荧光磁粉探伤裂纹智能识别图像处理研究.docx
- 文档编号:1483609
- 上传时间:2022-10-22
- 格式:DOCX
- 页数:7
- 大小:22.98KB
荧光磁粉探伤裂纹智能识别图像处理研究.docx
《荧光磁粉探伤裂纹智能识别图像处理研究.docx》由会员分享,可在线阅读,更多相关《荧光磁粉探伤裂纹智能识别图像处理研究.docx(7页珍藏版)》请在冰豆网上搜索。
荧光磁粉探伤裂纹智能识别图像处理研究
荧光磁粉探伤裂纹智能识别图像处理研究
荧光磁粉探伤裂纹智能识别图像处理研究
2010年10月11日
摘要磁粉探伤的发展趋势是自动化、智能化,而工件表面状态、真伪裂纹、工况前提等使得现有的检测识别方法难以知足工件表面裂纹缺陷自动检测识别的须要。
分析了工件表面荧光磁粉图像特征及裂纹缺陷特征;研究了表征裂纹邻域像素空间相关度的二维直方图分布;提出了基于多重分块极值的图像边沿检测算法;根据裂纹邻域像素空间相关度参数,以及裂纹缺陷的长宽比、圆形度等特征,设计了基于Fisher线性判别办法的工件裂纹识别算法。
以此为基本的荧光磁粉探伤工件裂纹缺陷自动检测识别技巧,应用于火车轮轴检检测线实时检测,裂纹缺陷的有效检出率达百分之九十。
要害词磁粉探伤,自动探测与识别,多级检测机制
1.引言
目前世界上磁粉探伤机的发展趋势是自动化、系列化、智能化,大量采用PC机把持,磁痕显示采用荧光磁粉,特殊重视探伤速度和检测敏锐度。
跟着我国产业的发展,在机械工业中良多主要零件(亦称保安件)需要百分之百的在线探伤。
由于这些整机大小各异,几何形状庞杂,急切需要自动半自动的荧光磁粉检测装备。
早在20世纪80年代就开发了轮对的半自动荧光磁粉探伤机,除磁粉显示的裂纹依附人眼观察外,其它工序均是自动完成的,现已得到普遍的应用。
目前海内大多采用可编程序节制器实现探伤过程的部分动作自动化,近年来也出现了数字化磁粉探伤监控治理系统,应用计算机技术的人机界面操作系统,实现探伤操作的自动化,同时改良了操作职员的工作环境,防止了紫外线照耀对操作人员皮肤、眼睛的损害,在一定程度上进步了工作效力和牢靠性。
虽然此类探伤系统通过图像子系统对工件进行探伤,但还是通过人眼视察拍摄的图像来断定工件表面是否存在缺陷,对缺陷的判定引入了人为因素,且长时间的观察易使人眼产生疲劳,因此产生误判、漏判。
2.裂纹图像分析
2.1工件缺陷特征分析
察看工件表面图像,裂纹缺陷具有以下特征:
(1)在局部范围内亮度较高,即灰度值较大;
(2)呈现细长状,长宽比一般很大;
(3)有一定的曲折度,一般不会表现为直线状;
(4)存在天然的连续性,平滑性较好。
a有缺点图像
b无缺陷图像
图1裂纹有缺陷图像
断定缺陷数量与类型,通常用的且比较理想的方法是检测圆形度,其定义如下:
(1)
其中,S为面积,L为周长。
当区域是圆形时,此值最大,假如是修长的区域,此值最小。
因而只有限定的值小于某一值时,即可认定此区域为裂纹。
还可以参加长度和宽度特征,其中包括[5]:
(1)裂纹的长度特征,只有在连通域长度大于规定值时,才以为可能是缺陷,利用这一特征可消除二值化过程中噪声引起的小面积亮区;
(2)裂纹的长宽比特征,根据实际教训,裂纹图像的长宽比通常较大,正常长宽比大于3的连通域才有可能是裂纹;
(3)裂纹图像的均匀宽度特征,有些连通域固然满意长宽比的特征,但却是宽度很大的烦扰图像,只有平均宽度在划定范畴内才可能是裂纹图像。
上述连通域的长宽比和连通域的平均宽度的计算公式如下:
,
(2)
式中为连通域长度,为连通域内像素点个数。
裂纹外形各种各样,图2.1.2.1(a)为线裂纹,(b)为堆裂纹,(c)为胖裂纹,图片都经过放大。
如果将上述较为常见的裂纹在现有处理计划中进行处理识别,会发明它们对线裂纹的识别率比拟幻想,但对后两种裂纹误判率比较高。
起因在于,在判别裂纹时计算得到的圆形度很可能超过界定规模,发生误判。
2.2工件名义图像二维直方图剖析
灰度一维直方图仅仅应用了点灰度信息而未充分利用图像的空间信息,在图像的特征中,点灰度无疑是最基础的特征,但它对噪声较敏感,区域灰度特征包含了图像的部分空间信息,且对噪声的敏感水平要低于点灰度特征。
综合利用点灰度特征和区域灰度特征可以较好地表征图像的信息,这就是图像的二维直方图所研究的内容。
其详细定义方法根据需要可以不同,比方利用左右像素点的关系,像素点和邻域灰度均值的关联等,这里咱们定义的二维直方图如下:
原始图像(L个灰度级)中的每个像素点都对应于一个(像素点灰度,右像素点灰度)数据对,这样的数据对存在L×L种可能的取值。
设为图像中点灰度为及其右像素点灰度为的像素点数,为(像素点灰度,右像素点灰度)数据对产生的概率,则,其中N×N为图像的大小,那么就是该图像对于(像素点灰度,右像素点灰度)的二维直方图。
对图像进行定性分析时,经常简化上述定义的二维直方图,并不求取(像素点灰度,右像素点灰度)数据对的概率,在直方图中只是显示数据对是否存在,用亮点表示数据对存在,暗点表现不存在。
a出缺陷图像b无缺陷图像
图2工件图像二维直方图
二维直方图可以明白地表征图像中相邻像素间灰度级的相关程度,也可以使用二维直方图进行图像分割[7]。
图2.2.1.3所示为图2.1.1.6对应图像的二维直方图,分别对应有缺陷工件和无缺陷工件。
无缺陷工件图像的二维直方图集中在低灰度区域,而有缺陷工件图像的二维直方图分布在低灰度区域和较高灰度区域,这和一维直方图的分析结果相吻合;无缺陷工件图像的二维直方图集中分布在对角线四周,而有缺陷工件图像的二维直方图在离对角线较远处仍有不少点的存在,根据本文中二维直方图的定义,这些部分对应图像中的细节部分和噪声部分,如果图像噪声很少,则主要对应细节部分。
在工件图像中,细节重要是缺陷边缘和伪缺陷边缘。
利用二维直方图表示出的这种特性,可以用来进行裂纹的分割。
3.裂纹检测与识别
3.1基于多重分块极值的边缘分割
对一般裂纹而言,有如下特点:
性质1:
在紫外荧光图像中裂纹相对工件背景来说浮现高灰度级特征。
裂纹相对于工件背景要亮得多,因此裂缝上的像素灰度值普通来说是局部最大值。
性质2:
裂纹是一系列出现鞍状的点集合。
裂纹的凸状使得从其截面来看像倒马鞍状。
性质3:
裂纹个别来说拥有一定的线性特点,并具备必定的方向。
在火车轮对工件紫外荧光图像中,往往既存在较粗、较显明的裂纹,也存在许多较细、十分弱的裂纹,还存在大量的因油污、水迹等产生的伪裂纹信号,而且这些伪裂纹信号的强度往往高于真实裂纹信号的强度。
显然仅通过取阈值做分割的一般处理方法进行检测已变得非常艰苦。
根据一般裂纹的性质,可通过其性质假设存在一条裂纹,然后在灰度图像上提取出可能的裂纹像素点,再去除非裂纹像素点,最后再对保留的裂纹目标作鉴别,抛弃虚假目标,留下真正的裂纹目标。
显然,由于裂纹信息很弱,其灰度又极不平衡,不可能在整个图像长进行,根据裂纹性质可对图像作出以下假设:
假设1:
全部图像灰度不均,但在局部小窗口里可看似平均。
假设2:
在一个局部的小窗口(16×16或32×32)里,存在一条裂纹。
假设3:
裂纹有一定的方向,但遍历每列或每行总能找到一个属于裂纹上的点。
假设4:
裂纹上每行或每列上的点是此行或此列的灰度最大值的点。
由假设可在小窗口里对行或对列进行遍历选出每行和每列的灰度最大值点。
如图3.2.3.1,筛选出的点有两种可能:
(1)裂纹上的点,则其有很强的线聚合性,如(b)、(c)、(f),其上点大多凑集在一条线(曲线或直线)邻近;
(2)非裂纹上的点,那么其有很强的随机分布性,如(e)、(h)、(i)。
因为裂纹的连续性,实在裂纹上的点应当在一条连续的曲线上,靠近程度方向的裂纹上的点可以通过列最大值提取出来,濒临垂直方向的裂纹上的点可以通过行最大值提取出来,提掏出来的裂纹上的点连续性较好,非裂纹上的点则具有随机散布的特色。
a1原始图a2行方向a3列方向
b1原始图b2行方向b3列方向
c1原始图c2行方向c3列方向
图3工件图像分块极值的边缘分割二维直方图
据此,可从16×16大小的窗口里按行在每一行或按列在每一列遍历取舍最大值点,共会选出16个可能的裂缝上的点。
遍历整幅图像后,得到的行最大值图像将提取出垂直方向的裂纹上的点,得到的列最大值图像将提取出水平方向的裂纹上的点。
而后将行、列最大值图像进行叠加,得到的图像将包含水平、垂直两个方向上的裂纹点。
上述方式得到的图像把行、列方向的最大值都综合到一幅图像中,对裂纹点的提取很充足,然而不在行、列最大值间进行取舍,因此得到的图像中存在大批非裂纹点。
这是因为在某个16×16的窗口中,若只存在水平方向的裂纹,则提取的行最大值点大部分为非裂纹上的点,若只存在垂直方向的裂纹,则提取的列最大值点大部分为非裂纹上的点。
基于分块取极值的思维,以及非裂纹点提取的随机性,若分块与分块之间只有部门重合,则在不同的分块间非裂纹点重合的多少率将大大减少,而裂纹上的点因为在绝对较大的区域内都是局部最大值点,在不同分块中重合的几率很大。
因此,通过提取重叠分块独特领有的最大值点,去除只在一个分块中涌现的最大值点,就可以保留裂纹上的点,去除非裂纹上的点。
如图3.2.3.2所示,在原图像中,以点(0,0)、(0,8)、(8,0)、(8,恐怕这是二派相争的起源,8)为起始16×16窗口的左上角点,把图像划分成16×16的小块,4个不同的分块出发点得到4种不同的分块划分。
对每种划分分离取行、列最大值,分别得到最大值图像Img1、Img2、Img3、Img4。
若图像中某个像素位置,在Img1、Img4中都是部分最大值点,则作为裂纹上的点保留,否则作为非裂纹上的点去除。
Img2、Img3中的像素点进行雷同的处理。
经过这样的处置,保存了裂纹点,去除了非裂纹点。
之所以抉择Img1、Img4进行这样的处理,是由于依据上述分块划分,Img1和Img4的分块重合局部较小,如图3.2.3.2中的暗影部分(大小为8×8),非裂纹上的点在统一个像素上出现的几率更小。
图416×16窗口示用意
裂纹点提取后,目标还会存在大量的线间空隙。
需要对其作必要的操作,打消间隙。
由于干扰因素的存在,此时得到的目标既包含裂纹也可能会包括虚伪裂纹线状目标,硬久壮阳药,需要做进一步的辨别。
由裂缝的性质1,2可知裂纹是像素灰度值局部最大值的点的集合,那么紧抱裂缝的外围轮廓区域灰度值与裂纹自身上的灰度值有着较为明显的差异,而非裂纹区域将会差别较小。
[12]
设是一条裂纹上的点集合,为裂纹的外围轮廓,则距为的的外围轮廓区域为:
由此可得裂痕的判断准则:
分别为与的灰度均值,为阈值。
综上,用一句话来描述此方法就是:
假设存在裂纹à综合两个方向的裂纹点à基于多重分块去除非裂纹产生的干扰点à排除线间间隙à对裂纹图像做测验。
详细算法描写如下:
从点(0,0)处开端取出大小窗口数据,对此窗口按行方向和列方向选取最大值聚集和。
对和进行叠加运算,行将和综合到一幅图像中。
在图像中从左到右、从上到下挪动该大小窗口,在每个窗口中都进行相同的运算,遍历图像后得到新的图像,记为Img1;
分别以点(0,8),点(8,0),点(8,8)为起始点,,进行与步骤
(1)相同的运算,分别得到图像Img2、Img3、Img4;
将图像Img1与Img4进行消除非裂纹点运算得到图像Img14,将图像Img2与Img3进行清除裂纹点运算得到图像Img23,将图像AndImg14与图像AndImg23进行叠加运算,得到图像Img;
对图像Img进行状态学闭合运算,消除线间间隙,得到图像Img';对图像Img'进行检修处理。
a原始图像
b裂纹提取图像
图5基于多重分块
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 荧光 探伤 裂纹 智能 识别 图像 处理 研究