一种基于智能机器视觉识别的工业探伤技术*

牛 乾，刘桂华，康含玉

(西南科技大学 特殊环境机器人技术四川省重点实验室，四川 绵阳 621000)

0 引言

与超声检测和射线检测相比，磁粉探伤具有检测表面裂纹灵敏度高、操作简单、结果可靠、缺陷易辨认、速度快等优点[1]。目前半自动化磁粉检测装备已发展成熟，但在缺陷的识别阶段仍要依靠人工进行判别，人长期在暗室环境下观测，劳动强度大、容易产生视觉疲劳，极易造成漏检，且有损人的身体健康。

为取代人工检测实现磁粉探伤的自动化、智能化，相关单位进行了一些尝试，并取得了一些成果：林果等使用PCA-SVM进行裂纹识别[2]，陈林宇等使用几何特征和Adaboost算法对磁痕类型进行分类[3]，王姮等利用分行维数理论对磁痕图像进行识别[4]。其中文献[2]和文献[3]的识别方法将数字图像处理技术与机器学习技术相结合, 但是目前使用分类器对缺陷进行判别，在工业现场复杂的环境下单一的分类器判别方法识别速度慢，在实际应用中难以使用，且以上算法识别率依赖于分割效果的好坏。文献[4]提取磁痕图像的分行维数进行缺陷识别，识别率低。为解决以上方法中存在的不足，本文提出一种基于统计判别和分类器判别的级联判别方法，首次将LBP特征应用于磁痕图像的特征提取，与其他方法相比较具有更高的识别率和更快的检测速度。且该方法充分考虑到工业应用中的各种因素的干扰，具有很强的实用价值。

1 结构设计

螺栓表面裂纹硬件结构示意图如图1所示,主要分为半自动的磁化装置和图像采集装置，其中半自动的磁化装置基于现有较成熟的磁粉探伤机改造。硬件的具体检测流程为：

(1)工件由自动上料装置放置到传送带上，由传送带输送工件至磁化装置下方，磁化触头磁化工件的同时，由喷头均匀喷洒磁悬液至工件表面；

(2)将磁化后的螺栓传输至旋转台中心，同时启动旋转平台旋转，在紫光灯照射下采集螺栓表面的磁痕图像。计算机对采集到的磁痕图像进行处理得到判别结果并对控制器发送执行命令，由控制器控制机械臂将有缺陷的螺栓工件从旋转平台上剔除。

2 算法设计与实现

工业相机获取螺栓的磁痕图像后通过图像处理算法对获得的磁痕图像进行处理，表面磁痕裂纹识别的算法设计如图2所示。

图2 算法设计流程

(1)磁痕图像缺陷初次判别。该处理过程主要针对螺栓表面存在的比较明显的裂纹缺陷，主要包括彩色磁痕图像的通道分离，并针对磁痕G通道图像进行去噪和分割处理，对分割后得到的目标区域进行统计，若螺栓表面缺陷面积大于300的区域数量大于0则认为该工件为有缺陷工件。

(2)磁痕图像缺陷二次判别。收集无缺陷的磁痕图像，存在裂纹缺陷的磁痕图像，以及存在磁悬液堆积、纤维物附着的伪缺陷图像，将样本分为两类，对无缺陷样本和有缺陷样本进行预处理，提取LBP统一模式特征向量，使用SVM分类器训练样本得到判别模型。磁痕图像缺陷初次判别可识别大多数表面存在裂纹的工件。若磁痕表面存在细微缺陷目标区域与背景对比度不明显，则初次判别不能有效地识别，对于初次判别认为无缺陷的磁痕图像提取LBP特征，将提取到的LBP特征输入判别模型进行判断，得到判别结果。

2.1 磁痕图像预处理

柱体金属表面在紫光灯照射下有不同程度的反光。为减弱金属表面反光对成像质量的影响，对采集到的彩色磁痕图像进行通道分离，分离后得到的G通道图像裂纹与背景对比度最为明显同时对反光区域有明显的抑制作用。由于图像采集的过程中不可避免地混有噪声，因此需要对采集到的图像进行去噪操作；针对图像采集中存在的椒盐噪声，采用自适应中值滤波算法对获取到的G通道图像进行处理。与其他滤波方法相比，自适应中值滤波能够有效地抑制椒盐噪声，同时能够较好地保护磁痕图像的边缘。其算法思想如下：

图像(i,j)处的灰度值为f(i,j)，Ai,j为当前的工作窗口，fmax、fmed、fmin为当前工作窗口的灰度最大值、灰度中值、灰度最小值，Amax为预设最大窗口。其实现过程如下：

(1)若fmin

(2)若fmin

对G通道图像经过滤波操作之后得到的图像进行分割以获取目标区域,基于边缘的分割方法可以有效地避开反光区域准确地将目标区域与背景分割开来。本文采用Sobel边缘检测算法，其与其他方法对比具有很好的分割效果。

2.2 缺陷的初次判别

磁痕裂纹分割后得到目标区域，提取目标区域的面积特征Area和裂纹的长度特征Length。

依据现有样本库中存在的缺陷特征设定目标区域面积的阈值为Areaθ、长度的阈值为Lengthθ，其判别结果为f(x)。则其决策过程如下：

IF (Area>Areaθ)&&(Length>Lengthθ):

f(x)=True

ELSE

f(x)=False

2.3 磁痕图像的二次判断

磁痕图像的初次判别可以识别缺陷明显的样本，但是对于缺陷区域对比度不明显或由于磁悬液堆积以及由于纤维物附着工件表面造成的伪缺陷，初次判别无法有效地识别，为解决上述问题本文提出将改进的LBP算法应用于磁痕裂纹的特征提取中。LBP是Ojala等人提出的一种有效的纹理特征提取方法，是一种灰度范围内的纹理度量，在纹理分类上取得了不错的效果。原始的LBP特征定义在3×3的邻域内，以邻域的中心像素灰度值为阈值，将其8邻域像素值与其中心像素值进行比较，若邻域像素灰度值高于中心像素值则标记为1，否则标记为0[5-6]。

为方便描述LBP的计算方法，假设图像任一点像素值为f(xc,yc)，将该点作为中心像素点值gc，在中心像素点周围等距设定一个邻域，其所在的邻域的其他P个像素点灰度值为g0,g1,…,gP-1，使用比较函数s(x)使gp与gc进行相互比较得到一个二值序列：

L=s(g0-gc),s(g1-gc),...,s(gp-1-gc)

其中：

此时得到序列L的元素为0或者1，此模式为局部二值模式。

原始的LBP算法只能够实现计算一个3×3的邻域特征值，适应性不强，特征维数过多且缺少旋转不变性，因此基本的LBP算法并没有达到理想的识别效果[7-8]。为了增强其计算能力和适用范围，Ojala等对基本的LBP算子做了进一步的改进和优化。为了达到减少LBP特征维数同时提高LBP特征值的统计特性，本文使用Ojala提出的等价模式的LBP特征。等价模式LBP算子可以描述为对一个局部二进制串在各元素首尾相连的情况下，若1和0的改变次数少于两次，则认为该模式为等价模式，否则为非等价模式，其数学表达式如下：

其中，

U=|s(gp-1-gc)-s(go-gc)|+

对于3×3邻域内的8个采样点，LBP的等价模式将原始的256维特征减少至59维，将LBP特征用于纹理分类识别时，常用LBP的统计直方图作为图像的特征描述，较多的模式种类使得数据维数过高，LBP的等价模式使得特征维数大大减少，且不丢失任何信息，并能够减少高频噪声带来的影响。

2.4 分类器设计

针对工业应用中存在的样本数量相对不足的问题，本文选用SVM作为样本分类识别的训练模型，该分类器在解决小样本、非线性、高维模式识别中表现出很多优势[9-10]。该分类器与其他分类器相比具有很好的泛化能力。选取一定数量现场采集的磁痕图像作为训练样本集；正负样本的比例为1∶1。对正负样本进行预处理操作，提取LBP特征,将LBP的特征直方图作为该磁痕图像的描述子送至分类器中进行训练。非线性支持向量机学习算法如下：

输入：磁痕图像的特征描述子和标签值T={(x1,y1),(x2,y2),(x3,y3),…,(xN,yN)}，其中xi∈=Rn，yi∈y={-1,+1},i=1,2,3,…,N；

(1)选取合适的核函数K(x,z)和适当的参数C，构造并求解最优化问题：

(2)选取α*的一个正分量0<α*

(3)构造决策函数：

3 实验分析

由以上实验设计思路，实验室搭建实验平台如图3所示。针对螺栓样件磁化后在实验室中采集样本，模拟现场环境采集工件图像，其中无缺陷工件样本图片1 000张，有缺陷工件样本图片1 000张。

图3 实验硬件平台

对具有代表性的工件进行预处理。

图4(a)为采集到的磁痕图像；图4(b)为通道分离后的G通道图像，通道分离后反光区域减弱且裂纹区域与背景对比度增强。图4(c)为阈值分割后的结果，图4(d)为区域增长法的分割效果，由于反光的影响，目标物体和反光区域不能有效地分离，这两种分割方法都会影响初次判别的结果。图4(e)为Sobel边缘检测得到的分割结果，分割效果明显优于其他分割方法。

图4 磁痕图像预处理

图5(a)为采集到的磁痕图像的横向裂纹特征直方图，(b)为纵向裂纹特征直方图，(c)为无规则裂纹的特征直方图，(d)为无缺陷样本特征直方图。以特征直方图作为该样本的识别特征，放入分类器进行训练。

图5 不同类型磁痕图像Uniform LBP特征直方图

工业现场随机抽取1 000个工件进行测试，具体的样本分布如表1所示。

表1 样本分布

为验证小样本条件下分类器的准确率，本文选用SVM分类器、BP神经网络和逻辑回归3种分类器进行对比，如图6所示。

图6 不同分类器识别率对比

由图6可以看出，在工业应用中样本量相对不足的情况下，SVM分类器的识别率高于BP神经网络和逻辑回归。

为验证本文方法的有效性，分别从识别率、漏检率、平均识别速度3方面与文献[2]、文献[3]和文献[4]进行对比，结果如表2所示。

表2 识别算法对比

实验结果表明，在识别率方面本文方法与文献[2]基于主成分分析的磁痕识别技术相当，优于文献[3]几何特征加Adaboost分类器算法、文献[4]分形维数的磁痕图像缺陷识别算法；在漏检率方面本文方法比文献[2]降低了5.28%，同时优于文献[3]、[4]；在工件的平均识别速度方面本文方法识别速度为1.02 s，明显快于以上3种方法。

4 结束语

本文在传统的缺陷检测方法基础上提出将传统的基于统计的识别方法与基于分类器的识别方法级联的两步法磁痕裂纹检测系统，在特征提取过程中首次将LBP改进算法用于磁痕图像特征提取中，根据工业中样本数量相对不足的特点使用SVM分类器训练模型并对样本进行识别，与现有算法进行对比，在样本识别率、漏检率和平均识别速度上都有很大改进。该算法能够满足工业中实时性的要求且具有很强的实用性。

[1] 夏纪真.工业无损检测技术[M].广州：中山大学出版社，2013.

[2] 林果,刘桂华. 基于主成分分析的荧光磁粉检测缺陷识别技术[J]. 微型机与应用,2016,35(1):85-87.

[3] 陈林宇,刘桂华. 基于磁粉探伤的柱形工件裂纹自动检测方法[J]. 轴承,2017(3):45-49，55.

[4] 王姮,卜燕,张华,等. 基于分形维数的磁痕图像缺陷检测[J]. 计算机应用研究, 2015, 32(2): 603-605.

[5] 王宪,张彦,慕鑫,等. 基于改进的LBP人脸识别算法[J]. 光电工程,2012，39(7):109-114.

[6] 蔺璇. LBP算法在织物疵点检测及分类中的应用[D].西安:西安工程大学,2015.

[7] 赵亚丁. 基于LBP的DR图像缺陷识别算法研究与软件设计[D].重庆：重庆大学,2015.

[8] 宋本钦,李培军. 加入改进LBP纹理的高分辨率遥感图像分类[J]. 国土资源遥感,2010(4):40-45.

[9] 谢凤英. 数字图像处理及应用[M]. 北京：电子工业出版社，2014.

[10] 李航.统计学习方法[M].北京:清华大学出版社,2012.