陳林宇，劉桂華

（西南科技大學(xué) 特殊環(huán)境機(jī)器人技術(shù)四川省重點(diǎn)實(shí)驗(yàn)室，四川 綿陽 621000）

相對(duì)于X射線、超聲檢測(cè)、渦流檢測(cè)、激光成像等檢測(cè)方法，磁粉探傷技術(shù)具有低成本和高靈敏度的優(yōu)點(diǎn)，目前已廣泛應(yīng)用于金屬工件的表面缺陷檢測(cè)［1］。磁粉探傷中涉及到的磁化工藝、磁粉選型、磁懸液配制與噴灑等關(guān)鍵技術(shù)已經(jīng)相當(dāng)成熟，并已經(jīng)形成標(biāo)準(zhǔn)作業(yè)規(guī)范，但該技術(shù)最為核心的缺陷判別環(huán)節(jié)仍然依靠人工進(jìn)行目檢判別，存在勞動(dòng)強(qiáng)度大、效率低、損害人身健康等客觀缺點(diǎn)。

為替代人工進(jìn)行表面缺陷檢測(cè)并提高檢測(cè)效率，國(guó)內(nèi)外一些科研機(jī)構(gòu)探索將機(jī)器視覺檢測(cè)技術(shù)應(yīng)用于無損檢測(cè)領(lǐng)域，該技術(shù)主要包括數(shù)字圖像處理和模式識(shí)別技術(shù)，是無損檢測(cè)領(lǐng)域中的研究熱點(diǎn)。相關(guān)學(xué)者已經(jīng)取得一定的研究成果：文獻(xiàn)［2］利用分形維數(shù)理論對(duì)磁痕圖像進(jìn)行識(shí)別；文獻(xiàn)［3］采用顏色成分法進(jìn)行軸承檢測(cè)；文獻(xiàn)［4］結(jié)合Canny算子和形態(tài)學(xué)知識(shí)檢測(cè)軸承表面裂紋；文獻(xiàn)［5］提出基于相關(guān)系數(shù)法進(jìn)行表面損傷檢測(cè)；文獻(xiàn)［6］利用PCA-SVM來識(shí)別裂紋。上述成果有很強(qiáng)的理論指導(dǎo)意義，但沒有充分考慮工業(yè)現(xiàn)場(chǎng)的實(shí)際環(huán)境，未形成針對(duì)某一類工件的缺陷自動(dòng)檢測(cè)系統(tǒng)，缺乏實(shí)際應(yīng)用。因此，針對(duì)某廠生產(chǎn)的圓柱滾子、圓錐滾子、內(nèi)（外）圈和圓柱軸套等柱形車削軸承零件，基于改進(jìn)的半自動(dòng)化磁粉探傷機(jī)，運(yùn)用機(jī)器視覺檢測(cè)技術(shù)設(shè)計(jì)了針對(duì)該類型圓柱軸承零件外表面裂紋的自動(dòng)檢測(cè)系統(tǒng)。

1 結(jié)構(gòu)設(shè)計(jì)

系統(tǒng)硬件結(jié)構(gòu)如圖1所示，主要分自動(dòng)磁化裝置、磁懸液噴灑與回收、磁痕圖像在線采集和計(jì)算機(jī)軟件處理與識(shí)別4個(gè)部分。其中，自動(dòng)磁化裝置基于CJW-3000系列磁粉探傷機(jī)改造，可實(shí)現(xiàn)自動(dòng)抓件、工件橫縱向磁化和柱面噴灑磁懸液等功能。具體檢測(cè)流程為：

圖1 系統(tǒng)硬件結(jié)構(gòu)Fig.1 Hardware structure of system

1）機(jī)械手從工件槽取件并放置于固定磁化觸頭處，活動(dòng)磁化觸頭伸長(zhǎng)至接觸工件頂部位置時(shí)，磁化電路開始對(duì)工件進(jìn)行橫縱向磁化，完成磁化后活動(dòng)磁化觸頭縮回原處；

2）機(jī)械手將磁化工件送至網(wǎng)孔狀放置臺(tái)（具備磁懸液循環(huán)回收功能）后回到工件槽抓取下一個(gè)待磁化的工件，同時(shí)磁懸液噴灑裝置會(huì)對(duì)放置臺(tái)上的磁化工件噴灑油性磁懸液，使其柱面充分接觸磁懸液；

3）機(jī)械手將噴灑過磁懸液的工件送至圓形旋轉(zhuǎn)臺(tái)的圓心，啟動(dòng)旋轉(zhuǎn)臺(tái)，在工件頂部的環(huán)形錐面黑光燈照射下，工業(yè)相機(jī)開始對(duì)旋轉(zhuǎn)工件進(jìn)行拍照，得到柱形工件外表面磁痕圖像并將實(shí)時(shí)圖像數(shù)據(jù)傳送至計(jì)算機(jī)；

4）計(jì)算機(jī)對(duì)這些磁痕圖像進(jìn)行自動(dòng)處理并實(shí)時(shí)顯示圓柱軸承零件外表面缺陷判別信息。

2 算法設(shè)計(jì)與實(shí)現(xiàn)

工業(yè)相機(jī)獲取工件圖像后，還需通過計(jì)算機(jī)進(jìn)行圖像處理，該類柱形件表面裂紋的識(shí)別主要分磁痕圖像預(yù)處理、缺陷區(qū)域的特征提取與描述和裂紋自動(dòng)識(shí)別3個(gè)步驟，整個(gè)缺陷識(shí)別的算法設(shè)計(jì)如圖2所示。

圖2 算法設(shè)計(jì)過程Fig.2 Processing of algorithm design

1）磁痕圖像預(yù)處理。主要包括濾波去噪和閾值分割，將彩色磁痕圖像轉(zhuǎn)換成灰度圖像和HSI圖像。對(duì)于灰度圖像，使用二維Otsu閾值法實(shí)現(xiàn)疑似裂紋區(qū)域的分割，并通過形態(tài)學(xué)做進(jìn)一步處理，最終得到二值圖；對(duì)于HSI圖像，將其H通道圖像進(jìn)行多閾值法分割，得到不同顏色的疑似區(qū)域，提取色調(diào)和飽和度2個(gè)顏色特征，精確疑似區(qū)域的邊緣，改善灰度圖像形態(tài)學(xué)處理時(shí)出現(xiàn)邊界偏移的情況。

2）缺陷區(qū)域的特征提取與描述。由于磁痕圖像中可能同時(shí)存在裂紋、磁懸液滴和反光等，因此基于灰度圖預(yù)處理產(chǎn)生的二值圖會(huì)存在多個(gè)疑似區(qū)域。提取每個(gè)疑似區(qū)域的6個(gè)幾何特征和2個(gè)顏色特征，形成一個(gè)8維的特征向量。

3）裂紋自動(dòng)識(shí)別。對(duì)大量磁痕圖像的各疑似區(qū)域進(jìn)行標(biāo)記（即該區(qū)域是否為裂紋），基于上述特征向量及其對(duì)應(yīng)的標(biāo)簽，運(yùn)用分類器進(jìn)行樣本訓(xùn)練以生成判別模型，并通過該模型來判斷后續(xù)待檢測(cè)的磁痕圖像是否存在裂紋。

2.1 磁痕圖像預(yù)處理

磁痕圖像預(yù)處理的目的在于改善磁痕圖像質(zhì)量，抑制無關(guān)信息并增強(qiáng)特征信息。在邊緣信息盡量不丟失的條件下進(jìn)行圖像閾值分割，便于下一步進(jìn)行裂紋疑似區(qū)域的特征提取，其處理結(jié)果的好壞直接影響到后續(xù)的特征提取。

2.1.1 圖像去噪

由于采集環(huán)境黑暗、相機(jī)光電噪聲、鏡頭受磁懸液污染、工件表面吸附的孤立磁粉顆粒等因素影響，造成磁痕圖像存在椒鹽噪聲、灰度不均、對(duì)比度不明顯等現(xiàn)象，而自適應(yīng)中值濾波對(duì)椒鹽噪聲具有很強(qiáng)的去噪能力，常用于邊緣信息的保護(hù)。設(shè)坐標(biāo)（x，y）處灰度值為Zxy，在其最大尺寸為Smax的矩形鄰域 Sxy內(nèi)，Zmin，Zmed，Zmax分別為灰度的最小值、中值、最大值。自適應(yīng)中值濾波算法可表示為如下2個(gè)循環(huán)進(jìn)程［7］：

2.1.2 圖像分割

磁痕圖像經(jīng)過濾波去噪后，分別對(duì)灰度圖和HSI圖像進(jìn)行二維Otsu閾值、多閾值分割。將灰度-局部方差二維直方圖與Otsu閾值法相結(jié)合，不僅能充分描述各像素間的空間聯(lián)系［8］，還保留了Otsu法分割效果好、魯棒性強(qiáng)的特點(diǎn)［9］，進(jìn)行磁痕裂紋圖像分割，一定程度上提高了分割的抗干擾性。

對(duì)于一幅大小為M×N、灰度級(jí)為L(zhǎng)的灰度圖像，分別以 （x，y）鄰域平均灰度 g（x，y）、鄰域灰度方差σ2（x，y）為橫、縱坐標(biāo)，構(gòu)建平均灰度-局部方差二維直方圖，如圖3所示。用（i，j）表示二元組 （g，σ2），cij表示 （i，j）出現(xiàn)的次數(shù)，pij表示出現(xiàn)的概率，則

圖3 平均灰度-局部方差二維直方圖Fig.3 2D histogram of average gray and local variance

在圖3中，目標(biāo)或者背景區(qū)域灰度分布均勻，局部方差較小，落在圖中的A，B區(qū)域；而邊緣、紋理和噪聲的局部方差較大，落在C，D區(qū)域。該直方圖能較好地改善噪聲點(diǎn)（區(qū)域C，D）被錯(cuò)分到目標(biāo)或背景（區(qū)域A，B）的現(xiàn)象，因此能有效去除噪聲，同時(shí)能明確地區(qū)分目標(biāo)和背景，使分割結(jié)果更準(zhǔn)確［9］。

設(shè)A，B區(qū)域出現(xiàn)的概率分別為ωA，ωB；C，D區(qū)域的概率之和近似為0，即ωA+ωB≈1，則目標(biāo)和背景的類間離散測(cè)度矩陣σAB及其跡為

2.2 特征提取與描述

在磁痕圖像中：裂紋區(qū)呈現(xiàn)黃綠色且顏色飽滿，一般為窄條形狀；磁懸液滯留區(qū)域呈現(xiàn)乳白色或者淺黃色，顏色稀薄、邊界光滑、寬度較大；軸承柱面引起的反光區(qū)呈現(xiàn)紫紅色，寬度一致、形狀固定；纖維物區(qū)域呈白色，形狀細(xì)長(zhǎng)、粗細(xì)均勻、曲率變化大。

完成圖像分割后，根據(jù)上述疑似區(qū)域的特點(diǎn)，提取8個(gè)特征并形成8維特征向量以便后續(xù)的樣本訓(xùn)練和裂紋識(shí)別。8個(gè)特征量分別為：

2）面積P，即目標(biāo)區(qū)域中的總像素?cái)?shù)，采用逐像素特征提取法計(jì)算。

3）周長(zhǎng)C，即目標(biāo)區(qū)域邊緣的像素總數(shù)，采用逐像素特征提取法計(jì)算。

5）長(zhǎng)徑／短徑比K，是對(duì)缺陷形狀做出的一種簡(jiǎn)便度量，較大時(shí)表明缺陷為細(xì)長(zhǎng)條形。定義為K＝lL／lW，lL，lW分別為疑似區(qū)域的最小外接矩形的長(zhǎng)和寬。

7）色調(diào)H和飽和度S。HSI模型比較接近人對(duì)顏色的視覺感知，對(duì)色彩描述更為直觀。色調(diào)H表示不同顏色，如黃、綠；飽和度S反映出該純色被白光稀釋的程度，如深紅、淺紅；因此可以用H-S二維聯(lián)合區(qū)間的二維均值來表示該區(qū)域的顏色特征。

2.3 分類器的設(shè)計(jì)

首先，選取一定數(shù)量的裂紋和良品磁痕圖像作為訓(xùn)練樣本集，通過特征提取與描述構(gòu)建工件磁粉圖像樣本集的特征向量集。將該樣本集的特征向量集和標(biāo)簽集輸入至AdaBoost分類器，進(jìn)行樣本訓(xùn)練得到判別模型。

AdaBoost算法的原理是通過多個(gè)弱分類器進(jìn)行線性組合，構(gòu)成一個(gè)強(qiáng)分類器。該算法具有執(zhí)行簡(jiǎn)單、分類效果理想和不會(huì)出現(xiàn)過擬合等特點(diǎn)，是分類器設(shè)計(jì)中的一個(gè)研究熱點(diǎn)［11］。假定二分類的訓(xùn)練樣本集為 T＝｛（x1，y1），（x2，y2），…，（xN，yN）｝，其中 xi∈X＝｛x1，x2，…，xN｝，yi∈Y＝｛-1，+1｝。經(jīng)典的 AdaBoost算法如下［12］：

2）構(gòu)建 T個(gè)弱分類器，令 m ＝1，2，…，T，作如下循環(huán)：

①根據(jù)權(quán)值分布Dm，執(zhí)行弱學(xué)習(xí)算法進(jìn)行訓(xùn)練，得到基本分類器 fm（x）：X→ ｛-1，+1｝。

3 試驗(yàn)分析

3.1 試驗(yàn)驗(yàn)證

根據(jù)上述設(shè)計(jì)思路，針對(duì)柱形件中的一種軸套件，采用手持式面型黑光燈以向下斜射打光方式，基于實(shí)驗(yàn)室環(huán)境搭建了磁痕圖像采集平臺(tái)，如圖4所示。旋轉(zhuǎn)平臺(tái)輸出脈沖信號(hào)觸發(fā)相機(jī)拍照，以實(shí)現(xiàn)軸承磁痕圖像的等角度連續(xù)采集?；谠撈脚_(tái)共采集了有效柱形樣本991個(gè)，其中良品數(shù)量為578個(gè)，次品為413個(gè)。

圖4 試驗(yàn)平臺(tái)Fig.4 Test platform

對(duì)4幅具有代表性的柱形工件表面磁痕圖像進(jìn)行預(yù)處理，結(jié)果如圖5所示。從圖中可以看出：基于H通道多閾值分割效果較好，圖片中裂紋、氣泡、纖維物、反光區(qū)和磁懸液滴區(qū)域均能被有效地分割開，主要幾何特征信息無明顯丟失。

圖5 預(yù)處理效果圖Fig.5 Results of image preprocessing

3.2 結(jié)果與分析

基于MATLAB 2014a平臺(tái)，對(duì)991個(gè)樣本進(jìn)行特征提取并計(jì)算各特征參數(shù)的平均值，裂紋疑似區(qū)域的8個(gè)特征參數(shù)之間的關(guān)系曲線如圖6所示。

圖6 裂紋疑似區(qū)域特征曲線圖Fig.6 Characteristic curves of suspected crack areas

現(xiàn)隨機(jī)抽取良品和次品樣本各200個(gè)作為訓(xùn)練集，余下591個(gè)作為測(cè)試集，具體樣本數(shù)量分布見表1。

表1 樣本分布Tab.1 Distribution of samples

為驗(yàn)證分類器的準(zhǔn)確率，通過增加弱分類器的個(gè)數(shù)驗(yàn)證算法的穩(wěn)定性。按照上述抽取樣本的方法，重復(fù)5次并進(jìn)行訓(xùn)練與測(cè)試，最后取測(cè)試結(jié)果的平均值，弱分類器個(gè)數(shù)與檢測(cè)率之間的曲線關(guān)系如圖7所示。從圖中可以看出：隨著弱分類器個(gè)數(shù)的增加，識(shí)別率會(huì)隨之上升；但當(dāng)弱分類器個(gè)數(shù)增加到一定程度時(shí)，識(shí)別率趨于平穩(wěn)，但會(huì)增加算法復(fù)雜度。

圖7 弱分類器個(gè)數(shù)與識(shí)別率的關(guān)系Fig.7 Relationship between numbers of weak-classifier and recognition rates

總體試驗(yàn)結(jié)果表明：該檢測(cè)方法對(duì)柱形工件的整體檢測(cè)率達(dá)到了84.9%，其中良品軸承工件識(shí)別正確率高達(dá)85.2%，次品正確率高達(dá)81.48%，能基本區(qū)分纖維物、磁懸液滴和反光區(qū)域這類非缺陷干擾，單個(gè)工件從圖像采集到缺陷判別耗時(shí)3.49 s，低于人工檢測(cè)的5.5 s，提高了檢測(cè)效率并降低了檢測(cè)成本，具有一定的工程應(yīng)用意義。

然而，由于磁懸液循環(huán)使用積累的雜質(zhì)和泡沫、柱表面粗糙度不一和柱面反光較強(qiáng)等原因，造成的磁痕圖像分割效果不佳，在一定程度上影響了裂紋識(shí)別的準(zhǔn)確性，后續(xù)可以嘗試添加濾光片、控制磁懸液循環(huán)次數(shù)和溫度、調(diào)整黑光燈強(qiáng)度來改善磁痕圖像質(zhì)量，提高檢測(cè)準(zhǔn)確率。

4 結(jié)束語

就目前無損檢測(cè)領(lǐng)域中磁粉探傷的實(shí)際應(yīng)用來看，將傳統(tǒng)的磁粉探傷技術(shù)和機(jī)器視覺技術(shù)相結(jié)合暫無通用的檢測(cè)方案和設(shè)備，仍是該領(lǐng)域值得探索的熱點(diǎn)。而通過上述研究表明，針對(duì)圓柱（錐）滾子和圓形鋼管這類形狀規(guī)則的柱形工件，表面裂紋檢測(cè)有望實(shí)現(xiàn)全自動(dòng)在線檢測(cè)。