针对目前人工检测厚壁钢管端面缺陷存在的效率低、速度慢，且还会出现错检、漏检等问题，提出一种基于机器视觉的方法，实现对厚壁钢管端面缺陷的检测及分类。首先单独提取钢管倒角区域，利用最小二乘法对内外倒角包含的轮廓圆进行拟合，并根据欧式距离来判断倒角是否出现偏心的情况；其次提取钢管端面区域，并通过Otsu算法分割出缺陷区域，计算各联通域的特征描述并组成新的特征向量，使用支持向量机来判断缺陷类型。研究结果表明：该方法能准确检测出厚壁钢管的倒角是否偏心、端面是否存在各类的缺陷，且准确率达到96.7%，对一钢管端面的判断时间不超过100ms，相比人工目测速度有明显的提高。

厚壁钢管和普通钢管的最大区别在于钢管壁的厚度，通常把钢管外径和壁厚之比小于20的钢管称为厚壁钢管，其主要用作液体气体输送管以及一些建筑结构用管。受加工过程中各种不确定因素的影响，钢管的端面可能会出现划痕、刮伤、凹坑、崩边等缺陷，且钢管端面的内外倒角还可能会出现偏心的情况。上述缺陷一方面影响了产品的外观，另一方面若缺陷过于严重，则会影响钢管后续的装配，从而降低了钢管的使用性能，且还会为工程的正常进行埋下安全隐患。[1]目前，国内钢管生产企业大多数为人工目视完成对钢管的缺陷检测及剔除，但是人工检测的效率低、速度慢，且还会出现误检、漏检的情况。

基于机器视觉的缺陷检测方法凭借其速度快、精度高、稳定性强等特点受到广泛关注[2]。对于钢管端面缺陷检测的方法目前研究报告很少，其类似于各种环形工件表面的缺陷检测，如轴承套端面、瓶口端面、磁环表面等。朱铮涛等[3]通过斑点分析工具及斑点特征参数，完成薄壁钢管端面的凹坑、倒角斜面变弧面等缺陷的检测，但该方法并不适用厚壁钢管，且该研究还需进一步划分端面缺陷的类型，以完成后续自动分拣的目的。而轴承端面、磁环表面的缺陷检测方法对于厚壁钢管端面缺陷检测具有一定的借鉴意义，但由于检测需求不同，在一定程度上并不适用。因此，针对当前端面检测方法的不足，提出一种适用于厚壁钢管端面缺陷检测的方法，以提高对厚壁钢管端面缺陷检测的效率和准确率。

1图像采集系统设计

厚壁钢管端面缺陷检测图像采集系统主要由相机、镜头、光源、计算机及相应的算法程序等组成。为了获取易于检测的厚壁钢管端面图像，选择蓝色低角度环形LED光源，且工件端面与光源下底面的距离约为10mm，目的是为了同时得到钢管端面内外倒角区域和端平面区域的图像。缺陷检测采集装置简图如图1所示。这样采集到的灰度图像中，倒角区域的灰度值接近255，即亮区域；端平面区域的灰度值接近0，即暗区域；而端平面中存在的缺陷区域的灰度值则处于倒角区域和端平面区域的灰度值之间。图2为采集到的正品图像和端面包含缺陷的图像.

2厚壁钢管倒角偏心判断

2.1图像平滑滤波处理

由于直接采集到的厚壁钢管端面图像会出现散粒噪声，因此使用邻域像素的非线性滤波会有很好的效果。中值滤波是一种典型的非线性滤波技术，其可以去除椒盐噪声的同时又能保留图像的边缘细节[4]。该研究选用5×5的函数窗口对原始图像进行滤波处理。其效果如图3所示。

2.2倒角区域提取与拟合

经过滤波操作后，可以发现图像中倒角区域的灰度值明显要高于其他区域的灰度值，因此可以选用固定阈值的方法将倒角区域的图像提取出来，为了达到阈值选取相对准确的目的，通过计算图像的灰度直方图，观察其灰度分布情况，如图4所示。可以发现，倒角区域的灰度值集中分布在最右侧，即灰度值趋向于255，而端面区域及背景区域的灰度值则相对集中的分布在左侧，灰度值趋向于0~130之间，理论上可以选取灰度值在131~254这一区间的任意值作为阈值，但有时候倒角区域会因为表面光泽度等各种因素的影响而呈现一些小暗点，因此为了确保完整的提取出倒角区域，选择保守一点的固定的阈值α=190。将小于α的像素点灰度值变为0（黑色），将大于等于α的像素点的灰度值变为255（白色）。处理结果如图5所示。

倒角区域由4个圆组成，为了判断倒角是否出现偏心的情况，需先对其进行圆拟合操作。本研究首先选择由OpenCV库提供的findContours()函数检测4个圆的轮廓，再利用最小二乘法拟合圆[5]。最小二乘法是一种数学优化技术，它通过最小化误差的平方和找到一组数据的最佳函数匹配。假设需拟合的曲线为：x2+y2+ax+by+c=0，且其半径为R2，圆心坐标为（A，B）图像轮廓点集中的点（Xi,Yi）i∈(1，2，3，…，N)到圆心的距离为di:d2i=(Xi-A)2+(Yi-B)2，其与半径的平方差δi=d2i-R2=X2i+Y2i+aXi+bYi+c。将L()a,b,c=∑δ2i作为目标误差函数，求其最小时a，b，c的值。为实现该目的，需对目标函数求偏导，即∂L∂a=∂L∂b=∂L∂c=0。

3实验与分析

实验测试运行环境：工业相机采用巴斯勒acA2500_14gm千兆网相机；镜头采用ComputerM2514_MP2工业镜头；15度蓝色环形光源；处理器为In⁃terCOREi57300HQCPU。软件系统在Windows10系统下设计，利用C++开发环境，图像处理算法都是基于OpenCV库函数来实现，图像的分辨率为1296×972。

对于厚壁钢管倒角是否偏心的情况检测，由于其不涉及训练及分类识别，仅仅是根据固定的判据来判断，因此检测准确度可达到99%以上。对于端面缺陷的检测，实验针对4种缺陷类型，每种缺陷选取了60个缺陷区域样本图，并从中随机选取30个来提取归一化后的11维特征向量进行训练，其余30个样

本用于测试。故训练集共计120组特征向量，测试集共计120组特征向量。

在选用线性核函数时，利用网格搜索法对惩罚因子参数C作优化选择，在C值取不同的情况下分类准确率如图10所示。根据同样的样本，在选用高斯核函数时，同样利用网格搜索法对参数C和gamma进行调优，其分类准确率如图11所示。

根据图10、11可知，线性核函数下当惩罚因子C=0.1时，分类准确率达到最高，准确率为85.8%；而选用RBF核时，在C=100，gamma=0.1的情况下准确率达到了96.7%，较线性核有很大的提升，且训练耗时并不会比线性核的情况下长很多。因此，笔者选择高斯核函数（RBF）作为最终SVM分类器的核函数。在对4类测试样本共计120组特征向量进行测试后，其分类结果混淆矩阵如表2所示。

从表2中，可以看出利用11维特征向量作为SVM的输入可以实现厚壁钢管端面缺陷的分类，其综合准确率可以达到96.7%。其中，对擦伤缺陷的分类效果最好，对划痕缺陷的分类准确率最低，且划痕容易误分类为擦伤，因为有的划痕并不只是一条痕迹，还可能包含两三条痕迹，而擦伤看起来更像是大面积的划痕，在两者之间过渡区有可能会产生误分类的情况。在实际样品图像的检测中，还应对图像处理相关操作做进一步的研究，以免为了达到同时检测出端面全部缺陷的目的，在运用相关的图像处理方法如形态学操作、滤波操作等时可能会改变缺陷本身的一些特性，甚至会将缺陷遗漏，以致出现漏检的情况。对于端面全部缺陷的检测效果如图12所示。

4结束语

提出一种基于机器视觉的厚壁钢管端面综合缺陷的检测方法，不仅实现了对厚壁钢管端部倒角是否偏心的判断，还选用基于高斯核函数的SVM分类器，实现了对厚壁钢管端平面区域缺陷的检测、识别和判断，且准确率达到96.7%。对于一副完整的钢管端面图像的判断速度在100ms以内，完全满足企业自动化质检过程的要求，不仅为以后的实际在线检测技术打下理论基础，还对相似环形产品的检测提供重要的参考依据。