荧光磁粉探伤智能图像识别技术研究

张 静 杨薛涛 王 姮 卜 燕 梁 峰

(西南科技大学信息工程学院 四川绵阳 621010)

荧光磁粉探伤由于其检测灵敏度极高，检测工艺可靠、简单，成为铁磁性材料表面及近表面缺陷检测的最可靠、有效的技术手段之一，特别是航空、航天及军用工件检测。但目前荧光磁粉探伤主要依靠人工判别，存在检测速度慢、效率低、容易因视觉疲劳导致漏检及紫外光带来的健康危害等问题，严重影响了检测质量的一致性和生产效率，也不利于现代化生产管理。因此荧光磁粉探伤自动识别技术成为国内外相关科研人员的研究热点［1－4］。

日本的水野正志等人于1995年研制出磁粉探伤装置采用工业摄像机和图像增强技术检测钢坯半成品以及钢管成品的表面与近表面缺陷;德国于1998年研制出针对汽车制造领域的磁粉探伤设备，识别分辨率达2 mm［5－6］;瑞典的 LABNO 公司与美国的PARKER公司也相继研制出针对特定零件的自动磁粉探伤设备［7］。

我国自动化磁粉探伤技术的研究始于20世纪90年代。主要采用高分辨率摄像机获取磁痕图像，利用计算机和图像处理技术实现磁痕图像的增强、显示和存储。北京内燃机总厂、航空部、河海大学、南京理工大学先后开展相关技术研究，清华大学也以CJW－3000型荧光磁粉探伤机为平台，开展图像识别的研究工作，但目前采用自动图像识别代替人眼判断缺陷的全自动磁粉探伤技术尚处于实验研究阶段，无成熟系统推出［8］。

本文针对传统图像识别技术中的算法稳定性差、适应性差的问题，结合人工识别磁痕缺陷的机理和经验，提出提取磁痕缺陷多项特征建立专家知识库，采用人工干预下的荧光磁粉探伤自动图像识别的方法，并进行了实验验证。

1 工作原理及系统构成

荧光磁粉探伤识别的基本原理［9］:铁磁性工件被磁化后，浇淋荧光磁悬液，缺陷处产生的漏磁场吸引磁粉，带有漏磁场处聚集的荧光磁粉在黑光灯的照射下呈现黄绿色显示出缺陷磁痕，如图1所示。

图1 缺陷处漏磁场与磁痕分布Fig.1 The leakage magnetic field and magnetic marks distribution in defects

磁粉探伤系统主要包括由磁轭磁化线圈组成的磁化装置、喷淋荧光磁悬液的喷淋装置、黑光灯、高清工业相机、图像采集卡和计算机系统几部分。

图2 系统结构示意图Fig.2 The schematic diagram of the system

磁轭及磁化线圈完成对工件的磁化，然后由磁悬液喷淋装置对磁化后的工件喷淋荧光磁悬液，在黑光灯的照射下，高清工业相机采集工件的磁痕图像，通过图像采集卡把采集的磁痕图像送至PC机进行处理和缺陷识别。

为减弱黑光灯光照在工件表面反光带来的干扰，在工业相机镜头前面安装紫光滤波片，通过波段485 nm以上，紫光波段截止率90%以上，黄绿光透过95%以上。

2 磁痕图像的特征提取

如何选取荧光磁粉图像中工件缺陷的特征，以及如何对缺陷特征进行准确的数学建模是实现自动识别磁痕缺陷的关键技术之一［10］。结合人眼识别工件缺陷的工艺方法和实验测试，选定以下几项磁痕缺陷特征，并对选取的特征采用精确的数学模型表述。

2.1 磁痕图像几何特征

2.1.1 区域面积Ai对一幅图像，存在图像区域Ri，Ri中像素点数构成其面积Ai，对一帧图像，设共有k个这样的图像区域，即i=1，2，3…，k，则该帧图像总面积A是各区域面积Ai之和:

其中，(x，y)∈ Ri。

2.1.2 区域周长Pi一帧图像其区域Ri内的像素可看作由单位面积的小方格组成，图像背景具有与之相同的属性。区域和背景Bi之间交界线总长度和定义为该区域的周长，用Pi表示。此处约定交界线有且只有水平和垂直两个方向:

其中，N∈Ri∩Bi是交界线上的像素点数，li是交界线的单位长度，其值为1。

2.1.3 区域圆形度Ci圆形度又称为复杂度或分散度，主要反应目标区域Ri的紧凑程度，对于区域面积相同的区域，其区域周长越小，其圆形度越小。圆形度定义为:

其中，Ai为区域Ri的面积，Pi为区域Ri的周长。

2.1.4 区域矩形度ri首先定义包围区域Ri最小矩形面积为Ari，则其矩形度ri可定义为区域面积Ai和最小矩形面积Ari的比值，即为:

矩形度反映了目标区域对其最小外接矩形的充满程度。对任意区域Ri，其区域矩形度ri取值为ri∈(0，1］，当区域为Ri矩形时，ri将取最大值1。

2.1.5 区域偏心率e 把区域Ri的长轴和短轴之比定义为区域Ri的偏心率，它是区域形状的重要特征之一。一般采用Tenenbaum提出的计算偏心率的近似公式表示:

2.2 磁痕图像灰度统计特征

磁痕图像的灰度统计参数是识别磁痕图像缺陷的重要特征之一，灰度特征值主要有平均值、方差、重心矩和力矩等。本文采用标准差和偏斜度作为磁痕图像的灰度统计特征的参数指标。图像的标准差σ定义如式(7)所示，反映的是图像灰度相对于灰度平均值的离散程度值。标准差σ越大，说明图像的反差越大，即意味着图像灰度分布越离散。

磁痕图像的偏斜度和峰度的定义分别用式(8)中的r3和r4表达。偏斜度是图像区域的三阶统计矩，反映磁痕图像数据分布的对称性。峰度与图像数据分布平坦程度密切相关，为图像区域的四阶统计矩。对于任意局部区域若背景满足高斯分布，则该区域的偏斜度和峰度都为零，当存在裂纹或者伪裂纹时，区域内数据分布就因存在奇异点而不再满足高斯分布，此时r3和r4均不为0。因此把峰度特征和偏斜度特征也纳入为判别磁痕缺陷的输入参数。

式中ti为代表灰度级的随机变量，n为可区分的灰度级数目，m是ti的均值(平均灰度级)，σ是标准差。

2.3 磁痕图像纹理特征

纹理特征反映图像中同质现象的视觉特征，它不依赖于图像的颜色和亮度，主要包含了目标区域的重要特征信息以及目标区域和背景之间的联系。本文采用磁痕图像纹理特征中能够反映工件缺陷的3个纹理特征:对比度、逆差矩和相关性作为考察指标。其公式依次表示如下:

其中，p(i，j)为像素点对出现的概率，μx，μy，σx和σy分别为px，py的均值和标准差(px(i)=，N*为图像的灰度级。

2.4 细节特征

裂纹的细节特征是判别裂纹缺陷的重要参数之一，也称为局部特征。不同的磁痕缺陷图像的总体特征往往差异较大，但是经过研究发现，不同裂纹的局部特征本质上却是非常相近或相同。经过对大量裂纹的研究分析，一般常见的裂纹细节特征主要有以下几类:

图3 局部特征分类Fig.3 Local feature classification

端点是磁痕裂纹缺陷中最常见的局部细节特征，凡是有裂纹的地方必然有端点。图3中的分叉点和交叉点在裂纹形态中均被称为结点，主要出现在复杂裂纹缺陷中。端点和结点与工件的加工工艺和使用过程有着紧密联系，端点常出现在冷加工(车、铣、刨、磨、装配、校正等)的工件裂纹缺陷中，而结点主要出现在热加工(锻压、铸造、焊接、热处理等)的工件裂纹缺陷中。工件在使用过程中会产生疲劳、蠕变及应力腐蚀等产生裂纹，端点多伴随着应力腐蚀裂纹出现，结点则常伴随着疲劳、蠕变裂纹出现，如图4所示。

图4 工件中的局部特征Fig.4 The local features of the workpiece

3 人工干预下的智能识别

将提取的缺陷特征与样品训练数据库中的数据进行比较，采用支持向量机算法(SVM)对特征向量特征的置信度进行求和得出待测工件的置信度，进而完成对缺陷的判定。

支持向量机算法的判别函数为:

其中NS代表样品训练数据库中样本的总数，Si代表样品训练数据库中第i个样本的特征，yi代表样品训练数据库中第i个样本的类别;x代表从一个待测工件的图像中提取的特征集合;ai表示拉格朗日乘数，b表示偏置，ai，b都可以通过支持向量机训练算法得到;Φ(Si)·Φ(x)=K(Si，x)是核函数。

采用SVM算法对磁痕缺陷类型进行分类判别，同时人工对系统自动识别出的缺陷工件进行确认，根据确认结果的反馈情况，系统逐步完善和修正专家知识库，使系统能够逐步提升对工件缺陷和伪缺陷的理解和判别能力，减少由于获得图像的差异性和操作不当造成的非相关显示和假显示带来的伪缺陷导致的误判。

识别流程如图5所示，缺陷图像获取后，需要对图像进行预处理，主要是消除图像背景荧光干扰，增强物体轮廓，然后提取缺陷特征，利用专家知识库判别是否存在缺陷，对疑似缺陷进行人工干预处理，当疑似缺陷为伪缺陷时，系统便通过机器学习算法分析伪缺陷的特征，并更新专家知识库。

4 实验平台搭建及结果分析

OpenCV作为开源的机器视觉库，有着丰富的资源，且便于跨平台移至程序，利于后续在嵌入式平台上实现本荧光磁粉探伤智能识别，因此采用该机器视觉库。

图5 磁粉探伤智能图像识别流程Fig.5 The intelligent image recognition process by magnetic particle flaw detection

系统搭建环境为win7操作系统，编程开发环境为Visual Studio 2008平台。利用OpenCV2.3.1机器视觉库，搭建智能图像处理软件系统。首先利用大量样本建立专家知识库，对系统进行训练;然后先用简单缺陷图像测试系统，再用复杂的缺陷图像测试系统。

对4种工件，每个工件1000个样本图像的缺陷识别结果进行统计，考察系统的识别性能，图像的处理过程与识别效果如图6和图7所示，识别结果记录见表1。

图6 单一缺陷识别效果Fig.6 The effect of a single defect identification

图7 复杂缺陷识别效果Fig.7 The effect of a complex defect identification

表1 系统测试数据统计表Table 1 System test data

由表1可知，对于第1#，2#，4#组车削类工件系统漏失率为0，误识率小于16%，对于第3#组热加工工件系统漏失率4.5%，误识率19%，系统平均误识率为13.4%。相比传统的磁粉检测图像识别算法，本方法可靠性高，漏失率相对较低。

5 结束语

本文从磁痕图像的本质进行分析，基于图像形态学，结合人工识别磁粉缺陷的工艺技术原理和方法，提取磁痕缺陷的多项特征参数建立专家知识库，并与机器学习算法相结合，用于多判别条件，降低了虚警率、提高检测的精确性、降低误差。实验测试了该方法的有效性。结合磁痕特征与改进的机器学习算法使漏失率降低到≤1‰，进一步降低误识率将是下一步研究工作的重点。

［1］JOHN F，PAUT Z，ABEND K.Automated Magnetic Particle Testing［J］.NDT，2000，11(22):522 －524.

［2］LI Xue－qin，JIANG Hong－hai，YIN Guo－fu.Detection of surface crack defects on ferrite magnetic tile［J］.NDT＆E International，2014，(62):6 －13.

［3］FAN Kuang－chao，CHEN Shou－hang，CHEN Jhihyuan，LIAO Wei－ bor.Development of auto defect classification system on porosity powder metallurgy products［J］.NDT＆E International 2010，(43):451 －460.

［4］WANG Hui－nan，YANG Jian－xi，HU Zhen－dian.Current Status and Prospect of Roller Bearing Surface Defect Detection［J］.Procedia Engineering，2011，(15):4331－4336.

［5］高山青.荧光磁粉探伤缺陷识别系统图像处理技术研究［D］.南京:南京理工大学，2011.

［6］李建文.磁粉探伤缺陷识别自动化系统设计与开发［D］.南京:南京理工大学，2012.

［7］陈莹妍.荧光磁粉探伤裂纹目标提取方法研究［D］.南京:南京理工大学，2012.

［8］孙瑞.基于图像的磁粉探伤技术研究［D］.长春:长春理工大学，2009.

［9］叶代平，苏李广.磁粉检测［M］.北京:机械工业出版社，2004.

［10］黄涛.全自动荧光磁粉探伤中目标识别图像处理技术研究［D］.南京:南京理工大学，2012.