摘  要： 傳統(tǒng)探傷都是通過大量的人力對(duì)探傷圖逐一判斷，探傷效率低下，正確率不高。本文針對(duì)探傷A超圖像序列提出了一種自動(dòng)識(shí)別探傷的算法。通過分析探傷圖像，首先對(duì)原圖進(jìn)行k-means聚類的分割，得到帶有虛景的探傷聲波圖像。為了抑制虛警，得到完整的聲波圖像，本文使用了投影算法，并取得了很好的效果。最后在得到的聲波圖像上進(jìn)行底波和缺陷波的檢測(cè)，實(shí)現(xiàn)缺陷的自動(dòng)識(shí)別。實(shí)驗(yàn)表明，本文提出的方法具有很高的準(zhǔn)確率。

　　關(guān)鍵詞： k-means；投影算法；虛警；缺陷自動(dòng)識(shí)別

0 引言

　　隨著數(shù)字圖像處理技術(shù)在工業(yè)領(lǐng)域的發(fā)展，基于數(shù)字圖像處理技術(shù)的圖像探傷檢測(cè)應(yīng)用變得越來越廣泛。而傳統(tǒng)探傷都是通過大量的人力對(duì)探傷圖逐一判斷，探傷效率低下，探傷正確率不高，因此基于探傷圖像的自動(dòng)識(shí)別變得很有意義?；谔絺麍D像的缺陷自動(dòng)識(shí)別可以避免人力在成千上萬(wàn)的探傷圖中逐一判斷探傷結(jié)果，使用計(jì)算機(jī)記錄結(jié)果，可節(jié)省時(shí)間，提高效率，更為探傷結(jié)果的存儲(chǔ)打下良好的基礎(chǔ)。

　　本課題旨在針對(duì)固定式輪對(duì)檢測(cè)系統(tǒng)的現(xiàn)場(chǎng)車輪檢測(cè)圖像，研究其缺陷識(shí)別方法并設(shè)計(jì)自動(dòng)識(shí)別算法，實(shí)現(xiàn)缺陷的自動(dòng)識(shí)別，提高檢測(cè)的速度和準(zhǔn)確性。本文在分析總結(jié)國(guó)內(nèi)外輪對(duì)超聲波檢測(cè)技術(shù)和系統(tǒng)的基礎(chǔ)上，結(jié)合檢測(cè)對(duì)象——我國(guó)動(dòng)車車輪的結(jié)構(gòu)和缺陷分布特點(diǎn)，重點(diǎn)分析系統(tǒng)超聲檢測(cè)工藝，通過獲取各型輪對(duì)的探傷A超圖像，對(duì)其進(jìn)行特征分析及提取，提出了基于圖像分割、虛警剔除、形態(tài)學(xué)圖像處理的自動(dòng)識(shí)別算法。實(shí)驗(yàn)表明，本文提出的方法具有很高的準(zhǔn)確率，能夠?qū)崿F(xiàn)探傷A超圖像的缺陷自動(dòng)識(shí)別，達(dá)到了預(yù)期的目標(biāo)。

1 方法概述

　　圖1展示了本文方法的基本流程，該方法可分為兩個(gè)基本步驟：聲波提取和缺陷檢測(cè)。在聲波提取階段，將原圖轉(zhuǎn)化灰度圖，并對(duì)灰度圖進(jìn)行分析，提出使用k-means進(jìn)行聚類分割的方法，得到帶有虛警的聲波。在缺陷檢測(cè)階段，使用水平投影算法和垂直投影算法剔除虛警得到完整的聲波。最后對(duì)聲波進(jìn)行底波和缺陷波的檢測(cè)。

2 超聲波檢測(cè)技術(shù)

　　2.1 超聲波檢測(cè)基本理論

　　聲波是在彈性介質(zhì)中傳播的機(jī)械波，其種類按頻率范圍可以分為三類[1]：

　?。?）次聲波，頻率在20 Hz以下，人耳聽不到，如聲吶、地震伴隨的次聲波、次聲武器的聲波等；

　?。?）聲波，頻率在20 Hz～20 kHz之間，人耳可聞；

　　（3）超聲波，頻率在20 kHz以上，人耳不可聞。

　　由于超聲波具有高頻特性，近年來被廣泛應(yīng)用于無損檢測(cè)領(lǐng)域，如機(jī)械試塊、車軸、車輪的超聲波無損檢測(cè)等。本文采用超聲波作為檢測(cè)方法。

　　超聲波檢測(cè)的基本工作原理[2]：聲源產(chǎn)生超聲波并以一定的耦合方式進(jìn)入工件，超聲波在工件中傳播并與工件材料以及其中的缺陷相互作用，使其傳播方向或特征被改變；改變后的超聲波通過檢測(cè)設(shè)備被接收，對(duì)其進(jìn)行處理和分析；根據(jù)接收的超聲波的特征，評(píng)估工件是否存在缺陷及缺陷的特性。

　　2.2 超聲波回波信號(hào)分析

　　超聲波檢測(cè)是指超聲波與工件相互作用，對(duì)其反射、透射和散射的波進(jìn)行研究，對(duì)工件進(jìn)行宏觀缺陷檢測(cè)、幾何特性測(cè)量、組織結(jié)構(gòu)和力學(xué)性能變化的檢測(cè)，進(jìn)而對(duì)其應(yīng)用性進(jìn)行評(píng)價(jià)的技術(shù)。超聲回波顯示原理如圖2所示。

　　圖中T代表始波，F(xiàn)代表缺陷波，B代表底波，由超聲回波顯示原理可以看出，超聲波在傳播時(shí)，如果底波波峰前面有缺陷波，那么此工件有缺陷。

3 聲波提取

　　3.1 圖像灰度特征分析

　　直方圖是對(duì)圖像像素灰度分布的描述?；叶燃?jí)為[0，L-1]范圍的數(shù)字圖像的直方圖定義為離散函數(shù)[3]：

　　h（rk）=nk（1）

　　其中rk是第k個(gè)灰度級(jí)，k=0，1，2，…，L-1，nk是圖像中灰度級(jí)為rk的像素個(gè)數(shù)。

　　超聲波探傷圖像的直方圖主要有三個(gè)峰值。第一個(gè)最高的峰值是像素值較低的黑色區(qū)域，第二個(gè)峰值是帶有虛警的聲波，第三個(gè)峰值為空白區(qū)域。因此可以使用k-means分割算法對(duì)原圖進(jìn)行分割，得到帶有虛警的聲波。

　　3.2 k-means聚類分割

　　通過上一節(jié)的分析知道，可以利用分割的方法來得到上述的三種區(qū)域。k-means[4]聚類是一種無監(jiān)督的機(jī)器學(xué)習(xí)算法，可以將數(shù)據(jù)集聚集成具有相同屬性的類別，類別數(shù)目可以為兩類，也可以為多類。假設(shè)需要將數(shù)據(jù)分成K個(gè)類別，該算法首先隨機(jī)選取K個(gè)樣本點(diǎn)作為中心點(diǎn)，然后依次按照相似性度量計(jì)算其他點(diǎn)到K個(gè)中心點(diǎn)的相似性，與相似性最強(qiáng)的中心點(diǎn)聚成一類，之后更新中心點(diǎn)，再次計(jì)算各點(diǎn)到中心點(diǎn)的相似性。

　　k-means聚類分割算法的計(jì)算過程：將輸入圖像的所有像素視為數(shù)據(jù)集{x1，…，xN}，?滋k表示第k類的中心，對(duì)于每一個(gè)數(shù)據(jù)xn，引入一個(gè)二維的指示器變量rnk∈{0，1}，其中k=1，…，K，rnk的含義為當(dāng)數(shù)據(jù)xn屬于第k類時(shí)，rnk=1，否則rnk=0，即：

　　對(duì)偏差函數(shù)關(guān)于k求偏導(dǎo)，令偏導(dǎo)函數(shù)為0，可以求得k的表達(dá)式，即：

　　采用EM算法迭代直到偏差函數(shù)值不再發(fā)生改變，即可求得最佳的?滋k和rnk，EM算法步驟描述為：

　?。?）初始化k，k=1，…，K。

　?。?）E過程。保持k不變，按照式（2）計(jì)算rnk，從而降低J。

　?。?）M過程。保持rnk不變，按照式（4）更新k，從而降低J。

　　（4）判斷J值變化是否已滿足要求，若滿足，則迭代結(jié)束，否則，回到步驟（2）繼續(xù)迭代。

4 缺陷檢測(cè)

　　4.1 投影算法剔除虛警

　　上一節(jié)在成功檢測(cè)出了聲波的同時(shí)，檢測(cè)出了部分的虛警。本小節(jié)提出一種有效的虛警抑制方案。對(duì)虛警圖進(jìn)行分析可以看出，圖中的虛警主要是一些橫向和縱向的白線，這些白線是用來對(duì)聲波的波長(zhǎng)和幅值進(jìn)行刻度的。因此可以分別采取水平投影和垂直投影的算法，分別統(tǒng)計(jì)在水平方向和垂直方向上白色像素點(diǎn)的個(gè)數(shù)，并根據(jù)圖片的大小設(shè)置一個(gè)閾值，從而可以將這些虛警剔除掉。最終得到完整的聲波圖像，以供下面進(jìn)行底波和缺陷波的檢測(cè)。圖3是轉(zhuǎn)換后的灰度圖，圖4是進(jìn)行k-means分割后帶有虛警的聲波圖，圖5是剔除虛警后的聲波圖。

　　4.2 缺陷波檢測(cè)

　　上一節(jié)中成功檢測(cè)出了聲波。在剔除虛警的過程中使用了投影算法，并且保存了虛警中白線的橫縱坐標(biāo)。下面就要進(jìn)行缺陷波的檢測(cè)。根據(jù)超聲波成像的特點(diǎn)，將檢測(cè)分為兩個(gè)步驟，分別是底波的檢測(cè)和缺陷波的檢測(cè)。對(duì)底波和缺陷波的檢測(cè)，可以根據(jù)虛警中白線的橫縱坐標(biāo)限定檢測(cè)的區(qū)間，然后進(jìn)行波峰的檢測(cè)。波峰的檢測(cè)是在一個(gè)5×5的搜索區(qū)間中統(tǒng)計(jì)亮點(diǎn)的個(gè)數(shù)，以此判斷波峰的存在。圖6是底波檢測(cè)圖，并用白色正方形框出波峰，圖7是缺陷波檢測(cè)圖，并用白色正方形框出波峰。

5 實(shí)驗(yàn)結(jié)果

　　本文采用的實(shí)驗(yàn)數(shù)據(jù)均為不同試塊的探傷A超圖像，總共4個(gè)序列圖像。為方便起見，本文以序列1、序列2、序列3、序列4來命名此4個(gè)序列圖像，每個(gè)序列包含100幀，序列2包含100幀。圖像大小為870×410。

　　用otsu[5]分割算法得到聲波，與本文方法進(jìn)行對(duì)比，利用形態(tài)學(xué)操作對(duì)虛警進(jìn)行抑制，最后進(jìn)行缺陷波的檢測(cè)，后面都簡(jiǎn)單稱其為基于otsu的方法。

　　對(duì)整個(gè)序列實(shí)驗(yàn)的統(tǒng)計(jì)結(jié)果如表1所示，由表1可以看出，本文方法能非常準(zhǔn)確地識(shí)別缺陷。

6 結(jié)束語(yǔ)

　　本文提出了一種準(zhǔn)確的基于超聲檢測(cè)圖像的缺陷自動(dòng)識(shí)別算法。首先對(duì)原圖進(jìn)行k-means聚類的分割，得到帶有虛警的探傷聲波圖像。為了抑制虛警，得到完整的聲波圖像，本文提出并使用了投影算法，并取得了很好的效果。最后在得到的聲波圖像上進(jìn)行底波和缺陷波的檢測(cè)，實(shí)現(xiàn)缺陷的自動(dòng)識(shí)別。實(shí)驗(yàn)表明，本文提出的方法具有很高的準(zhǔn)確率，能夠?qū)崿F(xiàn)探傷A超圖像的缺陷自動(dòng)識(shí)別，達(dá)到了預(yù)期的目標(biāo)。

參考文獻(xiàn)

　　[1] 滕永平，鄭中興，崔建英，等．超聲成像系統(tǒng)中信號(hào)處理和圖像顯示的方法[J]．無損檢測(cè)，1995，17（11）：311-314.

　　[2] 沈建中.超聲成像技術(shù)及其在無損檢測(cè)中的應(yīng)用[J].無損檢測(cè)，1994，16（7）：202-206.

　　[3] 岡薩雷斯．?dāng)?shù)字圖像處理（第二版）[M]．北京：電子工業(yè)出版社，2010.

　　[4] 賴劍煌.數(shù)字圖像處理疑難解析[M].北京：機(jī)械工業(yè)出版社，2005.

　　[5] OTSU N. A threshold selection method from gray-level histogram[J]. IEEE Transactions on Systems and  Cybernetics， 2010，9（1）：564-568.