楊 晨，徐志鵬，曹松曉，宋 濤，蔣 慶

(中國計(jì)量大學(xué)計(jì)量測(cè)試工程學(xué)院，浙江杭州 310018)

0 引言

微通道換熱器是一種借助特殊微加工技術(shù)以固定基質(zhì)制造的可用于進(jìn)行熱傳遞的三維結(jié)構(gòu)。在換熱器生產(chǎn)過程中需要對(duì)其成品進(jìn)行規(guī)格和質(zhì)量檢測(cè)，目前主要通過人工來完成缺陷檢測(cè)環(huán)節(jié)[1]。工人通過對(duì)比工樣來判斷換熱器是否符合標(biāo)準(zhǔn)。這種方法要求工人擁有一定的經(jīng)驗(yàn)，而且精確度和可靠性存疑，效率也有待提高。機(jī)器視覺技術(shù)具有高精度、重復(fù)性、非接觸性、成本低等特點(diǎn)。將機(jī)器視覺運(yùn)用到換熱器焊后缺陷檢測(cè)中能實(shí)現(xiàn)檢測(cè)的自動(dòng)化、減少人力成本、提高生產(chǎn)效率。陳家智等[2]設(shè)計(jì)了基于機(jī)器視覺的鋰電池正負(fù)極冗余度缺陷檢測(cè)方法，該算法能夠很好且快速地將鋰電池正負(fù)極冗余度等不滿足技術(shù)要求的鋰電池識(shí)別檢測(cè)出來；周靜等[3]設(shè)計(jì)了基于多尺度邊緣擬合的陶瓷過濾網(wǎng)質(zhì)量檢測(cè)方法，該方法能夠準(zhǔn)確、快速的檢測(cè)陶瓷過濾網(wǎng)外形缺陷和尺寸；肖佳全等[4]設(shè)計(jì)了基于機(jī)器視覺的異形彈簧快速缺陷檢測(cè)方法，實(shí)現(xiàn)了異形彈簧的尺寸和變形缺陷無接觸、快速且較為準(zhǔn)確的在線檢測(cè)；黃夢(mèng)濤等[5]設(shè)計(jì)了基于改進(jìn)的Canny算子的鋰電池極片表面缺陷檢測(cè)方法，針對(duì)鋰電池表面電極片表面存在低對(duì)比度微小缺陷難以檢測(cè)的問題，提出解決方法，此算法能夠有效突出目標(biāo)缺陷區(qū)域的同時(shí)，且有效減少同色度背景噪聲；荀康迪等[6]提出了一種基于機(jī)器視覺的手機(jī)石墨散熱片缺陷檢測(cè)方法，采用的濾波方法和二次匹配法適用于手機(jī)石墨散熱片缺陷檢測(cè)，滿足企業(yè)品控要求；張福虔等[7]為解決印刷輥筒表面缺陷檢測(cè)困難，提出了改進(jìn)的CLAHE圖像增強(qiáng)算法和改進(jìn)的視覺顯著性輥筒表面缺陷算法，實(shí)現(xiàn)了輥筒表面缺陷的有效檢測(cè)；賈坡等[8]提出了基于機(jī)器視覺的滾拋磨塊缺陷檢測(cè)方法，該方法能對(duì)燒結(jié)型球狀磨塊的圓度和黑心缺陷進(jìn)行數(shù)字化檢測(cè)；鄭魁敬等[9]提出了基于機(jī)器視覺的手機(jī)電池表面缺陷檢測(cè)，針對(duì)手機(jī)電池表面質(zhì)量人工檢測(cè)情況，開發(fā)了電池表面缺陷無損檢測(cè)系統(tǒng)軟件；李書華等[10]設(shè)計(jì)了一種基于機(jī)器視覺的PVC管材表面缺陷檢測(cè)算法，解決了人眼檢測(cè)聚氯乙烯管材表面缺陷效果差、效率低下等問題，并將其用于工業(yè)生產(chǎn)。

為了提高微通道換熱器缺陷檢測(cè)的檢測(cè)速度以及效率，故將機(jī)器視覺應(yīng)用到微通道換熱器缺陷檢測(cè)過程中。通過圖像處理等技術(shù)完成對(duì)換熱器關(guān)鍵缺陷區(qū)域的在線檢測(cè)，判斷換熱器是否符合生產(chǎn)標(biāo)準(zhǔn)，從而實(shí)現(xiàn)檢測(cè)的自動(dòng)化，顯著提高生產(chǎn)效率。

1 換熱器結(jié)構(gòu)及缺陷特征分析

微通道換熱器圖像如圖1所示。其主要由制冷劑進(jìn)出口、集流管、隔板、扁管和翅片組成。扁管內(nèi)有數(shù)十條細(xì)微流道,在扁平管的兩端與集流管相連，翅片在兩根扁管之間，起到強(qiáng)化換熱器的換熱性能的作用。集管內(nèi)設(shè)置隔板,將換熱器流道分隔成數(shù)個(gè)流程。各種板片之間形成薄矩形通道，通過板片進(jìn)行熱量交換。

圖1 微通道換熱器

換熱器可能存在缺陷的區(qū)域有邊板區(qū)域、端板區(qū)域、隔板區(qū)域、支架區(qū)域、轉(zhuǎn)接座區(qū)域、集流管區(qū)域、接管區(qū)域、扁管區(qū)域、翅片區(qū)域等。從表1換熱器缺陷種類排布圖可以看出，翅片不良占比最高。而換熱器翅片缺陷主要有翅片虛焊和翅片損傷，不同的缺陷形成的原因各不相同。翅片虛焊是翅片與扁管接觸面有明顯縫隙，翅片損傷就是翅片部分有明顯的損壞痕跡。這兩大缺陷會(huì)影響換熱器的熱傳導(dǎo)性能，使翅片無法與流體之間產(chǎn)生對(duì)流換熱從而達(dá)到換熱的效果。翅片虛焊、翅片損傷與正常圖的對(duì)比圖如圖2所示。

表1 換熱器缺陷種類排布圖 %

(a)翅片虛焊

(b)翅片損傷

(c)正常換熱器圖2 翅片虛焊、翅片損傷與無缺陷圖對(duì)比圖

由此，本文對(duì)換熱器圖像進(jìn)行一系列的圖像處理操作，針對(duì)翅片虛焊，保留扁管附近圖像，過濾干擾圖像，并截取扁管附近區(qū)域，再進(jìn)行缺陷檢測(cè)。針對(duì)翅片損傷，可以根據(jù)扁管擬合出多條直線，再根據(jù)直線將圖像分割為若干含有翅片的區(qū)域，分別對(duì)這些區(qū)域進(jìn)行缺陷檢測(cè)[11]。該檢測(cè)方法能顯著提高檢測(cè)的效率和速度。

2 微通道換熱器缺陷檢測(cè)算法

本文提出一種基于機(jī)器視覺的微通道換熱器缺陷檢測(cè)算法。算法主要分為3個(gè)步驟。

第一步：圖像采集和圖像預(yù)處理。對(duì)采集到的圖像進(jìn)行雙邊濾波去除噪聲，再使用y方向一階Sobel邊緣檢測(cè)算子提取輪廓，然后使用形態(tài)學(xué)開運(yùn)算操作和二值化過濾干擾斑點(diǎn)，使缺陷區(qū)域更易于提取及顯現(xiàn)。

第二步：缺陷區(qū)域的提取和分割。使用Hough直線檢測(cè)、差分法和橫軸像素點(diǎn)累積投影法對(duì)預(yù)處理后的缺陷樣本進(jìn)行多區(qū)域的分割提取，不同的缺陷需要檢測(cè)的區(qū)域有所不同，這樣更易于后續(xù)缺陷的檢測(cè)。

第三步：缺陷識(shí)別。首先是翅片虛焊，有缺陷區(qū)域能夠檢測(cè)到3條及3條以上的直線，正常無缺陷區(qū)域只能檢測(cè)到2條直線。其次是翅片損傷，使用輪廓檢測(cè)和輪廓面積限定法，滿足翅片損傷的斑點(diǎn)面積在規(guī)定閾值內(nèi)，從而判定該區(qū)域是否有缺陷。換熱器缺陷檢測(cè)流程圖如圖3所示。

圖3 換熱器缺陷檢測(cè)流程圖

2.1 圖像預(yù)處理

2.1.1 圖像的濾波處理

在采集圖像的過程中，采集設(shè)備可能會(huì)受到各種噪聲的干擾，并且在圖像信號(hào)的傳輸過程中也可能產(chǎn)生噪聲，因此采集到的圖像可能會(huì)具有噪聲。由此可見去除圖像噪聲在圖像的預(yù)處理中是至關(guān)重要的步驟。圖像濾波分為線性濾波和非線性濾波。常見的線性濾波有均值濾波和高斯濾波等；非線性濾波有中值濾波和雙邊濾波。

實(shí)驗(yàn)結(jié)果表明，在最初階段視覺系統(tǒng)表現(xiàn)的是非線性特征[12]。因此在利用機(jī)器視覺濾波處理圖像時(shí)，非線性濾波的濾波效果最佳。其中雙邊濾波是有效且常用的能保留圖像邊緣信息的濾波算法。雙邊濾波是空域和值域?yàn)V波器的結(jié)合，所以在對(duì)邊緣附近的像素進(jìn)行濾波的同時(shí)，距離邊緣較遠(yuǎn)的像素值不會(huì)對(duì)邊緣上的像素值影響太大，進(jìn)而保留邊緣的清晰性。雙邊濾波的數(shù)學(xué)表達(dá)式如式(1)所示：

(1)

式中：f(k,l)為輸入圖像；g(i,j)為輸出圖像；w(i,j,k,l)為雙邊濾波器的系數(shù)，其值取決于空域?yàn)V波器和值域?yàn)V波器的乘積。

濾波后的效果圖如圖4(a)所示，可以看出圖像有明顯平滑，且保留了邊緣的信息。

(a)雙邊濾波

(b)Sobel算子y方向一階邊緣

(c)二值化

(d)形態(tài)學(xué)開運(yùn)算圖4 樣本預(yù)處理圖

2.1.2 圖像的邊緣檢測(cè)

圖像中物體的邊緣含有重要信息，提取圖像中的邊緣信息對(duì)于分析換熱器的缺陷、提取缺陷區(qū)域和定位缺陷等具有非常重要的作用[13]。常見的邊緣檢測(cè)算法有：Sobel算子，Scharr算子，Laplacian算子和Canny算子。通過對(duì)翅片虛焊和翅片損傷缺陷的特征分析，發(fā)現(xiàn)翅片虛焊一般出現(xiàn)在扁管附近，因此我們需要將扁管附近以外的翅片區(qū)域進(jìn)行弱化或消除。從采集到的缺陷樣本可以看出，扁管是橫向邊緣，因此嘗試使用Sobel算子y方向的一階邊緣和Scharr算子y方向一階邊緣對(duì)濾波處理后的圖像進(jìn)行處理對(duì)比，發(fā)現(xiàn)Sobel算子y方向一階邊緣提取能較好過濾扁管周圍以外的翅片區(qū)域。邊緣提取后的效果圖如圖4(b)所示，可以看出，扁管區(qū)域輪廓變得更加明顯清晰，而扁管外的翅片區(qū)域較為模糊。

2.1.3 圖像的二值化和形態(tài)學(xué)操作

經(jīng)過上述邊緣檢測(cè)后的缺陷樣本，可觀察到翅片的輪廓線并沒有完全過濾掉，仍然存在干擾[14]。為了使扁管附近區(qū)域的輪廓更加明顯，弱化翅片輪廓，進(jìn)一步使用圖像的二值化和形態(tài)學(xué)操作，圖4(c)是二值化后的結(jié)果，圖4(d)是形態(tài)學(xué)開運(yùn)算操作后的結(jié)果。可以看出，經(jīng)過二值化和形態(tài)學(xué)開運(yùn)算后的效果圖，已基本排除了翅片輪廓的干擾，可以明顯觀察出所需要的扁管附近區(qū)域輪廓。

2.2 缺陷區(qū)域提取算法

2.2.1 翅片虛焊缺陷區(qū)域提取

從預(yù)處理結(jié)果圖中可以看出，扁管輪廓在水平方向上，并且經(jīng)過二值化后的圖像的像素值為0或者255。因此將圖像(w×h=2448 pixel×2048 pixel)的寬作為橫坐標(biāo)，水平方向的像素點(diǎn)值為255的個(gè)數(shù)累積值作為縱坐標(biāo)，數(shù)學(xué)表達(dá)式如式(2)所示，其中g(shù)(y)表示對(duì)應(yīng)橫軸像素點(diǎn)為255的個(gè)數(shù)，f(x,y)表示圖中坐標(biāo)為(x,y)點(diǎn)的像素值，然后對(duì)其進(jìn)行歸一化可以畫出橫軸上的像素點(diǎn)縱向投影折線圖，如圖5所示。

圖5 像素點(diǎn)累加縱向投影折線圖

(2)

從折線圖中可以看出扁管所在區(qū)域的值明顯要大于其他區(qū)域，因此只需要將每個(gè)峰值附近區(qū)域所代表的扁管區(qū)域截取出來，便可以得到需要檢測(cè)的缺陷區(qū)域。具體算法步驟：首先根據(jù)設(shè)定像素個(gè)數(shù)累積閾值，從而找到幾個(gè)峰值大致的一個(gè)對(duì)應(yīng)橫坐標(biāo)圖像寬的范圍值，計(jì)算出中間值，再根據(jù)中間值從預(yù)處理后的圖中截取可能出現(xiàn)缺陷的扁管區(qū)域，如圖6所示為截取后的圖像。

圖6 翅片虛焊缺陷區(qū)域截取

2.2.2 翅片損傷缺陷區(qū)域提取

針對(duì)采集到的翅片損傷樣本，對(duì)其進(jìn)行圖像預(yù)處理，如圖7所示，不難看出缺陷區(qū)域主要集中在翅片區(qū)域，以扁管作為分割線將預(yù)處理后的圖像劃分成若干個(gè)缺陷樣本。

圖7 翅片損傷圖像預(yù)處理

主要步驟：首先對(duì)翅片損傷樣本用預(yù)處理方法進(jìn)行處理，再對(duì)整張圖使用Hough直線檢測(cè)[15]，可以檢測(cè)到k根直線，針對(duì)這k根直線會(huì)有2k個(gè)端點(diǎn)，對(duì)這2k個(gè)端點(diǎn)按縱坐標(biāo)從小到大排序，并將其分為m份。正常同層端點(diǎn)的縱坐標(biāo)差值會(huì)很小，所以將縱坐標(biāo)差值小的點(diǎn)劃分為一組，這里用到了差分法。將每組點(diǎn)的均值作為縱坐標(biāo)，并找出每組點(diǎn)所對(duì)應(yīng)橫坐標(biāo)的最大值和最小值作為直線的橫坐標(biāo)，根據(jù)坐標(biāo)點(diǎn)畫出直線。每個(gè)扁管可以檢測(cè)出2條直線。

根據(jù)找到的直線，可以從缺陷預(yù)處理圖中截取若干個(gè)缺陷區(qū)域如圖8所示。

圖8 翅片損傷缺陷區(qū)域截取

2.3 缺陷檢測(cè)識(shí)別算法

2.3.1 翅片虛焊缺陷檢測(cè)

從翅片虛焊缺陷區(qū)域提取得到的圖像可以看出，有翅片虛焊缺陷部分不只有扁管的輪廓，還有由于翅片虛焊缺陷造成的翅片部分輪廓，因此，這里用到了在上面翅片損傷缺陷區(qū)域提取用到的直線檢測(cè)方法，對(duì)得到的每張翅片虛焊缺陷區(qū)域進(jìn)行檢測(cè)，在有翅片虛焊缺陷的圖像中，可以檢測(cè)到3條或3條以上的直線，而對(duì)于正常沒有翅片虛焊的圖像，只檢測(cè)出2條直線，如圖9為缺陷檢測(cè)的結(jié)果。其中圖9(a)為有缺陷情況下檢測(cè)出3條直線，圖9(b)為正常情況下只檢測(cè)出2條直線。

(a)翅片虛焊

(b)正常情況圖9 翅片虛焊檢測(cè)結(jié)果

2.3.2 翅片損傷缺陷檢測(cè)

在翅片損傷缺陷區(qū)域分割圖中能夠明顯發(fā)現(xiàn)，有缺陷圖像中翅片損傷造成的大面積斑點(diǎn)，由此，可以根據(jù)這個(gè)特征進(jìn)行缺陷識(shí)別檢測(cè)。首先對(duì)有缺陷樣本進(jìn)行輪廓檢測(cè)[16]，可以得到每個(gè)斑點(diǎn)輪廓的面積大小，從而找到最小斑點(diǎn)和最大斑點(diǎn)面積的均值，將其設(shè)置為閾值。再對(duì)樣本中缺陷斑點(diǎn)的大小面積進(jìn)行閾值限定，得到想要的缺陷斑點(diǎn)的輪廓，從而檢測(cè)出翅片損傷缺陷。圖10是翅片損傷缺陷檢測(cè)結(jié)果。

(a)翅片損傷

(b)正常圖10 翅片損傷檢測(cè)結(jié)果

3 實(shí)驗(yàn)結(jié)果及分析

本實(shí)驗(yàn)代碼使用PyCharm 2021集成開發(fā)環(huán)境，利用 python編程語言和Opencv-python 4.5.4 機(jī)器視覺庫實(shí)現(xiàn)。硬件系統(tǒng)主要由工業(yè)相機(jī)MV-CA050-10GM、焦距為12 mm的FA鏡頭、LED環(huán)形白光源等構(gòu)成，圖11為硬件系統(tǒng)圖。

圖11 硬件系統(tǒng)

本實(shí)驗(yàn)對(duì)翅片虛焊和翅片損傷缺陷各采集50張圖像，圖像的原始大小為2448 pixel×2048 pixel，可以通過上述的缺陷區(qū)域提取的方法得到多張待檢測(cè)圖像。翅片虛焊總待檢樣本總量為250張，其中有缺陷樣本為47張，正常樣本為203張。翅片損傷待檢測(cè)樣本總量為300張，其中有翅片損傷的樣本為163張，無缺陷樣本為137張。翅片虛焊檢測(cè)結(jié)果如表2所示，翅片損傷檢測(cè)結(jié)果如表3所示。

表2 翅片虛焊檢測(cè)結(jié)果數(shù)據(jù)表

表3 翅片損傷檢測(cè)結(jié)果數(shù)據(jù)表

從表中檢測(cè)數(shù)據(jù)分析得出，翅片虛焊缺陷檢測(cè)合格樣本識(shí)別率97.5%，缺陷樣本檢測(cè)識(shí)別率為91.4%。翅片損傷缺陷檢測(cè)合格樣本識(shí)別率為93.4%，缺陷樣本檢測(cè)識(shí)別率為90.8%。在翅片虛焊缺陷檢測(cè)中，識(shí)別錯(cuò)誤的主要原因是有些虛焊的翅片部分與扁管過于接近，經(jīng)過圖像處理后再進(jìn)行直線檢測(cè)，并不能檢測(cè)出單獨(dú)的一條直線，而是會(huì)和扁管輪廓近似融為一體，這對(duì)直線檢測(cè)中使用到的差分法用到的參數(shù)有較高的要求。而翅片損傷中識(shí)別錯(cuò)誤的主要原因是在缺陷區(qū)域提取的時(shí)候，有些扁管區(qū)域并不能完全過濾掉，以及在扁管損傷部分在圖像預(yù)處理后會(huì)形成連通的大面積斑點(diǎn)，造成閾值不能很好的限制檢測(cè)斑點(diǎn)面積。在檢測(cè)過程中，檢測(cè)系統(tǒng)運(yùn)行流暢，沒有異常和卡頓的出現(xiàn)。說明此系統(tǒng)能夠滿足工業(yè)現(xiàn)場(chǎng)的應(yīng)用需求。

4 結(jié)束語

本文針對(duì)微通道換熱器翅片虛焊和翅片損傷缺陷的特點(diǎn)，基于機(jī)器視覺技術(shù)，提出了一種在線檢測(cè)的算法。該算法通過一些圖像預(yù)處理，使缺陷輪廓特征更加明顯，利用圖像像素點(diǎn)縱向累積投影和對(duì)扁管進(jìn)行直線檢測(cè)分別對(duì)采集到的翅片虛焊和翅片損傷的缺陷樣本進(jìn)行缺陷區(qū)域提取分割，最后再針對(duì)翅片虛焊缺陷使用直線檢測(cè)，翅片損傷使用斑點(diǎn)輪廓檢測(cè)并對(duì)斑點(diǎn)進(jìn)行輪廓面積的限定，從而檢測(cè)出各自的缺陷。實(shí)驗(yàn)表明，該算法缺陷識(shí)別率最高可達(dá)97%，穩(wěn)定性好、運(yùn)行速度快、準(zhǔn)確性高。利用本文提出的視覺檢測(cè)方法，大大縮短了檢測(cè)時(shí)間，符合工業(yè)檢測(cè)上的應(yīng)用需求。