焊接裂纹磁光成像纹理特征提取

谢溢龙，高向东，萧振林，陈晓辉，李秀忠

（1.广东工业大学机电工程学院，广东广州510006；2.广州番禺高勋染整设备制造有限公司，广东广州511400；3.佛山职业技术学院，广东佛山528137）

焊接裂纹磁光成像纹理特征提取

谢溢龙1，高向东1，萧振林2，陈晓辉2，李秀忠3

（1.广东工业大学机电工程学院，广东广州510006；2.广州番禺高勋染整设备制造有限公司，广东广州511400；3.佛山职业技术学院，广东佛山528137）

以高强钢焊接裂纹为检测对象，研究磁光成像识别方法，论述采用磁光成像技术检测微小焊接裂纹的基本原理。基于模糊集合论原理，采用改进的连续模糊增强算法提高区分度，解决高强钢表面裂纹磁光成像不均、裂纹和熔融区区分度低的不足。利用自适应快速边缘检测算法提取焊接裂纹图像的纹理特征。试验结果表明该方法可有效提取裂纹磁光图像边缘特征，提高焊接裂纹检测跟踪过程的准确性。

磁光成像；检测；焊接缺陷；图像增强

0　前言

在焊接过程中，受焊接现场各种干扰因素的影响，如激光功率、焊接速度、离焦量、氩气流量以及工件表面状况等，焊接过程会出现不稳定状态，进而产生焊接缺陷，直接影响焊接质量，其中裂纹是主要缺陷之一。为了保证连接材料的安全，需对焊接材料的状态进行实时监测，及时检测裂纹，杜绝潜在的危害。高强钢HT780具有强度高及低温耐冲击性强等特点，但在焊接高温下容易产生纵裂纹。在此以高强钢HT780为试验对象，研究其纵向裂纹的识别方法。

检测裂纹是焊接材料检测中的重要一环。随着科学技术的不断进步，开始采用超声、射线、磁粉、渗透、涡流感应等无损检测技术结合机器视觉对焊接缺陷进行检测。但这些技术往往存在一定局限，如超声检测易产生杂乱反射波且对操作人员的要求较高；射线检测对人体有危害且设备成本较高[1]；磁粉检测和渗透检测对被检测件的表面光滑度要求高且检测范围小；涡流检测只能检测近表面缺陷且干扰因素较多需特殊信号处理技术[2]。

结合磁光原理，本研究应用磁光检测微小焊接缺陷，探索一种新兴的有效无损检测方法。通过磁化焊件，利用法拉第磁致旋光效应，识别和检测焊接缺陷成像，操作简单且对人体无害。但缺陷磁光原始图像由于噪声干扰，会出现清晰度不高和对比度低等问题，因此需要针对磁光成像质量进行恢复处理分析，提高检测精度[3-4]。

试验以高强钢微小焊接裂纹的磁光成像为对象，探索焊接裂纹磁光图像恢复处理方法。研究以图像增强和自动分割为核心的缺陷检测模型，利用改进的模糊增强和模糊边缘检测算法，提取缺陷图像的纹理特征，从而提高焊接裂纹检测的准确性。

1　试验装置

如图1所示，试验采用IPG YLR-16000大功率盘型激光焊接器、二维伺服工作台和磁光传感器等设备，激光功率10 kW。焊件为HT780，厚8 mm，采用平板对接焊，焊速1.5 m/min。对焊后的焊件采用励磁线圈方式磁化，磁光传感器置于上方，摄取焊缝磁光图像的速率25 f/s，焊速4 mm/s。

图1　焊接缺陷检测试验装置Fig.1Experimental device for detecting weld defects

2　磁光图像恢复

为进一步研究磁光图像的特征，选取高强钢焊件裂纹磁光图像为例，分析磁光图像灰度三维分布。如图2所示，磁光图像的灰度变化由于成像机制引入的干扰噪声模糊了相邻区域的对比度，使得边缘处出现一个平缓的过渡带，而且区域灰度均值越大，跃变的幅度越大，这是造成经典边缘检测方法不适用于焊接裂纹磁光图像的主要原因。

图2　缺陷磁光图像和灰度梯度三维图Fig.2Weld defect magneto-optical image and 3D distribution image of gray gradient

基于上述特点提取裂纹区域，采用连续分段模糊增强算法增强图像边缘，使低灰度区域像素灰度值更低，高灰度区域像素灰度值更高。提高检测效果，降低后续处理难度。

首先，用模糊算法进行磁光图像模糊增强，利用模糊集理论将图像从空间域映射到模糊特征域。根据模糊集合理论原理，设图像长度和宽度上的像素个数分别是M和N，一个M×N的磁光灰度图像f（m，n）可以表示为M×N的模糊矩阵Z，而模糊矩阵Z可用隶属度函数表征，即

式中lmn为像素（m，n）的灰度级；μmn为像素（m，n）相对于灰度级的隶属度，由隶属度函数μ表示。

采用不同的隶属函数会对图像检测效果产生不同的影响。Pal算法定义的隶属函数为

式中Fe为指数模糊因子，取Fe=1；Fd称为倒数模糊因子，取Fd=128；L为0～255灰度等级。

由于Pal算法的隶属函数与阈值有关，针对磁光图像边缘处出现一个平缓的过渡带的特点，采用更适合于磁光图像边缘特点的分段连续隶属函数，利用Ostu最大类间方差法原理，计算磁光图像边缘分割阈值，设为lt，如式（3）所示[5]

该隶属函数可以防止隶属度μmn出现阶跃变化形成伪边缘造成过度增强，具有分段连续性，其中

第二步，设磁光分割阈值lt所对应的隶属度值为μt，对图像进行模糊增强，将模糊隶属度μmn进行非线性变换，如式（4）所示

第三步，将已增强的模糊特征进行逆变换，得到增强后的图像，如式（5）所示

式（5）变换后，λmn∈[0，1]，τmn∈[0，255]，具有分段连续，故改进后的算法不会像Pal算法那样出现低灰度信息丢失。如图2所示，将磁光图像转化为灰度图像，添加均值为零、标准差为0．002的高斯噪声得到模糊待恢复图像，如图3a所示，图3b为焊接缺陷边缘过渡带局部放大图。

应用改进的模糊增强算法恢复焊件磁光图，采用不同的指数模糊因子Fe和倒数模糊因子Fd，对焊件磁光图像进行模糊增强恢复试验。对模糊集合理论的焊接裂纹磁光图像恢复结果，采用峰值信噪比测度（PSNR）进行评价，PSNR值越大，表示恢复后图像与未受损图像的差别越小，恢复效果越好，如式（6）所示

图3　焊缝磁光退化图像Fig.3Weld defect magneto-optical degraded image

式中M和N分别是图像长度和宽度上的像素个数；f（i，j）和分别是原始图像和恢复图像在点（i，j）处的灰度值。

当Fd〉100时，PSNR值趋于峰值处稳定，且Fd为128时，此时能获得较好的恢复效果。结果如图4a所示，其焊缝边缘过渡带局部放大如图4b所示。显然，经过改进的模糊增强模型恢复后的焊件边缘检测效果得以提高。

图4　模糊增强恢复的焊接缺陷磁光图像Fig.4Weld defect magnet-optical image after fuzzy enhancement restoration

采用模糊增强恢复方法对模糊焊缝磁光图像（见图3a）进行恢复，计算模糊图像恢复前的PSNR值为46．7258，模糊增强恢复后PSNR值为49．5823，图像的PSNR值至少提高2．0 dB。磁光图像恢复后的峰值信噪比值有所提高，焊缝磁光图像经过模糊模型恢复的效果较好。

3　缺陷边缘跟踪检测及结果分析

对增强后的磁光图像利用Ostu算法计算边缘分割阈值lt，把L级灰度值分为两部分，设小于lt的部分的平均灰度值为β1，大于lt的部分为β2，则[6]

式中qlmn为像素数lmn占总像素数的比率。

将式（9）得到的阈值进行二值化提取边界图像，取磁光图像边缘。用Sobel边缘检测算子和基于Ostu阈值分割的自适应算法进行裂纹识别的过程如图5所示。

图5　焊接缺陷边缘检测Fig.5Detection of weld defect edge

为了进一步验证所提的方法，对多幅裂纹图像序列进行识别检测和误差分析，误差统计结果如表1所示。图像采样速度25幅/s，跟踪速度4 mm/s，图像标定为102pixel/mm。可以看出，基于改进的模糊算子及Ostu自适应算法恢复的裂纹灰度轮廓，识别检测的准确性更好。

表1　缺陷图像序列检测误差统计Tab.1Statistics of measured error of weld defect image sequence

4　结论

（1）针对模糊退化的焊缝磁光图像，用分段连续模糊增强算法进行图像恢复试验，恢复后的磁光图像的PSNR值较大，磁光图像质量提高。

（2）针对磁光图像成像特征，基于Ostu阈值分割自适应算法，实现磁光图像自动边缘检测，保留了磁光图像的细节特征，提高了焊接缺陷检测的准确度。

[1]张世欣，邓小军，王明岩，等.B型地铁构架焊接残余应力X射线衍射法测量[J].电焊机，2014，44（12）：252-255.

[2]邹怡蓉，曾锦乐，都东.可视化焊接的发展[J].电焊机，2013，43（05）：17-19.

[3]Gao Xiangdong，LiuYonghua，YouDeyong.Detectionofmicroweld joint by magneto-optical imaging[J].Optics&Laser Technology，2014（62）：141-151.

[4]高向东，甄任贺.微间隙焊缝磁光成像检测方法[J].焊接学报，2014，35（4）：11-14.

[5]刘习文，薛家祥.纸币接触式传感器图像模糊增强与边界检测[J].科学技术与工程，2013，13（34）：10381-10385.

[6]孙欢欢，程耀瑜，冀钰.改进OTSU算法和边缘检测的图像分割算法研究[J].山西电子技术，2014（2）：82-84.

Texture feature extraction of weld cracks using magneto-optical imaging

XIE Yilong1，GAO Xiangdong1，XIAO Zhenlin2，CHEN Xiaohui2，LI Xiuzhong3
（1.School of Electro-mechanical Engineering，Guangdong University of Technology，Guangzhou 510006，China；2.Guangzhou Panyu Gofront Dyeing&Finishing Machinery Manufacturer Ltd.，Guangzhou 511400，China；3.Foshan Polytechnic，Foshan 528137，China）

Recognition of magneto-optical images is studied testing on the high strength steel welding cracks.The background and basic principle of micro welding cracks detection using magneto-optical images technology are discussed.Based on the principle of fuzzy set theory，continuous fuzzy enhancement algorithm is used to improve the differentiation degree and solve uneven of magnetooptic imaging on cracks from high strength steel surface，and increase the differentiation degree on cracks and melting zone.The adaptive rapid edge detection algorithm is applied to extract texture feature from cracks image.Experimental results show that the proposed method can effectively extract the crack edge character and improve the detection accuracy of welding cracks.

magneto-optical imaging；detection；weld defect；image enhancement

TG441.7

A

1001－2303（2016）04－0001-04

10.7512/j.issn.1001-2303.2016.04.01

2015-09-21；

2015-10-28

国家自然科学基金资助项目（51175095）；广东省重大科技专项（2014B090921008）；广州市科学研究专项（1563000554）；佛山市科技创新专项资金项目(2014AG10015)；广东省协同创新与平台环境建设专项(2015B090901013)

谢溢龙（1989—），男，在读硕士，主要从事焊接自动化的研究。