工件缺陷的計算機自動探傷系統研究

余亞玲，張 華，史晉芳

（西南科技大學 特殊環境機器人技術四川省重點實驗室，綿陽 621010）

0 引言

熒光磁粉探傷是檢驗工件表面缺陷的一種常規無損檢測方法[1]。工件經探傷機磁化后，表面缺陷處可形成漏磁場吸附磁粉，在紫外線照射下熒光磁粉產生510nm～550nm波長段的黃綠色可見熒光，即熒光效應。一般人的眼睛可以感知的電磁波的波長在380nm～780nm之間，我們稱其為可見光。探傷檢測員正是通過熒光效應提供的極大對比度和亮度完成缺陷檢測工作。熒光磁痕檢測必須在暗室進行，作業空間相對密閉、勞動強度大和重復性強等問題將導致人眼疲勞造成缺陷漏檢，且紫外線輻射會對眼晶體產生一定的職業傷害。為解決以上問題，提高檢測質量和效率，研究高效可靠的全自動磁痕探傷設備已成為國內外相關專家學者關注的熱點[2]。

目前，基于熒光磁粉圖像的自動識別方法多為基于傳統圖像分割算法的改進及應用。文獻[3]提出了以目標信息與偽信息的灰度梯度為主要特征判據并結合閥值法提取圖像裂紋。文獻[4]結合了Wiener濾波器的模糊信息濾波與動態閥值法實現圖像分割。文獻[5]提出了基于形態學的裂紋提取與還原分割以及基于區域生長理論的單連通區域判定。文獻[6]針對特定的裂紋識別，提出通過計算圖像連通區域的大小和圓形度對可疑圖像進行分割的方法。上述文章中均提到在實際應用中存在一定的局限性，例如：有些圖像的目標和背景灰度很接近；一些工件的裂紋輪廓和紋理特征不具備統計性，隨機性極強。在線檢測系統要實際應用還需要較高的實時性和精確性。

本文針對工件表面裂紋的智能自主識別，利用磁痕圖像熒光效應這一鮮明物理現象，通過建立計算機的物理熒光效應映射矩陣，實現產生熒光效應區域提取。通過創建推理機，建立人工判定知識庫，模擬人眼判定，實現真偽裂紋的智能辨識，算法思想示意如圖1所示。

圖1 算法思想示意圖

1 熒光效應模型推導

1.1 預備知識

1.1.1 CIE1931-RGB標準

CIE1931-RGB標準則實現了計算機對波長的數字表征。該標準是由317位正常視覺者用CIE規定的紅、綠、藍三原色光，對等能光譜色從380nm～780nm所進行的專門顏色混合匹配實驗得到。圖2顯示了510～560波長段的光譜三刺激值分布。

1.1.2 HSV顏色空間

HSV是A. R. Smith在1978年根據顏色的直觀特性創建的一種顏色空間，這個模型中顏色的參數分別是：色調H、飽和度S和亮度V。作為一個非線性的顏色表示系統，HSV顔色空間具有兩個重要特點：1）該空間將色度H和亮度V分離，使得亮度信息與顏色信息無關；2）該顏色空間使人對色差的感知比較均勻，和人對顏色的感知相一致，符合人的視覺特性。所以，本文選擇基于 HSV顏色空間建立模擬人眼感知熒光效應的計算機模型[7]。

圖2 510～560波長段光譜三刺激值

1.2 模型推導

HSV在數學定義上可認為是在RGB顏色空間R, G和B參量的坐標變換，是對RGB色彩空間中點的關系表示，設 r、 g、 b分別是一個顏色的紅、綠和藍坐標，它們的值是在0到1之間的實數，設max等價于r、g和b中的最大者，設min等于這些值中的最小者，可得空間轉換公式如下[8,9]：

又有，CIE1931-RGB標準的顏色混合匹配實驗原理為色度學的三基色原理。三種基色是相互獨立的，任何一種基色都不能由其他兩種顏色合成，以紅綠藍為三基色的顏色合成應用最為廣泛。如果C為待匹配的目標色R、G、B為三原色，對應目標色及三原色的量，當用三原色混合實現與顏色C的匹配有C=R(R)+G(G)+B(B)。匹配該顏色所需要三原色的數量即為顏色的三刺激值因此，將光譜三刺激值進行歸一化計算后即可等價于r、g b值。歸一化如式(2)所示。

將CIE1931-RGB標準中510nm～560nm波長段的歸一化光譜三刺激值迭代入式(1)，獲得光譜三刺激值轉換為HSV空間坐標系中波長與相應的H、S、V參量對應關系（如圖3中的離散點）。

圖3 HSV-熒光效應映射

根據離散點分布特點，進行多項式函數擬合（如圖3中的曲線），我們用x表示波長值，結果如下：

其中：

我們稱M為熒光效應矩陣，具體值如式(4)所示。即當圖像的任意像素點通過M的映射計算后結果在510nm～550nm波長段內，則當前點為發生熒光效應點。

1.3 模型提取結果分析

程序實現過程中，基于圖像像素點是否符合熒光效應映射矩陣成功提取得到了熒光效應區域，結果如圖4，符合的像素點在圖中為白色。分析提取效果圖發現，白色區域包含真正的裂紋區，卻不絕對包含。如何在熒光效應區域中判定出真正的裂紋區，本文在下一節進行了詳細闡述。

圖4 提取結果圖

2 辨識模型建立

由磁粉探傷原理可知，因工件截面變化、材料性質差異等其他很多原因同樣可形成較大的漏磁場吸附磁粉從而形成非缺陷磁痕（如圖4所示A區域）。這些散落分布的非缺陷磁痕具有出現區域隨機、形態無規律以及數量無概率性等特點。通過調研發現，專業檢測人員檢測過程是通過觀測產生熒光效應區域的亮度、飽和度等特征以及自身的經驗和規定的規則完成裂紋判別的檢測工作。因此，專業人員的觀測經驗以及人眼觀測的準確性變得不可替代。傳統的圖像分割、特征提取分類等方法在該應用中出現了一定的局限性[10]。

針對上述問題，本文引入了專家系統的設計思想。通過熵和信息增益率的迭代計算形成推理機，并結合人工判定經驗對推理機進行訓練。文中，我們把圖像的每一個像素點看作訓練數據集中的一個樣本，一張圖像便構成一個子訓練集。

表1 訓練數據集

描述屬性Ak(k=1，2，…，m)有6個不同的取值{FH，FS，FV，H，V，S}。Tj(j=1，2，…，6)中的樣本在屬性Ak上具有相同的取值ajk。|Tj|為子集Tj中的樣本數，|Ci

j|為子集Tj中屬于類別Ci的樣本數。其中滿足熒光效應矩陣點標記為1，否則標記為0。H、S和V表示每一像素點在HSV空間的各參量。類標簽分為兩類：真和假。生成數據集如表1所示。

屬性Ak的信息熵為：

信息增益率的計算：

本系統采用了30張磁痕圖像作為訓練集。第1張圖像是由人工直接標定像素點是否為裂紋點的真假（即標簽值），生成正樣本。從第2張圖像開始便開始推理機的訓練。首先，由推理機得到圖像判定的結果圖。然后，通過人工標定結果圖中的錯誤判定從而生成負樣本，統計推理機每條規則分支的錯誤率（如圖5所示），用P表示。正樣本和負樣本構成推理機的專家知識庫。得到專家知識庫以后，依次將規則分枝中信息增益率*(1-P)最大的子節點進行遞歸，直到葉節點中所有樣本屬性取值相同為止。實驗生成的推理機形象表示如圖5所示。

圖5 推理機形象表示

3 實驗總結與驗證

3.1 實時性分析

為了驗證算法的實時性，利用在MATLAB實驗平臺將三種常規分辨率下的共60張磁痕圖片進行實驗處理，統計獲得算法平均耗時數據分析表（如表2所示）。其中，實驗計算機的CPU頻率為2.13GHz，算法耗時的單位為毫秒（ms）。

表2 算法耗時數據分析表

通過資料查詢得知制造業輸送帶運行速度一般不宜大于2.5m/s，并且塊度大和磨損性大的物料和使用固定的卸料裝置應盡量采用更低速。假定工件被運送的速度取為0.0025m/ms，選取最高分辯率的圖像的最大處理時間16.237ms（如表2所示）。通過計算可知，執行圖像處理的耗時過程工件被傳送了0.0405m。因此，只要在生產線上兩工件的擺放距離大于0.0405m，當前工件圖像判定并不會滯后下一工件圖像的判定識別。而工業制造中，工件在傳送帶的擺放距離顯然是大于0.0405m的。

另外，相機主流幀率制式有60fps、30fps和25fps。假定應用該在線檢測系統的生產線選取60幀/秒制式相機以無間斷的視頻流的方式拍攝工件圖片，則攝像機捕捉每一幀圖像的時間間隔為16.67ms。由表2可知，最高分辯率圖像最長耗時為16.237ms，平均時間為15.597ms。因此，在攝像機捕捉下一幀圖片信息時，當前圖片已經處理完畢，算法實現了圖像的即時捕捉和即時處理。

3.2 魯棒性分析

針對算法的魯棒性驗證，實驗進行了不同種類的工件出現的圖像信息捕捉形成黃綠色反光現象（如圖6(a)）、工件裂紋不規則且有偽熒光效應點（如圖6(b)）現象和黃綠色干擾背景下的算法驗證。通過實驗結果圖（如圖6(c)）可知，本文提出的算法具有一定的通用性和很好的移植性，能適用于多種類較復雜環境下的工件探傷。

圖6 實驗結果

4 結束語

本文通過推導物理熒光效應的計算機表達矩陣，實現人眼對黃綠光的感知模擬，算法設計兼顧了檢測的精確性和實時性。推理機的創建和訓練對圖像信息中出現的反光、偽熒光效應點和背景環境等問題具備了良好的魯棒性，系統應用具備了一定的可移植性。因此，本文提出的算法設計具有較為深遠的實際應用價值。同時，算法還具有很多需要改進和繼續完善的地方。訓練集的豐富和對推理機的再訓練以提高檢測的精確性是該算法還需繼續完善的部分；對提取的裂紋所屬種類的判定是該算法可以繼續深入的課題。

[1] 李星優,顏瓊全勇,謝俊,等.關于磁粉檢測分析[J].科技資訊,2014 (08):96.

[2] 黃濤.全自動熒光磁粉探傷中目標識別圖像處理技術研究[D]. 江蘇省:南京理工大學,2012:1-53.

[3] 康健,杜向黨,白龍.火車輪對熒光磁粉探傷圖像的裂紋識別技術研究[J].機械與電子,2013(12):44-46.

[4] 陸寶春,李建文,王婧,等.基于特征差異性的熒光磁粉探傷圖像分割算法[J].南京理工大學學報.2011,35(06):797-800.

[5] 陸寶春,李建文,陳吉朋,等.熒光磁粉探傷自動缺陷識別方法研究[J].南京理工大學學報(自然科學版),2010,34(06):803-808.

[6] 張家棟,張強,霍凱.圖像處理在軸承熒光磁粉探傷中的應用研究[J].計算機技術與發展.2009,19(08):216-219.

[7] Ganesan, P.,Rajini,V.Assessment of satellite image segmentation in RGB and HSV color space using image quality measures[J]. International Conference on Advances in Electrical Engineering .2014:1-5.

[8] Lih-Jen Kau, Tien-Lin Lee. An HSV Model-Based Approach for the Sharpening of Color Images[J].Systems, Man, and Cybernetics (SMC),2013IEEE International Conference on. 2013:150-155.

[9] Lopez del Alamo, C.J., Fuentes Perez, L.J., Romero Calla, L.A., et.. A novel approach for image feature extraction using HSV model color and niters wavelets[J]. Computing Conference (CLEI). 2013:1-7.

[10] 鄭何程,馮建,盧繼平.表面裂紋熒光磁粉檢測分析[J].科技傳播. 2013(12):155-156.

[11] Xiao-qiang Zhao,Jia-min Yang. An improved TANC classification algorithm based on C4.5[J].Control and Decision Conference.2014: 4992-4996.

[12] Hui Zhu, Siyu Chen, Lexiang Zhu, eg.RangeTree:A Feature Selection Algorithm for C4.5 Decision Tree[J].Intelligent Networking and Collaborative Systems.2013:17-22.