唐長(zhǎng)明,鐘劍鋒,鐘舜聰,2,陳 曼,伏喜斌,黃學(xué)斌

(1.福州大學(xué) 機(jī)械工程及自動(dòng)化學(xué)院光學(xué)/太赫茲及無(wú)損檢測(cè)實(shí)驗(yàn)室，福建 福州 350108;2.上海大學(xué) 機(jī)電工程及自動(dòng)化學(xué)院，上海 200444;3.廈門市特種設(shè)備檢驗(yàn)檢測(cè)院，福建 廈門 361000)

0 引言

超聲紅外技術(shù)是一項(xiàng)將超聲波技術(shù)和紅外技術(shù)相結(jié)合的新興無(wú)損檢測(cè)技術(shù)，它對(duì)結(jié)構(gòu)件的表面裂紋、近表面裂紋、分層和脫粘等界面類缺陷具有良好的檢測(cè)效果。相比于其他激勵(lì)方式的紅外熱成像技術(shù)，超聲紅外熱像法是采用超聲波作為激勵(lì)源，因其激勵(lì)強(qiáng)度大、作用時(shí)間短，從而具有檢測(cè)速度快，能實(shí)現(xiàn)大面積檢測(cè)的優(yōu)勢(shì)，并且無(wú)需對(duì)檢測(cè)對(duì)象進(jìn)行表面預(yù)處理[1-3]。該檢測(cè)法是利用超聲波在缺陷處的衰減生熱來(lái)檢測(cè)裂紋，能夠在缺陷處選擇性加熱，增強(qiáng)了檢測(cè)圖像的信噪比，提高了檢測(cè)的靈敏度，適用于形狀結(jié)構(gòu)復(fù)雜無(wú)規(guī)則、大重量級(jí)的檢測(cè)對(duì)象[4-5]。在實(shí)驗(yàn)過(guò)程中由于背景噪聲、材料不均勻等因素使得紅外熱像儀采集到的熱像圖存在成分復(fù)雜、噪聲嚴(yán)重、邊緣模糊等缺點(diǎn)[6]，易造成對(duì)缺陷的誤判，同時(shí)為了進(jìn)一步將超聲紅外無(wú)損檢測(cè)推向工程應(yīng)用，需要實(shí)現(xiàn)缺陷的自動(dòng)識(shí)別。

鑒于此，本文提出一種對(duì)超聲激勵(lì)作用下的紅外圖像實(shí)現(xiàn)自動(dòng)檢測(cè)的方法，采用圖像差分運(yùn)算和形態(tài)學(xué)開(kāi)運(yùn)算對(duì)圖像進(jìn)行去噪，結(jié)合改進(jìn)的自適應(yīng)遺傳算法和二維最大熵對(duì)圖像進(jìn)行閾值分割，提取缺陷區(qū)域，并進(jìn)一步利用連通區(qū)域標(biāo)記實(shí)現(xiàn)缺陷位置的提取。

1 二維最大熵圖像分割法

由于一維最大熵分割方法只考慮自身像素點(diǎn)而沒(méi)有考慮鄰域像素點(diǎn)的信息，當(dāng)圖像的對(duì)比度低、背景噪聲嚴(yán)重時(shí)，灰度直方圖不一定有波峰和波谷，此時(shí)利用一維最大熵法方法進(jìn)行閾值分割效果不好，目標(biāo)區(qū)域和背景區(qū)域不能很好地區(qū)分開(kāi)。為此，一些學(xué)者提出了二維最大熵閾值分割的方法，該方法是一種結(jié)合本身像素點(diǎn)灰度信息和鄰域灰度值信息的閾值分割方法[6-7]。

假設(shè)一張大小為MXN，具有L級(jí)灰度值紅外圖像的二維直方圖的xoy平面圖如圖1所示。圖中橫坐標(biāo)為原圖像f(i,j)的灰度級(jí)，縱坐標(biāo)為對(duì)原圖像經(jīng)過(guò)平滑處理后求得的圖像g(i,j)的灰度級(jí)，區(qū)域1、2 代表的是目標(biāo)區(qū)域和背景區(qū)域，區(qū)域3、4 代表的是噪聲和邊界。二維最大熵分割方法是通過(guò)選取一定的閾值(s,t)，使得區(qū)域1 和區(qū)域2 的熵之和為最大值。

圖1 二維直方圖投影圖Fig.1 Two-dimensional histogram projection

圖像的二維直方圖可由公式(1)計(jì)算得出:

式中:h(x,y)為原圖像中灰度值為x、且鄰域平均灰度值為y的像素點(diǎn)的個(gè)數(shù);M和N分別為圖像的橫向、縱向分辨率。假設(shè)分割的閾值選為(s,t)，則紅外圖像中目標(biāo)區(qū)域1 和背景區(qū)域2 的概率分別為:

則紅外圖像中目標(biāo)區(qū)域1 和背景區(qū)域2 的熵分別為:

將紅外圖像的二維熵函數(shù)H(s,t)定義為:

當(dāng)熵函數(shù)H(s,t)取得最大值時(shí)，對(duì)應(yīng)的(s*,t*)即為二維最大熵閾值:

2 改進(jìn)的自適應(yīng)遺傳算法

遺傳算法(Genetic Algorithms,GA)是由Michigan大學(xué)的J.Holland 教授提出的一種模擬達(dá)爾文生物進(jìn)化論的尋找全局最優(yōu)值搜索算法[8-9]。遺傳算法是將隨機(jī)生成幾個(gè)初始解作為初始群體即第一代，然后初始群體像生物進(jìn)化一樣進(jìn)行"優(yōu)勝劣汰"的選擇、交叉繁殖、基因變異等，產(chǎn)生生存能力更強(qiáng)、性能更優(yōu)于子代群體，子代群體又作為新父代產(chǎn)生新的子代群體，如此循環(huán)，得到的解越來(lái)越靠近最優(yōu)解[10-11]。

簡(jiǎn)單遺傳算法存在著一些缺點(diǎn)，比如收斂性差、求解速度慢、容易陷入局部最優(yōu)解。國(guó)內(nèi)外有許多學(xué)者針對(duì)簡(jiǎn)單遺傳算法的缺點(diǎn)展開(kāi)了大量的研究，提出了許多不同的改進(jìn)遺傳算法，使遺傳算法的性能得到了很大程度的改善，提高了遺傳算法的適用性。本文在此基礎(chǔ)上，對(duì)簡(jiǎn)單遺傳算法中的3 個(gè)遺傳算子進(jìn)行改進(jìn)來(lái)提高遺傳算法的計(jì)算速度和收斂性。

本文算法的基本流程:

1)編碼。本文采用的是二進(jìn)制編碼，由于圖像的灰度級(jí)為256，故每個(gè)個(gè)體的二進(jìn)制編碼為16 位，前面8 位為原紅外圖像的閾值s，后面8 位為對(duì)原紅外圖像經(jīng)過(guò)平滑處理后圖像的閾值t。

2)生成初始群體。本文采取完全隨機(jī)的方法在可行解空間生成初始群體。通常種群規(guī)模的數(shù)量為20～100，本文的種群規(guī)模設(shè)定為20。

3)適應(yīng)度函數(shù)。本文采取的適應(yīng)度函數(shù)為紅外圖像的二維熵函數(shù)。

4)遺傳算子。本文的選擇算子同時(shí)結(jié)合輪盤賭選擇法和最優(yōu)個(gè)體保留。本文算法采取10%的最優(yōu)個(gè)體保留的方法，即每次進(jìn)行輪盤賭選擇前，先從20 個(gè)群體中選擇2 個(gè)最優(yōu)個(gè)體無(wú)條件復(fù)制進(jìn)入下一步操作。

在簡(jiǎn)單遺傳算法中，交叉率Pc與變異率Pm均是采用固定值，這使得取值較為困難，若取值太大在算法后期會(huì)破壞優(yōu)秀個(gè)體，太小則使得算法前期搜索能力較差[12]。針對(duì)此問(wèn)題，SRINVIVAS 等人曾提出了一種交叉率Pc和變異率Pm隨著種群進(jìn)化而自動(dòng)調(diào)整的自適應(yīng)基本遺傳算法。該算法的交叉率Pc和變異率Pm的調(diào)整如式(8)和式(9)所示[13]:

式中:k1、k2、k3、k4為常數(shù)，值域?yàn)?0,1);fmax當(dāng)代群體中的最大適應(yīng)度值;favg為當(dāng)代群體平均適應(yīng)度值;f′為當(dāng)代待交叉染色體對(duì)中的較大適應(yīng)值;f為待變異個(gè)體的適應(yīng)度值。

從上述兩個(gè)公式可以看出，該算法的交叉率Pc和變異率Pm隨著種群的進(jìn)化而變小，可以提高收斂速度。但是，該算法存在著不足，當(dāng)待交叉?zhèn)€體或者待變異個(gè)體的適應(yīng)度值很接近或者等于群體中最大適應(yīng)度值時(shí)，交叉率Pc和變異率Pm直接等于0，這種情況要是發(fā)生在算法早期的局部最優(yōu)個(gè)體上，會(huì)使算法收斂于具有最優(yōu)解，形成偽解。因此，本文在此基礎(chǔ)上，采用改進(jìn)的算子，即使在算法幾乎收斂的時(shí)候，交叉率Pc和變異率Pm仍然不為0，該算子如式(10)和式(11)所示:

式中:k1為最大變異率，在本算法中將其取為0.9;k2為最大變異率，在本算法中將其取為0.1。從式中可以看出，經(jīng)過(guò)改進(jìn)的算子在算法的初始階段交叉率Pc和變異率Pm都取較大值，提高算法的搜索性能，加快搜索速度，同時(shí)在算法的后期階段，適當(dāng)?shù)亟档徒徊媛蔖c和變異率Pm防止過(guò)度破壞最優(yōu)個(gè)體，加快收斂，此時(shí)的交叉率Pc和變異率Pm并不為0，不會(huì)陷入局部最優(yōu)解。

5)迭代終止條件。本算法的終止條件為:當(dāng)算法達(dá)到最大迭代次數(shù)時(shí)終止，本算法的最大迭代次數(shù)為200;或者當(dāng)子代的群體平均適應(yīng)度與上一代群體的平均適應(yīng)度的差小于0.001 同時(shí)子代個(gè)體中的最大適應(yīng)度不等于0 時(shí)算法終止。由于實(shí)驗(yàn)得到的圖像經(jīng)過(guò)預(yù)處理后，圖像中大部分的區(qū)域都是屬于低灰度級(jí)，為了防止算法在初始幾代中出現(xiàn)連續(xù)兩代群體的適應(yīng)度值全部為0 而導(dǎo)致終止，故采取當(dāng)子代個(gè)體中最大適應(yīng)度不等于0 時(shí)方可終止迭代。

本文的圖像分割算法流程圖如圖2所示。

3 實(shí)驗(yàn)與分析

3.1 試件的滲透檢測(cè)

本文實(shí)驗(yàn)利用超聲紅外熱像技術(shù)檢測(cè)奧氏體不銹鋼焊縫裂紋，焊縫裂紋是通過(guò)焊接工藝在焊縫上隨機(jī)產(chǎn)生的表面裂紋。為了驗(yàn)證后續(xù)實(shí)驗(yàn)的正確性，首先對(duì)實(shí)驗(yàn)試件進(jìn)行滲透檢測(cè)，以確定裂紋的數(shù)量及位置，滲透檢測(cè)結(jié)果如圖3所示。

3.2 圖像預(yù)處理

本研究選取在超聲波激勵(lì)幅值A(chǔ)=32 μm、激勵(lì)頻率f=20 kHz、激勵(lì)時(shí)間t=2 s 實(shí)驗(yàn)條件下的熱波序列圖為例進(jìn)行圖像處理。該實(shí)驗(yàn)的紅外熱波序列圖如圖4所示。由于奧氏體不銹鋼試件反射率高、采集設(shè)備、操作等原因，導(dǎo)致采集到的實(shí)驗(yàn)圖像具有一定背景噪聲。本文首先利用多圖像平均法對(duì)序列圖處理得到平均圖像，再將平均圖像減去初始圖像去背景噪聲。

圖2 圖像分割流程圖Fig.2 Image segmentation flow chart

在差分運(yùn)算后得到的圖像中，一些比較明顯的、具有干擾性的背景噪聲被較好地抑制，但是仍然存在著一些由試件高頻振動(dòng)引起的細(xì)微干擾信號(hào)，為此，本文采用形態(tài)學(xué)開(kāi)運(yùn)算去除細(xì)微的干擾信號(hào)。圖像預(yù)處理過(guò)程如圖5所示。

3.3 圖像分割

對(duì)預(yù)處理后的圖像進(jìn)行分割，利用本文的分割方法進(jìn)行分割的結(jié)果如圖6所示。

從圖中可以看出，盡管由于熱的傳播使得裂紋區(qū)域面積比實(shí)際情況稍大，但還是能夠準(zhǔn)確地分割出裂紋區(qū)域。從圖3的滲透檢測(cè)實(shí)驗(yàn)結(jié)果可以看出，2 號(hào)裂紋和3 號(hào)裂紋兩個(gè)裂紋之間的間隔非常短，熱流的傳導(dǎo)使得兩個(gè)裂紋摩擦生熱產(chǎn)生的溫度場(chǎng)相互影響形成一個(gè)升溫區(qū)域，故圖6中的2 號(hào)裂紋和3 號(hào)裂紋融合成同一塊目標(biāo)區(qū)域了。

為驗(yàn)證本文算法的準(zhǔn)確性，本文利用窮舉法和簡(jiǎn)單遺傳算法對(duì)同一張圖像進(jìn)行分割，分割的結(jié)果如圖7、圖8所示。對(duì)比圖6可以看出，相比于簡(jiǎn)單遺傳算法，改進(jìn)的自適應(yīng)遺傳算法分割的結(jié)果更接近于窮舉法的分割結(jié)果，表明了本文算法具有更高的分割精度。

進(jìn)一步地，本文對(duì)該算法的分割速度進(jìn)行驗(yàn)證，由于遺傳算法的分割具有隨機(jī)性，每次的分割結(jié)果和效率都會(huì)有細(xì)微的差別。因此，本文利用每種算法對(duì)同一張圖像進(jìn)行20 次分割，取其平均值，實(shí)驗(yàn)數(shù)據(jù)如表1所示。

從表1中可以看出，基于改進(jìn)遺傳算法的二維最大熵分割速度遠(yuǎn)遠(yuǎn)高于窮舉法的分割速度，分割時(shí)間從54.227 s 降低到0.4115 s;相比簡(jiǎn)單遺傳算法，改進(jìn)遺傳算法的平均運(yùn)算時(shí)間從0.6045 s 縮短到了0.4115 s，降低了31.93%，分割速度也有了明顯的改善。

圖3 滲透檢測(cè)結(jié)果圖Fig.3 Penetration test results

圖4 試件表面紅外熱波序列圖(A=32 μm)Fig.4 Infrared heat wave sequence of specimen surface (A=32 μm)

圖5 圖像預(yù)處理Fig.5 Image preprocessing

圖6 改進(jìn)遺傳算法分割結(jié)果Fig.6 Segmentation result using improved genetic method

圖7 窮舉法分割結(jié)果Fig.7 Segmentation result using exhaustive method

圖8 基本遺傳算法分割結(jié)果Fig.8 Segmentation result using basic genetic algorithm

為了進(jìn)一步說(shuō)明本文算法的有效性，本文對(duì)在另外兩個(gè)激勵(lì)幅值A(chǔ)=24 μm、A=28 μm 激勵(lì)下的紅外熱波序列圖進(jìn)行圖像處理，激勵(lì)頻率f=20 kHz、激勵(lì)時(shí)間t=2 s，利用本文的算法的分割過(guò)程及結(jié)果如圖9和圖10所示。

表1 不同算法的圖像分割速度比較Table 1 Segmentation speed of different methods

圖9 圖像分割結(jié)果(A=24 μm)Fig.9 Segmentation result (A=24 μm)

圖10 圖像分割結(jié)果(A=28 μm)Fig.10 Segmentation result (A=28 μm)

從圖中可以看出，在兩個(gè)激勵(lì)幅值A(chǔ)=24 μm、A=28 μm 激勵(lì)下的紅外熱波序列圖都可以利用本文的算法進(jìn)行圖像分割，且都能較好地實(shí)現(xiàn)對(duì)裂紋缺陷區(qū)域的提取，完成缺陷區(qū)域和背景區(qū)域的區(qū)分。

3.4 缺陷定位

在圖像分割的基礎(chǔ)上，本文進(jìn)一步采用連通區(qū)域標(biāo)記提取出缺陷的位置。本文采用8 鄰接方式進(jìn)行連通區(qū)域標(biāo)記，提取連通區(qū)域的個(gè)數(shù)。然后再求得各個(gè)連通區(qū)域的質(zhì)心，利用質(zhì)心來(lái)確定裂紋區(qū)域的大致位置。本文對(duì)閾值分割后的二值圖像進(jìn)行連通區(qū)域標(biāo)記，如圖11所示。將利用連通區(qū)域標(biāo)記提取的缺陷位置與滲透檢測(cè)得到的缺陷位置進(jìn)行對(duì)比，如表2所示。表中的數(shù)值表示缺陷距試件左邊緣的水平距離。

圖11 連通區(qū)域標(biāo)記圖Fig.11 Connected area with marker

表2 不同方法下的裂紋位置對(duì)比Table 2 Position of the crack obtained from different method

從表2中可以看出，利用連通區(qū)域標(biāo)記提取的裂紋缺陷位置信息與本文的滲透檢測(cè)實(shí)驗(yàn)結(jié)果的裂紋位置信息基本一致，表明了本章提出的紅外圖像處理方法能夠較好地對(duì)超聲紅外實(shí)驗(yàn)結(jié)果進(jìn)行處理，實(shí)現(xiàn)缺陷的識(shí)別與定位，提高超聲紅外檢測(cè)方法的缺陷識(shí)別率。

4 結(jié)論

本文對(duì)奧氏體不銹鋼焊縫裂紋在超聲激勵(lì)作用下的紅外熱波序列圖進(jìn)行圖像處理，首先利用多圖像平均法對(duì)紅外熱波系列圖進(jìn)行處理，將得到的平均圖像與序列圖中的第一幀初始圖像進(jìn)行圖像差分運(yùn)算去背景，然后用形態(tài)學(xué)開(kāi)運(yùn)算去除由實(shí)驗(yàn)試件高頻振動(dòng)引

起的圖像漂移而產(chǎn)生的干擾噪聲。在此基礎(chǔ)上，提出一種結(jié)合改進(jìn)的自適應(yīng)遺傳算法和二維最大熵的圖像方法，對(duì)預(yù)處理后的圖像進(jìn)行分割，提取圖像中的裂紋區(qū)域。最后，利用連通區(qū)域標(biāo)記提取裂紋區(qū)域的位置信息。實(shí)驗(yàn)結(jié)果表明:利用圖像差分運(yùn)算和形態(tài)學(xué)開(kāi)運(yùn)算相結(jié)合的預(yù)處理能對(duì)超聲紅外熱波序列圖較好地去噪;結(jié)合改進(jìn)的自適應(yīng)遺傳算法和二維最大熵的圖像分割方法能對(duì)圖像實(shí)現(xiàn)較好地分割，相比于窮舉法，它的分割速度有了很大的提高，分割時(shí)間從54.227 s 降低到0.4115 s，相比于簡(jiǎn)單遺傳算法，它的分割精度更高，同時(shí)分割速度平均提高了31.93%;利用連通區(qū)域標(biāo)記能對(duì)缺陷實(shí)現(xiàn)準(zhǔn)確的定位。