車(chē)軸壓裝部相控陣超聲波探傷的各向異性擴(kuò)散去噪改進(jìn)算法

彭朝勇，高曉蓉，王　艾

(1.西南交通大學(xué) 物理科學(xué)與技術(shù)學(xué)院，四川 成都　610031；2.成都主導(dǎo)科技有限責(zé)任公司，四川 成都　610091)

但是，在使用相控陣超聲檢測(cè)技術(shù)對(duì)車(chē)軸壓裝部進(jìn)行全覆蓋探傷[3]時(shí)，由于壓裝部輪軸接觸界面(簡(jiǎn)稱壓裝界面)存在一定粗糙度[4]和微動(dòng)腐蝕[5]，使得超聲波在壓裝界面產(chǎn)生較強(qiáng)的界面回波，導(dǎo)致超聲成像質(zhì)量差，易造成對(duì)缺陷的誤判或漏判。目前國(guó)內(nèi)外已經(jīng)有少數(shù)研究團(tuán)隊(duì)針對(duì)車(chē)軸壓裝部的超聲檢測(cè)展開(kāi)相關(guān)優(yōu)化研究，如德國(guó)聯(lián)邦材料研究所(BAM)及德國(guó)弗勞恩霍夫研究所(Fraunhofer IKTS)對(duì)由具有固定幾何尺寸的車(chē)軸拐角等引起的固定回波的具體位置和尺寸進(jìn)行標(biāo)記，并采用增益控制曲線去除[6]，但用該方法并不能可靠地去除缺陷回波；德國(guó)聯(lián)邦鐵路公司技術(shù)研究中心的無(wú)損檢測(cè)部門(mén)及Arxes-tolina公司都采用相控陣超聲波探傷與合成孔徑聚焦(SAFT)算法相結(jié)合的方法提高檢測(cè)圖像的分辨率，通過(guò)精細(xì)化顯示缺陷頂部尖端反射信號(hào)和缺陷端角反射信號(hào)，可有效排除壓裝界面回波的干擾[7-8]，但SAFT算法計(jì)算量大，并需采用特殊的相控陣超聲硬件設(shè)備獲取數(shù)據(jù)，因此目前該方法多用于實(shí)驗(yàn)室研究，并未用于現(xiàn)場(chǎng)對(duì)車(chē)軸傷損的自動(dòng)化檢測(cè)。

另外，目前的各向異性擴(kuò)散算法[9-12]雖然在圖像去噪時(shí)能保留圖像的邊緣等有用信息，但也存在計(jì)算量較大等問(wèn)題。

本文結(jié)合車(chē)軸壓裝部超聲檢測(cè)圖像的固有特征，通過(guò)定義局部區(qū)域?qū)Ρ榷确从橙毕菁皦貉b界面回波的聚集特征，并將局部區(qū)域?qū)Ρ榷茸鳛閰?shù)，構(gòu)建基于區(qū)域?qū)Ρ榷鹊淖赃m應(yīng)各向異性擴(kuò)散改進(jìn)算法，利用改進(jìn)算法對(duì)壓裝部超聲圖像進(jìn)行快速處理，實(shí)現(xiàn)對(duì)壓裝界面回波的抑制。

1　測(cè)試平臺(tái)及數(shù)據(jù)獲取

使用基于相控陣超聲技術(shù)的車(chē)軸壓裝部超聲波探傷測(cè)試平臺(tái)(見(jiàn)圖1)對(duì)車(chē)軸壓裝部上編號(hào)分別為1—5的人工裂紋缺陷(見(jiàn)圖2)進(jìn)行檢測(cè)[3]。由圖1可見(jiàn)：當(dāng)車(chē)軸旋轉(zhuǎn)360°時(shí)，相控陣超聲探頭在實(shí)施扇形掃查的同時(shí)采集車(chē)軸周向360°的超聲波檢測(cè)數(shù)據(jù)。

圖1　車(chē)軸壓裝部相控陣超聲波探傷測(cè)試平臺(tái)

圖2　人工裂紋缺陷分布及相控陣超聲檢測(cè)方案

在輪對(duì)壓裝前后，使用相控陣超聲探頭(PA探頭)最基本的扇形掃查模式對(duì)圖2中對(duì)應(yīng)的編號(hào)4，1和5這3個(gè)人工缺陷進(jìn)行檢測(cè)，得到壓裝前、后壓裝部扇形掃查回波的對(duì)比情況如圖3所示。由圖3可見(jiàn)：輪對(duì)壓裝后，車(chē)軸的壓裝界面回波與缺陷回波相互重疊，信噪比明顯降低，嚴(yán)重影響缺陷的辨識(shí)。

由于相控陣探頭的楔塊使用的是與車(chē)軸表面曲率匹配的弧形楔塊，所以通過(guò)弧形楔塊及探頭電子控制單元，可實(shí)現(xiàn)縱向(軸向)及橫向(周向)的聲場(chǎng)聚焦。車(chē)軸壓裝部縱向裂紋主要是分離輪軸時(shí)拔軸操作造成的，而車(chē)軸壓裝部自然裂紋為橫向裂紋(斷軸都由橫向裂紋引起的)，按照鐵總運(yùn)〔2013〕191號(hào)《鐵路客車(chē)輪軸組裝檢修及管理規(guī)則》規(guī)定的內(nèi)容進(jìn)行人工裂紋加工，人工裂紋也為橫向，即裂紋的周向跨度遠(yuǎn)高于軸向跨度，所以聚焦后的聲束在周向及軸向移動(dòng)掃查橫向裂紋缺陷時(shí)，缺陷回波在周向的連續(xù)性高于軸向的連續(xù)性。另外，由于輪軸接觸面的粗糙度及微動(dòng)腐蝕等原因使得壓裝界面有較強(qiáng)的回波，因此粗糙度及微動(dòng)腐蝕在軸向及周向的連續(xù)性差異不大。故本文選取相控陣超聲扇形掃查中的1個(gè)波束角度，正好對(duì)應(yīng)圖2中編號(hào)為1，2和3的3個(gè)人工缺陷，采集車(chē)軸旋轉(zhuǎn)360°后的超聲回波信號(hào)，并將存在缺陷回波的前后共90 mm聲程段的原始超聲波信號(hào)導(dǎo)入Matlab軟件中進(jìn)行數(shù)字信號(hào)處理，獲取B掃圖，如圖4所示。圖4中：數(shù)字1—3與圖2中的缺陷編號(hào)對(duì)應(yīng)；Ω1與Ω2分別為以后續(xù)去噪算法中待計(jì)算像素點(diǎn)為中心的小區(qū)域和大區(qū)域。

從此，一個(gè)以中國(guó)精武體育和精武精神為核心的東亞和東南亞體育文化圈逐漸形成，并不斷向世界擴(kuò)散，成為一定時(shí)期內(nèi)唯一能相對(duì)于國(guó)際奧林匹克文化有競(jìng)爭(zhēng)力的世界性體育文化。當(dāng)然，由于其在各國(guó)組織建設(shè)的松散性，也因?yàn)?0世紀(jì)30年代后中國(guó)遭到日本帝國(guó)主義的侵略，最終其失去了更好的發(fā)展良機(jī)。

圖3　壓裝前、后壓裝部扇形掃查回波的對(duì)比情況

圖4　原始超聲波B掃圖

由圖4可見(jiàn)：壓裝界面的回波幅值偏高，但在平面分布上，壓裝界面回波與缺陷回波的橫向分布存在差異，且該差異明顯大于圖3(b)中界面回波與缺陷回波的縱向分布差異；故選取B掃方式獲取數(shù)據(jù)，將現(xiàn)有圖像去噪算法結(jié)合形態(tài)濾波方法對(duì)壓裝界面回波進(jìn)行抑制，提高壓裝部探傷能力。

2　基于區(qū)域?qū)Ρ榷鹊淖赃m應(yīng)各向異性擴(kuò)散改進(jìn)算法

由于壓裝界面為固—固粗糙接觸界面，故造成車(chē)軸壓裝部缺陷處的壓裝界面存在界面回波。在對(duì)車(chē)軸壓裝部進(jìn)行超聲波檢測(cè)所得到的B掃圖像中，缺陷回波的強(qiáng)度及連續(xù)性均大于壓裝界面回波(見(jiàn)圖4)。基于上述圖像灰度特征，選用基于圖像灰度梯度進(jìn)行去噪的各向異性擴(kuò)散算法處理壓裝部信號(hào)，該算法在保留有用信息的同時(shí)又能平滑圖像。

Perona和Malik提出各向異性擴(kuò)散去噪算法[9]，使用偏微分方程根據(jù)局部散度算子進(jìn)行擴(kuò)散，則離散化的各向異性擴(kuò)散方程為

gEIE+gWIW+gSIS)

(1)

式中：I為離散圖像的灰度矩陣；x為探頭周向角度的采樣點(diǎn)數(shù)；y為聲程采樣點(diǎn)數(shù)；t為迭代次數(shù)；η為中心點(diǎn)周?chē)c(diǎn)數(shù)，這里η為4(各方向擴(kuò)散計(jì)算的總點(diǎn)數(shù))；λ為控制整體擴(kuò)散速度；gE，gS，gW，gN分別為東、南、西、北4個(gè)方向的擴(kuò)散系數(shù)；IE，IS，IW，IN分別為東、南、西、北各方向圖像灰度的梯度。

Perona和Malik提出的擴(kuò)散系數(shù)函數(shù)g(I)為

g(|I|)

(2)

式中：k為邊緣度量參數(shù)，也叫平滑參數(shù)，是擴(kuò)散的一個(gè)梯度門(mén)限，當(dāng)梯度I大于k，則擴(kuò)散力度很弱。

式(1)及式(2)構(gòu)成了各向異性擴(kuò)散去噪算法，簡(jiǎn)稱為PM算法。由式(2)可看出，PM算法會(huì)在k值左右形成突變，即為階梯效應(yīng)，并且當(dāng)噪聲的梯度與圖像特征的梯度相近時(shí)，通過(guò)PM算法擴(kuò)散不但不會(huì)抑制噪聲反而會(huì)將噪聲加強(qiáng)。各向異性擴(kuò)散算法在去除散斑噪聲上已有大量改進(jìn)研究，如Catte提出結(jié)合高斯濾波的Catte-PM算法，能有效降低噪聲被加強(qiáng)的概率[10]。但高斯濾波會(huì)丟失圖像邊緣信息，導(dǎo)致圖像模糊，不利于缺陷信號(hào)的保留。You等人提出高階擴(kuò)散算法能解決階梯效應(yīng)[11]，但其計(jì)算量較大，且對(duì)于壓裝部超聲檢測(cè)圖像適應(yīng)性不高。

為了避免PM算法的弊端，本文結(jié)合車(chē)軸壓裝部超聲檢測(cè)圖像的固有特征，提出基于區(qū)域?qū)Ρ榷鹊淖赃m應(yīng)各向異性擴(kuò)散改進(jìn)算法。將圖像中各個(gè)待處理像素點(diǎn)所在的小區(qū)域(如圖4中所示區(qū)域Ω1)內(nèi)所有像素點(diǎn)灰度值的絕對(duì)值均值與其小區(qū)域周?chē)鷧^(qū)域(如圖4中所示區(qū)域Ω2除去區(qū)域Ω1的環(huán)形部分)內(nèi)所有像素點(diǎn)灰度值的絕對(duì)值均值的比值作為平滑參數(shù)的一部分，得到平滑參數(shù)knew，即可構(gòu)成對(duì)像素點(diǎn)所在區(qū)域自適應(yīng)的擴(kuò)散算法。當(dāng)遇到突變?cè)肼晻r(shí)，由于噪聲的不連續(xù)性，噪聲幅值在其所在小區(qū)域求均值過(guò)程中比重大大降低，削弱了knew對(duì)噪聲的影響。壓裝部幅值較高且相對(duì)集中，而界面回波呈現(xiàn)比缺陷能量稍低的散斑，此種情況雖然小區(qū)域均值偏高，但是其周?chē)髤^(qū)域均值也相當(dāng)，所以也削弱了knew對(duì)擴(kuò)散力度的影響。

建立基于區(qū)域?qū)Ρ榷鹊淖赃m應(yīng)各向異性擴(kuò)散改進(jìn)算法為

g(|I|)

(3)

其中，

knew=cp-1

式中：c為可控的比例調(diào)節(jié)系數(shù)；n1和n2分別為區(qū)域Ω1和Ω2內(nèi)的像素點(diǎn)數(shù)。

3　驗(yàn)　證

3.1　試驗(yàn)驗(yàn)證

λ取0.15，k分別取15和100、對(duì)應(yīng)的迭代數(shù)分別取30和10次時(shí)，使用PM算法對(duì)圖4所示車(chē)軸壓裝部檢測(cè)的B掃超聲圖像進(jìn)行處理，結(jié)果如圖5(a)和(b)所示。λ取0.15，c取100，Ω1取71點(diǎn)×71點(diǎn)，Ω2取201點(diǎn)×201點(diǎn)，迭代數(shù)取10次，使用改進(jìn)算法對(duì)圖像進(jìn)行處理，結(jié)果如圖5(c)所示。

由圖5可見(jiàn)：采用PM算法，k取15、迭代數(shù)取30次時(shí)，壓裝界面回波無(wú)法被有效濾除；同樣采用PM算法，k取100、迭代數(shù)取10次時(shí)，壓裝界面回波可被有效濾除，但缺陷回波亦被削弱；而使用基于區(qū)域?qū)Ρ榷鹊淖赃m應(yīng)擴(kuò)散改進(jìn)算法，壓裝界面回波可被有效濾除，同時(shí)缺陷回波得以保留；由此可見(jiàn)，B掃超聲噪聲較多時(shí)，一些壓裝界面回波及散斑噪聲通過(guò)PM算法反而被加強(qiáng)，如果增大擴(kuò)散門(mén)限即平滑參數(shù)k，則有用缺陷信息被削弱，而使用改進(jìn)算法，即使迭代數(shù)降為10次也能有效去除壓裝界面回波的干擾。

圖5　試驗(yàn)結(jié)果對(duì)比

對(duì)圖5所示采用不同算法得到的去噪效果進(jìn)行統(tǒng)計(jì)，結(jié)果見(jiàn)表1。由表1可見(jiàn)：基于改進(jìn)算法得到的圖像峰值信噪比和對(duì)比噪聲比[12]優(yōu)于基于傳統(tǒng)PM算法得到的，其中峰值信噪比提高5.2 dB，對(duì)比噪聲比提高7.8 dB。

表1　采用不同算法得到的去噪效果統(tǒng)計(jì)情況　dB

注：計(jì)算對(duì)比噪聲比時(shí)，將B掃圖中缺陷1—缺陷3設(shè)為有用信號(hào)，3個(gè)缺陷所在的聲程范圍內(nèi)其余的界面回波及噪聲為背景部分

3.2　實(shí)車(chē)驗(yàn)證

為驗(yàn)證改進(jìn)算法的適用性，在成都車(chē)輛段車(chē)軸壓裝部相控陣超聲波探傷設(shè)備上分別裝入算法改進(jìn)前后的計(jì)算機(jī)判傷軟件，對(duì)超聲檢測(cè)B掃圖像中超出幅值閘門(mén)的波形進(jìn)行報(bào)警。

共采集了229個(gè)輪對(duì)的車(chē)軸探傷數(shù)據(jù)，其中確認(rèn)的車(chē)軸自然缺陷總數(shù)為20個(gè)。采用不同算法得到的實(shí)車(chē)車(chē)軸判傷結(jié)果見(jiàn)表2。表中：漏判比為漏判數(shù)與缺陷總數(shù)之比，誤判比為誤判數(shù)與報(bào)警總數(shù)之比。

表2　實(shí)車(chē)車(chē)軸判傷統(tǒng)計(jì)

由表2可見(jiàn)：使用改進(jìn)算法后，壓裝界面回波大大削弱，誤判率下降18%，表明基于改進(jìn)算法，可在確保無(wú)缺陷漏判的基礎(chǔ)上降低誤判率，從而使得車(chē)軸超聲波自動(dòng)探傷設(shè)備在提高效率的同時(shí)保證較高的報(bào)警準(zhǔn)確率。

4　結(jié)　語(yǔ)

在車(chē)軸相控陣超聲波自動(dòng)探傷中，為了有效去除車(chē)軸壓裝界面回波的干擾，結(jié)合車(chē)軸壓裝部裂紋的周向連續(xù)性遠(yuǎn)高于軸向連續(xù)性這一固有特征，選取超聲波聲束沿周向掃查方式對(duì)車(chē)軸壓裝部進(jìn)行超聲波檢測(cè)， 然后對(duì)原始超聲波檢測(cè)信號(hào)進(jìn)行數(shù)字信號(hào)處理，得到車(chē)軸壓裝部的B掃圖；基于B掃圖中界面回波與缺陷回波不同的連續(xù)性及不同的聚集特征，提出使用局部區(qū)域?qū)Ρ榷茸鳛榫奂卣鞯谋碚鲄?shù)，并將該參數(shù)作為各向異性擴(kuò)散函數(shù)的一個(gè)參量，對(duì)傳統(tǒng)的PM算法進(jìn)行改進(jìn)，建立了基于區(qū)域?qū)Ρ榷鹊淖赃m應(yīng)各向異性擴(kuò)散改進(jìn)算法。試驗(yàn)表明，改進(jìn)算法能很好地消除PM算法存在的階梯效應(yīng)及噪聲增強(qiáng)弊端，且對(duì)于有用信號(hào)與噪聲具有不同聚集特征的圖像均有一定參考性；實(shí)車(chē)驗(yàn)證也表明，改進(jìn)算法能在不漏判的情況下使誤判率降低了18%，車(chē)軸超聲波自動(dòng)探傷設(shè)備在提高檢測(cè)效率的同時(shí)，還可以保證較高的檢測(cè)準(zhǔn)確率。

[1]YANG Guangxue，LI Qiang，XIE Jilong. Experiment Research on the Influence of Fretting on Crack Propagation[J]. Advanced Materials Research，2011，228/229：617-620.

[2]KLINGER C，BETTGE D. Axle Fracture of an ICE3 High Speed Train[J]. Engineering Failure Analysis，2013，35(26)：66-81.

[3]PENG Chaoyong，GAO Xiaorong，PENG Jianping，et al. Research on Axle Press-Fit Phased Array Ultrasonic Inspection Technology[C]//11th European Conference on Non-Destructive Testing. Prague：ECNDT 2014 Session: NDT in Railways，2014.

[4]DRINKWATER B W，DWYER-JOYCE R S，CAWLEY P. A Study of the Interaction between Ultrasound and a Partially Contacting Solid-Solid Interface[J]. Mathematical, Physical and Engineering Sciences，1996，452(1955)：2613-2628.

[5]NISHIOKA K，HIRAKAWA K. Fundamental Investigations of Fretting Fatigue: Part 3, Some Phenomena and Mechanisms of Surface Cracks[J]. Bulletin of JSME，1969，12(51)：397-407.

[6]MARTY P，ENGL G，KRAFFT S，et al. Latest Development in the UT Inspection of Train Wheels and Axles[C] // 18th World Conference on Nondestructive Testing. Durban：WCNDT 2012 Session: Transport: Railroad, Axles, Rails，2012.

[7]ROHRSCHNEIDER A，HINTZE H，OELSCHLGEL T. Further Development of the Ultrasonic Testing of Hollow Axles[C] // 11th European Conference on Non-Destructive Testing. Prague：ECNDT 2014 Session: NDT in Railways，2014.

[8]V?LZ U，HEILMANN P，SPIEKER M. New Approach for a More Detailed Visualisation of Ultrasonic Testing Data of Railway Hollow Axles[C]//19th World Conference on Nondestructive Testing. Berlin：WCNDT 2016 Session: Railway，2016.

[9]PERONA P，MALIK J. Scale-Space and Edge Detection Using Anisotropic Diffusion[J]. IEEE Transaction on Pattern Analysis Machine Intelligence，1990，12(7)：629-639.

[10]CATTE F，LIONS P，MOREL J，et al. Image Selective Smoothing and Edge Detection by Nonlinear Diffusion[J]. SIAM Journal on Numerical Analysis，1992，29(3)：182-193.

[11]YOU Y L，KAVEH M. Fourth-Order Partial Differential Equations for Noise Removal[J]. IEEE Transaction on Image Processing，2000，14(10)：1723-1730.

[12]GUAN Fada，TON Phuc，GE Shuaiping，et al. Anisotropic Diffusion Filtering for Ultrasound Speckle Reduction[J]. Science China: Technological Sciences，2014，57(3)：607-614.

[13]楊巨平. 鐵路貨車(chē)車(chē)輪超聲波在線檢測(cè)中的缺陷識(shí)別算法[J]. 中國(guó)鐵道科學(xué)，2016，37(5)：102-107.

(YANG Juping. Defect Recognition Algorithm in Online Ultrasonic Inspection for Railway Freight Car Wheel[J]. China Railway Science，2016，37(5)：102-107. in Chinese)

[14]杜馨瑜. 電務(wù)軌旁設(shè)備外觀巡檢圖像增強(qiáng)算法[J]. 中國(guó)鐵道科學(xué)，2016，37(6)：97-105.

(DU Xinyu. Algorithm for Appearance Inspection Image Enhancement of Trackside Communication and Signal Equipment [J]. China Railway Science，2016，37(6)：97-105. in Chinese)