牛 乾，劉桂華，康含玉

(西南科技大學(xué) 特殊環(huán)境機(jī)器人技術(shù)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(jié)果可靠、缺陷易辨認(rèn)、速度快等優(yōu)點[1]。目前半自動化磁粉檢測裝備已發(fā)展成熟，但在缺陷的識別階段仍要依靠人工進(jìn)行判別，人長期在暗室環(huán)境下觀測，勞動強(qiáng)度大、容易產(chǎn)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(xiàn)磁粉探傷的自動化、智能化，相關(guān)單位進(jìn)行了一些嘗試，并取得了一些成果：林果等使用PCA-SVM進(jìn)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(jìn)行分類[3]，王姮等利用分行維數(shù)理論對磁痕圖像進(jìn)行識別[4]。其中文獻(xiàn)[2]和文獻(xiàn)[3]的識別方法將數(shù)字圖像處理技術(shù)與機(jī)器學(xué)習(xí)技術(shù)相結(jié)合, 但是目前使用分類器對缺陷進(jìn)行判別，在工業(yè)現(xiàn)場復(fù)雜的環(huán)境下單一的分類器判別方法識別速度慢，在實際應(yīng)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(xiàn)[4]提取磁痕圖像的分行維數(shù)進(jìn)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(tǒng)計判別和分類器判別的級聯(lián)判別方法，首次將LBP特征應(yīng)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(yè)應(yīng)用中的各種因素的干擾，具有很強(qiáng)的實用價值。

1 結(jié)構(gòu)設(shè)計

螺栓表面裂紋硬件結(jié)構(gòu)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(xiàn)有較成熟的磁粉探傷機(jī)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(zhuǎn)臺中心，同時啟動旋轉(zhuǎn)平臺旋轉(zhuǎn)，在紫光燈照射下采集螺栓表面的磁痕圖像。計算機(jī)對采集到的磁痕圖像進(jìn)行處理得到判別結(jié)果并對控制器發(fā)送執(zhí)行命令，由控制器控制機(jī)械臂將有缺陷的螺栓工件從旋轉(zhuǎn)平臺上剔除。

2 算法設(shè)計與實現(xiàn)

工業(yè)相機(jī)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(jìn)行處理，表面磁痕裂紋識別的算法設(shè)計如圖2所示。

圖2 算法設(shè)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(jìn)行去噪和分割處理，對分割后得到的目標(biāo)區(qū)域進(jìn)行統(tǒng)計，若螺栓表面缺陷面積大于300的區(qū)域數(shù)量大于0則認(rèn)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(jìn)行預(yù)處理，提取LBP統(tǒng)一模式特征向量，使用SVM分類器訓(xùn)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(shù)表面存在裂紋的工件。若磁痕表面存在細(xì)微缺陷目標(biāo)區(qū)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(rèn)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(jìn)行判斷，得到判別結(jié)果。

2.1 磁痕圖像預(yù)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(zhì)量的影響，對采集到的彩色磁痕圖像進(jìn)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(qū)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(jìn)行去噪操作；針對圖像采集中存在的椒鹽噪聲，采用自適應(yīng)中值濾波算法對獲取到的G通道圖像進(jìn)行處理。與其他濾波方法相比，自適應(yīng)中值濾波能夠有效地抑制椒鹽噪聲，同時能夠較好地保護(hù)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(dāng)前的工作窗口，fmax、fmed、fmin為當(dāng)前工作窗口的灰度最大值、灰度中值、灰度最小值，Amax為預(yù)設(shè)最大窗口。其實現(xiàn)過程如下：

(1)若fmin

(2)若fmin

對G通道圖像經(jīng)過濾波操作之后得到的圖像進(jìn)行分割以獲取目標(biāo)區(qū)域,基于邊緣的分割方法可以有效地避開反光區(qū)域準(zhǔn)確地將目標(biāo)區(qū)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(biāo)區(qū)域，提取目標(biāo)區(qū)域的面積特征Area和裂紋的長度特征Length。

依據(jù)現(xiàn)有樣本庫中存在的缺陷特征設(shè)定目標(biāo)區(qū)域面積的閾值為Areaθ、長度的閾值為Lengthθ，其判別結(jié)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(qū)域?qū)Ρ榷炔幻黠@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(jìn)的LBP算法應(yīng)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(nèi)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(nèi)，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(jìn)行比較，若鄰域像素灰度值高于中心像素值則標(biāo)記為1，否則標(biāo)記為0[5-6]。

為方便描述LBP的計算方法，假設(shè)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(shè)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(shù)s(x)使gp與gc進(jìn)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?qū)崿F(xiàn)計算一個3×3的鄰域特征值，適應(yīng)性不強(qiáng)，特征維數(shù)過多且缺少旋轉(zhuǎn)不變性，因此基本的LBP算法并沒有達(dá)到理想的識別效果[7-8]。為了增強(qiáng)其計算能力和適用范圍，Ojala等對基本的LBP算子做了進(jìn)一步的改進(jìn)和優(yōu)化。為了達(dá)到減少LBP特征維數(shù)同時提高LBP特征值的統(tǒng)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(jìn)制串在各元素首尾相連的情況下，若1和0的改變次數(shù)少于兩次，則認(rèn)為該模式為等價模式，否則為非等價模式，其數(shù)學(xué)表達(dá)式如下：

其中，

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

對于3×3鄰域內(nèi)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(tǒng)計直方圖作為圖像的特征描述，較多的模式種類使得數(shù)據(jù)維數(shù)過高，LBP的等價模式使得特征維數(shù)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(shè)計

針對工業(yè)應(yīng)用中存在的樣本數(shù)量相對不足的問題，本文選用SVM作為樣本分類識別的訓(xùn)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(xiàn)出很多優(yōu)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(shù)量現(xiàn)場采集的磁痕圖像作為訓(xùn)練樣本集；正負(fù)樣本的比例為1∶1。對正負(fù)樣本進(jìn)行預(yù)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(jìn)行訓(xùn)練。非線性支持向量機(jī)學(xué)習(xí)算法如下：

輸入：磁痕圖像的特征描述子和標(biāo)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(shù)K(x,z)和適當(dāng)?shù)膮?shù)C，構(gòu)造并求解最優(yōu)化問題：

(2)選取α*的一個正分量0<α*

(3)構(gòu)造決策函數(shù)：

3 實驗分析

由以上實驗設(shè)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(xiàn)場環(huán)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(jìn)行預(yù)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(qū)域減弱且裂紋區(qū)域與背景對比度增強(qiáng)。圖4(c)為閾值分割后的結(jié)果，圖4(d)為區(qū)域增長法的分割效果，由于反光的影響，目標(biāo)物體和反光區(qū)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(jié)果。圖4(e)為Sobel邊緣檢測得到的分割結(jié)果，分割效果明顯優(yōu)于其他分割方法。

圖4 磁痕圖像預(yù)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(guī)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(jìn)行訓(xùn)練。

圖5 不同類型磁痕圖像Uniform LBP特征直方圖

工業(yè)現(xiàn)場隨機(jī)抽取1 000個工件進(jìn)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(zhǔn)確率，本文選用SVM分類器、BP神經(jīng)網(wǎng)絡(luò)和邏輯回歸3種分類器進(jìn)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(yè)應(yīng)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(jīng)網(wǎng)絡(luò)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(xiàn)[2]、文獻(xiàn)[3]和文獻(xiàn)[4]進(jìn)行對比，結(jié)果如表2所示。

表2 識別算法對比

實驗結(jié)果表明，在識別率方面本文方法與文獻(xiàn)[2]基于主成分分析的磁痕識別技術(shù)相當(dāng)，優(yōu)于文獻(xiàn)[3]幾何特征加Adaboost分類器算法、文獻(xiàn)[4]分形維數(shù)的磁痕圖像缺陷識別算法；在漏檢率方面本文方法比文獻(xiàn)[2]降低了5.28%，同時優(yōu)于文獻(xiàn)[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(jié)束語

本文在傳統(tǒng)的缺陷檢測方法基礎(chǔ)上提出將傳統(tǒng)的基于統(tǒng)計的識別方法與基于分類器的識別方法級聯(lián)的兩步法磁痕裂紋檢測系統(tǒng)，在特征提取過程中首次將LBP改進(jìn)算法用于磁痕圖像特征提取中，根據(jù)工業(yè)中樣本數(shù)量相對不足的特點使用SVM分類器訓(xùn)練模型并對樣本進(jìn)行識別，與現(xiàn)有算法進(jìn)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(jìn)。該算法能夠滿足工業(yè)中實時性的要求且具有很強(qiáng)的實用性。

[1] 夏紀(jì)真.工業(yè)無損檢測技術(shù)[M].廣州：中山大學(xué)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(shù)[J]. 微型機(jī)與應(yīng)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(shù)的磁痕圖像缺陷檢測[J]. 計算機(jī)應(yīng)用研究, 2015, 32(2): 603-605.

[5] 王憲,張彥,慕鑫,等. 基于改進(jìn)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(yīng)用[D].西安:西安工程大學(xué),2015.

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

[8] 宋本欽,李培軍. 加入改進(jìn)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(shù)字圖像處理及應(yīng)用[M]. 北京：電子工業(yè)出版社，2014.

[10] 李航.統(tǒng)計學(xué)習(xí)方法[M].北京:清華大學(xué)出版社,2012.