磁粉探伤钢轴表面裂纹智能识别方法研究

牛 乾，刘桂华，康含玉

(1.西南科技大学信息工程学院，四川 绵阳 621010；2.特殊环境机器人技术四川省重点试验室，四川 绵阳 621010)

0 引言

目前，图像处理技术被广泛应用于全自动荧光磁粉识别系统[1-3]。陈林宇等使用磁痕裂纹的几何特征结合支持向量机(support vector machine,SVM)分类器，对工件进行分类。王姮等利用分形维数理论对磁痕图像进行识别。张家栋等采用颜色成分法进行轴承检测[4]。厉荣宣等结合Canny算子和形态学知识来检测轴承表面裂纹[5]。以上的识别方法都建立在对磁痕裂纹图像分割的基础上。分割对分类器的识别率有较大的影响。在实际应用中，金属表面反光严重影响图像质量。磁痕裂纹图像的分割很难实现。这就造成了分类器的识别率较低。

针对以上方法中存在的问题，本文设计了一套更为完善的智能识别系统，并将其应用于钢轴表面缺陷识别。

1 检测系统设计

传统的半自动磁粉探伤设备包括上料、工件自动定位、工件磁化自动化、磁悬液喷洒等流程，经人工识别工件是否存在缺陷。本系统在传统半自动化探伤机

的基础上，对识别阶段进行改造。利用固定在旋转平台周围的工业相机获取磁痕图像。利用图像处理算法对磁痕图像完成预处理，去除图像中存在的噪声和反光。针对磁痕图像难以分割的特点，本系统不采用提取缺陷区域特征的方法，提取工件区域图像的整体特征，而是根据这些特征参数对磁痕图像进行分类。算法主要包括磁痕图像的预处理阶段、特征提取阶段、缺陷识别阶段。

半自动磁粉探伤检测系统流程如图1所示。

图1 检测系统流程图 Fig.1 Flowchart of detection system

1.1 硬件部分检测流程

系统硬件主要完成工件的磁化,以及图像的采集工作,硬件的具体设计流程如下。

①机械臂自动抓取工件，并经定位夹输送至磁化平台。

②磁化装置磁化已固定的工件，同时磁悬液自动喷洒装置将磁悬液均匀喷洒至钢轴表面，使钢轴与磁悬液充分接触。

③定位夹将工件输送至旋转平台，并启动旋转平台。在紫光灯的照射下，工业相机开始对钢轴进行图像采集。

1.2 算法设计与实现

工业相机采集到工件的图像后，需要通过计算机对采集到的图像进行处理。算法包括图像的预处理、工件区域的特征提取、缺陷工件的自动识别3个阶段。

1.2.1 图像的预处理阶段

磁痕图像是在暗室环境中紫光灯的照射下由工业相机采集获得。金属表面用荧光磁粉磁化后，在在紫光灯照射下会出现一道比较明显的反光区域，严重影响图像的成像质量。采用传统消除金属表面反光方法时，在工业相机镜头前安装滤光片，以削弱金属表面的反光，但是在实际使用过程中，效果并不明显。滤光片在削弱反光的同时，降低了图片整体的对比度。本文针对黄绿色的反光，提出了将RGB通道进行分离的方法。与其他两个通道相比，分离出的G通道有效削弱了反光区域，但图像的对比度不够明显。为此，要使用图像增强算法对G通道进行增强处理。

传统的图像增强算法，如线性对比度拉伸、直方图均衡法没有考虑到局部信息，使得一些噪声过度加强。自适应对比度增强算法可以有效地避免以上缺点。自适应对比度增强算法采用反锐化掩模技术。首先图像被分成两部分，低频的反锐化掩膜部分和高频部分，使用原图减去反锐化掩膜得到图像的高频部分；然后图像的高频部分被放大并加到反锐化掩膜中，得到增强图像。对于图像的某一具体灰度像素值，以像素值(i,j)为中心，窗口大小为(2n+1)×(2n+1)的区域，计算局部平均值和方差[6]，分别如式(1)～式(2)所示。式(3)表示像素(i,j)对应的增强后的像素值。

(1)

(2)

f(i,j)=mx(i,j)+C[x(i,j)-mx(i,j)]

(3)

1.2.2 工件定位

为了减小磁痕图像在特征提取过程中的计算量，本文使用基于灰度信息的模板匹配方法确定目标物体在磁痕图像中的具体位置。针对基准图像某一区域内各点的灰度值，利用相似性算法找出区域与参考图像的对应关系，完成基准图与目标图的匹配，实现物体的定位。基于灰度信息的图像匹配原理如图2所示。

图2 基于灰度信息的图像匹配原理图 Fig.2 Image matching principle based on grayscale information

基准图的大小为M×N，参考图的大小为K×L。将基准图在参考图上移动，基准图下覆盖的搜索区域为子图Si,j。其中，(i,j)为像点左下角在参考图中的坐标。

本文通过使用归一化相关算法计算基准图与参考图的互相关值，从而确定匹配的程度。其计算过程如式(4)所示。

(4)

如果NC(i,j)的值越大，则说明搜索图上(i,j)位置与基准图越相似；NC(i,j)值为1，则说明(i,j)即为匹配位置。在实际应用中，由于基准图和参考图两者之间对应像素的灰度值并不绝对相等，因此找不到NC为1的位置。本文识别算法具有比较高的准确性和适用性，且不受图像灰度值线性变换的影响。在实际使用中，为了克服图像中的自相关值和位置确定难等问题，先对图像进行边缘处理，提高了目标位置的定位精度。当图像中像点高度相关时，两幅图的相关性实际上是轮廓信息的相关性。

1.2.3 工件特征提取

在确定了目标物体的位置之后，对目标进行特征提取。工件特征反映了原图像中的重要信息和主要特性。图像特征具有以下特点：抽象性、敏感性、完整性、唯一性、几何不变性。本文针对目标物的特点提取特征。纹理特性是描述图像的重要属性。灰度共生矩阵是图像纹理常用的统计分析方法之一。灰度共生矩阵把图像像素值作为纹理基元，用像素的位置和灰度表示基元特征。

通过求取特定距离和特定方向的像素从某一灰度到另一灰度的概率，来反映了图像在变化方向、变化幅度以及变化快慢等信息。但灰度共生矩阵不能直接提供区别纹理的特征。所以在实际使用过程中，需要进一步通过从灰度共生矩阵中提取出能够唯一性描述图像纹理特征，来定量表述图像的纹理特性。

为了方便描述图像，灰度共生矩阵元素用归一化的概率值表示为：

(5)

为了对获取到的磁痕图像进行唯一性的描述，使用以下几个特征量。

①对比度。在本试验中，对比度可理解为磁痕图像的清晰度。磁痕图像纹理的清晰程度对比体现了图像中近邻像素之间的反差。磁痕图像的纹理变化越大，图像的纹理沟纹越深，对比度的取值就越大，磁痕图像对于人眼的视觉效果越好。其定义如式(6)所示：

(6)

②能量。能量用来度量磁痕图像灰度分布的均匀性。对于图像中的匀质区域，灰度共生矩阵的元素集中于主对角线分布，大部分的像素的取值相同或相近，图像的局部区域得到的是比较均匀的灰度分布。纹理较粗糙的区域中含有的能量较多，纹理较细的区域中则含有的能量较少。其定义如式(7)所示：

(7)

③相关性。相关性是灰度共生矩阵中元素行或列方向关联程度的度量。若图像具有在水平方向上的纹理特性，则水平方向的相关值会高于其他方向的相关值。其定义如式(8)所示：

(8)

④熵。熵可用来描述磁痕图像具有的信息量。纹理信息是图像信息的一种。若磁痕图像中的熵值较大，则图像中分布着较多细小的纹理；若磁痕图像的熵值较小，则图像各点像素值差别较大，图像中有较少纹理分布。其定义如式(9)所示：

(9)

⑤逆差矩。逆差矩用来度量图像像素值分布的平滑程度，表征了磁痕图像纹理的规则程度。对于图像中的匀质区域，纹理比较规则，矩阵中的元素主要集中在对角线上，其逆差矩较大；对于图像中的非匀质区域，矩阵中的元素不集中在对角线上，其逆差矩较小。其定义如式(10)所示：

(10)

1.2.4 分类器设计

反向传播(back propagation,BP)神经网络是一类广泛应用的前馈型神经网络，输出层与输入层之间包含若干隐藏层。理论上，含有两个隐层的神经网络可以实现任意函数，在图像识别中具有广泛的应用。BP神经网络以前馈方式形成耦合关系，同层神经元之间不存在连接关系。当网络设定后，给神经网络输入一组初始化权重，网络由输入层传入隐层，再由隐层逐层处理后送至输出单元，由输出层单元处理之后得到一个输出模式。如果输出响应与输出模式之间有误差且不满足要求，则通过误差的反向传播实现权值的修正和优化。算法实现如下。

①输入训练样本集合。

②对每个训练样本x:设置对应的输入激活ax,1。

③前向传播:对每个训练样本，计算zx,l=ωlax,l-1+bl和ax,l=σ(zx,l)。

④输出误差δx,L=aCx⊙σ′(zx,L)。

⑤反向传播误差：对每个l=L-1,L-2,…,L-n,δx,L=[(ωl+1)Tδx,l+1]⊙σ′(zx,l)。

2 试验结果分析

2.1 试验验证

本试验测试使用的计算机，其CPU为Intel i5-4460，运行内存为8 GB，相机使用大恒水星系列MER-500-14 GC，试验样本数为1 000。根据以上设计思路，针对钢轴工件，模拟生产现场环境搭建试验平台并采集磁痕裂纹图像。旋转平台的旋转速度可以通过编码器控制。

2.2 结果分析

样本随机抽取情况如表1所示。试验样本总数为1 000个，其中良品为510个、次品为490个。

表1 样本随机抽取情况Tab.1 Randomly selected samples

对1 000个样本提取特征并计算各个特征的平均值，样本特征参数如表2所示。

表2 样本特征参数Tab.2 Characteristic parameters of samples

为验证分类器的性能，同时对比神经网络、支持向量机、逻辑回归分类的准确率，通过增加训练样本数量以及调整正则化参数，验证分类器的算法的稳定性。训练集与测试集的数量按照7∶3的原则进行测试,得到的训练样本数与分类器识别率关系如图5所示。

图3 样本数与识别率关系图 Fig.3 Relationship between the number of samples and the recognition rate

从图3可知，神经网络分类器的准确率要高于逻辑回归和支持向量机。随着样本数的增多，检测率也会随之上升，但当样本数增加到一定程度时，识别率并无明显上升趋势。现有磁痕裂纹织识算法对比如表3所示。

表3 现有磁痕裂纹识别算法对比Tab.3 Comparison of existing magnetic crackrecognition algorithms

和目前已经存在的磁痕裂纹识别算法相比，本系统在识别率优于以上三种识别算法，在漏检率方面低于5%，在单帧图片算法识别速度上和主成分分析裂纹识别算法相近。

3 结束语

本文对磁痕缺陷图像自动分类识别算法进行了研究。首次提出将纹理特征[6-12]应用于磁痕图像的特征提取，同时在预处理阶段通过彩色图像通道分离，解决了金属表面反光对图像质量的影响。通过模板匹配技术加快了目标定位的速度。试验表明，该检测方法对

于钢轴工件表面缺陷识别率高达91.25%，能够满足实际生产过程中的需要，检测速度快且无需人为干预，降低了检测成本，具有一定的研究意义和使用价值。

参考文献:

[1] 李家伟.无损检测手册[M].2版.北京:机械工业出版社,2011.

[2] 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.

[3] 王姮,卜燕.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.

[4] 张家栋,张强,霍凯.图像处理在轴承荧光磁粉探伤中的应用研究[J].计算机技术与发展,2009(8):216-219.

[5] 厉荣宣.工件表面裂纹机器视觉检测研究[D].上海:上海应用技术学院,2015.

[6] 周金伟.自适应局部图像增强技术研究[D].长沙:国防科学技术大学,2010.

[7] 谢凤英.数字图像处理及应用[M].北京:电子工业出版社，2014.

[8] 张李秋.一种基于纹理特征提取的图像检索方法[D].成都:电子科技大学,2000.

[9] 李楠.基于方向滤波器组的纹理特征提取及识别研究[D].西安:西安电子科技大学,2007.

[10]胡清平,张建伟.纹理分析在红外目标识别中的应用[J].光学与光电技术,2009(5):42-45.

[11]谢世朋.纹理的特征提取与分类研究[D].合肥:安徽大学,2000.

[12]潘昊,吴尚,钟珞.一种采用拆分组装构造神经网络的新途径[J].计算机工程,2005(3):161-162.