基于主成分分析的熒光磁粉檢測(cè)缺陷識(shí)別技術(shù)

林 果，劉桂華

(1.西南科技大學(xué) 信息工程學(xué)院，四川 綿陽(yáng) 621010；2.西南科技大學(xué) 特殊環(huán)境機(jī)器人技術(shù)四川省重點(diǎn)實(shí)驗(yàn)室，四川 綿陽(yáng) 621010)

基于主成分分析的熒光磁粉檢測(cè)缺陷識(shí)別技術(shù)

林 果1，2，劉桂華1,2

(1.西南科技大學(xué) 信息工程學(xué)院，四川 綿陽(yáng) 621010；2.西南科技大學(xué) 特殊環(huán)境機(jī)器人技術(shù)四川省重點(diǎn)實(shí)驗(yàn)室，四川 綿陽(yáng) 621010)

主成分分析法(PCA)在圖像識(shí)別中有廣泛應(yīng)用，有著較好的特征提取性能。熒光磁粉檢測(cè)是一種無(wú)損檢測(cè)技術(shù)。目前在裂紋缺陷的識(shí)別上依然使用的是人眼觀察，而其他步驟都已經(jīng)實(shí)現(xiàn)了自動(dòng)化。本文使用基于加權(quán)平均的中值濾波算法對(duì)圖像去噪，使用大津法對(duì)圖像進(jìn)行了閾值分割，再利用PCA算法對(duì)熒光磁粉檢測(cè)中的圖像進(jìn)行識(shí)別，建立了一個(gè)自動(dòng)識(shí)別系統(tǒng)。實(shí)驗(yàn)結(jié)果證明，該系統(tǒng)可以準(zhǔn)確識(shí)別裂紋有無(wú)，還可以對(duì)簡(jiǎn)單的缺陷種類(lèi)(直線裂紋，氣泡)進(jìn)行分類(lèi)。

主成分分析法；圖像識(shí)別；熒光磁粉檢測(cè)；圖像去噪；大津法

0 引言

磁粉檢測(cè)[1]是目前最常用的五種無(wú)損檢測(cè)方法之一，熒光磁粉是一種在紫光燈的照射下會(huì)發(fā)出黃綠色光的物質(zhì)，將其與水混合后噴灑在工件上，其會(huì)吸附在裂紋周邊，在紫光燈的照射下，裂紋會(huì)比黑磁粉更易觀察。目前在工件的上磁、抓取，磁粉的噴灑，圖像的采集、存儲(chǔ)都可以實(shí)現(xiàn)全自動(dòng)化操作，但是在裂紋的識(shí)別上還是主要依靠人眼識(shí)別。因此，本文針對(duì)裂紋自動(dòng)識(shí)別，提出用主成分分析法對(duì)裂紋特征進(jìn)行識(shí)別，以提高裂紋的識(shí)別率和識(shí)別的魯棒性。

1 熒光磁粉檢測(cè)原理及其自動(dòng)檢測(cè)流程

1.1 熒光磁粉檢測(cè)原理

對(duì)鐵磁性的材料加上外加磁場(chǎng)時(shí)，其會(huì)被磁化，若材料的表面存有缺陷，那么材料上有缺陷部分及其周?chē)膶?dǎo)磁率就會(huì)產(chǎn)生變化。此時(shí)磁阻會(huì)變大，使得磁路中的磁力線分布變得不均勻，磁通也會(huì)發(fā)生畸變，就會(huì)在材料表面形成漏磁場(chǎng)。在缺陷的兩側(cè)會(huì)形成南北兩極，如果將細(xì)小的鐵磁粉末灑在工件上面，那么會(huì)因?yàn)榇欧鄣亩逊e表征出裂紋。這樣通過(guò)形成的圖像就可以檢測(cè)到工件上的缺陷。如果使用的是熒光磁粉，那么通過(guò)紫光燈的照射后在裂紋區(qū)域會(huì)形成熒光色區(qū)域，通過(guò)黃綠色人眼可以很容易地檢測(cè)出工件是否有裂紋[2]。

1.2 工件自動(dòng)檢測(cè)系統(tǒng)組成

圖1 熒光磁粉自動(dòng)檢測(cè)系統(tǒng)組成

本檢測(cè)系統(tǒng)主要由圖像采集模塊和圖像處理識(shí)別模塊組成，如圖1所示。圖像采集模塊主要作用是使用數(shù)字工業(yè)相機(jī)采集清晰的熒光磁粉圖像，并且存儲(chǔ)圖像。圖像處理識(shí)別模塊的作用是將存儲(chǔ)的圖像進(jìn)行預(yù)處理，然后提取有裂紋區(qū)域的特征并計(jì)算其特征值，再利用得到的特征值設(shè)計(jì)一個(gè)分類(lèi)器，對(duì)是否是裂紋進(jìn)行判斷。

2 圖像預(yù)處理部分

2.1 圖像去噪

在使用工業(yè)相機(jī)采集圖像時(shí)，由于磁粉滯留在工件上，或者采集環(huán)境以及相機(jī)本身的原因，會(huì)產(chǎn)生一些噪點(diǎn)，這會(huì)對(duì)后期的裂紋識(shí)別有一定的影響，所以在圖像采集完后進(jìn)行去噪非常關(guān)鍵，這可以改善圖像質(zhì)量，更有利于裂紋和偽裂紋的區(qū)別，增加識(shí)別率。本文采取一種基于加權(quán)平均的中值濾波算法[3]對(duì)圖像去噪，其可以保持更多的圖像邊緣信息，還可以有效去除噪聲。

2.2 圖像的閾值分割

用熒光磁粉進(jìn)行裂紋檢測(cè)時(shí)，因?yàn)槠錈晒怙@示區(qū)域與不發(fā)光的區(qū)域的亮度對(duì)比明顯，所以相比非熒光磁粉檢測(cè)而言，熒光磁粉檢測(cè)具有更高的檢測(cè)靈敏度。

Otsu算法[4]被稱為最大類(lèi)間法或者大津法，是一種基于直方圖的方法。它會(huì)將圖像分為前景和后景兩幅圖，當(dāng)獲得了最佳閾值的時(shí)候，兩幅圖存在最大類(lèi)間方差。將前景圖對(duì)應(yīng)的區(qū)域用C0表示，背景圖對(duì)應(yīng)的區(qū)域用C1表示，它們的分布概率不一樣。如果設(shè)定N為圖像分割的閾值，則前景區(qū)域和背景區(qū)域發(fā)生的概率分別為：

(1)

(2)

類(lèi)間方差為：

(3)

(4)

3 主成分分析法進(jìn)行裂紋的識(shí)別

3.1 主成分分析法思想

主成分分析法(Principal Components Analysis, PCA)[5]是一種以線性代數(shù)中因式分解為基礎(chǔ)進(jìn)行的變換方法，也被稱為Karhunen Loeve變換或者Hotelling變換。因式分解常用于將矩陣對(duì)角化，以便它的逆容易求得。PCA根據(jù)數(shù)據(jù)的統(tǒng)計(jì)特性，采用因式分解對(duì)數(shù)據(jù)進(jìn)行交換，數(shù)據(jù)交換對(duì)分類(lèi)有很大作用。

假設(shè)一幅數(shù)字圖像的矩陣為X，且有X=(x1,x2,…,xn)T，對(duì)X做下述的線性變換，即：

(5)

且有：

(6)

(7)

(8)

3.2 主成分分析法計(jì)算步驟

此處需要識(shí)別的圖像是數(shù)字圖像，可以將其化為二維矩陣，因此可以對(duì)其進(jìn)行PCA計(jì)算，達(dá)到圖像識(shí)別的目的。PCA計(jì)算的具體步驟如下：

(1)以需要識(shí)別的數(shù)字圖像為樣本，寫(xiě)出其數(shù)據(jù)矩陣X；

(2)對(duì)樣本X做標(biāo)準(zhǔn)化運(yùn)算，得到標(biāo)準(zhǔn)化矩陣Y；

(3)計(jì)算標(biāo)準(zhǔn)化矩陣Y的協(xié)方差矩陣C；

(4)求解特征方程|C-λI|=0，經(jīng)過(guò)計(jì)算得到C的p個(gè)特征值及其對(duì)應(yīng)的特征向量。

(5)從這p個(gè)特征值中選出m個(gè)，m個(gè)特征值的和需要占到p個(gè)特征值之和的80%以上。以這m個(gè)特征值對(duì)應(yīng)的特征向量為列向量，構(gòu)成細(xì)數(shù)矩陣D。

(6)對(duì)標(biāo)準(zhǔn)化矩陣Y做變換Qp×m=Yp×nUn×m，矩陣Q的每一列對(duì)應(yīng)一個(gè)樣本(假設(shè)其有m列)，則每一列對(duì)應(yīng)一個(gè)主成分。

3.3 主成分分析法對(duì)缺陷分類(lèi)

主成分是一組新定義的特征，因?yàn)槭窍嗷フ坏?，所以不僅提高了樣本特征比，減少了特征數(shù)目，而且又不會(huì)損失必要的信息。用其兩個(gè)主成分，所有的樣本就可以在該平面上進(jìn)行分類(lèi)。一幅圖像是一個(gè)二維矩陣，用矩陣的數(shù)據(jù)對(duì)其進(jìn)行變換，使得新的數(shù)據(jù)具有給定的統(tǒng)計(jì)特性。選擇變換后的統(tǒng)計(jì)特性，這樣就突出了變化之后數(shù)據(jù)源的重要性。通過(guò)觀察數(shù)據(jù)的重要成分可以用變換后的數(shù)據(jù)來(lái)進(jìn)行分類(lèi)，從而對(duì)圖像進(jìn)行識(shí)別[6]。

在本系統(tǒng)中主要對(duì)三類(lèi)缺陷圖像進(jìn)行分類(lèi)，分別是直線裂紋、氣泡、無(wú)缺陷圖像。因?yàn)橛袀稳毕莸拇嬖?，本文首先要識(shí)別缺陷是否存在，其次是解決對(duì)缺陷的正確分類(lèi)。

4 實(shí)驗(yàn)結(jié)果

4.1 圖像去噪和閾值分割

圖2 采集得到的原始圖像

在圖像的采集過(guò)程中，工件表面往往會(huì)有一些干擾的磁滯，圖2即是通過(guò)工業(yè)相機(jī)采集到的工件的原始圖像。圖中被方框圈住的就是一些磁滯，是偽缺陷。本文使用了基于加權(quán)平均的中值濾波算法對(duì)前期采集到的圖像做了去噪處理，其結(jié)果如圖3。對(duì)去噪后的圖像使用大津法進(jìn)行閾值分割，其結(jié)果如圖4。

圖3 經(jīng)過(guò)去噪處理后的圖像

圖4 對(duì)去噪后的圖像進(jìn)行閾值分割的結(jié)果圖

通過(guò)對(duì)比圖2和圖3可以發(fā)現(xiàn)，大部分點(diǎn)狀的噪點(diǎn)被去除了，圖像的邊緣也保持得較好。通過(guò)圖4可以明顯看到，大津法可以有效分割出裂紋，使裂紋區(qū)域更加明顯。但是同時(shí)，也可以看出在直線裂紋的邊緣，有一些是不連通的區(qū)域。

4.2 基于主成分分析的熒光磁粉檢測(cè)缺陷識(shí)別技術(shù)

分類(lèi)器的設(shè)計(jì)有很多種方法，人工神經(jīng)網(wǎng)絡(luò)屬于智能計(jì)算方法，具有自學(xué)習(xí)的功能。因此，本文選擇BP神經(jīng)網(wǎng)絡(luò)進(jìn)行有無(wú)缺陷以及兩種簡(jiǎn)單缺陷類(lèi)型的識(shí)別。BP神經(jīng)網(wǎng)絡(luò)的輸入層為通過(guò)計(jì)算第3.2節(jié)步驟(5)所得的前m個(gè)主成分分量，其輸出層為3種不同的模式類(lèi)別，即三種情況：無(wú)缺陷、直線缺陷、氣泡缺陷。

本文利用提供的一些樣本首先對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在完成訓(xùn)練之后，對(duì)20組無(wú)缺陷、20組氣孔、20組直線缺陷用主成分分析法測(cè)試缺陷識(shí)別的有效性，并與特征直接輸入法進(jìn)行對(duì)比，結(jié)果如表1所示。

表1 特征直接輸入法和主成分分析法識(shí)別率比較

從上表可以看出，采用主成分分析法對(duì)直線缺陷和氣泡缺陷進(jìn)行分類(lèi)時(shí)雖能提高識(shí)別效率，但是不能完全正確地識(shí)別。當(dāng)表現(xiàn)為無(wú)缺陷時(shí)，不僅提高了識(shí)別的效率，而且可以做到完全正確識(shí)別。

5 結(jié)束語(yǔ)

本文提出了基于主成分分析法的熒光磁粉缺陷檢測(cè)算法，該算法是在圖像預(yù)處理的基礎(chǔ)上對(duì)工件的缺陷進(jìn)行檢測(cè)和識(shí)別。圖像的預(yù)處理算法使采集圖像的特征更為明顯，減少了后期缺陷識(shí)別的難度。將PCA算法應(yīng)用到工件的缺陷識(shí)別中，可減少裂紋定義的難度，再對(duì)圖像進(jìn)行整體的處理，可以有效識(shí)別出缺陷的有無(wú)，并可以對(duì)一些特征明顯不同的裂紋進(jìn)行簡(jiǎn)單的分類(lèi)。

[1] 劉福順,湯明.無(wú)損檢測(cè)基礎(chǔ)[M].北京:北京航空航天大學(xué)出版社,2002.

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

[3] 孫即祥.圖像處理[M].北京:科學(xué)出版社,2009.

[4] 章毓晉.圖像工程(上冊(cè))-圖像處理(第三版)[M].北京：清華大學(xué)出版社，2012.

[5] VAPNIK V. The nature of statistical learning theory[M].New York: Springer-Verlag,1995.

[6] 吳海超,曾奇夫，查蘇倩.熒光磁粉探傷裂紋智能識(shí)別圖像處理研究[J].鐵道技術(shù)監(jiān)督,2010,38(10):6-10.

Fluorescent magnetic particle testing defect recognition technology based on principal component analysis

Lin Guo1，2，Liu Guihua1，2

(1. Information Engineering School，Southwest University of Science and Technology，Mianyang 621010，China； 2. Special Environment Robot Technology Key Laboratory of Sichuan Province，Southwest University of Science and Technology，Mianyang 621010， China)

PCA is an algorithm widely used in image recognition, which has a good performance in feature extraction. Fluorescent magnetic particle testing is a non-destructive testing technology.Now the identification of crack is still depend on the human eye,however the other steps have been automated. For the image de-noising, this article uses the median filtering algorithm, which based on the weighted average，and uses Otsu to do threshold segmentation, uses PCA algorithm to identify the images in the fluorescent magnetic particle testing, finally an automatic identification system is set up.Experimental results show that the system not only accurately identifies the presence or absence of cracks, but also classifies simple defect types (linear cracks, bubbles) .

principal component analysis; image recognition; fluorescent magnetic particle testing; image denoising; Otsu

TP391.4

A

1674-7720(2016)01-0085-03

林果，劉桂華.基于主成分分析的熒光磁粉檢測(cè)缺陷識(shí)別技術(shù)[J].微型機(jī)與應(yīng)用，2016，35(1)：85-87.

2015-09-12)

林果(1989-)，男，碩士研究生，主要研究方向:圖像處理。

劉桂華(1972-)，女，博士，教授，碩士生導(dǎo)師，主要研究方向：圖像處理、計(jì)算機(jī)視覺(jué)。