大家知道,机车车辆滚动轴承故障是铁路车辆运输中的主要故障之一,也是影响铁路运输畅通和安全生产的关键因素。轴承的表面裂纹及缺陷是造成行车事故的潜在威胁,在装车运行一段时间后需要对其进行表面缺陷检测。荧光磁粉探伤是轴承表面检测的一种常用方法。由于传统荧光磁粉探伤采用的是人工观察,检测人员长期在暗室里处于紫外线光照射下,不仅工作环境差,而且很容易疲劳,造成人为漏检。针对人工观察方法的不足,拟采用数字图像采集及图像处理的方法,对轴承表面缺陷磁痕图像进行判断和报警,改善检测人员的工作环境,克服主观因素造成的失误,提高检测的准确性和可靠性,最大程度地避免漏检事故发生。
1图像处理方法
对荧光磁粉探伤的工件进行图像采集,得到彩色图像,其中工件表面吸附的荧光磁粉在紫外线辐射可激发出黄绿色荧光。系统采集的图像受到水滴、水迹、刀痕、表面污染和表面反光等干扰信息的影响,不可避免地存在一些噪声。图像处理的任务是获取图像中的可疑成分,去除噪声的影响,对图像可疑区域进行判断,获得裂纹信息。
1.1图像可疑成分的获取
采集的数字图像采用RGB色彩模式存储。RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加得到各式各样的颜色。RGB即是代表红、绿、蓝三个通道的颜色,这个标准几乎包括了人类视力所能感知的所有颜色,是目前运用最广的颜色系统之一。
RGB色彩模式使用RGB模型为图像中每一个像素的RGB分量分配一个0~255范围内的强度值。例如:纯红色的取值应为R=255,G=0,B=0;灰色的R,G,B三个值相等(除了0和255);白色的R,G,B都为255;黑色的R,G,B都为0。RGB图像只使用三种颜色,就可以使它们按照不同的比例混合,在屏幕上重现16 581 375种颜色。
在RGB模式下,每种RGB成分都可使用从0(黑色)~255(白色)的值。例如,亮红色使用的值应为R=246,G=20,B=50;当所有三种成分值相等时,产生灰色阴影;当所有成分的值均为255时,结果是纯白色;当该值为0时,结果是纯黑色。
文中图像的可疑成分即是轴承工件表面吸附荧光磁粉的部分,亦即图像中的荧光色彩部分。由于荧光磁粉受紫外线辐照所激发出光的色彩与光源的强度,与荧光磁粉的自身特性有关,故该色彩应在实际环境中测定,文中的取值为R=118,G=237,B=153。由于工件所受的光照不均,所吸附的磁粉密度不同,所以不能要求图像中的荧光图像色彩数值与标准值完全相等,需要设定一定的容差TH。
图像中可疑成分的提取过程是判断图像中的每一个点,用该点的色彩RGB的数值与标准值做比较,若R,G,B三个值与对应标准值的差值均小于容差TH,则判定该点为可疑成分,判断完成后的结果存储为二值图像,即每一像素点使用一个布尔值表示;true用白色点表示;false用黑色点表示。原图的可疑成分用白色表示;背景表示为黑色。
容差TH值的大小由实验确定。容差过大,会使背景区域误判做可疑区域,造成误判;容差过小,会使可疑区域漏判,导致可疑区域选取过小,甚至丢失。文中选定TH=40,所得结果如图1(b)的P1所示。
1.2噪点去除
上述过程提取出的结果P1为轴承工件图片中工件表面吸附荧光磁粉的部分,即可能存在裂纹和表面缺陷部分,也可能包含由于不够光滑、锈迹等因素而吸附磁粉的部分。过程中需要去除小的噪点及像素块,以减少噪声的影响。在此采用数学形态学的方法进行除噪。
数学形态学的基本思想是用具有一定形态的结构元素去度量和提取图像中对应的形状,以达到对图像分析和识别的目的。数学形态学的数学基础和所用语言是集合论,因此它具有完备的数学基础,这为形态学用于图像分析和处理、形态滤波器的特性分析和系统设计奠定了坚实的基础。数学形态学的应用可以简化图像数据,保持它们基本的形状特性,并除去不相干的结构。数学形态学的算法具有天然的并行实现结构,实现了形态学分析和处理算法的并行,大大提高了图像分析和处理的速度。
数学形态学是由一组形态学的代数运算子组成的,它的基本运算有膨胀(或扩张)、腐蚀(或侵蚀)、开启和闭合。这4个基本运算在二值图像和灰度图像中各有特点。基于这些基本运算还可推导和组合成各种数学形态学的实用算法,用它们可以进行图像形状和结构的分析及处理,包括图像分割、特征抽取、边界检测、图像滤波、图像增强和恢复等。数学形态学方法利用一个称作结构元素的“探针”收集图像信息,当探针在图像中不断移动时,便可考察图像各个部分之间的相互关系,从而了解图像的结构特征。数学形态学基于探测的思想,与人的FoA(Focus of Attention)的视觉特点有类似之处。作为探针的结构元素,可直接携带知识(形态、大小、甚至加入灰度和色度信息)来探测和研究图像的结构特点。
此处使用数学形态学算法中的开运算。开运算用来消除小物体,在纤细点处分离物体,在平滑较大物体边界的同时,并不明显改变其面积。
这里使用图2所示4个结构元素分别对P1图进行开运算,所得的两个结果相加,得到去除单个像素噪声点后的结果P2(图略)。该过程后依然留下一些小的像素块噪声待后文处理。
1.3裂纹断点的连接
图像的采集以及可疑成分的提取过程可能会使裂纹荧光磁痕的图像出现间断点,这时需将裂纹图像连接起来。在此采用数学形态学中的闭运算方法对P2图进行处理。
该过程的关键是选取适当大小的结构元素,采用直径为D的圆形结构元素对P2图进行闭运算用来连接图像中的间断点和微小缺陷,以平滑图像。直径D的选取直接影响处理效果的好坏,D过大会导致裂纹图像与附近噪声l区块甚至另一条裂纹相连,造成判断图像模糊及裂纹的准确度下降;D过小则可能无法连接裂纹中的间断点,并可能丢失裂纹信息。现选取D=7的圆形结构元素,对P2进行闭运算后的结果记为图像P3(图略)。
1.4连通区域的提取
这里需要提取P3图像中的每一个连通区域,判定其是否为裂纹。在此提出一个简便的提取图像连通区域的方法:
(1)创建一个与P3图像大小等同的二值图像R,并设置所有值为false(即全黑),用于临时存放一个提取出的连通区域。
(2)在P3中自上而下,自左而右,遍历各个像素,查找第一个值为true点的坐标,在图像R中设置该坐标点的值为true。
(3)用3×3的结构元素对图像R做膨胀运算,所得结果与P3做逻辑与运算,得到图像R1。比较R与R1,若R1中,true值点的数目多于R,则令R=R1,再次重复上述运算,直至R中true值点的数目与R1的相等,即图像R中的连通区域大小不再增加,表示完成一个连通区域的提取。
(4)提取一个连通区域后,令P3=P3-R,即在P3中去除已提取的连通区域,再次查找P3中的首个true值点,进行另一个连通区域的提取,直至P3中所有值为false。如此即可提取P3中的所有连通区域。
该方法使用3×3的结构元素对连通区域的已知点做膨胀运算,得到连通区域可能增加的所有点,再与图像P3做逻辑与运算,即可实现原连通区域的增加,当连通区域不再增加时即为提取出了一个连通区域。该方法实现简便,思路清晰,计算效率也可满足需要。
1.5对连通区域是否为裂纹的判断
经过上述四个步骤后所提取的连通区域尚不一定是裂纹图像,仍有可能是工件表面污渍、锈迹等形成的斑痕,这些斑痕有可能会比较大,若直接使用连通区域像素数量的多少来判别连通区域是否为裂纹会产生误判。故此,采用判别连通区域大小并结合判别连通区域圆形度大小的方法来判定区域是否为裂纹。
首先,判断连通区域的大小,即统计图像R中true值点的个数AREA。由图像与实际工件尺寸的比例来计算和设定区域大小的门限阈值THA,即若AREA>THA,则该区域可能为裂纹;若AREA
对于可能为裂纹的连通区域,计算连通区域图像的圆形度大小。圆形度用来描述区域形状接近圆形的程度,它是测量区域形状常用的量。圆形度的一种计算方法是:圆形度(AREA为区域的面积;C为区域的周长),该算法圆形度YD的最大值为1,区域形状越复杂,越狭长,则圆形度YD值越小。通过实验确定圆形度阈值THYD,将计算出的连通区域圆形度YD与THYD做比较,若YD在圆形度的计算中,参数AREA即为连通区域中像素点的个数。计算周长C的最简便方法是统计区域与背景交界点的个数,该个数计为C,这种计算方法在裂纹为斜向时会产生较大误差,这里的方法是根据区域与背景交界点的不同状态赋予不同的权重,若交界点在上下左右四个方向只有一侧为背景区,则该点的边长权重为1;若交界点在两个方向接触背景区(如上和右),则该点的边长权重为;若交界点在三个方向接触背景区,则该点的边长权重为2。这种计算方法在测量斜向的边界时较为准确,使用直径从10~100的圆形区域做测试,用这种方法计算出的圆形度在0.89~1.01之间,误差较小。
创建与P3图像大小相同的二值图像P4,用于存放被判定为裂纹的连通区域,P4各点初值设置为false,得到一个判定为裂纹的连通区域图像R时,P4与R做逻辑或运算,结果返回P4,即P4=P4∣R,将所有连通区域判断完成后,即得到原图像中所有裂纹的图像,用于存储和记录。
连通区域图像的提取与裂纹判定的流程图如图3所示。
本文中的处理结果如图4所示,它完成了荧光磁粉探伤图像的裂纹提取及识别。
2结语
使用裂纹自动识别系统代替轴承荧光磁粉探伤中的人工观察具有实用价值。这里对裂纹自动识别的软件方案进行了探讨和尝试,提出了一种简便的连通区域提取方法,改进了数字图像区域周长的计算方法。该算法在Matlab中完成测试,识别结果具有一定的准确度,证实了识别算法的可行性。
作者:云南铜业股份有限公司 675600 朱利亚