車軸壓裝部相控陣超聲波探傷的各向異性擴散去噪改進算法

彭朝勇，高曉蓉，王　艾

(1.西南交通大學 物理科學與技術學院，四川 成都　610031；2.成都主導科技有限責任公司，四川 成都　610091)

但是，在使用相控陣超聲檢測技術對車軸壓裝部進行全覆蓋探傷[3]時，由于壓裝部輪軸接觸界面(簡稱壓裝界面)存在一定粗糙度[4]和微動腐蝕[5]，使得超聲波在壓裝界面產生較強的界面回波，導致超聲成像質量差，易造成對缺陷的誤判或漏判。目前國內外已經有少數研究團隊針對車軸壓裝部的超聲檢測展開相關優化研究，如德國聯邦材料研究所(BAM)及德國弗勞恩霍夫研究所(Fraunhofer IKTS)對由具有固定幾何尺寸的車軸拐角等引起的固定回波的具體位置和尺寸進行標記，并采用增益控制曲線去除[6]，但用該方法并不能可靠地去除缺陷回波；德國聯邦鐵路公司技術研究中心的無損檢測部門及Arxes-tolina公司都采用相控陣超聲波探傷與合成孔徑聚焦(SAFT)算法相結合的方法提高檢測圖像的分辨率，通過精細化顯示缺陷頂部尖端反射信號和缺陷端角反射信號，可有效排除壓裝界面回波的干擾[7-8]，但SAFT算法計算量大，并需采用特殊的相控陣超聲硬件設備獲取數據，因此目前該方法多用于實驗室研究，并未用于現場對車軸傷損的自動化檢測。

另外，目前的各向異性擴散算法[9-12]雖然在圖像去噪時能保留圖像的邊緣等有用信息，但也存在計算量較大等問題。

本文結合車軸壓裝部超聲檢測圖像的固有特征，通過定義局部區域對比度反映缺陷及壓裝界面回波的聚集特征，并將局部區域對比度作為參數，構建基于區域對比度的自適應各向異性擴散改進算法，利用改進算法對壓裝部超聲圖像進行快速處理，實現對壓裝界面回波的抑制。

1　測試平臺及數據獲取

使用基于相控陣超聲技術的車軸壓裝部超聲波探傷測試平臺(見圖1)對車軸壓裝部上編號分別為1—5的人工裂紋缺陷(見圖2)進行檢測[3]。由圖1可見：當車軸旋轉360°時，相控陣超聲探頭在實施扇形掃查的同時采集車軸周向360°的超聲波檢測數據。

圖1　車軸壓裝部相控陣超聲波探傷測試平臺

圖2　人工裂紋缺陷分布及相控陣超聲檢測方案

在輪對壓裝前后，使用相控陣超聲探頭(PA探頭)最基本的扇形掃查模式對圖2中對應的編號4，1和5這3個人工缺陷進行檢測，得到壓裝前、后壓裝部扇形掃查回波的對比情況如圖3所示。由圖3可見：輪對壓裝后，車軸的壓裝界面回波與缺陷回波相互重疊，信噪比明顯降低，嚴重影響缺陷的辨識。

由于相控陣探頭的楔塊使用的是與車軸表面曲率匹配的弧形楔塊，所以通過弧形楔塊及探頭電子控制單元，可實現縱向(軸向)及橫向(周向)的聲場聚焦。車軸壓裝部縱向裂紋主要是分離輪軸時拔軸操作造成的，而車軸壓裝部自然裂紋為橫向裂紋(斷軸都由橫向裂紋引起的)，按照鐵總運〔2013〕191號《鐵路客車輪軸組裝檢修及管理規則》規定的內容進行人工裂紋加工，人工裂紋也為橫向，即裂紋的周向跨度遠高于軸向跨度，所以聚焦后的聲束在周向及軸向移動掃查橫向裂紋缺陷時，缺陷回波在周向的連續性高于軸向的連續性。另外，由于輪軸接觸面的粗糙度及微動腐蝕等原因使得壓裝界面有較強的回波，因此粗糙度及微動腐蝕在軸向及周向的連續性差異不大。故本文選取相控陣超聲扇形掃查中的1個波束角度，正好對應圖2中編號為1，2和3的3個人工缺陷，采集車軸旋轉360°后的超聲回波信號，并將存在缺陷回波的前后共90 mm聲程段的原始超聲波信號導入Matlab軟件中進行數字信號處理，獲取B掃圖，如圖4所示。圖4中：數字1—3與圖2中的缺陷編號對應；Ω1與Ω2分別為以后續去噪算法中待計算像素點為中心的小區域和大區域。

從此，一個以中國精武體育和精武精神為核心的東亞和東南亞體育文化圈逐漸形成，并不斷向世界擴散，成為一定時期內唯一能相對于國際奧林匹克文化有競爭力的世界性體育文化。當然，由于其在各國組織建設的松散性，也因為20世紀30年代后中國遭到日本帝國主義的侵略，最終其失去了更好的發展良機。

圖3　壓裝前、后壓裝部扇形掃查回波的對比情況

圖4　原始超聲波B掃圖

由圖4可見：壓裝界面的回波幅值偏高，但在平面分布上，壓裝界面回波與缺陷回波的橫向分布存在差異，且該差異明顯大于圖3(b)中界面回波與缺陷回波的縱向分布差異；故選取B掃方式獲取數據，將現有圖像去噪算法結合形態濾波方法對壓裝界面回波進行抑制，提高壓裝部探傷能力。

2　基于區域對比度的自適應各向異性擴散改進算法

由于壓裝界面為固—固粗糙接觸界面，故造成車軸壓裝部缺陷處的壓裝界面存在界面回波。在對車軸壓裝部進行超聲波檢測所得到的B掃圖像中，缺陷回波的強度及連續性均大于壓裝界面回波(見圖4)?；谏鲜鰣D像灰度特征，選用基于圖像灰度梯度進行去噪的各向異性擴散算法處理壓裝部信號，該算法在保留有用信息的同時又能平滑圖像。

Perona和Malik提出各向異性擴散去噪算法[9]，使用偏微分方程根據局部散度算子進行擴散，則離散化的各向異性擴散方程為

gEIE+gWIW+gSIS)

(1)

式中：I為離散圖像的灰度矩陣；x為探頭周向角度的采樣點數；y為聲程采樣點數；t為迭代次數；η為中心點周圍點數，這里η為4(各方向擴散計算的總點數)；λ為控制整體擴散速度；gE，gS，gW，gN分別為東、南、西、北4個方向的擴散系數；IE，IS，IW，IN分別為東、南、西、北各方向圖像灰度的梯度。

Perona和Malik提出的擴散系數函數g(I)為

g(|I|)

(2)

式中：k為邊緣度量參數，也叫平滑參數，是擴散的一個梯度門限，當梯度I大于k，則擴散力度很弱。

式(1)及式(2)構成了各向異性擴散去噪算法，簡稱為PM算法。由式(2)可看出，PM算法會在k值左右形成突變，即為階梯效應，并且當噪聲的梯度與圖像特征的梯度相近時，通過PM算法擴散不但不會抑制噪聲反而會將噪聲加強。各向異性擴散算法在去除散斑噪聲上已有大量改進研究，如Catte提出結合高斯濾波的Catte-PM算法，能有效降低噪聲被加強的概率[10]。但高斯濾波會丟失圖像邊緣信息，導致圖像模糊，不利于缺陷信號的保留。You等人提出高階擴散算法能解決階梯效應[11]，但其計算量較大，且對于壓裝部超聲檢測圖像適應性不高。

為了避免PM算法的弊端，本文結合車軸壓裝部超聲檢測圖像的固有特征，提出基于區域對比度的自適應各向異性擴散改進算法。將圖像中各個待處理像素點所在的小區域(如圖4中所示區域Ω1)內所有像素點灰度值的絕對值均值與其小區域周圍區域(如圖4中所示區域Ω2除去區域Ω1的環形部分)內所有像素點灰度值的絕對值均值的比值作為平滑參數的一部分，得到平滑參數knew，即可構成對像素點所在區域自適應的擴散算法。當遇到突變噪聲時，由于噪聲的不連續性，噪聲幅值在其所在小區域求均值過程中比重大大降低，削弱了knew對噪聲的影響。壓裝部幅值較高且相對集中，而界面回波呈現比缺陷能量稍低的散斑，此種情況雖然小區域均值偏高，但是其周圍大區域均值也相當，所以也削弱了knew對擴散力度的影響。

建立基于區域對比度的自適應各向異性擴散改進算法為

g(|I|)

(3)

其中，

knew=cp-1

式中：c為可控的比例調節系數；n1和n2分別為區域Ω1和Ω2內的像素點數。

3　驗　證

3.1　試驗驗證

λ取0.15，k分別取15和100、對應的迭代數分別取30和10次時，使用PM算法對圖4所示車軸壓裝部檢測的B掃超聲圖像進行處理，結果如圖5(a)和(b)所示。λ取0.15，c取100，Ω1取71點×71點，Ω2取201點×201點，迭代數取10次，使用改進算法對圖像進行處理，結果如圖5(c)所示。

由圖5可見：采用PM算法，k取15、迭代數取30次時，壓裝界面回波無法被有效濾除；同樣采用PM算法，k取100、迭代數取10次時，壓裝界面回波可被有效濾除，但缺陷回波亦被削弱；而使用基于區域對比度的自適應擴散改進算法，壓裝界面回波可被有效濾除，同時缺陷回波得以保留；由此可見，B掃超聲噪聲較多時，一些壓裝界面回波及散斑噪聲通過PM算法反而被加強，如果增大擴散門限即平滑參數k，則有用缺陷信息被削弱，而使用改進算法，即使迭代數降為10次也能有效去除壓裝界面回波的干擾。

圖5　試驗結果對比

對圖5所示采用不同算法得到的去噪效果進行統計，結果見表1。由表1可見：基于改進算法得到的圖像峰值信噪比和對比噪聲比[12]優于基于傳統PM算法得到的，其中峰值信噪比提高5.2 dB，對比噪聲比提高7.8 dB。

表1　采用不同算法得到的去噪效果統計情況　dB

注：計算對比噪聲比時，將B掃圖中缺陷1—缺陷3設為有用信號，3個缺陷所在的聲程范圍內其余的界面回波及噪聲為背景部分

3.2　實車驗證

為驗證改進算法的適用性，在成都車輛段車軸壓裝部相控陣超聲波探傷設備上分別裝入算法改進前后的計算機判傷軟件，對超聲檢測B掃圖像中超出幅值閘門的波形進行報警。

共采集了229個輪對的車軸探傷數據，其中確認的車軸自然缺陷總數為20個。采用不同算法得到的實車車軸判傷結果見表2。表中：漏判比為漏判數與缺陷總數之比，誤判比為誤判數與報警總數之比。

表2　實車車軸判傷統計

由表2可見：使用改進算法后，壓裝界面回波大大削弱，誤判率下降18%，表明基于改進算法，可在確保無缺陷漏判的基礎上降低誤判率，從而使得車軸超聲波自動探傷設備在提高效率的同時保證較高的報警準確率。

4　結　語

在車軸相控陣超聲波自動探傷中，為了有效去除車軸壓裝界面回波的干擾，結合車軸壓裝部裂紋的周向連續性遠高于軸向連續性這一固有特征，選取超聲波聲束沿周向掃查方式對車軸壓裝部進行超聲波檢測， 然后對原始超聲波檢測信號進行數字信號處理，得到車軸壓裝部的B掃圖；基于B掃圖中界面回波與缺陷回波不同的連續性及不同的聚集特征，提出使用局部區域對比度作為聚集特征的表征參數，并將該參數作為各向異性擴散函數的一個參量，對傳統的PM算法進行改進，建立了基于區域對比度的自適應各向異性擴散改進算法。試驗表明，改進算法能很好地消除PM算法存在的階梯效應及噪聲增強弊端，且對于有用信號與噪聲具有不同聚集特征的圖像均有一定參考性；實車驗證也表明，改進算法能在不漏判的情況下使誤判率降低了18%，車軸超聲波自動探傷設備在提高檢測效率的同時，還可以保證較高的檢測準確率。

[1]YANG Guangxue，LI Qiang，XIE Jilong. Experiment Research on the Influence of Fretting on Crack Propagation[J]. Advanced Materials Research，2011，228/229：617-620.

[2]KLINGER C，BETTGE D. Axle Fracture of an ICE3 High Speed Train[J]. Engineering Failure Analysis，2013，35(26)：66-81.

[3]PENG Chaoyong，GAO Xiaorong，PENG Jianping，et al. Research on Axle Press-Fit Phased Array Ultrasonic Inspection Technology[C]//11th European Conference on Non-Destructive Testing. Prague：ECNDT 2014 Session: NDT in Railways，2014.

[4]DRINKWATER B W，DWYER-JOYCE R S，CAWLEY P. A Study of the Interaction between Ultrasound and a Partially Contacting Solid-Solid Interface[J]. Mathematical, Physical and Engineering Sciences，1996，452(1955)：2613-2628.

[5]NISHIOKA K，HIRAKAWA K. Fundamental Investigations of Fretting Fatigue: Part 3, Some Phenomena and Mechanisms of Surface Cracks[J]. Bulletin of JSME，1969，12(51)：397-407.

[6]MARTY P，ENGL G，KRAFFT S，et al. Latest Development in the UT Inspection of Train Wheels and Axles[C] // 18th World Conference on Nondestructive Testing. Durban：WCNDT 2012 Session: Transport: Railroad, Axles, Rails，2012.

[7]ROHRSCHNEIDER A，HINTZE H，OELSCHLGEL T. Further Development of the Ultrasonic Testing of Hollow Axles[C] // 11th European Conference on Non-Destructive Testing. Prague：ECNDT 2014 Session: NDT in Railways，2014.

[8]V?LZ U，HEILMANN P，SPIEKER M. New Approach for a More Detailed Visualisation of Ultrasonic Testing Data of Railway Hollow Axles[C]//19th World Conference on Nondestructive Testing. Berlin：WCNDT 2016 Session: Railway，2016.

[9]PERONA P，MALIK J. Scale-Space and Edge Detection Using Anisotropic Diffusion[J]. IEEE Transaction on Pattern Analysis Machine Intelligence，1990，12(7)：629-639.

[10]CATTE F，LIONS P，MOREL J，et al. Image Selective Smoothing and Edge Detection by Nonlinear Diffusion[J]. SIAM Journal on Numerical Analysis，1992，29(3)：182-193.

[11]YOU Y L，KAVEH M. Fourth-Order Partial Differential Equations for Noise Removal[J]. IEEE Transaction on Image Processing，2000，14(10)：1723-1730.

[12]GUAN Fada，TON Phuc，GE Shuaiping，et al. Anisotropic Diffusion Filtering for Ultrasound Speckle Reduction[J]. Science China: Technological Sciences，2014，57(3)：607-614.

[13]楊巨平. 鐵路貨車車輪超聲波在線檢測中的缺陷識別算法[J]. 中國鐵道科學，2016，37(5)：102-107.

(YANG Juping. Defect Recognition Algorithm in Online Ultrasonic Inspection for Railway Freight Car Wheel[J]. China Railway Science，2016，37(5)：102-107. in Chinese)

[14]杜馨瑜. 電務軌旁設備外觀巡檢圖像增強算法[J]. 中國鐵道科學，2016，37(6)：97-105.

(DU Xinyu. Algorithm for Appearance Inspection Image Enhancement of Trackside Communication and Signal Equipment [J]. China Railway Science，2016，37(6)：97-105. in Chinese)