全自動生產(chǎn)線上制動盤無損檢測方法的研究

李 靜，韓 慜，段元成，張立軍

（長春工業(yè)大學(xué) 機電工程學(xué)院，吉林 長春 130012）

1 引言

制動盤故障在車輛事故中占有較大比重，對其進行周期性無損檢測是確保人身安全的關(guān)鍵因素，所以對制動盤進行檢測十分重要。在眾多的無損檢測方法中選擇一種適合的方法進行檢測，是確保制動盤檢測的經(jīng)濟性和效率性的關(guān)鍵。通過介紹磁粉檢測的優(yōu)勢，提出并利用復(fù)合式閾值分析算法進行檢測。

2 檢測方法的選擇與檢測原理

無損檢測方法包括力學(xué)和光學(xué)檢測，射線檢測，電學(xué)和電磁檢測，聲和超聲檢測，熱力學(xué)方法和化學(xué)分析方法[1]。無損檢測主要是用來檢測材料和結(jié)構(gòu)的宏觀缺陷，從而完成人們對生活或工業(yè)的要求。目前應(yīng)用最廣的無損檢測方法是渦流檢測法，磁粉檢測法，液體滲透檢測法，射線檢測法和超聲檢測法[2]。相比于磁粉檢測，其他檢測方法的劣勢，如表1所示。

表1 其他檢測方法的劣勢Tab.1 Disadvantages of Other Detection Methods

制動盤材料一般是灰鑄鐵或添加Cr、Ni等合金鑄鐵這類磁性物質(zhì)，磁粉檢測可以發(fā)現(xiàn)裂紋，夾雜，折疊和輸送等多種缺陷，并且能直觀的表示出缺陷的形狀大小和嚴重程度，具有很高的靈敏度，可以檢測到最小寬度可到達0.1um，不受形狀限制，利用多種磁化方法，能檢測到任何位置，因此選擇磁粉檢測[3]。磁粉檢測的原理是在缺陷處磁場線外泄，熒光磁粉被吸附，形成兩端少中間多的山峰形狀[4]，如圖1所示。

圖1 原理圖Fig.1 Schematic Diagram

3 復(fù)合式閾值分析算法

3.1 檢測的實際問題

制動盤在檢測過程中因為自身問題，如表面不光滑、油漬，或者熒光液在表面的殘留，紫外線燈的反光等這些因素，導(dǎo)致熒光液殘留，圖片熒光處顯示的并不全是真實缺陷，也存在磁粉被均勻的吸附在物件表面而形成偽缺陷。在這種情況下，原有的算法如自適應(yīng)動態(tài)閾值分隔法或梯度值法不能解決這些復(fù)雜的情況，而基于分水嶺聚類的裂紋識別方法能清晰的識別這些偽缺陷，但需要很長時間。這些算法通用性差[5-6]，因此提出了復(fù)合式閾值分析算法來解決這些問題。

3.2 復(fù)合式閾值分析算法

制動盤經(jīng)清洗、磁化和淋粉后，經(jīng)過磁化上磁后在暗室中用紫外光照射下，用CCD攝像機[7]進行取像獲得前期圖像。裂紋和缺陷會在熒光磁粉的作用下，呈現(xiàn)鮮艷的綠色，方便圖像的下一步處理。由于圖片中多少保留一些背景信號，要對圖片進行灰度化，這樣經(jīng)過取整之后得到灰度為（0～255）級的灰度圖像，通過公式1可以在一定程度上改變?nèi)齻€分量，從而消除雜光等對圖像的影響。公式為：X=0.3r+0.59g+0.11b （1）式中：r—圖像的紅色分量；b—圖像的藍色分量；g—圖像的綠色分量。

這種檢測方法要運用到工業(yè)檢測中，采集到的圖像簡單，只有背景和目標兩類[8]。把圖像的灰度信息和邊緣信息相結(jié)合，在初期的降噪之后，利用梯度算法檢測邊緣，能夠形象的表現(xiàn)出上升沿和下降沿，在上升沿和下降沿的中間區(qū)間灰度值確定缺陷的真?zhèn)蝃9]。首先選取一個較小的值作為閾值A(chǔ)1，目的是確保背景和目標可以區(qū)分出來。這樣就可以先把噪聲去除，減小目標的數(shù)量。算法步驟如下：

計算每個點的梯度值di，di=xi-xi-1。

給定一個預(yù)先設(shè)定的較小的梯度閾值A(chǔ)2，如果 di＞A2，則保留di原值，若 di≤A2，則，di=0 。A：若 di＞0，則將 i點標記為 1；B：若di＜0，則將 i點標記為-1；顯然，這樣就把圖像的邊緣點表現(xiàn)出來了，標記為1的點是圖像的上升邊緣點，標記為-1的點是圖像下降邊緣點，而標記為0的則不是邊緣點。因此，只需要將1與-1之間的點分割成目標即可。根據(jù)0點多少區(qū)分缺陷的種類，此時0點區(qū)域稱為判別區(qū)，由此得到的數(shù)據(jù)為判別數(shù)據(jù)。

當判別區(qū)較小時，為條紋式裂紋與熒光液的水流痕跡造成的偽缺陷難以區(qū)分，因為1與-1之間的間距較窄，要在上述的方法中再加入閾值的判別，一般條紋裂痕多發(fā)生于物件表面，容易堆積大量的磁粉，灰度值比較大。因此需要給定另外一個較A1大的閾值A(chǔ)x進行判別，將1與-1所在的灰度值提取求均值與Ax進行判別。

式中：xi—選取i點的灰度值

x小于Ax的判定為偽缺陷，反之判斷為真缺陷。此方法同樣也適用于點狀式缺陷的判別和規(guī)模較小的缺陷判別。當判別區(qū)較大時，為目標點較多的缺陷，逐行搜索1與-1之間目標，將判定區(qū)灰度值提取出來，而這時的偽缺陷的形成原因多是因為油漬或其他表面問題導(dǎo)致熒光液附著在表面，這種情況一般是由于制動盤內(nèi)部存在氣泡形成的缺陷，而因為反光造成的偽缺陷是這個情況的干擾因素。區(qū)分這一缺陷的方法是將提取出來的目標點的灰度值進行標準差計算，與預(yù)先給定的標準差W進行對比。

式中：xi—選取判別區(qū)的灰度值

如果較W小，說明此處磁粉為均勻分布，是偽缺陷；反之，說明此處缺陷有明顯起伏，為真缺陷。此方法同樣用于不規(guī)則大范圍缺陷的判別。其流程，如圖2所示。

圖2 算法流程圖Fig.2 Algorithm Flow Chart

4 實驗驗證

為驗證該方法是否正確，截取一張熒光磁粉圖片，如圖3所示?；叶然笤搱D片中含有兩種缺陷，分別為熒光燈造成的偽缺陷A和狹小細長的線性缺陷B。該照片具有鮮明的對比性。

圖3真?zhèn)稳毕莼叶葓DFig.3 Grayscale Images of True or False Defect

圖3 的A、B兩處缺陷可以形象的顯示出在實際檢測中可能出現(xiàn)的情況，在制動盤檢測中一般會出現(xiàn)真實的線性缺陷B和偽缺陷A，其中A也可以表示出附著液造成的為缺陷。首先將選取的熒光磁粉圖片在MATLAB中轉(zhuǎn)化為灰度圖像然后在灰度圖像中提取灰度值。從灰度圖中得到了（594*794）的灰度值矩陣，這么大的數(shù)據(jù)量對數(shù)據(jù)處理造成了困難，所以先選取進行初步的篩選，把低于該值的數(shù)值去掉，這樣簡化數(shù)據(jù)量，加快數(shù)據(jù)的處理。然后從灰度值矩陣中把A處位置的相應(yīng)灰度值調(diào)出。按照上述算法對數(shù)據(jù)進行處理。處理情況，如表2所示。

表2 A處數(shù)據(jù)處理表Tab.2 Data Processing Table of A

通過部分數(shù)組表示出該處屬于判別區(qū)較大的區(qū)域，要提取判別區(qū)灰度值求標準差，從而與預(yù)先給定的W進行大小比較決定A出是否為缺陷。顯然，該處是由于圖像采集過程中紫外線光由于液面反射造成的，是偽缺陷。而梯度法和自適應(yīng)動態(tài)閾值[10]分隔法只能區(qū)分此處存在缺陷，并不能識別真?zhèn)?。提取B處的相應(yīng)灰度值按照上述算法得到數(shù)據(jù)，如表3所示。

表3 B處數(shù)據(jù)處理表Tab.3 Data Processing Table of B

通過部分數(shù)組判別出該處屬于判別區(qū)較小的區(qū)域，要經(jīng)過提取i點及1、-1點的灰度值求均值，從而與預(yù)先給定的W進行大小比較決定B出是否為缺陷。對于線性缺陷的真?zhèn)蔚呐袆e，在于灰度值的大小。真實的缺陷灰度值大，而偽缺陷灰度值相對比較小。而基于分水嶺聚類的裂紋識別方法能區(qū)分真?zhèn)蔚嬎懔窟^于大，不適應(yīng)在線檢測。

5 結(jié)論

對制動盤探傷的方法進行了比較，從各個方面權(quán)衡考慮得到磁粉探傷這種方法。在原有的自適應(yīng)動態(tài)閾值分割算法的基礎(chǔ)上，結(jié)合梯度信息和灰度值進行算法改進，使之用于制動盤在線檢測。而利用數(shù)學(xué)法方法增加了算法的可靠性，使之適應(yīng)不同情況下真?zhèn)瘟鸭y的識別，增加了檢測的準確性，更好的滿足了自動化的需要。該方法可以減少計算量，精確判別缺陷的真?zhèn)?，在按照時間要求的情況下，提高了檢測精度，適用于流水線式制動盤檢測。并且該算法還可以運用到其他零件的檢測。

［1］宋志哲.磁粉磁性的測試研究［J］.無損檢測，1996（6）：161-163.（Song Zhi-zhe.Testing and research of magnetic particle［J］.Nondestructive Testing，1996（6）：161-163.）

［2］唐忠君.航天用鋼管的全自動熒光磁粉探傷系統(tǒng)研究與實現(xiàn)［D］.北京工業(yè)大學(xué)碩士學(xué)位論文，1999：16-17.（Tang Zhong-jun.Research and implementation of full automatic fluorescent magnetic particle detection system for steel tubes for aerospace applications［D］.Thesis for master's degree thesis，Beijing University of Technology，1999：16-17.）

［3］鄧嘉鳴.高速動車制動盤箍磁粉自動探傷機的研制［J］.機械設(shè)計與制造，2008（10）：143-145.（Deng Jia-ming.Development of automatic magnetic powder testing machine for brake plate hoop for the highspeed train［J］.Mechanical Design and Manufacture，2008（10）：143-145.）

［4］劉磊.全自動熒光磁粉檢測系統(tǒng)的分析與改進［D］.北京：北京工業(yè)大學(xué)，2005.（Liu Lei.Analysis and improvement of automatic fluorescent magnetic particle inspection system［D］.Beijing：Beijing University of Technology，2005.）

［5］陸寶春，李建文，陳吉朋.熒光磁粉探傷自動缺陷識別方法研究［J］.南京理工大學(xué)學(xué)報：自然科學(xué)版，2010（6）：803-808.（Lu Bao-chun，Li Jian-wen，Chen Ji-peng.Fluorescent magnetic particle detection method for automatic defect recognition［J］.Nanjing Science Journal of University of Technology：Natural Science Edition，2010（6）：803-808.）

［6］張強，霍凱.軸承熒光磁粉探傷自動識別技術(shù)的研究［J］.現(xiàn)代電子技術(shù)，2009（7）：107-110（Zhang Qiang，Huo Kai.Research on automatic identification technology of bearing fluorescent magnetic particle flaw detection［J］.Modern Electronic Technology，2009（7）：107-110.）

［7］劉磊，劉秀蘭，俞庠.全自動熒光磁粉檢測系統(tǒng)的研究［J］.機械工程與自動化，2004（6）：26-29+32.（Liu Lei，Liu Xiu-lan，Yu Xiang.Automated fluorescent magnetic particle detection system of［J］.Mechanical Engineering and Automation，2004（6）：26-29+32.）

［8］馬銀平，江偉.基于局部均值和標準差的圖像增強算法［J］.計算機工程，2009（22）：205-206+209.（Ma Yin-ping，Jiang Wei.An image enhancement algorithm based on local mean and standard deviation［J］.Computer Engineering，2009（22）：205-206+209.）

［9］吳瑞芳，宣士斌，荊奇.基于局部特征的分數(shù)階微分圖像增強方法［J］.計算機工程與應(yīng)用，2014（3）：160-164.（Wu Rui-fang，Xuan Shi-bin，Jing Qi.Fractional order differential image enhancement method based on local features［J］.Computer Engineering and Application，2014（3）：160-164.）

［10］劉秀蘭，馬丹，劉兵.一種新的快速動態(tài)閾值圖像分割算法［J］.北京工業(yè)大學(xué)學(xué)報，1999（2）：92-96.（Liu Xiu-lan，Ma Dan，Liu Bing.A new fast dynamic threshold image segmentation algorithm［J］.Journal of Beijing University of technology，1999（2）：92-96.