基于視覺技術(shù)的光纖陀螺閉合光路光纖缺陷檢測方法

葛文謙，王 巍，高 峰，單聯(lián)潔

（中國航天電子技術(shù)研究院，北京 100094）

基于視覺技術(shù)的光纖陀螺閉合光路光纖缺陷檢測方法

葛文謙，王 巍，高 峰，單聯(lián)潔

（中國航天電子技術(shù)研究院，北京 100094）

針對光纖陀螺內(nèi)部光纖在裝配后光路閉合，無有效手段進行光纖缺陷檢查，對光纖陀螺長期穩(wěn)定可靠工作帶來潛在危險的問題，提出利用紅外視覺檢測技術(shù)檢查光纖缺陷，分析光纖缺陷圖像特征，采用最大熵法進行圖像分割，提出了結(jié)合直方圖特征、缺陷區(qū)域形狀特征、缺陷邊界形狀特征提取方法，采用改進的神經(jīng)網(wǎng)絡(luò)分類方法，用兩層網(wǎng)絡(luò)進行缺陷分類，識別判斷不同類別的光纖缺陷。針對光纖缺陷圖像的處理結(jié)果表明，該方法能夠有效地檢測光纖缺陷，對不可接受的缺陷能夠100%地正確判斷。

光纖陀螺；最大熵；紅外圖像；缺陷分類

光纖陀螺是一種新型的全固態(tài)慣性儀表，具有高可靠、長壽命的特點[1]，已經(jīng)在多個武器、宇航型號上取得了成功應(yīng)用。由于光纖陀螺的光纖光路裝配過程復雜，可能會造成光纖損傷，這種損傷會影響產(chǎn)品性能，有的在測試階段就會暴露出來，也有可能是應(yīng)力集中缺陷，在產(chǎn)品交付后才逐步顯現(xiàn)出來，對產(chǎn)品的長壽命使用極為不利。光纖在纏繞、加膠粘固后，光路已通過熔接點閉合[2]，無法在光路中接入檢測儀器進行檢測，只能設(shè)法通過外部觀察檢測光纖缺陷，而光纖層疊纏繞在光纖環(huán)腔體內(nèi)，對光纖的整體表面無法在可見光條件下觀察。

光纖陀螺工作光信號本質(zhì)上是近紅外光[3]，當光纖存在缺陷或破損時，將有紅外光從缺陷處溢出，因此，可通過紅外視覺檢測系統(tǒng)獲取光纖缺陷處圖像，經(jīng)過圖像處理識別判斷缺陷，從而決定是否采取返修措施。目前，隨著高性能紅外相機的出現(xiàn)和數(shù)字圖像處理技術(shù)的成熟，紅外成像檢測技術(shù)正在逐步開展應(yīng)用，且不斷提高紅外成像檢測技術(shù)的準確性[4]，可將其應(yīng)用于光纖缺陷的檢測。

1 光纖缺陷圖像特征分析

通過對大量光纖缺陷樣本進行分析，將缺陷分為5種典型類型，如圖1所示。其中，圖1(a)為光纖折斷缺陷，其特征是在光纖局部發(fā)生較大彎曲直至光纖出現(xiàn)折斷，光纖局部泄露光強度很高；圖1(b)為應(yīng)力集中缺陷，其特征是局部光強度較高，光纖外部形狀沒有發(fā)生變化，在普通顯微鏡下幾乎無法觀察到這種缺陷；圖 1(c)為涂覆層較大損傷缺陷，其特征是光纖涂覆層損壞，光纖外層參差不齊，直徑發(fā)生改變，光纖無彎折，且具有一定連續(xù)區(qū)域，這種缺陷會降低光纖涂覆層的保護能力；圖1(d)為局部割傷缺陷，其特征是光纖局部有成片的泄露光，但光強較弱，缺陷區(qū)域與非缺陷區(qū)域的圖像對比度不高，但光纖的涂覆層未發(fā)生本質(zhì)的破壞；圖 1(e)為微小劃傷缺陷，其特征是僅有微小的點或帶狀缺陷，缺陷尺寸小，表現(xiàn)為較小的亮點、亮斑或亮帶。

圖1 典型光纖缺陷圖像Fig.1 Typical fiber defect image

2 光纖缺陷圖像的分割處理

相對邊緣提取方法，閾值化分割方法可以得到缺陷區(qū)域，且邊緣連續(xù)，便于后續(xù)的圖像特征提取，可以直接針對缺陷區(qū)域內(nèi)的信息進一步的處理，得到多種圖像特征。本文選用了基于最大熵計算的閾值分割方法。

對光纖的缺陷圖像，設(shè)灰度級低于和高于t的像素點分別構(gòu)成背景區(qū)域(B)和目標區(qū)域(O)，各概率在其本區(qū)域的分布分別是：B區(qū)：；O區(qū)：，其中。對于數(shù)字圖像，背景區(qū)域和目標區(qū)域的熵分別定義為[5]：

則熵函數(shù)定義為：

當熵函數(shù)取得最大值時對應(yīng)的灰度值t*就是所求的最佳閾值。

本文比較了幾種分割方法，對圖1(d)局部割傷缺陷的處理結(jié)果如圖2所示。由分割的結(jié)果可以看出，最大類間方差法分割不足，迭代閾值法與矩保持法過分割，而最大熵法能夠較好地提取缺陷區(qū)域輪廓，分割結(jié)果客觀地反映了缺陷區(qū)域的情況。

3 光纖缺陷的分類

3.1 圖像缺陷特征提取方法

特征提取是圖像識別中的一個重要環(huán)節(jié)，目的是針對待識別缺陷的特點提取出一組盡量精簡的且最有效的特征，從而提高分類器的識別準確性和效率。根據(jù)光纖缺陷特征的分析，分別對缺陷的直方圖特征、缺陷區(qū)域和邊界的形狀特征進行提取。

1）直方圖統(tǒng)計特征提取

由于光纖缺陷的不均勻性和分布的隨機性，光纖缺陷圖像紋理特征提取更適合用統(tǒng)計方法解決。直方圖是圖像窗口中多種不同灰度的像素分布的概率統(tǒng)計。設(shè)圖像f的像素總數(shù)為N，灰度等級數(shù)為L，灰度為i的像素全圖共有Ni個，則：，式中zi表示直方圖的灰度變量[6]。

描述直方圖的描述子包括：

典型缺陷的直方圖特征如表1所示。

表1 典型缺陷的直方圖特征值Tab.1 Characteristics value of typical defect histogram

2）缺陷區(qū)域的形狀特征提取

幾何形狀是對目標進行描述的一個重要特征，二值化后目標的面積S就是目標所占像素點數(shù)目，統(tǒng)計區(qū)域邊界包含的所有像素點數(shù)；邊界上相隔最遠或最近的兩點之間的距離分別為等效橢圓長軸a和短軸b；長短軸之比為偏心率[7]e。

式中：μpq——p+q階中心矩。

典型缺陷區(qū)域的形狀特征計算結(jié)果如表2。

表2 典型缺陷的形狀特征的計算結(jié)果Tab.2 Computing result of typical defect form feature

3）缺陷邊界的形狀特征提取

對于邊界，最重要的是組成邊界點的位置信息。邊界點的位置是邊界的重要信息，把邊界視為平面內(nèi)多個點組成的封閉曲線。以任意點為起點，用坐標逆時針標記所有點，形成坐標序列。其復數(shù)形式為，其傅里葉逆變換存在，其中，復系數(shù)a(u)表示邊界的傅里葉描繪子。如僅用p個系數(shù)近似s(k)，則：。

上述傅里葉描述子不具有平移旋轉(zhuǎn)不變性，為此，可通過a(u)的實部和虛部處理，獲得歸一化的傅里葉描述子。在圖像處理中，邊界傅里葉變換的高頻元素描述邊界的細節(jié)，低頻元素描述邊界的輪廓[8]?？梢酝ㄟ^傅里葉逆變換的實驗確定p值，作為邊界特征。典型缺陷區(qū)域的形狀特征計算結(jié)果如表3所示。

表3 典型缺陷的傅里葉描述子Tab.3 Fourier describer of typical defect

3.2 缺陷特征識別方法

圖像處理的最后一步是將特征值與特征所對應(yīng)的類別聯(lián)系起來，即為分類器設(shè)計。在光纖表面缺陷檢測中，把各種類型的表面缺陷的特征值作為樣本，根據(jù)分類規(guī)則確定樣本的類別。結(jié)合特定的數(shù)學工具，建立分類器并根據(jù)樣本對分類器進行訓練，訓練好的分類器以缺陷特征值為輸入，輸出被檢測表面圖像的類別。

3.2.1 神經(jīng)網(wǎng)絡(luò)的學習算法

誤差反向傳播網(wǎng)絡(luò)（Back Propagation—BP）目前應(yīng)用廣泛。設(shè)輸入為P，輸入神經(jīng)元有r個神經(jīng)元，隱含層內(nèi)有s1個神經(jīng)元，激活函數(shù)為f1，輸出層內(nèi)有s2個神經(jīng)元，對應(yīng)的激活函數(shù)為f2，輸出為A，目標矢量為T，學習速率為η(0＜η＜1)。

3.2.2 神經(jīng)網(wǎng)絡(luò)的改進

因為BP網(wǎng)絡(luò)采用的是沿梯度下降的搜索求解算法，學習率一旦選取不當，會引起網(wǎng)絡(luò)振蕩，甚至導致網(wǎng)絡(luò)陷入飽和狀態(tài)而不收斂[9]。因此，需要通過動態(tài)的、自適應(yīng)的方法調(diào)整學習率，以提高學習速度。

在圖 3所示三層 BP網(wǎng)絡(luò)中，若附加動量項α(0＜α＜1)，則在第l次學習過程中，得到：

圖3 三層前饋型BP網(wǎng)絡(luò)Fig.3 Threes layers feed forward BP network

式中，δji通過隱層誤差ej與該層激活函數(shù)的一階導數(shù)相乘求得。當再輸入一個學習樣本時，在網(wǎng)絡(luò)的輸入層第i個神經(jīng)元的輸入為。故隱含層中第j個神經(jīng)元的輸入為

4 試 驗

為了提高分類正確率，降低特征向量維數(shù)，將光纖缺陷特征的識別分為兩個網(wǎng)絡(luò)。首先根據(jù)光纖缺陷圖像的直方圖特征使用網(wǎng)絡(luò)1將光纖分為光纖折斷缺陷和待分割類。對屬于待分割類的圖像采用最大熵法進行圖像分割處理，將缺陷的形狀等特征值輸入網(wǎng)絡(luò)2，再進行缺陷分類。

4.1 直方圖特征分類器

網(wǎng)絡(luò)1的輸入層有5個節(jié)點，對應(yīng)直方圖的5種特征，輸出層有1個節(jié)點，隱層采用4個節(jié)點，隱層的傳遞函數(shù)采用雙曲正切Sigmoid傳遞函數(shù)。輸出層的傳遞函數(shù)采用線性傳遞函數(shù)。采集160個光纖缺陷圖像作為訓練樣本，分為光纖折斷缺陷和待分割圖像兩組。表4列出了部分典型的網(wǎng)絡(luò)輸出結(jié)果。如果網(wǎng)絡(luò)的輸出結(jié)果大于等于 0，則圖像需要進一步地分類，如果網(wǎng)絡(luò)的輸出結(jié)果小于0，則系統(tǒng)最終分類結(jié)果為光纖折斷缺陷。

表4 網(wǎng)絡(luò)1的輸出結(jié)果Tab.4 Output of network one

4.2 缺陷形狀特征分類器

網(wǎng)絡(luò)2的輸入層有11個節(jié)點，對應(yīng)缺陷區(qū)域和邊界的特征，輸出層1個節(jié)點，隱層采用8個節(jié)點。隱層的傳遞函數(shù)采用雙曲正切Sigmoid傳遞函數(shù)。輸出層的傳遞函數(shù)采用線性傳遞函數(shù)，利用 Levenberg-Marquardt規(guī)則訓練網(wǎng)絡(luò)。

采用160個光纖圖像作為訓練樣本，表5列出了部分典型的網(wǎng)絡(luò)輸出結(jié)果。如果網(wǎng)絡(luò)的輸出結(jié)果小于-0.5，則系統(tǒng)判定圖像為應(yīng)力集中缺陷；如果網(wǎng)絡(luò)的輸出結(jié)果為0.4～1，則系統(tǒng)判定圖像為涂覆層較大缺陷；如果網(wǎng)絡(luò)的輸出結(jié)果為0.01～0.1，則系統(tǒng)最終分類結(jié)果為局部割傷缺陷，如果網(wǎng)絡(luò)的輸出結(jié)果絕對值小于0.01，則為微小劃傷缺陷。

4.3 檢測正確率分析

對光纖缺陷而言，確定典型缺陷，通過已知確定的缺陷樣本進行檢測比對，對已確認的缺陷，檢測正確性是針對產(chǎn)品總體樣本的檢測正確率而言。

由表6的結(jié)果可以看出，光纖折斷能夠100%的正確判斷；應(yīng)力集中缺陷中有1個被判斷為涂覆層較大缺陷，涂覆層較大缺陷中有1個被判斷為局部割傷缺陷，局部割傷缺陷中有2個被判斷為涂覆層較大缺陷，雖然這3種缺陷類型存在誤判，但是前4種缺陷都是判斷為不可接受的缺陷類型，并沒有將其判斷為微小缺陷或非缺陷，即沒有將不可接受的缺陷判斷為可接受的缺陷。對于微小缺陷，其中有3個被判斷為非缺陷，屬于漏檢的情況，因為這類微小劃傷缺陷對于光纖光路的工作不會造成影響，即使是可靠性要求很高的宇航陀螺，也是可以接受的，所以沒有檢出此類缺陷不會影響對缺陷檢驗結(jié)果的最終判斷。同時，對于微小劃傷和非缺陷兩種情況不存在誤檢。總體來看，對于缺陷的可接受程度的區(qū)分準確率達到了100%，可以很好的說明對于光纖陀螺光路缺陷而言，不可接受的缺陷能夠100%的正確判斷。

表5 網(wǎng)絡(luò)2的輸出結(jié)果Tab.5 Output of network two

表6 光纖缺陷檢測正確率統(tǒng)計表Tab.6 Statistical table of fiber defect detect accuracy

5 結(jié) 論

針對光纖陀螺的光纖光路在裝配中損傷可能造成的缺陷，利用陀螺工作時的紅外光信號，由紅外視覺檢測方法獲取光纖缺陷圖像。在對光纖缺陷特征分析的基礎(chǔ)上，采用圖像處理方法處理光纖缺陷圖像，結(jié)合了直方圖特征、缺陷區(qū)域的形狀特征、缺陷邊界的形狀特征3種缺陷提取方法，改進對BP神經(jīng)網(wǎng)絡(luò)學習率的計算方法，實現(xiàn)自適應(yīng)確定，避免網(wǎng)絡(luò)振蕩不收斂。采用2級網(wǎng)絡(luò)分別識別不同類型的光纖缺陷，能夠準確判斷缺陷情況，可為光纖陀螺光纖光路的檢測提供可靠保證。

（References）：

[1]Webber M,Willig R,Rackowski H,Dineen A.Modeling of rate error in interferometric fiber-optic gyroscopes dueto stress induced by moisture diffusion[J].Journal of Lightwave Technology,2012,30(14): 2356-2362.

[2]Li Xuyou,He Zhou,Yu Qiang,Hong Wei,Zhang Chen.Study on optical path modeling and error analysis of stimulated brillouin fiber optic gyroscope[C]//The 2010 IEEE International Conference on Information and Automation,2010: 1442-1447.

[3]王巍.干涉型光纖陀螺儀技術(shù)[M].北京：中國宇航出版社，2010.

[4]Ha H,Han S,Lee J.Fault detection on transmission lines using a microphone array and an infrared thermal imaging camera[J].IEEE Transactions on Instrumentation and Measurement,2012,61(1): 267-265.

[5]Xiong Deyi,Zhang Min,Li Haizhou.A maximum- entropy segmentation model for statistical machine translation[J].IEEE Transactions on Audio,Speech,and Language Processing,2011,19(8): 2494-2505.

[6]周林，平西建，童莉.基于改進基本圖像特征直方圖的紋理分類算法[J].系統(tǒng)工程與電子技術(shù)，2012，34(6)：1272-1277.ZHOU Lin,Ping Xi-jia,TONG Li.Texture classification based on improved basic image features histogram[J].Systems Engineering and Electronic,2012,34(6): 1272-1277.

[7]侯北平，朱文，馬連偉.基于形狀特征的移動目標實時分類研究[J].儀器儀表學報，2010，31(8)：1819-1825.HOU Bei-ping,ZHU Wen,MA Lian-wei.Moving target classification based on shape features from real-time video[J].Chinese Journal of Scientific Instrument,2010,31(8): 1819-1825.

[8]Kong H,Gurcan M,Belkacem-Boussaid K.Partitioning histopathological images: an integrated framework for supervised color-texture segmentation and cell splitting[J].IEEE Transactions on Medical Imaging,2011,30(9):1661-1677.

[9]張國翊，胡錚，徐婷.基于特征提取的缺陷圖像分類方法[J].北京工業(yè)大學學報，2010，36(4)：450-457.ZHANG Guo-yi,HU Zheng,XU Ting.Classification method for defect image based on feature extraction[J].Journal of Beijing University of Technology,2010,36(4):450-457.

Detecting methods for FOG fiber defect in closed light path based on vision technique

GE Wen-qian,WANG Wei,GAO Feng,SHAN Lian-jie
(China Academy of Aerospace Electronics Technology,Beijing 100094,China)

In view that there was no effective method to detect the fiber defect because the light path of FOG fiber is closed after assembling,an infrared vision detection technical inspection method was put forward to detect the fiber defect.The fiber defect image feature was analyzed,and a maximum entropy method was proposed to segment the image.An extraction method was proposed by applying the histogram feature and the defect region/border shape features.A neural network classification method was modified and used.By using two-layer network to classify the defect,we can recognize and judge different fiber defects.The processing results of fiber defect image show that the proposed method can effectively detect the fiber defects,and all the unacceptable defects can be correctly judged.

fiber gyroscope; maximum entropy; infrared image; classification of defect

U666.1

：A

1005-6734(2014)02-0265-06

10.13695/j.cnki.12-1222/o3.2014.02.023

2013-10-18；

：2014-01-29

中國航天科技集團重大工藝專項研究項目（ZDGY2011-36）

葛文謙（1977—），男，博士后，主要從事圖像處理、視覺檢測技術(shù)和應(yīng)用方面的研究。Email：gewenqian@163.com