一種基于智能機器視覺識別的工業探傷技術*

牛 乾，劉桂華，康含玉

(西南科技大學 特殊環境機器人技術四川省重點實驗室，四川 綿陽 621000)

0 引言

與超聲檢測和射線檢測相比，磁粉探傷具有檢測表面裂紋靈敏度高、操作簡單、結果可靠、缺陷易辨認、速度快等優點[1]。目前半自動化磁粉檢測裝備已發展成熟，但在缺陷的識別階段仍要依靠人工進行判別，人長期在暗室環境下觀測，勞動強度大、容易產生視覺疲勞，極易造成漏檢，且有損人的身體健康。

為取代人工檢測實現磁粉探傷的自動化、智能化，相關單位進行了一些嘗試，并取得了一些成果：林果等使用PCA-SVM進行裂紋識別[2]，陳林宇等使用幾何特征和Adaboost算法對磁痕類型進行分類[3]，王姮等利用分行維數理論對磁痕圖像進行識別[4]。其中文獻[2]和文獻[3]的識別方法將數字圖像處理技術與機器學習技術相結合, 但是目前使用分類器對缺陷進行判別，在工業現場復雜的環境下單一的分類器判別方法識別速度慢，在實際應用中難以使用，且以上算法識別率依賴于分割效果的好壞。文獻[4]提取磁痕圖像的分行維數進行缺陷識別，識別率低。為解決以上方法中存在的不足，本文提出一種基于統計判別和分類器判別的級聯判別方法，首次將LBP特征應用于磁痕圖像的特征提取，與其他方法相比較具有更高的識別率和更快的檢測速度。且該方法充分考慮到工業應用中的各種因素的干擾，具有很強的實用價值。

1 結構設計

螺栓表面裂紋硬件結構示意圖如圖1所示,主要分為半自動的磁化裝置和圖像采集裝置，其中半自動的磁化裝置基于現有較成熟的磁粉探傷機改造。硬件的具體檢測流程為：

(1)工件由自動上料裝置放置到傳送帶上，由傳送帶輸送工件至磁化裝置下方，磁化觸頭磁化工件的同時，由噴頭均勻噴灑磁懸液至工件表面；

(2)將磁化后的螺栓傳輸至旋轉臺中心，同時啟動旋轉平臺旋轉，在紫光燈照射下采集螺栓表面的磁痕圖像。計算機對采集到的磁痕圖像進行處理得到判別結果并對控制器發送執行命令，由控制器控制機械臂將有缺陷的螺栓工件從旋轉平臺上剔除。

2 算法設計與實現

工業相機獲取螺栓的磁痕圖像后通過圖像處理算法對獲得的磁痕圖像進行處理，表面磁痕裂紋識別的算法設計如圖2所示。

圖2 算法設計流程

(1)磁痕圖像缺陷初次判別。該處理過程主要針對螺栓表面存在的比較明顯的裂紋缺陷，主要包括彩色磁痕圖像的通道分離，并針對磁痕G通道圖像進行去噪和分割處理，對分割后得到的目標區域進行統計，若螺栓表面缺陷面積大于300的區域數量大于0則認為該工件為有缺陷工件。

(2)磁痕圖像缺陷二次判別。收集無缺陷的磁痕圖像，存在裂紋缺陷的磁痕圖像，以及存在磁懸液堆積、纖維物附著的偽缺陷圖像，將樣本分為兩類，對無缺陷樣本和有缺陷樣本進行預處理，提取LBP統一模式特征向量，使用SVM分類器訓練樣本得到判別模型。磁痕圖像缺陷初次判別可識別大多數表面存在裂紋的工件。若磁痕表面存在細微缺陷目標區域與背景對比度不明顯，則初次判別不能有效地識別，對于初次判別認為無缺陷的磁痕圖像提取LBP特征，將提取到的LBP特征輸入判別模型進行判斷，得到判別結果。

2.1 磁痕圖像預處理

柱體金屬表面在紫光燈照射下有不同程度的反光。為減弱金屬表面反光對成像質量的影響，對采集到的彩色磁痕圖像進行通道分離，分離后得到的G通道圖像裂紋與背景對比度最為明顯同時對反光區域有明顯的抑制作用。由于圖像采集的過程中不可避免地混有噪聲，因此需要對采集到的圖像進行去噪操作；針對圖像采集中存在的椒鹽噪聲，采用自適應中值濾波算法對獲取到的G通道圖像進行處理。與其他濾波方法相比，自適應中值濾波能夠有效地抑制椒鹽噪聲，同時能夠較好地保護磁痕圖像的邊緣。其算法思想如下：

圖像(i,j)處的灰度值為f(i,j)，Ai,j為當前的工作窗口，fmax、fmed、fmin為當前工作窗口的灰度最大值、灰度中值、灰度最小值，Amax為預設最大窗口。其實現過程如下：

(1)若fmin

(2)若fmin

對G通道圖像經過濾波操作之后得到的圖像進行分割以獲取目標區域,基于邊緣的分割方法可以有效地避開反光區域準確地將目標區域與背景分割開來。本文采用Sobel邊緣檢測算法，其與其他方法對比具有很好的分割效果。

2.2 缺陷的初次判別

磁痕裂紋分割后得到目標區域，提取目標區域的面積特征Area和裂紋的長度特征Length。

依據現有樣本庫中存在的缺陷特征設定目標區域面積的閾值為Areaθ、長度的閾值為Lengthθ，其判別結果為f(x)。則其決策過程如下：

IF (Area>Areaθ)&&(Length>Lengthθ):

f(x)=True

ELSE

f(x)=False

2.3 磁痕圖像的二次判斷

磁痕圖像的初次判別可以識別缺陷明顯的樣本，但是對于缺陷區域對比度不明顯或由于磁懸液堆積以及由于纖維物附著工件表面造成的偽缺陷，初次判別無法有效地識別，為解決上述問題本文提出將改進的LBP算法應用于磁痕裂紋的特征提取中。LBP是Ojala等人提出的一種有效的紋理特征提取方法，是一種灰度范圍內的紋理度量，在紋理分類上取得了不錯的效果。原始的LBP特征定義在3×3的鄰域內，以鄰域的中心像素灰度值為閾值，將其8鄰域像素值與其中心像素值進行比較，若鄰域像素灰度值高于中心像素值則標記為1，否則標記為0[5-6]。

為方便描述LBP的計算方法，假設圖像任一點像素值為f(xc,yc)，將該點作為中心像素點值gc，在中心像素點周圍等距設定一個鄰域，其所在的鄰域的其他P個像素點灰度值為g0,g1,…,gP-1，使用比較函數s(x)使gp與gc進行相互比較得到一個二值序列：

L=s(g0-gc),s(g1-gc),...,s(gp-1-gc)

其中：

此時得到序列L的元素為0或者1，此模式為局部二值模式。

原始的LBP算法只能夠實現計算一個3×3的鄰域特征值，適應性不強，特征維數過多且缺少旋轉不變性，因此基本的LBP算法并沒有達到理想的識別效果[7-8]。為了增強其計算能力和適用范圍，Ojala等對基本的LBP算子做了進一步的改進和優化。為了達到減少LBP特征維數同時提高LBP特征值的統計特性，本文使用Ojala提出的等價模式的LBP特征。等價模式LBP算子可以描述為對一個局部二進制串在各元素首尾相連的情況下，若1和0的改變次數少于兩次，則認為該模式為等價模式，否則為非等價模式，其數學表達式如下：

其中，

U=|s(gp-1-gc)-s(go-gc)|+

對于3×3鄰域內的8個采樣點，LBP的等價模式將原始的256維特征減少至59維，將LBP特征用于紋理分類識別時，常用LBP的統計直方圖作為圖像的特征描述，較多的模式種類使得數據維數過高，LBP的等價模式使得特征維數大大減少，且不丟失任何信息，并能夠減少高頻噪聲帶來的影響。

2.4 分類器設計

針對工業應用中存在的樣本數量相對不足的問題，本文選用SVM作為樣本分類識別的訓練模型，該分類器在解決小樣本、非線性、高維模式識別中表現出很多優勢[9-10]。該分類器與其他分類器相比具有很好的泛化能力。選取一定數量現場采集的磁痕圖像作為訓練樣本集；正負樣本的比例為1∶1。對正負樣本進行預處理操作，提取LBP特征,將LBP的特征直方圖作為該磁痕圖像的描述子送至分類器中進行訓練。非線性支持向量機學習算法如下：

輸入：磁痕圖像的特征描述子和標簽值T={(x1,y1),(x2,y2),(x3,y3),…,(xN,yN)}，其中xi∈=Rn，yi∈y={-1,+1},i=1,2,3,…,N；

(1)選取合適的核函數K(x,z)和適當的參數C，構造并求解最優化問題：

(2)選取α*的一個正分量0<α*

(3)構造決策函數：

3 實驗分析

由以上實驗設計思路，實驗室搭建實驗平臺如圖3所示。針對螺栓樣件磁化后在實驗室中采集樣本，模擬現場環境采集工件圖像，其中無缺陷工件樣本圖片1 000張，有缺陷工件樣本圖片1 000張。

圖3 實驗硬件平臺

對具有代表性的工件進行預處理。

圖4(a)為采集到的磁痕圖像；圖4(b)為通道分離后的G通道圖像，通道分離后反光區域減弱且裂紋區域與背景對比度增強。圖4(c)為閾值分割后的結果，圖4(d)為區域增長法的分割效果，由于反光的影響，目標物體和反光區域不能有效地分離，這兩種分割方法都會影響初次判別的結果。圖4(e)為Sobel邊緣檢測得到的分割結果，分割效果明顯優于其他分割方法。

圖4 磁痕圖像預處理

圖5(a)為采集到的磁痕圖像的橫向裂紋特征直方圖，(b)為縱向裂紋特征直方圖，(c)為無規則裂紋的特征直方圖，(d)為無缺陷樣本特征直方圖。以特征直方圖作為該樣本的識別特征，放入分類器進行訓練。

圖5 不同類型磁痕圖像Uniform LBP特征直方圖

工業現場隨機抽取1 000個工件進行測試，具體的樣本分布如表1所示。

表1 樣本分布

為驗證小樣本條件下分類器的準確率，本文選用SVM分類器、BP神經網絡和邏輯回歸3種分類器進行對比，如圖6所示。

圖6 不同分類器識別率對比

由圖6可以看出，在工業應用中樣本量相對不足的情況下，SVM分類器的識別率高于BP神經網絡和邏輯回歸。

為驗證本文方法的有效性，分別從識別率、漏檢率、平均識別速度3方面與文獻[2]、文獻[3]和文獻[4]進行對比，結果如表2所示。

表2 識別算法對比

實驗結果表明，在識別率方面本文方法與文獻[2]基于主成分分析的磁痕識別技術相當，優于文獻[3]幾何特征加Adaboost分類器算法、文獻[4]分形維數的磁痕圖像缺陷識別算法；在漏檢率方面本文方法比文獻[2]降低了5.28%，同時優于文獻[3]、[4]；在工件的平均識別速度方面本文方法識別速度為1.02 s，明顯快于以上3種方法。

4 結束語

本文在傳統的缺陷檢測方法基礎上提出將傳統的基于統計的識別方法與基于分類器的識別方法級聯的兩步法磁痕裂紋檢測系統，在特征提取過程中首次將LBP改進算法用于磁痕圖像特征提取中，根據工業中樣本數量相對不足的特點使用SVM分類器訓練模型并對樣本進行識別，與現有算法進行對比，在樣本識別率、漏檢率和平均識別速度上都有很大改進。該算法能夠滿足工業中實時性的要求且具有很強的實用性。

[1] 夏紀真.工業無損檢測技術[M].廣州：中山大學出版社，2013.

[2] 林果,劉桂華. 基于主成分分析的熒光磁粉檢測缺陷識別技術[J]. 微型機與應用,2016,35(1):85-87.

[3] 陳林宇,劉桂華. 基于磁粉探傷的柱形工件裂紋自動檢測方法[J]. 軸承,2017(3):45-49，55.

[4] 王姮,卜燕,張華,等. 基于分形維數的磁痕圖像缺陷檢測[J]. 計算機應用研究, 2015, 32(2): 603-605.

[5] 王憲,張彥,慕鑫,等. 基于改進的LBP人臉識別算法[J]. 光電工程,2012，39(7):109-114.

[6] 藺璇. LBP算法在織物疵點檢測及分類中的應用[D].西安:西安工程大學,2015.

[7] 趙亞丁. 基于LBP的DR圖像缺陷識別算法研究與軟件設計[D].重慶：重慶大學,2015.

[8] 宋本欽,李培軍. 加入改進LBP紋理的高分辨率遙感圖像分類[J]. 國土資源遙感,2010(4):40-45.

[9] 謝鳳英. 數字圖像處理及應用[M]. 北京：電子工業出版社，2014.

[10] 李航.統計學習方法[M].北京:清華大學出版社,2012.