基于視覺技術(shù)的光纖陀螺閉合光路光纖缺陷檢測(cè)方法

葛文謙，王 巍，高 峰，單聯(lián)潔

（中國(guó)航天電子技術(shù)研究院，北京 100094）

基于視覺技術(shù)的光纖陀螺閉合光路光纖缺陷檢測(cè)方法

葛文謙，王 巍，高 峰，單聯(lián)潔

（中國(guó)航天電子技術(shù)研究院，北京 100094）

針對(duì)光纖陀螺內(nèi)部光纖在裝配后光路閉合，無有效手段進(jìn)行光纖缺陷檢查，對(duì)光纖陀螺長(zhǎng)期穩(wěn)定可靠工作帶來潛在危險(xiǎn)的問題，提出利用紅外視覺檢測(cè)技術(shù)檢查光纖缺陷，分析光纖缺陷圖像特征，采用最大熵法進(jìn)行圖像分割，提出了結(jié)合直方圖特征、缺陷區(qū)域形狀特征、缺陷邊界形狀特征提取方法，采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)分類方法，用兩層網(wǎng)絡(luò)進(jìn)行缺陷分類，識(shí)別判斷不同類別的光纖缺陷。針對(duì)光纖缺陷圖像的處理結(jié)果表明，該方法能夠有效地檢測(cè)光纖缺陷，對(duì)不可接受的缺陷能夠100%地正確判斷。

光纖陀螺；最大熵；紅外圖像；缺陷分類

光纖陀螺是一種新型的全固態(tài)慣性儀表，具有高可靠、長(zhǎng)壽命的特點(diǎn)[1]，已經(jīng)在多個(gè)武器、宇航型號(hào)上取得了成功應(yīng)用。由于光纖陀螺的光纖光路裝配過程復(fù)雜，可能會(huì)造成光纖損傷，這種損傷會(huì)影響產(chǎn)品性能，有的在測(cè)試階段就會(huì)暴露出來，也有可能是應(yīng)力集中缺陷，在產(chǎn)品交付后才逐步顯現(xiàn)出來，對(duì)產(chǎn)品的長(zhǎng)壽命使用極為不利。光纖在纏繞、加膠粘固后，光路已通過熔接點(diǎn)閉合[2]，無法在光路中接入檢測(cè)儀器進(jìn)行檢測(cè)，只能設(shè)法通過外部觀察檢測(cè)光纖缺陷，而光纖層疊纏繞在光纖環(huán)腔體內(nèi)，對(duì)光纖的整體表面無法在可見光條件下觀察。

光纖陀螺工作光信號(hào)本質(zhì)上是近紅外光[3]，當(dāng)光纖存在缺陷或破損時(shí)，將有紅外光從缺陷處溢出，因此，可通過紅外視覺檢測(cè)系統(tǒng)獲取光纖缺陷處圖像，經(jīng)過圖像處理識(shí)別判斷缺陷，從而決定是否采取返修措施。目前，隨著高性能紅外相機(jī)的出現(xiàn)和數(shù)字圖像處理技術(shù)的成熟，紅外成像檢測(cè)技術(shù)正在逐步開展應(yīng)用，且不斷提高紅外成像檢測(cè)技術(shù)的準(zhǔn)確性[4]，可將其應(yīng)用于光纖缺陷的檢測(cè)。

1 光纖缺陷圖像特征分析

通過對(duì)大量光纖缺陷樣本進(jìn)行分析，將缺陷分為5種典型類型，如圖1所示。其中，圖1(a)為光纖折斷缺陷，其特征是在光纖局部發(fā)生較大彎曲直至光纖出現(xiàn)折斷，光纖局部泄露光強(qiáng)度很高；圖1(b)為應(yīng)力集中缺陷，其特征是局部光強(qiáng)度較高，光纖外部形狀沒有發(fā)生變化，在普通顯微鏡下幾乎無法觀察到這種缺陷；圖 1(c)為涂覆層較大損傷缺陷，其特征是光纖涂覆層損壞，光纖外層參差不齊，直徑發(fā)生改變，光纖無彎折，且具有一定連續(xù)區(qū)域，這種缺陷會(huì)降低光纖涂覆層的保護(hù)能力；圖1(d)為局部割傷缺陷，其特征是光纖局部有成片的泄露光，但光強(qiáng)較弱，缺陷區(qū)域與非缺陷區(qū)域的圖像對(duì)比度不高，但光纖的涂覆層未發(fā)生本質(zhì)的破壞；圖 1(e)為微小劃傷缺陷，其特征是僅有微小的點(diǎn)或帶狀缺陷，缺陷尺寸小，表現(xiàn)為較小的亮點(diǎn)、亮斑或亮帶。

圖1 典型光纖缺陷圖像Fig.1 Typical fiber defect image

2 光纖缺陷圖像的分割處理

相對(duì)邊緣提取方法，閾值化分割方法可以得到缺陷區(qū)域，且邊緣連續(xù)，便于后續(xù)的圖像特征提取，可以直接針對(duì)缺陷區(qū)域內(nèi)的信息進(jìn)一步的處理，得到多種圖像特征。本文選用了基于最大熵計(jì)算的閾值分割方法。

對(duì)光纖的缺陷圖像，設(shè)灰度級(jí)低于和高于t的像素點(diǎn)分別構(gòu)成背景區(qū)域(B)和目標(biāo)區(qū)域(O)，各概率在其本區(qū)域的分布分別是：B區(qū)：；O區(qū)：，其中。對(duì)于數(shù)字圖像，背景區(qū)域和目標(biāo)區(qū)域的熵分別定義為[5]：

則熵函數(shù)定義為：

當(dāng)熵函數(shù)取得最大值時(shí)對(duì)應(yīng)的灰度值t*就是所求的最佳閾值。

本文比較了幾種分割方法，對(duì)圖1(d)局部割傷缺陷的處理結(jié)果如圖2所示。由分割的結(jié)果可以看出，最大類間方差法分割不足，迭代閾值法與矩保持法過分割，而最大熵法能夠較好地提取缺陷區(qū)域輪廓，分割結(jié)果客觀地反映了缺陷區(qū)域的情況。

3 光纖缺陷的分類

3.1 圖像缺陷特征提取方法

特征提取是圖像識(shí)別中的一個(gè)重要環(huán)節(jié)，目的是針對(duì)待識(shí)別缺陷的特點(diǎn)提取出一組盡量精簡(jiǎn)的且最有效的特征，從而提高分類器的識(shí)別準(zhǔn)確性和效率。根據(jù)光纖缺陷特征的分析，分別對(duì)缺陷的直方圖特征、缺陷區(qū)域和邊界的形狀特征進(jìn)行提取。

1）直方圖統(tǒng)計(jì)特征提取

由于光纖缺陷的不均勻性和分布的隨機(jī)性，光纖缺陷圖像紋理特征提取更適合用統(tǒng)計(jì)方法解決。直方圖是圖像窗口中多種不同灰度的像素分布的概率統(tǒng)計(jì)。設(shè)圖像f的像素總數(shù)為N，灰度等級(jí)數(shù)為L(zhǎng)，灰度為i的像素全圖共有Ni個(gè)，則：，式中zi表示直方圖的灰度變量[6]。

描述直方圖的描述子包括：

典型缺陷的直方圖特征如表1所示。

表1 典型缺陷的直方圖特征值Tab.1 Characteristics value of typical defect histogram

2）缺陷區(qū)域的形狀特征提取

幾何形狀是對(duì)目標(biāo)進(jìn)行描述的一個(gè)重要特征，二值化后目標(biāo)的面積S就是目標(biāo)所占像素點(diǎn)數(shù)目，統(tǒng)計(jì)區(qū)域邊界包含的所有像素點(diǎn)數(shù)；邊界上相隔最遠(yuǎn)或最近的兩點(diǎn)之間的距離分別為等效橢圓長(zhǎng)軸a和短軸b；長(zhǎng)短軸之比為偏心率[7]e。

式中：μpq——p+q階中心矩。

典型缺陷區(qū)域的形狀特征計(jì)算結(jié)果如表2。

表2 典型缺陷的形狀特征的計(jì)算結(jié)果Tab.2 Computing result of typical defect form feature

3）缺陷邊界的形狀特征提取

對(duì)于邊界，最重要的是組成邊界點(diǎn)的位置信息。邊界點(diǎn)的位置是邊界的重要信息，把邊界視為平面內(nèi)多個(gè)點(diǎn)組成的封閉曲線。以任意點(diǎn)為起點(diǎn)，用坐標(biāo)逆時(shí)針標(biāo)記所有點(diǎn)，形成坐標(biāo)序列。其復(fù)數(shù)形式為，其傅里葉逆變換存在，其中，復(fù)系數(shù)a(u)表示邊界的傅里葉描繪子。如僅用p個(gè)系數(shù)近似s(k)，則：。

上述傅里葉描述子不具有平移旋轉(zhuǎn)不變性，為此，可通過a(u)的實(shí)部和虛部處理，獲得歸一化的傅里葉描述子。在圖像處理中，邊界傅里葉變換的高頻元素描述邊界的細(xì)節(jié)，低頻元素描述邊界的輪廓[8]。可以通過傅里葉逆變換的實(shí)驗(yàn)確定p值，作為邊界特征。典型缺陷區(qū)域的形狀特征計(jì)算結(jié)果如表3所示。

表3 典型缺陷的傅里葉描述子Tab.3 Fourier describer of typical defect

3.2 缺陷特征識(shí)別方法

圖像處理的最后一步是將特征值與特征所對(duì)應(yīng)的類別聯(lián)系起來，即為分類器設(shè)計(jì)。在光纖表面缺陷檢測(cè)中，把各種類型的表面缺陷的特征值作為樣本，根據(jù)分類規(guī)則確定樣本的類別。結(jié)合特定的數(shù)學(xué)工具，建立分類器并根據(jù)樣本對(duì)分類器進(jìn)行訓(xùn)練，訓(xùn)練好的分類器以缺陷特征值為輸入，輸出被檢測(cè)表面圖像的類別。

3.2.1 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

誤差反向傳播網(wǎng)絡(luò)（Back Propagation—BP）目前應(yīng)用廣泛。設(shè)輸入為P，輸入神經(jīng)元有r個(gè)神經(jīng)元，隱含層內(nèi)有s1個(gè)神經(jīng)元，激活函數(shù)為f1，輸出層內(nèi)有s2個(gè)神經(jīng)元，對(duì)應(yīng)的激活函數(shù)為f2，輸出為A，目標(biāo)矢量為T，學(xué)習(xí)速率為η(0＜η＜1)。

3.2.2 神經(jīng)網(wǎng)絡(luò)的改進(jìn)

因?yàn)锽P網(wǎng)絡(luò)采用的是沿梯度下降的搜索求解算法，學(xué)習(xí)率一旦選取不當(dāng)，會(huì)引起網(wǎng)絡(luò)振蕩，甚至導(dǎo)致網(wǎng)絡(luò)陷入飽和狀態(tài)而不收斂[9]。因此，需要通過動(dòng)態(tài)的、自適應(yīng)的方法調(diào)整學(xué)習(xí)率，以提高學(xué)習(xí)速度。

在圖 3所示三層 BP網(wǎng)絡(luò)中，若附加動(dòng)量項(xiàng)α(0＜α＜1)，則在第l次學(xué)習(xí)過程中，得到：

圖3 三層前饋型BP網(wǎng)絡(luò)Fig.3 Threes layers feed forward BP network

式中，δji通過隱層誤差ej與該層激活函數(shù)的一階導(dǎo)數(shù)相乘求得。當(dāng)再輸入一個(gè)學(xué)習(xí)樣本時(shí)，在網(wǎng)絡(luò)的輸入層第i個(gè)神經(jīng)元的輸入為。故隱含層中第j個(gè)神經(jīng)元的輸入為

4 試 驗(yàn)

為了提高分類正確率，降低特征向量維數(shù)，將光纖缺陷特征的識(shí)別分為兩個(gè)網(wǎng)絡(luò)。首先根據(jù)光纖缺陷圖像的直方圖特征使用網(wǎng)絡(luò)1將光纖分為光纖折斷缺陷和待分割類。對(duì)屬于待分割類的圖像采用最大熵法進(jìn)行圖像分割處理，將缺陷的形狀等特征值輸入網(wǎng)絡(luò)2，再進(jìn)行缺陷分類。

4.1 直方圖特征分類器

網(wǎng)絡(luò)1的輸入層有5個(gè)節(jié)點(diǎn)，對(duì)應(yīng)直方圖的5種特征，輸出層有1個(gè)節(jié)點(diǎn)，隱層采用4個(gè)節(jié)點(diǎn)，隱層的傳遞函數(shù)采用雙曲正切Sigmoid傳遞函數(shù)。輸出層的傳遞函數(shù)采用線性傳遞函數(shù)。采集160個(gè)光纖缺陷圖像作為訓(xùn)練樣本，分為光纖折斷缺陷和待分割圖像兩組。表4列出了部分典型的網(wǎng)絡(luò)輸出結(jié)果。如果網(wǎng)絡(luò)的輸出結(jié)果大于等于 0，則圖像需要進(jìn)一步地分類，如果網(wǎng)絡(luò)的輸出結(jié)果小于0，則系統(tǒng)最終分類結(jié)果為光纖折斷缺陷。

表4 網(wǎng)絡(luò)1的輸出結(jié)果Tab.4 Output of network one

4.2 缺陷形狀特征分類器

網(wǎng)絡(luò)2的輸入層有11個(gè)節(jié)點(diǎn)，對(duì)應(yīng)缺陷區(qū)域和邊界的特征，輸出層1個(gè)節(jié)點(diǎn)，隱層采用8個(gè)節(jié)點(diǎn)。隱層的傳遞函數(shù)采用雙曲正切Sigmoid傳遞函數(shù)。輸出層的傳遞函數(shù)采用線性傳遞函數(shù)，利用 Levenberg-Marquardt規(guī)則訓(xùn)練網(wǎng)絡(luò)。

采用160個(gè)光纖圖像作為訓(xùn)練樣本，表5列出了部分典型的網(wǎng)絡(luò)輸出結(jié)果。如果網(wǎng)絡(luò)的輸出結(jié)果小于-0.5，則系統(tǒng)判定圖像為應(yīng)力集中缺陷；如果網(wǎng)絡(luò)的輸出結(jié)果為0.4～1，則系統(tǒng)判定圖像為涂覆層較大缺陷；如果網(wǎng)絡(luò)的輸出結(jié)果為0.01～0.1，則系統(tǒng)最終分類結(jié)果為局部割傷缺陷，如果網(wǎng)絡(luò)的輸出結(jié)果絕對(duì)值小于0.01，則為微小劃傷缺陷。

4.3 檢測(cè)正確率分析

對(duì)光纖缺陷而言，確定典型缺陷，通過已知確定的缺陷樣本進(jìn)行檢測(cè)比對(duì)，對(duì)已確認(rèn)的缺陷，檢測(cè)正確性是針對(duì)產(chǎn)品總體樣本的檢測(cè)正確率而言。

由表6的結(jié)果可以看出，光纖折斷能夠100%的正確判斷；應(yīng)力集中缺陷中有1個(gè)被判斷為涂覆層較大缺陷，涂覆層較大缺陷中有1個(gè)被判斷為局部割傷缺陷，局部割傷缺陷中有2個(gè)被判斷為涂覆層較大缺陷，雖然這3種缺陷類型存在誤判，但是前4種缺陷都是判斷為不可接受的缺陷類型，并沒有將其判斷為微小缺陷或非缺陷，即沒有將不可接受的缺陷判斷為可接受的缺陷。對(duì)于微小缺陷，其中有3個(gè)被判斷為非缺陷，屬于漏檢的情況，因?yàn)檫@類微小劃傷缺陷對(duì)于光纖光路的工作不會(huì)造成影響，即使是可靠性要求很高的宇航陀螺，也是可以接受的，所以沒有檢出此類缺陷不會(huì)影響對(duì)缺陷檢驗(yàn)結(jié)果的最終判斷。同時(shí)，對(duì)于微小劃傷和非缺陷兩種情況不存在誤檢。總體來看，對(duì)于缺陷的可接受程度的區(qū)分準(zhǔn)確率達(dá)到了100%，可以很好的說明對(duì)于光纖陀螺光路缺陷而言，不可接受的缺陷能夠100%的正確判斷。

表5 網(wǎng)絡(luò)2的輸出結(jié)果Tab.5 Output of network two

表6 光纖缺陷檢測(cè)正確率統(tǒng)計(jì)表Tab.6 Statistical table of fiber defect detect accuracy

5 結(jié) 論

針對(duì)光纖陀螺的光纖光路在裝配中損傷可能造成的缺陷，利用陀螺工作時(shí)的紅外光信號(hào)，由紅外視覺檢測(cè)方法獲取光纖缺陷圖像。在對(duì)光纖缺陷特征分析的基礎(chǔ)上，采用圖像處理方法處理光纖缺陷圖像，結(jié)合了直方圖特征、缺陷區(qū)域的形狀特征、缺陷邊界的形狀特征3種缺陷提取方法，改進(jìn)對(duì)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的計(jì)算方法，實(shí)現(xiàn)自適應(yīng)確定，避免網(wǎng)絡(luò)振蕩不收斂。采用2級(jí)網(wǎng)絡(luò)分別識(shí)別不同類型的光纖缺陷，能夠準(zhǔn)確判斷缺陷情況，可為光纖陀螺光纖光路的檢測(cè)提供可靠保證。

（References）：

[1]Webber M,Willig R,Rackowski H,Dineen A.Modeling of rate error in interferometric fiber-optic gyroscopes dueto stress induced by moisture diffusion[J].Journal of Lightwave Technology,2012,30(14): 2356-2362.

[2]Li Xuyou,He Zhou,Yu Qiang,Hong Wei,Zhang Chen.Study on optical path modeling and error analysis of stimulated brillouin fiber optic gyroscope[C]//The 2010 IEEE International Conference on Information and Automation,2010: 1442-1447.

[3]王巍.干涉型光纖陀螺儀技術(shù)[M].北京：中國(guó)宇航出版社，2010.

[4]Ha H,Han S,Lee J.Fault detection on transmission lines using a microphone array and an infrared thermal imaging camera[J].IEEE Transactions on Instrumentation and Measurement,2012,61(1): 267-265.

[5]Xiong Deyi,Zhang Min,Li Haizhou.A maximum- entropy segmentation model for statistical machine translation[J].IEEE Transactions on Audio,Speech,and Language Processing,2011,19(8): 2494-2505.

[6]周林，平西建，童莉.基于改進(jìn)基本圖像特征直方圖的紋理分類算法[J].系統(tǒng)工程與電子技術(shù)，2012，34(6)：1272-1277.ZHOU Lin,Ping Xi-jia,TONG Li.Texture classification based on improved basic image features histogram[J].Systems Engineering and Electronic,2012,34(6): 1272-1277.

[7]侯北平，朱文，馬連偉.基于形狀特征的移動(dòng)目標(biāo)實(shí)時(shí)分類研究[J].儀器儀表學(xué)報(bào)，2010，31(8)：1819-1825.HOU Bei-ping,ZHU Wen,MA Lian-wei.Moving target classification based on shape features from real-time video[J].Chinese Journal of Scientific Instrument,2010,31(8): 1819-1825.

[8]Kong H,Gurcan M,Belkacem-Boussaid K.Partitioning histopathological images: an integrated framework for supervised color-texture segmentation and cell splitting[J].IEEE Transactions on Medical Imaging,2011,30(9):1661-1677.

[9]張國(guó)翊，胡錚，徐婷.基于特征提取的缺陷圖像分類方法[J].北京工業(yè)大學(xué)學(xué)報(bào)，2010，36(4)：450-457.ZHANG Guo-yi,HU Zheng,XU Ting.Classification method for defect image based on feature extraction[J].Journal of Beijing University of Technology,2010,36(4):450-457.

Detecting methods for FOG fiber defect in closed light path based on vision technique

GE Wen-qian,WANG Wei,GAO Feng,SHAN Lian-jie
(China Academy of Aerospace Electronics Technology,Beijing 100094,China)

In view that there was no effective method to detect the fiber defect because the light path of FOG fiber is closed after assembling,an infrared vision detection technical inspection method was put forward to detect the fiber defect.The fiber defect image feature was analyzed,and a maximum entropy method was proposed to segment the image.An extraction method was proposed by applying the histogram feature and the defect region/border shape features.A neural network classification method was modified and used.By using two-layer network to classify the defect,we can recognize and judge different fiber defects.The processing results of fiber defect image show that the proposed method can effectively detect the fiber defects,and all the unacceptable defects can be correctly judged.

fiber gyroscope; maximum entropy; infrared image; classification of defect

U666.1

：A

1005-6734(2014)02-0265-06

10.13695/j.cnki.12-1222/o3.2014.02.023

2013-10-18；

：2014-01-29

中國(guó)航天科技集團(tuán)重大工藝專項(xiàng)研究項(xiàng)目（ZDGY2011-36）

葛文謙（1977—），男，博士后，主要從事圖像處理、視覺檢測(cè)技術(shù)和應(yīng)用方面的研究。Email：gewenqian@163.com