1、荧光磁粉探伤裂纹智能识别图像处理研究荧光磁粉探伤裂纹智能识别图像处理研究 2010年10月11 日摘要 磁粉探伤的发展趋势是自动化、智能化，而工件表面状态、真伪裂纹、工况前提等使得现有的检测识别方法难以知足工件表面裂纹缺陷自动检测识别的须要。分析了工件表面荧光磁粉图像 特征 及裂纹缺陷 特征 ；研究了表征裂纹邻域像素空间相关度的二维直方图分布；提出了基于多重分块极值的图像边沿检测算法；根据裂纹邻域像素空间相关度参数，以及裂纹缺陷的长宽比、圆形度等 特征 ，设计了基于Fisher线性判别办法的工件裂纹识别算法。以此为基本的荧光磁粉探伤工件裂纹缺陷自动检测识别技巧，应用于火车轮轴检检测线实时检测，
2、裂纹缺陷的有效检出率达百分之九十。 要害词 磁粉探伤，自动探测与识别，多级检测机制 1引言 目前世界上磁粉探伤机的发展趋势是自动化、系列化、智能化，大量采用PC机把持，磁痕显示采用荧光磁粉，特殊重视探伤速度和检测敏锐度。跟着我国产业的发展，在机械工业中良多主要零件（亦称保安件）需要百分之百的在线探伤。由于这些整机大小各异，几何形状庞杂，急切需要自动半自动的荧光磁粉检测装备。早在20世纪80年代就开发了轮对的半自动荧光磁粉探伤机，除磁粉显示的裂纹依附人眼观察外，其它工序均是自动完成的，现已得到普遍的应用。目前海内大多采用可编程序节制器实现探伤过程的部分动作自动化，近年来也出现了数字化磁粉探伤监控
3、治理系统，应用计算机技术的人机界面操作系统，实现探伤操作的自动化，同时改良了操作职员的工作环境，防止了紫外线照耀对操作人员皮肤、眼睛的损害，在一定程度上进步了工作效力和牢靠性。虽然此类探伤系统通过图像子系统对工件进行探伤，但还是通过人眼视察拍摄的图像来断定工件表面是否存在缺陷，对缺陷的判定引入了人为因素，且长时间的观察易使人眼产生疲劳，因此产生误判、漏判。 2裂纹图像分析 2.1 工件缺陷 特征 分析 察看工件表面图像，裂纹缺陷具有以下 特征 ： （1）在局部范围内亮度较高，即灰度值较大； （2）呈现细长状，长宽比一般很大； （3）有一定的曲折度，一般不会表现为直线状； （4）存在天然的连续性
4、，平滑性较好。 a 有缺点图像 b 无缺陷图像 图1 裂纹有缺陷图像 断定缺陷数量与类型，通常用的且比较理想的方法是检测圆形度 ，其定义如下： （1） 其中，S为面积，L为周长。当区域是圆形时，此值最大 ，假如是修长的区域，此值最小。因而只有限定 的值小于某一值时，即可认定此区域为裂纹。 还可以参加长度和宽度 特征 ，其中包括5： （1）裂纹的长度 特征 ，只有在连通域长度大于规定值时，才以为可能是缺陷，利用这一 特征 可消除二值化过程中噪声引起的小面积亮区； （2）裂纹的长宽比 特征 ，根据实际教训，裂纹图像的长宽比通常较大，正常长宽比大于3的连通域才有可能是裂纹； （3）裂纹图像的均匀宽度
5、 特征 ，有些连通域固然满意长宽比的 特征 ，但却是宽度很大的烦扰图像，只有平均宽度在划定范畴内才可能是裂纹图像。 上述连通域的长宽比 和连通域的平均宽度 的计算公式如下： ， （2） 式中 为连通域长度， 为连通域内像素点个数。 裂纹外形各种各样，图2.1.2.1（a）为线裂纹，（b）为堆裂纹，（c）为胖裂纹，图片都经过放大。 如果将上述较为常见的裂纹在现有处理计划中进行处理识别，会发明它们对线裂纹的识别率比拟幻想，但对后两种裂纹误判率比较高。起因在于，在判别裂纹时计算得到的圆形度很可能超过界定规模，发生误判。 2.2 工件名义图像二维直方图剖析 灰度一维直方图仅仅应用了点灰度信息而未充分利
6、用图像的空间信息，在图像的 特征 中，点灰度无疑是最基础的 特征 ，但它对噪声较敏感，区域灰度 特征 包含了图像的部分空间信息，且对噪声的敏感水平要低于点灰度 特征 。综合利用点灰度 特征 和区域灰度 特征 可以较好地表征图像的信息，这就是图像的二维直方图所研究的内容。其详细定义方法根据需要可以不同，比方利用左右像素点的关系，像素点和邻域灰度均值的关联等，这里咱们定义的二维直方图如下： 原始图像（L个灰度级）中的每个像素点都对应于一个（像素点灰度，右像素点灰度）数据对，这样的数据对存在LL种可能的取值。设 为图像中点灰度为 及其右像素点灰度为 的像素点数， 为（像素点灰度，右像素点灰度）数据对
7、 产生的概率，则 ，其中NN为图像的大小，那么 就是该图像对于（像素点灰度，右像素点灰度）的二维直方图。 对图像进行定性分析时，经常简化上述定义的二维直方图，并不求取（像素点灰度，右像素点灰度）数据对 的概率 ，在直方图中只是显示数据对 是否存在，用亮点表示数据对存在，暗点表现不存在。 a 出缺陷图像 b 无缺陷图像 图2 工件图像二维直方图 二维直方图可以明白地表征图像中相邻像素间灰度级的相关程度，也可以使用二维直方图进行图像分割7。图2.2.1.3所示为图2.1.1.6对应图像的二维直方图，分别对应有缺陷工件和无缺陷工件。无缺陷工件图像的二维直方图集中在低灰度区域，而有缺陷工件图像的二维直
8、方图分布在低灰度区域和较高灰度区域，这和一维直方图的分析结果相吻合；无缺陷工件图像的二维直方图集中分布在对角线四周，而有缺陷工件图像的二维直方图在离对角线较远处仍有不少点的存在，根据本文中二维直方图的定义，这些部分对应图像中的细节部分和噪声部分，如果图像噪声很少，则主要对应细节部分。在工件图像中，细节重要是缺陷边缘和伪缺陷边缘。利用二维直方图表示出的这种特性，可以用来进行裂纹的分割。 3裂纹检测与识别 3.1 基于多重分块极值的边缘分割 对一般裂纹而言，有如下特点： 性质1：在紫外荧光图像中裂纹相对工件背景来说浮现高灰度级 特征 。裂纹相对于工件背景要亮得多，因此裂缝上的像素灰度值普通来说是局
9、部最大值。 性质2：裂纹是一系列出现鞍状的点集合。裂纹的凸状使得从其截面来看像倒马鞍状。 性质3：裂纹个别来说拥有一定的线性特点，并具备必定的方向。 在火车轮对工件紫外荧光图像中，往往既存在较粗、较显明的裂纹，也存在许多较细、十分弱的裂纹，还存在大量的因油污、水迹等产生的伪裂纹信号，而且这些伪裂纹信号的强度往往高于真实裂纹信号的强度。显然仅通过取阈值做分割的一般处理方法进行检测已变得非常艰苦。 根据一般裂纹的性质，可通过其性质假设存在一条裂纹，然后在灰度图像上提取出可能的裂纹像素点，再去除非裂纹像素点，最后再对保留的裂纹目标作鉴别，抛弃虚假目标，留下真正的裂纹目标。显然，由于裂纹信息很弱，其灰
10、度又极不平衡，不可能在整个图像长进行，根据裂纹性质可对图像作出以下假设： 假设1：全部图像灰度不均，但在局部小窗口里可看似平均。 假设2：在一个局部的小窗口（1616或3232）里，存在一条裂纹。 假设3：裂纹有一定的方向，但遍历每列或每行总能找到一个属于裂纹上的点。 假设4：裂纹上每行或每列上的点是此行或此列的灰度最大值的点。 由假设可在小窗口里对行或对列进行遍历选出每行和每列的灰度最大值点。 如图3.2.3.1，筛选出的点有两种可能：（1）裂纹上的点，则其有很强的线聚合性，如（b）、（c）、（f），其上点大多凑集在一条线（曲线或直线）邻近；（2）非裂纹上的点，那么其有很强的随机分布性，如（
11、e）、（h）、（i）。因为裂纹的连续性，实在裂纹上的点应当在一条连续的曲线上，靠近程度方向的裂纹上的点可以通过列最大值提取出来，濒临垂直方向的裂纹上的点可以通过行最大值提取出来，提掏出来的裂纹上的点连续性较好，非裂纹上的点则具有随机散布的特色。 a1 原始图 a2 行方向 a3 列方向 b1 原始图 b2 行方向 b3 列方向 c1 原始图 c2 行方向 c3 列方向 图3 工件图像分块极值的边缘分割二维直方图 据此，可从1616大小的窗口里按行在每一行或按列在每一列遍历取舍最大值点，共会选出16个可能的裂缝上的点。遍历整幅图像后，得到的行最大值图像将提取出垂直方向的裂纹上的点，得到的列最大值
12、图像将提取出水平方向的裂纹上的点。而后将行、列最大值图像进行叠加，得到的图像将包含水平、垂直两个方向上的裂纹点。 上述方式得到的图像把行、列方向的最大值都综合到一幅图像中，对裂纹点的提取很充足，然而不在行、列最大值间进行取舍，因此得到的图像中存在大批非裂纹点。这是因为在某个1616的窗口中，若只存在水平方向的裂纹，则提取的行最大值点大部分为非裂纹上的点，若只存在垂直方向的裂纹，则提取的列最大值点大部分为非裂纹上的点。 基于分块取极值的思维，以及非裂纹点提取的随机性，若分块与分块之间只有部门重合，则在不同的分块间非裂纹点重合的多少率将大大减少，而裂纹上的点因为在绝对较大的区域内都是局部最大值点，
13、在不同分块中重合的几率很大。因此，通过提取重叠分块独特领有的最大值点，去除只在一个分块中涌现的最大值点，就可以保留裂纹上的点，去除非裂纹上的点。如图3.2.3.2所示，在原图像中，以点(0,0)、(0,8)、(8,0)、(8,恐怕这是二派相争的起源,8)为起始1616窗口的左上角点，把图像划分成1616的小块，4个不同的分块出发点得到4种不同的分块划分。对每种划分分离取行、列最大值，分别得到最大值图像Img1、Img2、Img3、Img4。若图像中某个像素位置，在Img1、Img4中都是部分最大值点，则作为裂纹上的点保留，否则作为非裂纹上的点去除。Img2、Img3中的像素点进行雷同的处理。经
14、过这样的处置，保存了裂纹点，去除了非裂纹点。之所以抉择Img1、Img4进行这样的处理，是由于依据上述分块划分，Img1和Img4的分块重合局部较小，如图3.2.3.2中的暗影部分（大小为88），非裂纹上的点在统一个像素上出现的几率更小。 图4 1616窗口示用意 裂纹点提取后，目标还会存在大量的线间空隙。需要对其作必要的操作，打消间隙。由于干扰因素的存在，此时得到的目标既包含裂纹也可能会包括虚伪裂纹线状目标,硬久壮阳药，需要做进一步的辨别。由裂缝的性质1，2可知裂纹是像素灰度值局部最大值的点的集合，那么紧抱裂缝的外围轮廓区域灰度值与裂纹自身上的灰度值有着较为明显的差异，而非裂纹区域将会差别较
15、小。12 设 是一条裂纹上的点集合， 为裂纹的外围轮廓，则距为的 的外围轮廓区域为： 由此可得裂痕的判断准则： 分别为与 的灰度均值， 为阈值。 综上，用一句话来描述此方法就是：假设存在裂纹综合两个方向的裂纹点基于多重分块去除非裂纹产生的干扰点排除线间间隙对裂纹图像做测验。 详细算法描写如下： 从点(0,0)处开端取出 大小窗口数据，对此窗口按行方向和列方向选取最大值聚集和 。对和 进行叠加运算，行将和 综合到一幅图像中。在图像中从左到右、从上到下挪动该 大小窗口，在每个窗口中都进行相同的运算，遍历图像后得到新的图像，记为Img1； 分别以点(0,8)，点(8,0)，点(8,8)为起始点,，进
16、行与步骤（1）相同的运算，分别得到图像Img2、Img3、Img4； 将图像Img1与Img4进行消除非裂纹点运算得到图像Img14，将图像Img2与Img3进行清除裂纹点运算得到图像Img23，将图像AndImg14与图像AndImg23进行叠加运算，得到图像Img； 对图像Img进行状态学闭合运算，消除线间间隙，得到图像Img；对图像Img进行检修处理。 a 原始图像 b 裂纹提取图像 图5 基于多重分块极值的边缘分割 a Sobel算子 b LoG算子 图6边缘检测算子处理结果 图5（b）是用基于多重分块极值的宰割算法对图5（a）进行处理的结果，很好的提取出了裂纹上的点，包括局部很轻微的
17、裂纹也很好的被提取出来。 3.2 裂纹缺陷 特征 提取与识别 在边缘分割完成后，得到分割后的二值化图像，在二值化图像中提取像素连续长度超过裂纹缺陷长度阈值的部分，把这些部分作为疑似缺陷对待，存储这些像素的位置信息，并计算它们的长宽比、圆形度等 特征 ，这就是裂纹缺陷 特征提取算法要完成的义务。 特征 提取算法的步骤如下： （1）创立一个空表，该表的每一项都指向一个链表，初始时,如何修改设计器管理员的密码，这些链表都是空的； （2）扫描图像，按照左到右、从上到下的顺序扫描。将水平方向连续目标像素（即二值图像中的亮像素）作为一个等价行，为每个等价行标志一个数字，作为等价行的行号，并记载起始像素点的
18、位置。在等价表中新开拓一个链表，并将这个等价行的信息作为一个节点记载在链表中。将当前等价行信息存入等价表的同时，搜寻该行已扫描过的邻域中是否有已经存在的等价行，如果有，则将扫描到的这些等价行的信息存储在当前链表中。扫描一遍图像后，即得到一个完整的等价表，该等价表包含的每个链表中存储的都是相邻接的等价行； （3）扫描等价表，依照从后往前的次序扫描。每扫描等价表中的一个链表时，都将该链表中的等价行信息，即对应链表的一个节点，插入到该链表之前的相应链表中，这样一遍扫描后，得到一个新的等价表，此时等价表中的每个链表存储的就是相应的完全的等价行； （4）扫描新的等价表。每扫描等价表中的一个链表时，都统计
19、出一个持续目标像素的信息，包含起始像素位相信息、连续目标的最小外接矩阵地位、目的长度，还可进一步盘算目标的圆形度等。这次扫描实现后，能够得到二值图像中呈现的所有连通域的信息。 （5） 特征 参数的提取。经由上述4个步骤，已经辨别出了图像中所有不同的连通区域，对这些连通区域分辨进行各个参数的提取。计算圆形度 ，连通域的长宽比 跟宽度 ，以及连通域对应各像素的梯度信息。 上述算法包括三次扫描进程：对图像的一次扫描、对等价表的两次扫描。对图像的扫描是逐像素进行的，平等价表的扫描只是对分割提取出来的目标像素进行的，这部分目标像素只在整个图像像素中占很小的比例（在12左右）。实际运行结果显示这部分只占很
20、少的处理器时光。 裂纹缺陷的识别要完成的就是分辨已经提取出来的连通域是缺陷仍是伪缺陷。第2章对裂纹缺陷 特征 进行了具体的分析， 特征向量 可以由连通域的长度、宽度、长宽比、圆形度、灰度梯度中的某几项组成，系统选用的 特征向量 由长度 、长宽比 、圆形度 组成。简略的说，系统的识别算法就是要根据提取的 特征向量 完成裂纹缺陷的判别。 系统的缺陷识别算法采取Fisher线性判别方法，这也是统计模式识别方法之一，它通过将高维点向低维空间点的投影来提取 特征 ，或者说在高维空间找一组判别面，将空间划分为若干个子空间。 图4.2.2.1就是应用 特征 提取算法和Fisher线性判别算法对分割后的图像处
21、理的结果。 a 分割后图像 b 图a的辨认成果 图5 缺陷识别结果 4论断 本文分析了火车轮对工件表面图像，树立了荧光磁粉探伤缺陷识别系统总体架构以及体系实现的软件平台，研讨了合适系统的处理算法，如预处理算法、图像分割算法、 特征 提取及识别算法等，在该软件平台上实现相干算法，并在探伤台上运行，检测系统的稳固性和算法的有效性，终极使系统有效识别工件表面裂纹缺陷。 参考文献 1 钱其林. 荧光磁粉探伤法应用技术探讨. 无损探伤. 2002年第6期 2 Hongwei Hao, Luming Li, Yuanhui Deng. Vision System Using Linear CCD Came
22、ras in Fluorescent Magnetic Particle Inspection of Axles of Railway Wheelsets. Health Monitoring and Smart Nondestructive Evaluation of Structural and Biological System IV, edited by Tribikram Kundu, Proc. of SPIE Vol. 5768. 2005 3 A. S. Bakunov, A. Yu. Korolev, D. A. Kudryavtsev, V. P. Petrov. A Se
23、t of Magnetic Fluorescent-Penetrant Inspection. Russian Journal of Nondestructive Testing, Vol. 41, No. 3, 2005 4 Tamotsu Nishimine, Osamu Tsuyama, Toshimitsu Tanaka,20、王猛一信下洛阳；设计陷害慕容垂父子；慕容令的悲, Hirotsugu Fujiwara. Automatic Magnetic Particle Testing System for Square Billets. IEEE. 1995 5 高建贞，陆建峰，赵春
24、霞等. 基于多级拟合的途径病害主动检测与识别. 计算机工程与利用. 2004年 6 闫成新，桑农，张天序. 基于图论的图像分割研究进展. 计算机工程与应用. 2006年5月 7 P. Geveaux, S. Kohler, J. Miteran, F. Truchetet, F. Meriaudeau. Comparison between two classification methods, Application to defects detection by artificial vision in industrial field. SPIE Vol. 3966. 2000 8 朱破新，夏德深. 目标自适应图像分块与小目标提取. 计算机工程与运用. 2005.25 特 别 声明：1： 资 料来源于互 联 网，版 权归 属原作者2： 资 料内容属于网 络 意 见 ，与本 账 号立 场 无关3：如有侵 权 ， 请 告知，立即 删 除。
