基于線陣CCD的車輪表面缺陷檢測系統的圖像預處理研究

吳海濱 夏需堂

（1安徽大學特種電視技術研究中心，安徽 合肥 230088）

（2安徽大學物理與材料科學學院，安徽 合肥 230039）

基于線陣CCD的車輪表面缺陷檢測系統的圖像預處理研究

吳海濱1夏需堂2

（1安徽大學特種電視技術研究中心，安徽 合肥 230088）

（2安徽大學物理與材料科學學院，安徽 合肥 230039）

介紹了車輪表面缺陷在線檢測系統的工作原理和結構組成，對熒光磁粉的激發光譜和發射光譜以及UV（紫外）LED的發光特性進行了分析和研究，重點介紹了缺陷檢測系統的數字圖像處理和模式識別技術。經過高精度線陣CCD提取的檢測圖像，通過采用圖像增強、平滑去噪、邊緣提取以及二值化等方法，可以有效的識別出可疑的缺陷，完成缺陷在線檢測系統的識別報警等。

UV LED；缺陷檢測；圖像處理；模式識別

1 引言

火車以及由此之上發展起來的輕軌、地鐵、動車等是未來城市交通和城際交通的重要運力載體，車輪是火車的重要部件，車輪的質量直接關系到運輸的安全性。而車輪的表面裂紋等缺陷最容易產生應力集中，擴散速度比較快，是造成行車事故的潛在威脅，這樣便對表面檢測技術提出了很高要求。

熒光磁探技術是車輪表面裂紋檢測中重要的手段之一，然而目前采用的磁探技術尚存在很多不足：目前采用的是高強度紫外輻射光源，由400-w金屬鹵燈泡提供高強度的紫外輸出，在對人體有害的UVB(中波紫外)波段，此類光源存在較強的輻射峰（如在313nm等），盡管現有紫外燈配置了雙濾色系統，但截止深度并不能達100%（一般在2～5%左右），也就意味著尚有部分有害紫外輻射溢出；紫外光源由一盞燈泡發出，自然造成均勻性不夠，以現在所用的進口UV-400為例：中心紫外強度為6,500 μW/cm2，邊緣則為 2，000 μW/cm2，相差3倍多；由于受人生理條件的限制，如：長時間工作造成注意力不集中、談話或接聽電話時產生的“聽盲”、高度緊張產生幻覺等等，即使操作工人責任心再強，要想只依靠人工就做到100%無漏檢是很難的，而檢測工人的實際效能并沒有得到實時監督驗證，缺陷產品一旦出廠再信息返回則為時已晚。

為了實現現場安全保障條件，讓檢測工人能安心地堅守工作崗位，并采用高科技手段輔助進行缺陷檢測，起到人工檢測效能實時監督驗證與制約的作用，所以我們提出了基于線陣CCD的熒光磁粉表面缺陷監測系統正是目的所在。

2 系統工作原理與結構組成

2.1 系統工作原理

將整個車輪磁化后，磁力線在有表面缺陷的位置會發生變化，部分磁感應線會溢出，在缺陷位置會形成磁極，從而產生漏磁場，當在車輪表面噴灑熒光磁粉懸濁液時，會被吸附在漏磁場處形成磁痕。然后在紫外LED的照射下，熒光磁粉將受激發出熒光，通過高速線陣CCD對車輪表面進行攝像，再經計算機進行相關圖像處理后，對可疑缺陷進行增強顯示同時聲光報警對整體和局部圖像進行回顯放大、打印可疑缺陷圖像、建立圖像裂紋數據庫，從而達到改善工作環境、避免錯檢、漏檢的目的。

2.2 系統結構組成

本系統由車輪旋轉控制平臺、三套高像素線陣CCD成像系統（LED紫外激發光源）、三臺圖像處理工控機及一臺管理控制主機等組成，如圖1所示：

圖1 系統架構圖

系統分為現場攝像和后圖像處理與顯示兩部分。現場攝像部分位于暗室內，包括：紫外LED、線陣CCD、機械旋轉設備等；后圖像處理與顯示部分可放置于控制室內，包括：千兆以太網卡、圖像處理與顯示系統、打印機等。為了避免暗室內各種光源的相互干擾，達到獲取最佳原始采集圖像的目的，我們對紫外LED和磁粉受激光譜以及線陣CCD的工作波段進行了相關的分析研究。

2.3 紫外LED的特性

本系統要求光源是純紫外光源，盡量過濾可見光，避免其對車輪表面的照射。因為可見光照射車輪表面時會形成反射，與熒光磁粉激發的可見光重疊，導致亮場背景的干擾，容易造成誤判現象。考慮到紫外LED的光譜特性，系統在LED前加了一塊濾波片。LED的光譜和濾波片的光譜如圖2和圖3所示：

圖2 紫外LED光譜

圖3 濾波片透過率曲線

經過濾波片過濾后，對波長小于350nm有害紫外光及波長大于390nm的可見光進行了有效的濾除，濾波片的峰值在360nm左右，對峰值波長為368nm的紫外LED光源具有很好的透過率，滿足對光源的要求。

2.4 熒光磁粉的特性

我們在探傷系統中采用了ZnS∶Zn,Pb熒光磁粉，該熒光磁粉的激發光譜峰值在360nm左右（如圖4所示），正好與紫外LED的峰值波長鄰近，可以很好的對熒光磁粉進行激發。熒光磁粉的發射光光譜峰值波長在530nm左右（如圖5所示），這與線陣CCD的成像波長370——600nm也完全吻合。

圖4 激發光譜

圖5 發射光光譜

2.5 線陣CCD的特性

為獲取清晰圖像，系統采用檢測級高像素、高靈敏的線陣CCD相機，該線陣CCD采用千兆以太網的傳輸方式，線陣列像素為2048個，每個像元的尺寸是14um×14um，線陣列程度為28mm，點對點的傳輸距離可達100m。另外相機對長波紫外也有較高的響應靈敏度，為避免由此產生的明場干擾，系統在CCD光學鏡頭前加裝了波長為410nm的UV鏡，有效的濾除了紫外光的干擾[1]。（圖6為CCD光譜響應曲線）

圖6 CCD的光譜響應曲線

2.6 機械旋轉系統

從圖 1可以看出，CCD1、CCD2和 CCD3分別對車輪兩側和塌面進行拍攝，鑒于線陣CCD掃描要求與被掃描對象相對勻速的特性，當車輪到位穩定后，管理機給出旋轉啟動信號，在角傳感器測定車輪達到設定的恒定轉速時，管理機向三臺圖像處理機發出采集指令，三臺圖像處理機分別對車輪正、反及塌面進行線掃描采集。

3 圖像采集與處理系統

本系統有圖像處理軟件、計算機和聲光報警系統組成。把線陣CCD攝像機通過網線連接到計算機的千兆以太網卡上，就可以在計算機上看到車輪的原始圖像，軟件處理后會使圖像背景與缺陷的對比度加強，當計算機識別到缺陷時就會自動聲光報警并打印出缺陷圖像。

3.1 圖像處理與分析

經過線陣CCD采集到的圖像往往帶有水痕、水跡、刀痕、表面污染和反光等干擾信息，同時加上光源和線陣CCD本身靈敏度的影響，采集到的圖像中不可避免的帶有一些噪聲特性。為了使背景與缺陷的對比度更加明顯，凸出可疑缺陷，就必須要對采集到的原始圖像進行平滑和去噪等前期處理，保留更真實的缺陷圖像，因此我們設計了以下處理步驟：先對圖像進行平滑去噪，有效抑制噪聲等干擾信息，再對圖像進行二值化，最后對經上述處理后的圖像進行邊緣提取與識別即得到可疑缺陷的圖像。

3.2 圖像增強

在有些情況下，一幅圖像和真實景物或原圖像相比差別甚小，察覺不出來或在容許范圍之內，但為了便于人或機器對圖像的分析和理解，需要加強圖像的某些特征，為后續的圖像處理奠定基礎。文章中我們采用單尺度Retinex算法對原始圖像進行增強[2]。Retinex模型中圖像 L（x，y）由亮度圖像 L（x，y）和反射圖像 R（x，y）兩部分組成，通過改變亮度圖像和反射圖像在原始圖像中的比例來達到圖像增強的目的。由公式

c為尺度變量，c越大，灰度動態范圍壓縮的越多，c越小，圖像銳化的越多。實驗表明，對灰度圖像，單尺度Retinex算法可以較好的增強。圖七左右兩邊分別為實驗室和現場環境下的原始圖像。圖八左右兩邊分別是經Retinex增強的實驗圖像和現場圖像。增強后，明顯的凸出了圖像的目標部分，但同時也引入了部分的噪聲使清晰度降低，接下來我們將對噪聲進行一定的過濾。

圖7 原始圖像

圖8 Retinex增強后

3.3 平滑去噪

平滑處理的目的是消除或盡量減少噪聲和散粒狀干擾信息的影響，在噪聲和偽缺陷隨機分布的條件下，我們采用二維中值濾波對其進行平滑去噪，經驗證可以有效的濾除由圖像增強及CCD本身所帶來的噪聲影響。本文采用中值濾波[3]對其進行了去噪處理。

中值濾波是一種典型的非線性濾波方式，它也依靠模板來實現。一個2-D中值濾波器的輸出可寫為（其中 N（x，y）為（x，y）的鄰域，對應模板尺寸）：

對一個所用模板尺寸為n×n的中值濾波器，其輸出應大于等于模板中（n2-1）/2個像素的值，又應小于等于模板中（n2-1）/2個像素值。圖九是中值濾波后的實驗圖像和原始圖像。

3.4 圖像二值化

為了將圖像的缺陷分離出來，必須對圖像進行二值化，二值化的關鍵是閾值選擇，閾值過高會將目標的亮點歸為背景，產生漏判；閾值過低會將過多的背景歸為目標，產生誤判。經平滑后的圖像我們采用自動閾值分割可以很好的對圖像進行二值化。在系統中我們采用的軟件閾值是可以調節的，根據實際取得的圖像我們將實驗圖像的閾值設置為178，高于閾值178的為目標，低于178作為背景；將現場圖像的閾值設定為230，這樣可以得到如圖9所示的清晰的圖像。

圖10 二值化后

3.5 邊緣檢測與識別

對經過二值化后的圖像進行邊緣檢測，所謂邊緣是指圖像灰度發生急劇變化的區域。本文中我們采用SUSAN[4]（即最小核值相似區域，Smallest Univalue Segment Assimilating Nucleus）算子對圖像進行邊緣檢測。SUSAN邊緣檢測算法用給定大小的模板對圖像中的像素點進行運算以產生初始響應的邊緣，再對初始響應邊緣進行處理以得到最終的邊緣。在數字圖像中，圓可以用一個含有37個像素的模板來近似。這37元素排列成 7 行，分別由 3、5、7、7、7、5、3 個像素這相當于一個半徑為3.4個像素的圓。如果考慮到計算量，也有用普通的3×3模板來粗略近似的。

設模板為N（x，y），將其依次放在圖像中的每個點的位置，在每個位置，將模板內每個像素的灰度值與核的灰度值進行比較：

式中，（x0，y0）是核在圖像中位置的坐標；（x，y）是模板 N（x，y）中其他位置；f（x0，y0）和 f（x，y）分別是在（x0，y0）和（x，y）處像素的灰度；T 是一個灰度差的閾值；函數 C（x0，y0；x，y）代表輸出的比較結果。

圖11 SUSAN算子提取后

如圖10所示，我們可以看出SUSAN算子已經很好的提取出了缺陷的信息，為后續的模式識別提供了保證。但經過預處理之后的圖像可能有一定誤判，通過識別可以把不同的缺陷表示出來，然后對面積較小的、長度較短線條視作干擾信號，對此可以設定一個閾值，將面積、長度小于這一閾值的去掉，對剩下的缺陷進行特征提取和聚類識別，最后得到識別結果，在界面的報告區域打印輸出。由于實驗條件和技術手段的限制，

對圖像的識別與實際可能會出現一定的偏差。

4 結論

由線陣CCD、計算機和圖像處理軟件構成的車輪表面缺陷檢測系統可以很好的凸出車輪表面的可疑缺陷，大大改善了現場的工作環境、降低勞動強度、提高生產的效益效率，可以有效的降低漏檢事故的發生，對消除事故隱患有重要的意義。為高速列車的快速運行提供了可靠的安全保障。

[1]吳海濱,張杰,陳軍,肖鋒.基于CCD成像的輪轂表面熒光磁粉探傷方法及缺陷處理研究[J].大氣與環境光學學報,2006,1(2):156-160.

[2]劉家朋,趙宇明,胡福喬.基于單尺度Retinex算法的非線性圖像增強算法[J].上海交通大學學報,2007,41(5):685-688.

[3]邵敏,何展翔,張立恩.二維中值濾波在電磁測深曲線去噪中的應用[J].物探化探計算技術,2001,23(3):226-231.

[4]陳廉清,袁紅彬,王龍山.SUSAN算子在微小軸承表面缺陷圖像分割中的應用[J].光學技術,2007,33(2):305-307.

[5]王耀南：“計算機圖像處理與識別技術”，北京：高等教育出版社，2001：150-170.

BASED ON LINEAR CCD WHEEL SURFACE DEFECT DETECTION SYSTEM OF IMAGE PREPROCESSING

WU Hai-bin1XIA Xu-tang2
（1 The Research Center of Special TV Technology of Anhui University,Hefei Anhui 230088）（2 School of Physics and Material Science,Anhui University,Hefei Anhui 230039）

The operation principle and structure of the wheel surface defects online testing system and were introduced,the excitation spectra and emission spectra of fluorescent magnetic particle,UV(ultraviolet)LED light-emitting characteristics were analyzed and studied,defect inspection system focuses on digital image processing and pattern recognition.After extraction of high-precision detection of linear array CCD image,through the use of image enhancement,smoothing noise reduction,edge extraction and binarization and other methods can effectively identify suspicious defect,complete on-line detection system identification defects alarming,etc.

UV LED;defect detection;image processing;pattern recognition

A

1672-2868（2011）03-0061-07

2011-04-09

安徽省“十一五”科技攻關項目（項目編號：08010204252）

吳海濱（1962-），男，浙江舟山人。安徽大學特種電視技術研究中心教授級高級工程師，研究方向：特種工業電視系列產品的開發設計及圖像信息處理

責任編輯：宏 彬