基于小波變換的磁粉缺陷圖像特征提取與檢測

游斌相，劉桂華，王 姮

(西南科技大學(xué)信息工程學(xué)院，四川 綿陽 621010)

基于小波變換的磁粉缺陷圖像特征提取與檢測

游斌相，劉桂華，王 姮

(西南科技大學(xué)信息工程學(xué)院，四川 綿陽 621010)

熒光磁粉檢測技術(shù)是一種常見的無損探傷技術(shù)，常用于成品、半成品以及原材料的檢驗，以確保工件質(zhì)量的可靠性。小波變換作為分析信號頻率分量的數(shù)學(xué)工具，已成功地應(yīng)用于圖像處理的各個領(lǐng)域。將圖像小波技術(shù)與磁粉探傷技術(shù)相結(jié)合，能快速、有效地提取出工件的缺陷特征。目前，磁粉缺陷檢測通常通過肉眼觀察，不僅速度慢，而且效率低。為了在工業(yè)生產(chǎn)中實現(xiàn)自動化、提高檢測效率、拓展小波變換的實際應(yīng)用，提出了一套基于小波變換的自動識別方法，并將其用于檢測缺陷。首先，利用小波分析方法提取缺陷特征。圖像經(jīng)過小波變換后，可獲得其低頻系數(shù)和高頻系數(shù)。高頻系數(shù)較好地保存了圖像的邊緣信息(缺陷信息)。然后，對高頻系數(shù)分量進行垂直投影等基礎(chǔ)圖像處理操作，以獲取缺陷特征。最后，使用BP神經(jīng)網(wǎng)絡(luò)進行分類識別。測試結(jié)果表明，該系統(tǒng)對工件上的裂紋缺陷和凹坑缺陷具有良好的檢測效果。

小波變換； 特征提取； 無損探傷； 磁粉檢測； BP神經(jīng)網(wǎng)絡(luò)； 垂直投影； 連通域； 圖像分割

0 引言

磁粉探傷[1]是一種用來檢測工件表面缺陷的無損檢測技術(shù)，其主要原理是通過磁性材料在磁化后工件表面的分布情況來檢測缺陷。相對于超聲波、射線、滲透等無損檢測方法，磁粉探傷成本較低且具有較高靈敏度。

磁粉探傷主要有磁化、噴灑磁懸液、檢測以及退磁這4個過程。目前，磁化、噴灑磁懸液以及退磁這3個過程已經(jīng)在生產(chǎn)線上實現(xiàn)了自動化操作，只有檢測部分仍然依靠肉眼識別。肉眼觀察時間長了原本就容易疲勞，加上目標都是熒光磁粉，更易導(dǎo)致眼花等問題，造成檢測出錯。為了實現(xiàn)整個磁粉探傷過程的自動化作業(yè)、降低人力成本、提高識別率，可將磁粉探傷技術(shù)與圖像處理技術(shù)融合[2]，達到快速、高效的檢測目的。

目前，國內(nèi)外也有不少關(guān)于熒光磁粉圖像缺陷檢測技術(shù)的研究，使用較多的是基于缺陷的幾何特征來識別[3-4]和檢測缺陷。此方法雖然簡單，但自適應(yīng)能力較差。WANG H等[5]利用分形維數(shù)來提取缺陷特征，雖計算復(fù)雜度較低，但識別率過低。林果等[6]提出了基于主成分分析的方法來識別缺陷，其自適應(yīng)能力強于幾何特征識別的方法，但識別率略差。以上方法的識別率普遍偏低，且自適應(yīng)能力較差。本文提出的基于小波變換的缺陷特征提取方法，不僅識別率高，而且經(jīng)過訓(xùn)練之后，自適應(yīng)能力也較強，能很好地應(yīng)用到在線工業(yè)生產(chǎn)檢測中。

1 系統(tǒng)設(shè)計

在采集熒光磁粉圖像前，需要對待檢測的工件進行磁化和磁懸液的噴淋。由于磁懸液的特性會導(dǎo)致采集到的磁痕圖像帶有紫色反光，故圖像處理的第一步就是消除紫色反光區(qū)域。由于小波變換具有平滑、濾波的性質(zhì)，故可不經(jīng)過濾波處理，直接對消除紫色反光后的圖像進行小波變換。對變換后的圖像進行垂直投影和圖像分割等進一步處理，可獲取磁痕圖像的特征描述。采用逆向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)算法進行分類識別?？傮w算法流程如圖1所示。

圖1 算法流程圖

2 算法研究

2.1 圖像預(yù)處理

在此系統(tǒng)中，圖像預(yù)處理的作用是消除紫色反光對磁痕圖像的影響。目前有2種方法可以較好地消除紫色反光。①在攝像機上添加紫光濾波片。雖然此方法可以較好地去除紫光，但會損害圖像原始數(shù)據(jù)的完整性，所以不適用于本系統(tǒng)。②通過圖像處理的方式來消除紫色反光的干擾。相對于添加濾鏡的方法，采用圖像處理的方式更簡單、可靠。

RGB色彩模式通過紅、綠、藍3種基色的不同程度疊加來產(chǎn)生各種顏色。使用這種方式所產(chǎn)生的顏色能夠涵蓋人類視力所能感知的所有顏色范圍，是目前運用廣泛的顏色系統(tǒng)之一。在圖像處理中，通常把1張彩色圖像劃分為紅、綠、藍3個不同的顏色空間進行觀察，這樣有利于濾除部分顏色噪聲。

2.2 小波基礎(chǔ)

小波變換[7-8]是一種優(yōu)秀的數(shù)學(xué)工具。其通過對信號進行伸縮和平移進行尺度分析，能有效地從信號中提取出各種有用的信息。目前，小波變換被廣泛地應(yīng)用到圖像降噪、融合、壓縮以及特征提取等多個方面。李孟歆、王冰[9]利用小波變換來提取地磚缺陷；彭慶濤等[10]結(jié)合小波分析和灰度紋理特征來提取乳腺X射線圖像中的微鈣化點區(qū)域；劉亞秋[11]使用小波變換來提取布料瑕疵特征，然后使用神經(jīng)網(wǎng)絡(luò)進行分類識別。小波變換能夠得到廣泛應(yīng)用的根本原因在于它同時具有以下特性：①可實現(xiàn)數(shù)據(jù)去相關(guān)性，即數(shù)據(jù)的稀疏表示；②具有快速算法；③可多分辨或多尺度表示；④具有局部時頻分析的能力。

圖像小波分解采用二維小波變換快速算法。該算法不斷將上一級圖像分解成4個子帶，即1個低頻子帶和3個高頻子帶。二維離散小波分解的定義為：

圖2 二維小波分解算法示意圖

將原始圖像經(jīng)過一次分解稱為單層小波分解。這種分解可以迭代。雖然理論上可以進行無限層分解，但隨著分解層數(shù)的增加，丟失的數(shù)據(jù)也會增多，所以需要根據(jù)實際需求選擇合理的分解次數(shù)。

2.3 基于小波變換的缺陷特征提取

2.3.1 裂紋缺陷

在加工柱狀工件的過程中，經(jīng)常會出現(xiàn)豎狀裂紋缺陷。原圖經(jīng)過小波分解后，不僅可以縮小圖像尺寸、減少計算量，還可以提取出高頻細節(jié)分量。而高頻細節(jié)分量則包含了圖像的邊緣特征，有利于缺陷特征的提取。

圖像經(jīng)小波分解后，可得到低頻近似系數(shù)、水平細節(jié)分量、垂直細節(jié)分量以及對角細節(jié)分量這4個系數(shù)矩陣。其中，水平細節(jié)分量保存了水平方向的邊緣信息，垂直細節(jié)分量保存了垂直方向的邊緣信息，對角細節(jié)分量則保存有對角邊緣信息。因裂紋缺陷都是豎直的，故選用小波分解后的垂直細節(jié)分量作進一步的算法處理。由于裂紋缺陷的亮度較高且非常集中，經(jīng)小波分解后的垂直細節(jié)分量對比度也較大，因此可對提取出的垂直細節(jié)分量作垂直投影[12]，即統(tǒng)計每一列像素值的和。將計算得到的投影向量作為特征向量，等待進一步的分類識別處理。設(shè)Img為原始圖像經(jīng)過小波分解后的垂直細節(jié)分量，his(i)為投影向量，則其計算過程可表示為：

[m,n] = size(Img);

for i = 1:n

for j = 1:m

his(i) = his(i) + Img(j,i);

2.3.2 凹坑缺陷

凹坑缺陷特征提取過程如圖3所示。

圖3 凹坑缺陷特征提取過程示意圖

除裂紋缺陷外，凹坑缺陷也是一種常見的缺陷。提取凹坑缺陷特征時，首先需獲取小波二層分解后的細節(jié)分量，再進行圖像二值化和形態(tài)學(xué)等算法處理。

圖像經(jīng)過二層小波分解后，在高頻分量中，雖然可以很清楚地看到凹坑缺陷，但依舊存在很多細節(jié)干擾，故需對圖像作進一步處理。

圖像二值化處理可以在保留缺陷的同時濾除大部分冗余信息，其數(shù)學(xué)表達式如下：

式中：I(x,y)為原圖像的像素值；thr為提前設(shè)定好的閾值；Img_binary(x,y)為二值化處理后的像素值。

在形態(tài)學(xué)中，結(jié)構(gòu)元素是最基本的概念，其在形態(tài)學(xué)變換中的作用相當于1個濾波窗口。用B代表結(jié)構(gòu)元素，x代表空間中的某一點，則將B對E進行腐蝕和膨脹分別定義為：

X=E⊙B={x:B(x)?E}

(1)

Y=E⊕B={y:B(y)∩E≠Φ}

(2)

腐蝕可理解為壓縮邊界點，使邊界變小的過程。膨脹則相反，是擴充邊界點、使邊界變大的過程。圖像經(jīng)過腐蝕膨脹處理后，可以有效地消除干擾點。

連通域是指處于相鄰位置的像素點具有相同像素值的圖像區(qū)域。對于沒有凹坑缺陷的圖像來說，其處理后的圖像連通域較小；而對于有凹坑缺陷的圖像，其連通域通常較大。故可通過比較處理后圖像的連通域大小來判斷其是否存在凹坑缺陷。首先，計算圖像處理后的各連通域大?。蝗缓?，從中選取最大值作為該圖像的連通域特征值；最后，再使用分類器分類識別。

3 分類識別

BP神經(jīng)網(wǎng)絡(luò)[13-14]由信息的正向傳播和誤差的反向傳播這2個過程組成，是1種誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)，主要包含輸入層、隱層(中間層)和輸出層。其中：輸入層主要負責接收外來信息并傳遞給中間層；中間層負責信號的變換與處理，并將處理結(jié)果傳遞給輸出層；輸出層則負責向外界輸出信息處理結(jié)果。在訓(xùn)練的過程中，可不斷地通過誤差反向傳播來調(diào)整網(wǎng)絡(luò)的權(quán)值大小，直到輸出誤差減小到允許的范圍內(nèi)。BP神經(jīng)網(wǎng)絡(luò)具體實施步驟如下。

①初始化，隨機分配權(quán)值；

②根據(jù)給定樣本的輸入/輸出值，計算各層的輸出；

③求各層的學(xué)習(xí)誤差，并修正權(quán)值；

④根據(jù)實際需求，判斷目前的分類器是否滿足要求。如果滿足要求即結(jié)束算法；否則，返回執(zhí)行步驟③。

4 試驗數(shù)據(jù)分析

試驗設(shè)備使用大恒DH-HV5051系列緊湊型USB接口，高分辨率CMOS工業(yè)數(shù)字攝像機，以及CJW-1000I交流磁粉探傷機。整個試驗過程步驟如下。

①在獲取熒光磁粉圖像后，進行R、G、B通道分解，消除紫色反光。通過試驗發(fā)現(xiàn)，分解后的紅色通道和藍色通道在原紫色反光區(qū)域仍存在高亮度的反光，只有綠色通道的圖像能較好地濾除紫色反光。故選取綠色通道的圖像作進一步處理。

②對消除紫色反光的G通道圖像進行單層小波分解，并求取垂直細節(jié)分量的垂直投影向量。

圖4為有缺陷工件和標準件(沒有缺陷)的各小波分量垂直投影圖。其中，投影值即像素點個數(shù)。

圖4 各小波分量垂直投影圖

對于水平細節(jié)分量和對角細節(jié)分量，有、無缺陷的垂直投影差別不是很大，沒有可比性，故不可作為特征描述向量。比較圖4(c)和圖4(d)中的垂直細節(jié)分量投影，標準件的垂直細節(jié)分量投影值主要分布在100以下，少部分在[100，140]；而有缺陷工件的垂直細節(jié)分量投影值雖大都小于100，但在缺陷部位的投影值較大，基本在350以上，這和標準件的垂直投影形成了鮮明的對比。因此，可用垂直細節(jié)分量投影值作為缺陷特征的描述向量。

③對步驟②中的低頻細節(jié)分量再進行一次小波分解，并對分解后的垂直細節(jié)分量進行二值化、形態(tài)學(xué)等圖像算法處理。凹坑缺陷處理過程圖如圖5所示。

圖5 凹坑缺陷處理過程圖

圖5(a)為去除紫色反光后的原圖像，圖5(b)為2次小波分解后的垂直細節(jié)分量圖，圖5(c)為二值化處理后的圖像，圖5(d)為形態(tài)學(xué)處理后的最終圖像。從圖5中可清晰地看到，圖像的二值化處理在保留前景(缺陷)的基礎(chǔ)上，去除了大部分噪點。后期再通過形態(tài)學(xué)處理，又去除了大部分的噪點，并較好地保留了前景圖像。最后，計算圖像中黑色部分各連通域的大小，并選取最大值作為特征值進行分類識別。

每個圖像處理后都會留存有大小不一的連通域。表1給出了部分圖像處理后的連通域值。表1中：每一行的連通域值均從大到小排列；常數(shù)代表像素點個數(shù)，“×”表示沒有連通域。

表1 部分圖像的連通域值(處理后)

從表1中可看出，每幅圖像的最大連通域值都遠大于其他連通域值，且有缺陷圖像的最大連通域值遠大于標準圖像(無缺陷圖像)的最大連通域值。故可利用圖像處理后的最大連通域值來描述凹坑缺陷。

④使用BP神經(jīng)網(wǎng)絡(luò)進行分類識別。在試驗過程中，對不同的訓(xùn)練樣本數(shù)以及小波的每個分量都進行了測試，所得缺陷識別率如圖6所示。隨著訓(xùn)練樣本數(shù)量的增多，缺陷識別率也隨之增大。當訓(xùn)練樣本數(shù)量達到400個時，缺陷識別率趨于穩(wěn)定。

圖6 缺陷識別率曲線

從試驗結(jié)果來看，對于裂紋缺陷，使用水平細節(jié)分量來提取特征進行分類識別的效果最差，識別率低于40%；使用低頻近似系數(shù)和高頻對角細節(jié)分量來提取特征進行分類識別的效果相近，識別率不到60%；使用垂直細節(jié)分量來提取特征進行分類識別的效果最佳，識別率高達98.3%。對于凹坑缺陷，使用垂直細節(jié)分量、水平細節(jié)分量以及對角細節(jié)分量的識別率都接近98%，而近似分量的識別率很低，不到20%。綜合試驗數(shù)據(jù)來看，采用小波分解的垂直細節(jié)分量作特征提取是較好的選擇。

5 結(jié)束語

本文基于磁粉探傷，提出了使用小波變換來提取熒光磁粉圖像缺陷特征的方法。原始圖像經(jīng)過小波分解后，可獲得其高頻系數(shù)分量，在高頻細節(jié)分量中能較好地保存圖像的邊緣信息。缺陷特征往往存在于邊緣信息中，故可進一步通過處理高頻分量來獲取缺陷特征。通過試驗發(fā)現(xiàn)，對分解后的垂直細節(jié)分量作垂直投影或形態(tài)學(xué)等方法的處理，可以較好地獲取缺陷的特征描述。使用BP神經(jīng)網(wǎng)絡(luò)進行分類識別。試驗數(shù)據(jù)表明，該方法對于裂紋缺陷和凹坑缺陷都具有較高的識別率。

[1] 李家偉,郭廣平.無損檢測手冊[M].北京:機械工業(yè)出版社,2012.

[2] 張家棟,張強,霍凱.圖像處理在軸承熒光磁粉探傷中的應(yīng)用研究[J].計算機技術(shù)與發(fā)展,2009,19(8):216-219.

[3] 初延亮.磁粉檢測裂紋圖像特征提取方法研究及實現(xiàn)[D].綿陽:西南科技大學(xué),2015.

[4] 楊志軍,陳亮,劉延雷,等.焊縫裂紋缺陷的磁粉檢測自動識別方法研究[J].制造業(yè)自動化,2016,38(4):22-25.

[5] WANG H,BU Y,ZHANG H,et al.Defect detection of magnetic particle indication image based on fractal dimension[J].Application Research of Computers,2015,32(2):603-605.

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

[7] 孫延奎.小波變換與圖像、圖形處理技術(shù)[M].北京:清華大學(xué)出版社,2012.

[8] 于鳳芹.實用小波分析十講[M].西安:西安電子科技大學(xué)出版社,2013.

[9] 李孟歆,王冰.一種基于小波變換的墻地磚缺陷圖像特征提取方法[J].電子技術(shù)與軟件工程,2015(13):109.

[10]彭慶濤,吳水才,高宏建,等.基于小波分析和灰度紋理特征的乳腺X線圖像微鈣化點區(qū)域的提取[J].北京生物醫(yī)學(xué)工程,2015(5):462-467.

[11]劉亞秋.基于小波分析和神經(jīng)網(wǎng)絡(luò)布料瑕疵識別與分類算法研究[D].武漢:武漢科技大學(xué),2015.

[12]岡薩雷斯.數(shù)字圖像處理[M].阮秋琦,譯.3版.北京:電子工業(yè)出版社,2011:209-210.

[13]HAGAN M T,DEMUTH H B,BEALE M.Neural network design[M].Beijing:China Machine Press,2002.

[14]LI P R,ZHU L,WU F S,et al.BP neural network algorithm improvement and application research[J].Journal of Heze University,2016,38(2):13-17.

FeatureExtractionandDetectionofMagneticParticleDefectImageBasedonWaveletTransform

YOU Binxiang，LIU Guihua，WANG Heng

(College of Information Engineering,Southwest University of Science and Technology,Mianyang 621010,China)

Fluorescent magnetic particle detection technology is a common non-destructive inspection technology;it has been often used in inspection of finished products,semi-finished products and raw materials,to ensure reliability of the workpiece quality.Wavelet transform,as the mathematical tool for analyzing signal frequency component,has been successfully applied in various fields of image processing.The combination of image wavelet technology and magnetic particle flaw detection technology can fast and efficiently extract the defect features of workpieces.At present,the result of magnetic particle detection usually can be observed by naked eyes,which is slow and inefficient.In order to realize automation in industrial production,improve detection efficiency,and expand the practical application of wavelet transform,a set of automatic identification method based on wavelet transform is proposed to detect defects.Firstly,the wavelet analysis method is utilized to extract defect features.After wavelet transforming,the high frequency coefficient and low frequency coefficient of an image can be obtained,and the image edge information(defect information) can be better preserved in high frequency coefficient.Then,on the basis of high frequency coefficient component,the basic image processing operations such as vertical projection are conducted to obtain defect features.Finally, classifying recognition is realized by using BP neural network.The test results show that the system features excellent effects on detecting the crack defects and pit defects of the workpieces.

Wavelet transform; Feature extraction; Nondestructive inspection; Magnetic particle detection; BP neural network； Vertical projection; Connected domain; Image segmentation

修改稿收到日期:2017-06-13

國家“十三五”核能開發(fā)科研基金資助項目(20161295)、四川省重點實驗室開放基金資助項目(13zxtk0504)

游斌相(1991—)，男，在讀碩士研究生，主要從事機器視覺、模式識別技術(shù)的研究,E-mail：744710304@qq.com;劉桂華(通信作者)，女，博士，教授，主要從事機器視覺、圖像處理和模式識別等方向的研究，E-mail：liughua@163.com

TH-39；TP391.4

A

10.16086/j.cnki.issn1000-0380.201712021