基于图像处理的航空发动机叶片检测技术研究

于坤林，谢志宇，王志敏

(长沙航空职业技术学院，湖南 长沙 410124)

叶片是航空发动机的关键部件之一，它对发动机的可靠性、安全性以及使用寿命具有非常大的影响。近年来，国产航空发动机在使用过程中出现了大量的问题，而其中绝大部分是叶片的质量问题，主要原因是航空发动机的叶片工作环境十分恶劣。叶片检测是保证叶片质量的关键环节，目前国内航空工厂对叶片的检测手段还比较落后，仅限于目视检测或模板检测等传统方法，这些方法具有容易受人为因素影响、检测效率低下、检测精度不高的缺点。文章提出一种基于图像处理的航空发动机叶片检测方法，用图像处理的方法来代替传统的检测手段，从而使叶片的质量检测不受人为因素的影响，检测方法更简单，检测效率和精度更高，因此采用图像处理的方法来检测航空发动机叶片具有非常重要的应用价值。

1 系统软件设计

基于图像处理的航空发动机叶片检测方法是先对被检测的叶片通过CCD图像传感器进行图像采集，然后对畸变后的图像进行校正、图像滤波，对滤波后的叶片进行边缘检测，最后根据边缘检测图像来判断航空发动机叶片的质量的好坏或受损的部位。整个航空发动机叶片检测流程如图1所示。

图1 航空发动机叶片检测流程图

2 系统算法实现

2.1 图像校正

图像校正是指对失真图像进行复原性处理［1］。图像校正主要分为几何校正和灰度校正，灰度校正的方法主要有灰度级校正、灰度变换、直方图修正3种方法，为了有选择性地突出所需要的图像特征，选用直方图修正。

2.2 图像平滑

原始图像包含了许多噪声，在图像边缘检测时容易将灰度值比较大的噪声点误判为伪边缘，造成边缘检测不准确［2］。为了减小噪声对边缘检测的影响和将噪声点误判为边缘的可能性，必须对原始图像进行图像平滑以过滤掉噪声。图像平滑滤波的常用的方法有均值滤波和中值滤波，由于图像传感器容易引进椒盐噪声，所以这里是对原始图像叠加了椒盐噪声后进行滤波比较。图像分别经过均值滤波和中值滤波处理后滤波效果如图2所示。为了得出比较理想的实验效果，选用图像处理常用的标准测试图片(256x256像素的camera图片)进行实验。

图2 图像平滑滤波后的实验对比

图2(c)是对加有椒盐噪声的camera图像进行均值滤波后的图像，图2(d)是对加有椒盐噪声的camera图像进行中值滤波后的图像。比较图2(c)和图2(d)可以看出，图2(c)还含有椒盐噪声且图像边缘模糊，而图2(d)几乎看不见椒盐噪声且图像也比较清晰。显然采用中值滤波的效果要比均值滤波效果好，因此在叶片检测预处理时要选择中值滤波。

2.3 图像增强

图像滤波虽然滤除了大量的噪声，但是在抑制噪声的过程中难免会丢失一些边缘细节，因此必须对滤波后的图像进行图像增强。图像增强目的是为了可以将邻域(或局部)强度值有显著变化的点突显出来，提高图像对比度，消除图像的噪声和改善图像的质量等［3］。常用的图像增强的方法有对比度增强以及直方图均衡化增强等［4］。图像分别经过对比度增强以及直方图均衡化增强后的效果如图3所示。

图3 图像增强后的实验对比

图3(b)是对中值滤波后的camera图像进行对比度增强后图像，图3(c)是对中值滤波后的camera图像进行直方图均衡化增强后的图像，图3(d)是对中值滤波后的camera图像进行自适应直方图均衡化增强后的图像［5］。比较图3(b)、图3(c)和图3(d)可以看出，图3(d)图像的目标与背景的灰度差值要大一些，而且它们之间的灰度对比度要强一些，图像的边缘细节更加突出清晰一些，因此在叶片检测预处理时要选择自适应直方图均衡化的方法对图像进行增强处理。

2.4 图像边缘检测

边缘反映图像灰度的不连续性，是图像的最基本特征［6］。边缘检测是图像分割，形状特征提取和匹配，以及文理分析等图像分析的重要基础，常用的边缘检测方法是采用边缘检测算子来进行检测的，如 roberts算子、sobel算子、prewitt算子、canny算子等，图4就是采用各种边缘检测算子对图像进行边缘检测后的对比图像。

图4 图像边缘检测后的实验对比

图4(b)是对自适应均衡化增强后的camera图像进行sobel算子边缘检测图像，图4(c)是对自适应均衡化增强后的camera图像进行prewitt算子边缘检测图像，图4(d)是对增强后的camera图像进行roberts算子边缘检测图像，图4(e)是对增强后的 camera图像进行 canny算子边缘检测图像［7］。比较图4(b)、图4(c)、图4(d)和图4(e)可以看出，图4(d)camera图像丢失了很多边缘细节，检测效果最差，图4(b)、图4(c)边缘检测效果相当，比图4(d)效果要好，但是也丢失了一些边缘细节，图4(e)边缘检测效果最好，检测图像边缘包含了比较丰富的的图像边缘细节，所以在进行航空发动机叶片边缘检测时要选择canny算子对图像进行边缘检测。

3 叶片裂纹检测实验结果与分析

裂纹的种类很多，实验选择的是比较难检测的内部裂纹和微观裂纹。选择某涡轮发动机叶片切割后得到的实验试件，对实验试件进行中值滤波和自适应直方图均衡化图像增强等预处理以及自动阈值的canny算子边缘检测后的实验结果如图5所示。

图5 航空发动机叶片边缘检测实验结果

图5(b)是对裂纹叶片进行中值滤波后的图像，从图上可以看出:滤波后的图像比较清晰，消除了大量的噪声，但是边缘细节变得模糊;图5(c)是对裂纹叶片进行自适应均衡化增强后的图像，从图上可以看出:目标和背景的灰度对比度明显增强，图像的边缘细节更加突出;图5(d)是对裂纹叶片进行自动阈值的canny算子边缘检测后的图像，从图上可以看出，叶片裂纹非常清晰并且可以定位真实的裂纹边缘位置，可以准确地测量出叶片裂纹的宽度和长度，取得了比较理想的边缘检测效果，叶片裂纹被检测以后，发动机修理人员可以采用先进的修理工艺对叶片的损伤进行修复，从而可以延长叶片的使用寿命，提高航空发动机的可靠性和安全性。

4 结束语

文章提出了一种基于图像处理的航空发动机叶片检测方法，该方法与传统的检测方法相比较，具有检测方法更简单、检测效率和精度更高、叶片的质量检测不受人为因素的影响等优点，具有非常好的应用价值。

［1］敬忠良.图像融合─理论与应用［M］.北京:高等教育出版社，2007:3－23.

［2］张德丰.详解MATLAB数字图像处理［M］.北京:电子工业出版社，2009:270－272.

［3］关雪梅.基于空域的图像增强技术研究［J］.赤峰学院学报(自然科学版)，2012，(8):22 －24.

［4］马丽亚力.阿布来孜.一种小波变换边缘图像融合的边缘检测新方法［J］.计算机系统应用，2012，(12):182－185.

［5］毛本清.自适应直方图均衡化算法在图像增强处理的应用［J］.河北北方学院学报(自然科学版)，2010，(10):64－67.

［6］邹柏贤.prewitt图像边缘检测方法的改进［J］.微电子学与计算机，2013，(5):23 －25.

［7］王智文.几种边缘检测算子的性能比较研究［J］.制造业自动化，2012，(6):14 －16.