基于改進半因果支持域的鎂熔液第一氣泡檢測

翟健健，許四祥，王忍寶，姚志生

（安徽工業(yè)大學(xué)機械工程學(xué)院，安徽馬鞍山243002）

基于改進半因果支持域的鎂熔液第一氣泡檢測

翟健健，許四祥，王忍寶，姚志生

（安徽工業(yè)大學(xué)機械工程學(xué)院，安徽馬鞍山243002）

為精準識別鎂熔液含氫量檢測中鎂熔液復(fù)雜表面背景下的第一氣泡，在基于圖像處理的鎂熔液第一氣泡檢測算法的基礎(chǔ)上提出了一種基于改進半因果支持域的實時檢測算法.該算法首先采用改進半因果支持域模型對4幀原始圖像進行估計得到背景預(yù)測圖像，其次使用原始圖像減去背景預(yù)測圖像得到殘差圖像；而后利用隔幀差分算法并結(jié)合雙層流水線算法獲取閾值分割后的二值圖像；最后對二值圖像進行邏輯與運算和形態(tài)學(xué)開運算，獲取真實的第一氣泡目標，并在相同實驗條件下將該算法對單幀圖像的預(yù)處理效果、序列圖像的檢測性能與基于改進背景預(yù)測和流水線算法進行比較.仿真結(jié)果表明：該算法可達到實時檢測的要求，且在單幀圖像預(yù)處理方面對復(fù)雜背景的抑制效果更好，預(yù)處理時間減少6.2%，同時在序列圖像檢測方面，算法的抗干擾能力更強，檢測到的目標點更易觀察，檢測總時間減少17.3%.

鎂熔液；第一氣泡；半因果支持域；雙層流水線；實時檢測

鎂合金因具有密度小、比強度和比剛度高等優(yōu)異的性能在汽車、通訊設(shè)備等領(lǐng)域得到日益廣泛的應(yīng)用［1－2］，然而鎂合金熔煉過程中含氫量是影響鎂合金鑄件成型后質(zhì)量的主要因素［3－6］.目前，基于第一氣泡法衍生的鎂熔體快速定量測氫儀［7］，依賴人的經(jīng)驗，測量結(jié)果不穩(wěn)定，原因在于對第一氣泡的識別存在超前或滯后的情況［8］.

近年來，鎂熔液第一氣泡算法被相繼提出，如支持向量基法［9］，改進背景預(yù)測和雙層流水線的算法［10］等，其中改進背景預(yù)測和雙層流水線的算法首次實現(xiàn)了對鎂熔液序列圖像的檢測，但檢測到的目標點面積較小［11］且實時性不高.本文在文獻［10］中的背景預(yù)測模型基礎(chǔ)上提出改進模型，并利用雙層流水線算法結(jié)合改進模型對鎂熔液序列圖像進行檢測，在背景抑制、檢測到的目標點面積、算法實時性方面均取得了良好的效果.

1 改進背景預(yù)測模型

1.1 改進半因果支持域模型

支持域ROS（Region of Support）又稱為鄰域（Region），支持域有3種基本形式，因果支持域、半因果支持域和非因果支持域，由于半因果支持域兼顧因果支持域弱小目標檢測性能優(yōu)異以及非因果支持域雜波抑制能力強兩方面的優(yōu)點［12］，且預(yù)測窗口選取的背景點個數(shù)越多，計算量越大，不利于實時檢測［13］.因此，本研究在半因果支持域的基礎(chǔ)上設(shè)計了多種背景點個數(shù)較少的半因果支持域模型，并對所有模型進行仿真實驗，根據(jù)模型的背景抑制［14］效果、算法實時性等方面綜合比較，最終選擇性能最優(yōu)的改進半因果支持域模型.改進半因果支持域的背景預(yù)測模型為

式中：Ya(m，n)和Yb(m，n)均為點(m，n)的預(yù)測背景灰度值，X0(m＋l，n＋k )為原始圖像的灰度值；Wj(l，k)為預(yù)測權(quán)系數(shù)；l，k為預(yù)測窗內(nèi)像素坐標；R1和R2分別為水平方向上改進的半因果支持域，預(yù)測窗口大小為7×7，如圖1所示.

圖1 改進半因果支持域Fig.1 Modified semi?causal support region

預(yù)測窗口大小選擇7×7的原因是：仿真實驗證明，預(yù)測窗口大小為5×5時，算法實時性好但檢測不到目標；預(yù)測窗口大小為9×9時，算法雖然能檢測到目標但實時性差；預(yù)測窗口大小為7× 7時，算法既能檢測到目標同時實時性較好.

1.2 改進最大化模型

最大化背景預(yù)測原理即將目標像素點周圍背景的像素點以目標點像素點為中心劃分為4個區(qū)域，并分別對目標點灰度值進行預(yù)測，進而取各個區(qū)域預(yù)測的灰度值的最大值作為最終的預(yù)測值，具有弱小目標檢測性能強和噪聲抑制效果佳的優(yōu)勢，本研究根據(jù)文獻［10］提出的改進最大化模型，結(jié)合改進半因果支持域模型采用的改進最大化模型為

式中：Ya(m，n)為改進半因果支持域R1預(yù)測的背景灰度值；Yb(m，n)為改進半因果支持域R2預(yù)測的背景灰度值；Ymax(m，n)為最終的預(yù)測值.

2 第一氣泡實時檢測算法

第一氣泡實時檢測算法流程如圖2所示，算法由3個步驟組成，分別如下.

圖2 第一氣泡實時檢測算法Fig.2 Real?time detection algorithm for the first bubble

Step1：首先讀入4幀連續(xù)的原始圖像，然后采用改進半因果支持域的最大化背景預(yù)測模型對4幀連續(xù)的原始圖像進行背景預(yù)測得到4幀背景預(yù)測圖像；其次用4幀原始圖像減去4幀背景預(yù)測圖像得到4幀殘差圖像送入流水線管道1中，以上操作稱為對圖像的預(yù)處理；進而對預(yù)處理得到的4幀連續(xù)的殘差圖像作隔幀差分處理［15］得到兩幀圖像；最后對隔幀差分后的兩幀圖像分別作閾值分割處理獲取二值圖像，并將這兩幀二值圖像送入流水線管道2中，這里閾值分割采用自適應(yīng)閾值分割法，閾值T＝mean＋kσ，其中，mean為圖像的均值，σ為圖像的均方差，k為常數(shù)，通常取2～15，本研究k取12.

Step2：對step1中4幀連續(xù)的原始圖像之后的第5幀圖像進行預(yù)處理操作得到殘差圖像，將得到的殘差圖像送入流水線管道1中，經(jīng)過幀移位操作后［10］，流水線管道1中的4幀殘差圖得到更新，然后對第5幀圖像作隔幀差分和閾值分割處理獲得一幀二值圖像，并將這幀二值圖像送入流水線管道2中，同樣進行幀移位操作，這樣流水線管道2中的兩幀圖像得到更新.

Step3：對流水線管道2中不斷更新的2幀二值圖像作邏輯與運算以及形態(tài)學(xué)開運算［16］去除比結(jié)構(gòu)元素小的亮點，直到檢測到目標，此處形態(tài)學(xué)開運算根據(jù)目標點的特性采用大小為1的扁平圓形結(jié)構(gòu)元素.

3 結(jié)果與分析

本實驗對第一氣泡析出前后大小為420Pixel× 398Piexl，速度為30幀每秒的90幀序列圖像進行仿真實驗.仿真環(huán)境：CPU為P6000，主頻1.87 GHZ，內(nèi)存3.00 GB，仿真軟件為MATLAB7.11.圖3為攝像機采集的第一氣泡開始析出后的原始圖像，即90幀序列圖像中的第80幀.圖4和圖5分別為文獻［10］半因果支持域模型和本研究采用的改進半因果支持域模型對第一氣泡析出后的單幀原始圖像預(yù)處理后的三維殘差圖，可以看出，本研究背景預(yù)測模型預(yù)處理的殘差圖的背景被抵消的程度更高，背景抑制效果更好.

圖3 第一氣泡析出后的原始圖像Fig.3 The original image of the first bubble

圖4 文獻［10］預(yù)處理后的三維殘差圖Fig.4 Three dimensional residual image by pretreatment in reference［10］

圖5 本研究預(yù)處理后的三維殘差圖Fig.5 Three dimensional residual image by pretreatment in this research

將文獻［10］背景預(yù)測模型和本研究改進背景預(yù)測模型的背景點個數(shù)以及兩種預(yù)處理算法對第80幀圖像預(yù)處理的時間進行對比，見表1，表1中的數(shù)據(jù)結(jié)果是10組仿真試驗數(shù)據(jù)的平均值.

表1 兩種算法的單幀圖像檢測性能對比Table 1 Comparison of single frame image detection per?formance of the two algorithms

表1說明本研究采用的背景預(yù)測模型的預(yù)測窗口背景點個數(shù)比文獻［10］背景預(yù)測的預(yù)測窗口背景點個數(shù)一半還少，因此，本研究改進算法運算量更少，對硬件資源的要求更低，同時表1預(yù)處理時間也證實了本研究改進算法對單幀圖像預(yù)處理速度更快，比文獻［10］預(yù)處理算法預(yù)處理時間減少0.000 6 s.

將文獻［10］中的算法和本研究算法用于對90幀序列圖像的檢測，檢測結(jié)果分別如圖6和圖7所示.其中圖6（a）和（b）分別為文獻［10］中算法對90幀序列圖像檢測時在第4幀和第76幀出現(xiàn)虛警的圖像，圖6（c）和圖7分別為文獻［10］中的算法和本研究算法檢測到的第80幀出現(xiàn)鎂熔液第一氣泡目標的圖像.

根據(jù)圖6和圖7的檢測結(jié)果，將文獻［10］中的算法與本研究算法對序列圖像的檢測性能進行對比，包括虛警［17］個數(shù)，目標點面積，預(yù)處理時間和檢測總時間.虛警個數(shù)是反映算法準確性的重要指標，虛警個數(shù)越少，算法準確性越高；目標點面積由目標點像素的個數(shù)來體現(xiàn)，目標點像素個數(shù)越多，則目標點面積越大，說明目標點在局域范圍內(nèi)對比度越高，越能真實的反映目標的形狀和大小，便于觀測；檢測時間的長短體現(xiàn)了算法的實時檢測性能，檢測的時間越短，越有利于第一氣泡的實時檢測，對比結(jié)果見表2，表2中的數(shù)據(jù)結(jié)果也是10組仿真實驗數(shù)據(jù)的平均值.

圖6 文獻［10］中算法檢測結(jié)果Fig.6 Detection result of algorithm in reference［10］：（a）False alarm image of the fourth frame；（b）False alarm image of the seventy?sixth frame；（c）Target image of the eightieth frame

圖7 本研究算法檢測到的第80幀目標圖像Fig.7 Target image of the eightieth frame detected by modi?fied algorithm in this research

表2 兩種算法的序列圖像檢測性能對比Table 2 Comparison of sequence image detection perform?ance of the two algorithms

表2表明，文獻［10］中算法雖然能從90幀序列圖像中成功檢測出第一氣泡目標，但算法檢測結(jié)果有兩個虛警，虛警概率約為2.2%，而本研究算法不僅能成功檢測出第一氣泡，且檢測結(jié)果無虛警，說明本研究改進算法準確性較高，抗干擾能力強.另外，本研究檢測算法比文獻［10］中的算法檢測到的目標點個數(shù)多3個，且預(yù)處理時間和檢測總時間分別減少0.05 s和0.386 s.

4 結(jié) 論

1）改進了一種半因果支持域的背景預(yù)測模型，與改進前的背景預(yù)測模型相比，本研究背景預(yù)測模型在背景抑制效果上更具優(yōu)勢.

2）提出的基于改進半因果支持域的弱小目標實時檢測算法對90幀序列圖像的檢測結(jié)果與改進前算法相比，虛警概率為0，檢測到的目標點面積增大60%，更便于觀測目標，同時，預(yù)處理時間減少5.7%，算法檢測總時間減少17.3%，實時檢測性能更高.

3）提出的基于改進半因果支持域的弱小目標實時檢測算法不僅能夠成功地檢測出復(fù)雜背景下鎂熔液第一氣泡，且檢測時間為1.845 s，小于改進前所需的2.231 s，更遠遠小于采集圖像所用的3 s，達到了實時檢測的要求.

［1］DEKER R F.The renaissance in magnesium［J］.Ad?vanced Materials＆Processes，1988，54（3）：31－33.

［2］趙建華，候釗，王亞軍.機械振動對AZ91鎂合金充型能力的影響［J］.材料科學(xué)與工藝，2013，21（3）：69－73.ZHAO Jianhua，HOU Zhao，WANG Yajun.Effect of mechanical vibration on filling ability of AZ91 magne?sium alloy［J］.Materials Science and Technology，2013，21（3）：69－73.

［3］EMLEY E F.Principles of magnesium technology［M］.Oxford：Pergamon Press，1996.

［4］YUAN G Y，LIU M P，DING W J，et al.Microstruc?ture and mechanical properties of Mg－Zn－Si?based al?loys［J］.Materials Science＆Engineering A，2003，357（1－2）：314－320.

［5］DU W，SUN Y S，MINX G，et al.Microstructure and mechanical properties of Mg－Al based alloy with calci?um and rare earth additions［J］.Materials Science＆Engineering Alloys，2003，356（1－2）：1－7.

［6］WHITTENBEGGER E J，RHINESF N.Origin of po?rosity in castings of magnesium?aluminium and other alloys［J］.Journal of Metals，1952（7）：409－420.

［7］吳樹森，許四祥，毛有武，等.鎂合金熔液含氫量的爐前快速檢測研究［J］.特種鑄造及有色合金，2007，27（2）：95－96.WU Shusen，XU Sixiang，MAO Youwu，et al.Rapid measurement of hydrogen content in magnesium alloy melt［J］.Special Casting＆Nonferrous Alloys，2007，27（2）：95－96.

［8］孫杰，許四祥，郭宏晨，等.基于個數(shù)判斷邊緣的鎂熔液第一氣泡圖像檢測［J］.鑄造，2012，61（10）：1159－1162.SUNJie，XU Sixiang，GUO Hongchen，et al.Image detection of the first bubble in magnesium melt based on number?judgment edge［J］.Foundry，2012，61（10）：1159－1162.

［9］張炳剛，許四祥，侍海東，等.基于支持向量機的鎂熔液弱小目標檢測［J］.特種鑄造及有色合金，2015，35（8）：886－889.ZHANG Binggang，XU Sixiang，SHI Haidong，et al.Detection of dim target in magnesium alloy melt based on support vector machine［J］.Special Casting＆Non?ferrous Alloys，2015，35（8）：886－889.

［10］許四祥，孫杰，郭宏晨.基于改進背景預(yù)測和流水線的弱小目標檢測［J］.華中科技大學(xué)學(xué)報：自然科學(xué)版，2012，40（8）：129－132.XU Sixiang，SUN Jie，GUO Hongchen.Detecting weak and small targets by modified background predic?tion and pipeline［J］.J Huazhong Univ of Sc＆Tech（Natural Science Edition），2012，40（8）：129－132.

［11］梁敏.紅外弱小目標檢測與跟蹤技術(shù)研究［D］.西安：西北工業(yè)大學(xué)碩士學(xué)位論文，2007.

［12］劉志軍，陳朝陽，沈緒榜，等.基于卡爾曼濾波器的背景抑制及小目標檢測［J］.華中科技大學(xué)學(xué)報：自然科學(xué)版，2004，32（12）：7－9.LIU Zhijun，CHEN Chaoyang，SHEN Xubang，et al.Background suppression on small targets detection based on kalman filter［J］.J Huazhong Univ of Sci＆Tech（Natural Science Edition），2004，32（12）：7－9.

［13］徐軍.紅外圖像中弱小目標檢測技術(shù)研究［D］.西安：西安電子科技大學(xué)，2003.

［14］袁媛.復(fù)雜背景抑制及弱小目標檢測技術(shù)研究［D］.西安：西安工業(yè)大學(xué)，2015.

［15］高培青，孫杰，許四祥，等.基于形態(tài)學(xué)和隔幀差分的鎂熔液弱小目標檢測［J］.輕金屬，2013（1）：60－62.GAO Peiqing，SUN Jie，XU Sixiang，et al.Weak tar?get detection in magnesium melt based on morphology and discontinuous frame difference［J］.Light Metals，2013（1）：60－62.

［16］黃劍斌，安瑋，林再平，等.基于形態(tài)學(xué)的多級濾波背景抑制算法［J］.航天電子對抗，2015，31（1）：55－58.HUANG Jianbin，AN Wei，LING Zaiping，et al.Mul?tilevel filter background suppression algorithm based on morphology［J］.Aerospace Electronic Wareface，2015，31（1）：55－58.

［17］王康.一種復(fù)雜海天背景下紅外弱小目標檢測算法［J］.光學(xué)與光電技術(shù)，2016，14（3）：95－99.WANG Kang.A detection algorithm for infrared dim target in complicated sea?sky background［J］.Optics＆Optoelectronic Technology，2016，14（3）：95－99.

（編輯 呂雪梅）

Detection of the first bubble in magnesium melt based on modified semi?causal support region

ZHAI Jianjian，XU Sixiang，WANG Renbao，YAO Zhisheng
（Mechanical Engineering Institute，Anhui University of Technology，Ma′anshan 243002，China）

On the basis of the existing image processing algorithm for the first bubble detection of magnesium melt，a new real?time detection method based on modified semi?causal support region was presented to accurately recognize the first bubble on the complicated surface of magnesium melt in the detection of hydrogen content in magnesium melt.Firstly，the 4 original images were estimated by using the modified semi?causal support domain model to get the background prediction images.Secondly，the residual images were obtained by subtracting the prediction image from the original image.Then，the residual images were transported into the double?pipeline and disposed by discontinuous frame difference and threshold segmentation.Finally，the real first bubble target was detected combining with the logical and algorithm and open operation of mathematical morphology.The preprocessing effect of single frame and the detection performance of the sequence image for this algorithm were compared with that of the modified background prediction and pipeline algorithm.The simulation results show that the algorithm not only meet the requirements of real?time detection but also had better suppression effect of the complex background in the aspect of single frame image preprocessing，and the pretreatment time was reduced by 6.2%.At the same time in the sequence image detection，anti interference ability of the algorithm was stronger，detected target was more easily to be observed，and total detection time was reduced by 17.3%.Thus the algorithm laid a foundation for the application of image processing in real?time detection of hydrogen content in magnesium melt.

magnesium melt；the first bubble；semi?causal support region；double?pipeline；real?time detection

TG146.2；TG235

A

1005－0299（2016）06－0056－05

2016－07－13.

國家自然科學(xué)基金資助項目（51374007）；安徽省自然科學(xué)基金資助項目（11040606M104）；研究生創(chuàng)新基金資助項目（2015033）；國家級大學(xué)生創(chuàng)新訓(xùn)練項目（201510360033）.

翟健健（1992—），男，碩士研究生.

翟健健，E?mail：zhaijianjianwh＠foxmail.com.

10.11951/j.issn.1005－0299.20160610