20.

丁伟利，任天赐，谭伟敏，等. 基于视觉的零部件振动裂纹在线监测系统研究［J］.电子测量与仪器学报，2022，36（02）：78-88.

DING W L，REN T C，TAN WM，et al. Online vibration crack detection algorithm based on computer vision［J］.Journal of Electronic Measurement and Instrumentation，2022，36（02）：78-88.

郝博，闫俊伟，尹兴超，等. 多特征联合的薄壁零件表面缺陷检测方法［J］.工具技术，2023，57（08）：147-152.

HAO B，YAN J W，YIN XC，et al. Surface Defect Detection Method for Thin-wall Parts Based on Multi-feature Joint［J］. Tool Engineering，2023，57（08）：147- 152.

程莹，许亚男，侯浩楠，等. 基于机器视觉技术的小粒中药材种子净度快速检测［J］. 中国农业大学学报，2022，27（05）：114-122.

林宁. 基于机器视觉技术的电梯曳引轮磨损检测研究［J］. 微特电机，2022，50（03）：26-30.

LIN N. Research on Elevator Traction Wheel Wear Detection Based on Machine Vision Technology［J］. Small & Special Electrical Machines，2022，50（03）：26-30.

刘高平，曲超，张思琪. 傅里叶变换光谱仪非线性光程差分析与校正［J］. 光学学报，2022，42（08）：255-262.

LIU G P，QU C，ZHANG S Q. Analysis and Correction of Nonlinear Optical Path Difference of Fourier Transform Spectrometer［J］. Acta Optica Sinica，2022，42（08）：255-262.

李超，李孟芝，李丹霞，等. 基于傅里叶变换红外光谱指纹技术的艾叶产地溯源研究［J］. 光谱学与光谱分析，2022，42（08）：2532-2537.

张淼，吴事煜，冯春寿，等. 一种新型谐振混合型有源电力滤波器［J］. 电力电子技术，2023，57（04）：41-45.

ZHANG M，WU S Y，FENG C S，et al. A New Resonantt Hybrid Active Power Filter［J］. Power Electronics，2023，57（04）：41-45.

王梓璇，王圃，王颖，等. 基于小波分解及遗传BPNN耦合模型的地表水As浓度预测研究［J］. 环境科学学报，2021，41（07）：2942-2950.

徐志祥，杨帆，关守岩，等. 基于小波分解表面波的涂层平板表面缺陷检测方法研究［J］. 激光与红外，2021，51（05）：592-599.

XU Z X，YANG F，GUAN S Y，et al. Research on surface defect detection method of coating plate based on wavelet decomposition surface wave［J］. Laser & Infrared，2021，51（05）：592-599.

杨翠茹，彭向阳，余欣. 结合小波变换与数学形态学的电缆局放信号识别与降噪方法［J］. 沈阳工业大学学报，2023，45（06）：619-624.

康爽，陈长征，刘石，等. 基于最优多尺度集的形态学红外图像缺陷检测研究［J］. 太阳能学报，2022，43（06）：145-152.

KANG S，CHEN C Z，LIU S，et al. Study on Defect Detection of Morphological Infrared Images Based on Optimal Multi-scale Set［J］. ActaEnergiae Solaris Sinica，2022，43（06）：145-152.

Alert me when the article has been cited

Submit

Research Status and Development Trend of Welding Seam Recognition Based on Machine Vision

Laser Additive Manufacturing Machine Vision System Development

Related Author

Peiqi LI 南通大学张謇学院

Hao ZHANG 南通大学张謇学院

Teng LIU 南通大学张謇学院

Jiajun PAN 南通大学张謇学院

Fan ZHANG 南通大学张謇学院

Zhiyong LI 中北大学材料科学与工程学院

Xiaopeng SHI 中北大学材料科学与工程学院

Shuai YAN 中北大学材料科学与工程学院

Related Institution

School of ZHANG Jian，Nantong University

School of Materials Science and Engineering, North University of China

School of Mechanical Engineering,Dalian University of Technology

School of Optoelectronic Engineering,Xi’an Technological University

School of Technical Physics,Xidian University

⁰