熒光磁粉探傷智能圖像識別技術(shù)研究

張 靜 楊薛濤 王 姮 卜 燕 梁 峰

(西南科技大學(xué)信息工程學(xué)院 四川綿陽 621010)

熒光磁粉探傷由于其檢測靈敏度極高，檢測工藝可靠、簡單，成為鐵磁性材料表面及近表面缺陷檢測的最可靠、有效的技術(shù)手段之一，特別是航空、航天及軍用工件檢測。但目前熒光磁粉探傷主要依靠人工判別，存在檢測速度慢、效率低、容易因視覺疲勞導(dǎo)致漏檢及紫外光帶來的健康危害等問題，嚴(yán)重影響了檢測質(zhì)量的一致性和生產(chǎn)效率，也不利于現(xiàn)代化生產(chǎn)管理。因此熒光磁粉探傷自動識別技術(shù)成為國內(nèi)外相關(guān)科研人員的研究熱點［1－4］。

日本的水野正志等人于1995年研制出磁粉探傷裝置采用工業(yè)攝像機和圖像增強技術(shù)檢測鋼坯半成品以及鋼管成品的表面與近表面缺陷;德國于1998年研制出針對汽車制造領(lǐng)域的磁粉探傷設(shè)備，識別分辨率達2 mm［5－6］;瑞典的 LABNO 公司與美國的PARKER公司也相繼研制出針對特定零件的自動磁粉探傷設(shè)備［7］。

我國自動化磁粉探傷技術(shù)的研究始于20世紀(jì)90年代。主要采用高分辨率攝像機獲取磁痕圖像，利用計算機和圖像處理技術(shù)實現(xiàn)磁痕圖像的增強、顯示和存儲。北京內(nèi)燃機總廠、航空部、河海大學(xué)、南京理工大學(xué)先后開展相關(guān)技術(shù)研究，清華大學(xué)也以CJW－3000型熒光磁粉探傷機為平臺，開展圖像識別的研究工作，但目前采用自動圖像識別代替人眼判斷缺陷的全自動磁粉探傷技術(shù)尚處于實驗研究階段，無成熟系統(tǒng)推出［8］。

本文針對傳統(tǒng)圖像識別技術(shù)中的算法穩(wěn)定性差、適應(yīng)性差的問題，結(jié)合人工識別磁痕缺陷的機理和經(jīng)驗，提出提取磁痕缺陷多項特征建立專家知識庫，采用人工干預(yù)下的熒光磁粉探傷自動圖像識別的方法，并進行了實驗驗證。

1 工作原理及系統(tǒng)構(gòu)成

熒光磁粉探傷識別的基本原理［9］:鐵磁性工件被磁化后，澆淋熒光磁懸液，缺陷處產(chǎn)生的漏磁場吸引磁粉，帶有漏磁場處聚集的熒光磁粉在黑光燈的照射下呈現(xiàn)黃綠色顯示出缺陷磁痕，如圖1所示。

圖1 缺陷處漏磁場與磁痕分布Fig.1 The leakage magnetic field and magnetic marks distribution in defects

磁粉探傷系統(tǒng)主要包括由磁軛磁化線圈組成的磁化裝置、噴淋熒光磁懸液的噴淋裝置、黑光燈、高清工業(yè)相機、圖像采集卡和計算機系統(tǒng)幾部分。

圖2 系統(tǒng)結(jié)構(gòu)示意圖Fig.2 The schematic diagram of the system

磁軛及磁化線圈完成對工件的磁化，然后由磁懸液噴淋裝置對磁化后的工件噴淋熒光磁懸液，在黑光燈的照射下，高清工業(yè)相機采集工件的磁痕圖像，通過圖像采集卡把采集的磁痕圖像送至PC機進行處理和缺陷識別。

為減弱黑光燈光照在工件表面反光帶來的干擾，在工業(yè)相機鏡頭前面安裝紫光濾波片，通過波段485 nm以上，紫光波段截止率90%以上，黃綠光透過95%以上。

2 磁痕圖像的特征提取

如何選取熒光磁粉圖像中工件缺陷的特征，以及如何對缺陷特征進行準(zhǔn)確的數(shù)學(xué)建模是實現(xiàn)自動識別磁痕缺陷的關(guān)鍵技術(shù)之一［10］。結(jié)合人眼識別工件缺陷的工藝方法和實驗測試，選定以下幾項磁痕缺陷特征，并對選取的特征采用精確的數(shù)學(xué)模型表述。

2.1 磁痕圖像幾何特征

2.1.1 區(qū)域面積Ai對一幅圖像，存在圖像區(qū)域Ri，Ri中像素點數(shù)構(gòu)成其面積Ai，對一幀圖像，設(shè)共有k個這樣的圖像區(qū)域，即i=1，2，3…，k，則該幀圖像總面積A是各區(qū)域面積Ai之和:

其中，(x，y)∈ Ri。

2.1.2 區(qū)域周長Pi一幀圖像其區(qū)域Ri內(nèi)的像素可看作由單位面積的小方格組成，圖像背景具有與之相同的屬性。區(qū)域和背景Bi之間交界線總長度和定義為該區(qū)域的周長，用Pi表示。此處約定交界線有且只有水平和垂直兩個方向:

其中，N∈Ri∩Bi是交界線上的像素點數(shù)，li是交界線的單位長度，其值為1。

2.1.3 區(qū)域圓形度Ci圓形度又稱為復(fù)雜度或分散度，主要反應(yīng)目標(biāo)區(qū)域Ri的緊湊程度，對于區(qū)域面積相同的區(qū)域，其區(qū)域周長越小，其圓形度越小。圓形度定義為:

其中，Ai為區(qū)域Ri的面積，Pi為區(qū)域Ri的周長。

2.1.4 區(qū)域矩形度ri首先定義包圍區(qū)域Ri最小矩形面積為Ari，則其矩形度ri可定義為區(qū)域面積Ai和最小矩形面積Ari的比值，即為:

矩形度反映了目標(biāo)區(qū)域?qū)ζ渥钚⊥饨泳匦蔚某錆M程度。對任意區(qū)域Ri，其區(qū)域矩形度ri取值為ri∈(0，1］，當(dāng)區(qū)域為Ri矩形時，ri將取最大值1。

2.1.5 區(qū)域偏心率e 把區(qū)域Ri的長軸和短軸之比定義為區(qū)域Ri的偏心率，它是區(qū)域形狀的重要特征之一。一般采用Tenenbaum提出的計算偏心率的近似公式表示:

2.2 磁痕圖像灰度統(tǒng)計特征

磁痕圖像的灰度統(tǒng)計參數(shù)是識別磁痕圖像缺陷的重要特征之一，灰度特征值主要有平均值、方差、重心矩和力矩等。本文采用標(biāo)準(zhǔn)差和偏斜度作為磁痕圖像的灰度統(tǒng)計特征的參數(shù)指標(biāo)。圖像的標(biāo)準(zhǔn)差σ定義如式(7)所示，反映的是圖像灰度相對于灰度平均值的離散程度值。標(biāo)準(zhǔn)差σ越大，說明圖像的反差越大，即意味著圖像灰度分布越離散。

磁痕圖像的偏斜度和峰度的定義分別用式(8)中的r3和r4表達。偏斜度是圖像區(qū)域的三階統(tǒng)計矩，反映磁痕圖像數(shù)據(jù)分布的對稱性。峰度與圖像數(shù)據(jù)分布平坦程度密切相關(guān)，為圖像區(qū)域的四階統(tǒng)計矩。對于任意局部區(qū)域若背景滿足高斯分布，則該區(qū)域的偏斜度和峰度都為零，當(dāng)存在裂紋或者偽裂紋時，區(qū)域內(nèi)數(shù)據(jù)分布就因存在奇異點而不再滿足高斯分布，此時r3和r4均不為0。因此把峰度特征和偏斜度特征也納入為判別磁痕缺陷的輸入?yún)?shù)。

式中ti為代表灰度級的隨機變量，n為可區(qū)分的灰度級數(shù)目，m是ti的均值(平均灰度級)，σ是標(biāo)準(zhǔn)差。

2.3 磁痕圖像紋理特征

紋理特征反映圖像中同質(zhì)現(xiàn)象的視覺特征，它不依賴于圖像的顏色和亮度，主要包含了目標(biāo)區(qū)域的重要特征信息以及目標(biāo)區(qū)域和背景之間的聯(lián)系。本文采用磁痕圖像紋理特征中能夠反映工件缺陷的3個紋理特征:對比度、逆差矩和相關(guān)性作為考察指標(biāo)。其公式依次表示如下:

其中，p(i，j)為像素點對出現(xiàn)的概率，μx，μy，σx和σy分別為px，py的均值和標(biāo)準(zhǔn)差(px(i)=，N*為圖像的灰度級。

2.4 細(xì)節(jié)特征

裂紋的細(xì)節(jié)特征是判別裂紋缺陷的重要參數(shù)之一，也稱為局部特征。不同的磁痕缺陷圖像的總體特征往往差異較大，但是經(jīng)過研究發(fā)現(xiàn)，不同裂紋的局部特征本質(zhì)上卻是非常相近或相同。經(jīng)過對大量裂紋的研究分析，一般常見的裂紋細(xì)節(jié)特征主要有以下幾類:

圖3 局部特征分類Fig.3 Local feature classification

端點是磁痕裂紋缺陷中最常見的局部細(xì)節(jié)特征，凡是有裂紋的地方必然有端點。圖3中的分叉點和交叉點在裂紋形態(tài)中均被稱為結(jié)點，主要出現(xiàn)在復(fù)雜裂紋缺陷中。端點和結(jié)點與工件的加工工藝和使用過程有著緊密聯(lián)系，端點常出現(xiàn)在冷加工(車、銑、刨、磨、裝配、校正等)的工件裂紋缺陷中，而結(jié)點主要出現(xiàn)在熱加工(鍛壓、鑄造、焊接、熱處理等)的工件裂紋缺陷中。工件在使用過程中會產(chǎn)生疲勞、蠕變及應(yīng)力腐蝕等產(chǎn)生裂紋，端點多伴隨著應(yīng)力腐蝕裂紋出現(xiàn)，結(jié)點則常伴隨著疲勞、蠕變裂紋出現(xiàn)，如圖4所示。

圖4 工件中的局部特征Fig.4 The local features of the workpiece

3 人工干預(yù)下的智能識別

將提取的缺陷特征與樣品訓(xùn)練數(shù)據(jù)庫中的數(shù)據(jù)進行比較，采用支持向量機算法(SVM)對特征向量特征的置信度進行求和得出待測工件的置信度，進而完成對缺陷的判定。

支持向量機算法的判別函數(shù)為:

其中NS代表樣品訓(xùn)練數(shù)據(jù)庫中樣本的總數(shù)，Si代表樣品訓(xùn)練數(shù)據(jù)庫中第i個樣本的特征，yi代表樣品訓(xùn)練數(shù)據(jù)庫中第i個樣本的類別;x代表從一個待測工件的圖像中提取的特征集合;ai表示拉格朗日乘數(shù)，b表示偏置，ai，b都可以通過支持向量機訓(xùn)練算法得到;Φ(Si)·Φ(x)=K(Si，x)是核函數(shù)。

采用SVM算法對磁痕缺陷類型進行分類判別，同時人工對系統(tǒng)自動識別出的缺陷工件進行確認(rèn)，根據(jù)確認(rèn)結(jié)果的反饋情況，系統(tǒng)逐步完善和修正專家知識庫，使系統(tǒng)能夠逐步提升對工件缺陷和偽缺陷的理解和判別能力，減少由于獲得圖像的差異性和操作不當(dāng)造成的非相關(guān)顯示和假顯示帶來的偽缺陷導(dǎo)致的誤判。

識別流程如圖5所示，缺陷圖像獲取后，需要對圖像進行預(yù)處理，主要是消除圖像背景熒光干擾，增強物體輪廓，然后提取缺陷特征，利用專家知識庫判別是否存在缺陷，對疑似缺陷進行人工干預(yù)處理，當(dāng)疑似缺陷為偽缺陷時，系統(tǒng)便通過機器學(xué)習(xí)算法分析偽缺陷的特征，并更新專家知識庫。

4 實驗平臺搭建及結(jié)果分析

OpenCV作為開源的機器視覺庫，有著豐富的資源，且便于跨平臺移至程序，利于后續(xù)在嵌入式平臺上實現(xiàn)本熒光磁粉探傷智能識別，因此采用該機器視覺庫。

圖5 磁粉探傷智能圖像識別流程Fig.5 The intelligent image recognition process by magnetic particle flaw detection

系統(tǒng)搭建環(huán)境為win7操作系統(tǒng)，編程開發(fā)環(huán)境為Visual Studio 2008平臺。利用OpenCV2.3.1機器視覺庫，搭建智能圖像處理軟件系統(tǒng)。首先利用大量樣本建立專家知識庫，對系統(tǒng)進行訓(xùn)練;然后先用簡單缺陷圖像測試系統(tǒng)，再用復(fù)雜的缺陷圖像測試系統(tǒng)。

對4種工件，每個工件1000個樣本圖像的缺陷識別結(jié)果進行統(tǒng)計，考察系統(tǒng)的識別性能，圖像的處理過程與識別效果如圖6和圖7所示，識別結(jié)果記錄見表1。

圖6 單一缺陷識別效果Fig.6 The effect of a single defect identification

圖7 復(fù)雜缺陷識別效果Fig.7 The effect of a complex defect identification

表1 系統(tǒng)測試數(shù)據(jù)統(tǒng)計表Table 1 System test data

由表1可知，對于第1#，2#，4#組車削類工件系統(tǒng)漏失率為0，誤識率小于16%，對于第3#組熱加工工件系統(tǒng)漏失率4.5%，誤識率19%，系統(tǒng)平均誤識率為13.4%。相比傳統(tǒng)的磁粉檢測圖像識別算法，本方法可靠性高，漏失率相對較低。

5 結(jié)束語

本文從磁痕圖像的本質(zhì)進行分析，基于圖像形態(tài)學(xué)，結(jié)合人工識別磁粉缺陷的工藝技術(shù)原理和方法，提取磁痕缺陷的多項特征參數(shù)建立專家知識庫，并與機器學(xué)習(xí)算法相結(jié)合，用于多判別條件，降低了虛警率、提高檢測的精確性、降低誤差。實驗測試了該方法的有效性。結(jié)合磁痕特征與改進的機器學(xué)習(xí)算法使漏失率降低到≤1‰，進一步降低誤識率將是下一步研究工作的重點。

［1］JOHN F，PAUT Z，ABEND K.Automated Magnetic Particle Testing［J］.NDT，2000，11(22):522 －524.

［2］LI Xue－qin，JIANG Hong－h(huán)ai，YIN Guo－fu.Detection of surface crack defects on ferrite magnetic tile［J］.NDT＆E International，2014，(62):6 －13.

［3］FAN Kuang－chao，CHEN Shou－h(huán)ang，CHEN Jhihyuan，LIAO Wei－ bor.Development of auto defect classification system on porosity powder metallurgy products［J］.NDT＆E International 2010，(43):451 －460.

［4］WANG Hui－nan，YANG Jian－xi，HU Zhen－dian.Current Status and Prospect of Roller Bearing Surface Defect Detection［J］.Procedia Engineering，2011，(15):4331－4336.

［5］高山青.熒光磁粉探傷缺陷識別系統(tǒng)圖像處理技術(shù)研究［D］.南京:南京理工大學(xué)，2011.

［6］李建文.磁粉探傷缺陷識別自動化系統(tǒng)設(shè)計與開發(fā)［D］.南京:南京理工大學(xué)，2012.

［7］陳瑩妍.熒光磁粉探傷裂紋目標(biāo)提取方法研究［D］.南京:南京理工大學(xué)，2012.

［8］孫瑞.基于圖像的磁粉探傷技術(shù)研究［D］.長春:長春理工大學(xué)，2009.

［9］葉代平，蘇李廣.磁粉檢測［M］.北京:機械工業(yè)出版社，2004.

［10］黃濤.全自動熒光磁粉探傷中目標(biāo)識別圖像處理技術(shù)研究［D］.南京:南京理工大學(xué)，2012.