機器零件疲勞裂紋紋理圖像梯度特征檢測

馮學曉，歐群雍，李軍丹

（鄭州工業(yè)應用技術學院 信息工程學院，鄭州 451150）

0 引言

隨著現代制造業(yè)水平的逐漸提高，各種智能零件的疲勞損傷事故層出不窮。所以，研究機器零件疲勞裂紋檢測，具有十分重要的意義。裂紋的產生時間和位置以及裂紋發(fā)展的過程是判斷機械零件性能的一項重要指標，當前已有的機器零件疲勞裂紋檢測主要通過人工定期巡查完成，整體檢測過程具有一定的間歇性，工人經過長時間的工作，十分疲勞，經常出現漏檢和錯檢的情況。

已有的機器零件疲勞裂紋檢測系統(tǒng)目前仍然局限于特殊的零件形式，應用范圍十分有效。國內相關專家給出了一些較好的缺陷檢測系統(tǒng)研究成果，例如趙春溢等人[1]設計針對風機葉片缺陷檢測的系統(tǒng)，以無人機為飛行載體完成自動巡檢，同時利用圖像分割以及缺陷檢測完成缺陷檢測系統(tǒng)設計。王猛等人[2]以變壓器模塊缺陷檢測為目標，通過CCD相機采集元件圖像，同時展開濾波處理，通過閾值分割以及Blob分析方法提取缺陷特征，最終完成缺陷檢測。李忠海等人[3]優(yōu)先采集圖像，將圖像人工標注處理，采用緊湊型卷積神經網絡（CNN）將分割結果分類處理，完成鋼軌表面缺陷識別和分類，進而構建鋼軌表面缺陷檢測系統(tǒng)。

上述的缺陷檢測系統(tǒng)均是以圖像處理為基礎展開，很好的避免圖像采集過程中成像距離以及動態(tài)模糊等因素對缺陷位置檢測精度造成干擾，但是，以人工智能為基礎的檢測方法缺少對疲勞特征的統(tǒng)一描述，選取的可識別特征無法適應復雜環(huán)境。本文提出并設計基于圖像梯度信息的機器零件疲勞裂紋檢測方法。

1 疲勞裂紋紋理梯度特征的選取

圖像是機器零件疲勞裂紋智能檢測的重要載體，圖像選取特征對檢測結果的準確性產生影響，因此圖像選取的特征是決定檢測穩(wěn)定性和可靠性的關鍵因素。所以，提升機器零件圖像特征的可識別性和適應性是十分重要的。另外，還需要降低外界光對機器零件疲勞裂紋檢測系統(tǒng)的干擾，想要得到高質量的機械零件圖像，硬件的合理設計就顯得十分重要。

當前主要采用主動式照明模型對機器零件疲勞裂紋進行輔助特征采集，具體的組成結構如圖1所示。

圖1 主動式照明模型結構

打光設備需要提前固定在未檢測的機械零件表面，圖像表面會產生漫反射或者鏡面反射，其中一部分光會直接進入到相機中，系統(tǒng)內的成像器件會自動接收這一部分光，進而形成被檢測圖像。沒有產生疲勞裂紋的機械零件表面灰度以及紋理過于自然，對光的漫反射或者鏡面反射具有一致性；假設存在疲勞裂紋，則一致性會被中斷，同時還會導致漫反射和鏡面反射兩者存在明顯差異。另外，如果兩者的取值過大，會影響后續(xù)檢測結果的準確性，所以選擇合理的打光設備是十分重要的。

針對機器零件疲勞裂紋檢測系統(tǒng)而言，高質量的圖像可識別特征需要滿足以下要求：

1）為了突出疲勞裂紋檢測目標，需要根據機械零件特性設計照明方案，確保得到的圖像特征與背景是均勻區(qū)分的。

2）圖像特征與周圍的分辨率差異，也是一項十分重要的指標，如果分辨率差異沒有達到設定要求，就無法完成后續(xù)的檢測工作。

通過上述分析，分別疲勞裂紋紋理梯度特征是必然選擇這一方面，展開詳細的討論和研究：

照明方案下疲勞裂紋紋理梯度特征選取的必然性：

打光的主要目的是降低無利用價值信息產生的影響，有效突出感興趣區(qū)域的相關特征，全面提升機械零件圖像質量。疲勞裂紋紋理梯度特征在打光設備下，在以下幾方面的有明顯優(yōu)勢：

1）疲勞裂紋紋理梯度特征對比度更強：

對被檢測物體打光是為了有效提升機械零件圖像的疲勞裂紋對比度和背景對比度，有效將疲勞裂紋紋理梯度特征突顯出來，疲勞裂紋紋理梯度特征滿足這一要求。

2）均勻性：

疲勞裂紋紋理梯度特征在光照不均勻下，其特征也是均勻粉筆的，不會給后期機械零件圖像處理帶來的困難，所以可以確保圖像特征的均勻性這一要求。

3）亮度：

一般的特征如果亮度如果過大，會導致圖像缺陷部分被淹沒；如果亮度過小，缺陷特征不會十分明顯，導致打光操作喪失本來的意義，但是，疲勞裂紋紋理梯度特征幾乎不受亮度特征影響，也是其成為待識別特征的至關重要因素。

4）穩(wěn)定性：

疲勞裂紋紋理梯度特征在設定時間范圍內，可以保持穩(wěn)定的可識別狀態(tài)，不存在特征衰減問題。

通過分析和對比可知，疲勞裂紋紋理梯度特征的綜合性能最佳，同時也可以滿足實際應用需求，不僅具有可識別性高等特點，同時也不會因為長時間的使用導致特征發(fā)生改變。

2 疲勞裂紋紋理梯度特征檢測方法設計

2.1 去噪方法設計與實現

在選取了疲勞裂紋紋理梯度特征作為識別特征后，首先需要設定閾值，對圖像完成去噪過程[4，5]，選取合適的閾值至關重要。

假設選擇的閾值比較大，則大量有利用價值的信號會被舍棄；假設選擇的閾值比較小，則無法更好去除機械零件圖像中的噪聲。為了有效解決上述問題，需要引入當前系數和對應的父系數乘積作為關聯系數，將關聯系數取值大小作為系數舍取的重要依據。

設定d(i，j)代表高頻系數；c(i，j)代表規(guī)格為3×3的鄰域窗口，則全部高頻系數的平方和可以表示為式(1)的形式：

通過上述操作可以將子代作為處理單元，假設當前高頻系數在機械零件圖像子帶邊緣，則對應的鄰居系數一定會逾越邊界。為了避免上述情況發(fā)生，通過子帶內距離函數替換圖像距離最近系數。

閾值的選取是一個博弈過程，閾值策略的最大目標為：對于噪聲系數而言，需要選擇取值較大的閾值，這樣可以獲取更加理想的去噪結果。

以下給出詳細的基于自適應閾值去噪的機械零件圖像去噪步驟，如圖2所示。

圖2 機械零件圖像去噪處理流程圖

去噪的具體步驟如下：

1）對含噪圖像展開Contourlet變換。

2）計算自適應閾值。

3）判斷自適應閾值是否大于Contourlet系數的平方，如果是，則直接進行步驟4）；反之，則跳轉至步驟7）。

4）假設當前Contourlet系數的父系數不存在，則跳轉至步驟7）；反之，則直接執(zhí)行步驟5）。

5）計算關聯系數。

6）確定Contourlet系數的取值范圍。

7）將鄰域窗口滑動至下一個Contourlet系數，同時重復步驟2）～步驟6），直至完成全部Contourlet系數的處理。

8）通過低頻Contourlet系數和處理之后的高頻Contourlet系數實行逆變換處理，重構原始機械零件圖像，最終達到機械圖像去噪的目的。

2.2 疲勞裂紋紋理梯度特征識別

在機械零件圖像處理過程中，通過圖像梯度信息可以有效反映機械零件圖像的邊緣信息，同時還可以獲取機械零件的外觀以及形狀特征變化情況。機械零件圖像特征提取的詳細操作流程如圖3所示。

圖3 機械零件圖像梯度信息提取流程圖

1）機械零件圖像顏色歸一化處理：

在實際研究過程中，由于檢測環(huán)境不同，所以目標圖像對應的光照條件也會存在十分明顯的差異。對機械零件圖像中顏色歸一化處理的主要目的就是將光照以及背景等因素對圖像質量產生的影響下調至最低。當機械零件圖像的局部特征發(fā)生突變，會產生圖像邊緣；當圖像中相鄰像素的變化越小，則圖像區(qū)域變化越明顯，得到的梯度幅值也會隨之下降。

模擬圖像n(x，y)中任意像素點(x，y)的梯度計算公式如式(1)所示。

式(1)中，Hx和Hy分別代表在x和y方向的梯度；(a，b)代表圖像梯度幅值對應的坐標位置；?代表梯度方向角；f代表常數。

2）計算單元的梯度直方圖：

將目標窗口劃分為多個大小相同的單元，同時分別計算不同單元對應的梯度信息H(x，y)，對應的計算式如式(2)所示。

3）重疊塊直方圖歸一化處理：

分析機械零件圖像梯度計算公式可知，圖像梯度幅值的絕對值取值大小會直接對圖像的前景和背景對比度產生影響，同時還會導致檢測結果不準確等問題的產生。

4）提取機械零件圖像梯度信息：

場景理解是計算機視覺中一項十分重要的任務，對于圖像而言，需要將圖像分層思想引入圖像理解系統(tǒng)中，通過機械零件圖像中的空間模型以及目標各個部件之間的位置信息相關距離函數完成圖像理解。在圖像分層結構中，不同層分別代表不同類型的圖像信息，則整幅圖像中的目標裂紋I(z)可以表示為式(3)的形式：

式(3)中，went、vent和door分別代表不同類型的機械零件圖像信息。

通過上述分析，將各個目標的復合實體位置提取出來，同時組建機械零件特征數據庫，同時將提取到的圖像梯度信息輸入到已經完成訓練的分類器中，最終達到機器零件疲勞裂紋檢測的目的。

4 實驗設計與分析

為了驗證所提基于圖像梯度信息的機器零件疲勞裂紋檢測系統(tǒng)的有效性，采用圖4所示的檢測平臺進行實驗驗證。

圖4 檢測平臺

通過本文系統(tǒng)、文獻[2]系統(tǒng)、文獻[3]系統(tǒng)對機器零件疲勞裂紋進行檢測，詳細的實驗測試結果如圖5所示。

圖5 機械零件疲勞裂紋檢測結果對比

分析圖5中的實驗圖像裂紋檢測結果可知，本文系統(tǒng)可以準確檢測機械零件疲勞裂紋，而另外兩種檢測系統(tǒng)只可以檢測到局部疲勞裂紋。由此可見，所提系統(tǒng)具有較高的機械零件疲勞裂紋檢測結果。

隨機選取100幅圖像作為測試樣本，分別選取誤檢率以及漏檢率作為測試指標，三種檢測系統(tǒng)的詳細實驗測試結果如圖6和圖7所示。

圖6 誤檢率測試結果對比

圖7 漏檢率測試結果對比

分析圖6和圖7中的實驗數據可知，在三種檢測系統(tǒng)中，本文檢測系統(tǒng)的誤檢率和漏檢率均低于另外兩種系統(tǒng)，說明所提系統(tǒng)可以獲取比較滿意的檢測結果。

為了進一步驗證本文系統(tǒng)的檢測性能，以下實驗測試選取檢測時間作為測試指標，詳細的測試結果如表1所示：

表1 檢測時間測試結果分析

通過表1中的實驗數據可知，本文系統(tǒng)的機械零件疲勞裂紋檢測時間明顯低于另外兩種系統(tǒng)。由此可見，本文系統(tǒng)可以以較快的速度完成檢測，提高了檢測效率。

4 結語

針對傳統(tǒng)檢測系統(tǒng)存在的不足，設計并提出一種基于圖像梯度信息的機器零件疲勞裂紋檢測系統(tǒng)。經大量實驗測試證明，所提系統(tǒng)不僅可以有效降低機器零件疲勞裂紋檢測時間，同時還可以獲取高精度的檢測結果，可以獲取更加全面的疲勞裂紋特征信息。