一種基于圖像處理的表面故障裂紋檢測(cè)系統(tǒng)

王聰興，劉寶亮

（河南省工業(yè)學(xué)校，河南 鄭州 450011）

0 引言

軸承和齒輪等高速運(yùn)轉(zhuǎn)設(shè)備由于在工作中要承受高溫、高壓和突變載荷的作用，所以極易產(chǎn)生疲勞裂紋。這些裂紋若不能盡早檢測(cè)到便會(huì)不斷擴(kuò)展從而引發(fā)斷裂，并導(dǎo)致嚴(yán)重的災(zāi)難性人身事故。先進(jìn)的故障診斷技術(shù)可在旋轉(zhuǎn)件的生產(chǎn)和制作過程中為工廠和企業(yè)帶來巨大的經(jīng)濟(jì)效益。圖像故障信息檢測(cè)在當(dāng)今社會(huì)的較多領(lǐng)域有著廣泛的研究及應(yīng)用價(jià)值。將圖像處理技術(shù)應(yīng)用于裂紋的故障檢測(cè)和定位不但可以將工作人員從煩躁的圖形判讀理解中解放出來，而且可精確和有效的引導(dǎo)相關(guān)人員進(jìn)行設(shè)備的檢測(cè)與維護(hù)，充分發(fā)揮設(shè)備故障診斷技術(shù)的效益[1-3]。現(xiàn)今基于圖像處理的裂紋故障診斷研究主要分為兩類，一種是利用高速CCD工業(yè)相機(jī)快速采集設(shè)備表面的圖像，經(jīng)過圖像預(yù)處理、特征提取、特征分類和向量求解以及故障判斷等多種圖像處理方式完成裂紋檢測(cè)與診斷。另一種是利用基于振動(dòng)的一維信號(hào)譜圖實(shí)現(xiàn)設(shè)備故障診斷。但由于振動(dòng)譜圖的多維復(fù)雜性，基于CCD的圖像檢測(cè)方法開始逐漸應(yīng)用于狀態(tài)的監(jiān)測(cè)和診斷，并產(chǎn)生較好的實(shí)用價(jià)值。如針對(duì)焊縫裂紋進(jìn)行空間域鄰域處理的一階微分濾波法和二階差分濾波法，基于各向異性的改進(jìn) P-M擴(kuò)散模型[4]，利用非線性中值濾波對(duì)多晶硅薄膜太陽能電池的表面裂紋檢測(cè)[5]，4個(gè)方向Sobel算子[6]進(jìn)行焊縫裂紋檢測(cè)，基于空間域統(tǒng)計(jì)的直方圖統(tǒng)計(jì)[7]、閾值方法[8-9]和雙峰灰度直方圖方法[10]，Hough變換提取焊縫信息[11]和受電弓滑板裂紋[12]，數(shù)學(xué)形態(tài)學(xué)解決發(fā)動(dòng)機(jī)燃燒室燒傷裂紋圖片不清晰問題[13]，膨脹操作和局部閾值二值化處理構(gòu)造的軌道板圖像固有結(jié)構(gòu)邊緣模板[14]實(shí)現(xiàn)裂紋檢測(cè)，Otsu圖像二值化、形態(tài)學(xué)操作和區(qū)域描繪子[15]以及結(jié)合 Sobel邊緣檢測(cè)等[16]對(duì)雞蛋表面的微裂紋或污點(diǎn)進(jìn)行檢測(cè)。

因此，本文針對(duì)軸承外圈和鋼結(jié)構(gòu)等裂紋，提出一種基于圖像處理的表面故障裂紋檢測(cè)系統(tǒng)。該系統(tǒng)首先利用 CCD工業(yè)相機(jī)等硬件設(shè)備進(jìn)行裂紋圖像采集，其次利用圖像處理算法進(jìn)行表面故障裂紋檢測(cè)。實(shí)驗(yàn)結(jié)果表明，本系統(tǒng)能夠產(chǎn)生較好的裂紋檢測(cè)和定位效果。系統(tǒng)的總流程圖如圖1所示。

圖1 系統(tǒng)的總流程圖Fig.1 The flow chart of system

1 故障裂紋檢測(cè)系統(tǒng)

本文提出的裂紋檢測(cè)系統(tǒng)主要包括裂紋檢測(cè)硬件和軟件系統(tǒng)。檢測(cè)的硬件包括 NI控制器 PXI-8196，NI圖像采集卡PXI-8252、BASLER-scA640-70fm相機(jī)、M2514-MP2 Computer鏡頭。軟件利用Lab-VIEW2014中的VISION視覺模塊進(jìn)行編譯，主要包括裂紋圖像采集系統(tǒng)和裂紋圖像處理和檢測(cè)系統(tǒng)。

1.1 裂紋圖像采集系統(tǒng)

根據(jù)采集需求，裂紋圖像采集系統(tǒng)可對(duì)獲取的故障圖像進(jìn)行圖像預(yù)覽、采集和存儲(chǔ)。其中，系統(tǒng)相機(jī)采集 圖像的速度可達(dá)6幅/s以上；抓取的圖像信息可保存在指定的文件夾中并以時(shí)間命名。采集時(shí)可監(jiān)控圖像采集的數(shù)量、磁盤的空間存儲(chǔ)量，采集圖像的狀態(tài)和采集速度等。系統(tǒng)的流程圖如圖 2所示，利用LabVIEW-VISION模塊進(jìn)行編譯的部分采集程序如圖3所示。

圖2 故障裂紋采集系統(tǒng)流程圖Fig.2 The flow chart of fault crack acquisition

圖3 裂紋圖像采集系統(tǒng)程序圖Fig.3 The programming chart of crack image acquisition

1.2 裂紋圖像處理和檢測(cè)系統(tǒng)

裂紋圖像處理和檢測(cè)系統(tǒng)主要用于檢測(cè)故障圖像中的裂紋信息以及對(duì)裂紋信息進(jìn)行定位與描述。該系統(tǒng)主要包括直方圖均衡、Canny邊緣檢測(cè)、Otsu閾值處理、形態(tài)學(xué)圖像處理、非裂紋信息的篩選、裂紋信息的定位和裂紋區(qū)域的填充。裂紋圖像處理和檢測(cè)系統(tǒng)的流程圖如圖 4所示，利用 LabVIEWVISION模塊進(jìn)行編譯的部分檢測(cè)程序如圖5所示。

圖4 裂紋圖像處理和檢測(cè)系統(tǒng)的部分程序圖Fig.4 The partial program of crack image processing and detection

2 系統(tǒng)實(shí)驗(yàn)及結(jié)果

為檢驗(yàn)故障裂紋檢測(cè)系統(tǒng)的有效性，本節(jié)從采集的故障裂紋圖像中分別抽取軸承外圈、齒輪和鋼材料裂紋圖像進(jìn)行故障裂紋的檢測(cè)與定位。

2.1 軸承外圈故障檢測(cè)

圖6為抽取的一幅軸承外圈故障裂紋圖像。利用直方圖均衡方法可凸顯出真實(shí)裂紋與非裂紋像素的對(duì)比度，選用 Preitt算子可獲取軸承裂紋圖像邊緣細(xì)節(jié)，但容易獲得大量冗余的細(xì)節(jié)如軸承運(yùn)行過程中出現(xiàn)的正常磨損，結(jié)果如圖7所示。

圖5 裂紋圖像處理和檢測(cè)系統(tǒng)流程圖Fig.5 The flow chart of crack image processing and detecting system

圖6 軸承外圈故障裂紋圖像Fig.6 Crack image of bearing outer-ring failure

圖7 直方圖均衡+邊緣檢測(cè)Fig.7 Histogram equalization and edge detection

通過Otsu閾值處理（T=55）可以去除大部分冗余信息，但結(jié)果容易導(dǎo)致目標(biāo)裂紋斷裂，結(jié)果如圖8所示。

圖8 閾值處理Fig.8 Thr eshold processing

形態(tài)學(xué)處理可以對(duì)圖中的斷裂區(qū)域進(jìn)行連接，選擇 3×3的正方形結(jié)構(gòu)元素對(duì)該結(jié)果進(jìn)行膨脹運(yùn)算可實(shí)現(xiàn)對(duì)裂紋區(qū)域的連接。結(jié)果如圖9所示。

圖9 形態(tài)學(xué)膨脹運(yùn)算Fig.9 Morphological dilation

連接后的圖像會(huì)伴隨其它無關(guān)信息的膨脹，這將導(dǎo)致裂紋提取不確定，根據(jù)最長軸或最大面積特性可實(shí)現(xiàn)膨脹后裂紋的提取，結(jié)果如圖10所示。

圖10 提取最長軸裂紋Fig.10 Extract the crack of the longest axis

提取后的圖像裂紋必須通過形態(tài)學(xué)腐蝕操來還原實(shí)際裂紋區(qū)域，最終結(jié)果如圖11所示。

圖11 形態(tài)學(xué)腐蝕運(yùn)算Fig.11 Morp hological erode

通過區(qū)域描述子的方法可以實(shí)現(xiàn)裂紋區(qū)域的描述與定位，該描述包括裂紋的面積、質(zhì)心、邊界范圍等，其結(jié)果如圖12所示。

圖12 裂紋特征提取Fig.12 Crack feature extraction

圖13 為抽取的第二幅軸承外圈故障裂紋圖像。可以看出人為制造的裂紋與其他非裂紋信息相比像素灰度值較暗，但像素對(duì)比度差別較小。所以利用直方圖均衡可調(diào)節(jié)真實(shí)裂紋與非裂紋信息的對(duì)比度，處理結(jié)果如圖14所示。Canny邊緣檢測(cè)和Otsu閾值處理（T=9）可有效提取故障裂紋的信息，結(jié)果如圖15所示。

形態(tài)學(xué)開運(yùn)算既可有效保留真實(shí)裂紋信息又可去除部分冗余信息，其結(jié)果如圖16所示。但仍存在少量冗余信息和真實(shí)裂紋中的少量空洞。

根據(jù)最長軸或最大面積特性可實(shí)現(xiàn)形態(tài)學(xué)后裂紋的提取，然后利用區(qū)域填充實(shí)現(xiàn)空洞信息的填補(bǔ)，結(jié)果如圖17所示。

圖13 軸承外圈故障裂紋圖像Fig.13 Crack image of bearing outer-ring failure

圖14 直方圖均衡Fig.14 Histogram equalization

圖15 邊緣檢測(cè)+閾值處理Fig.15 Edge detection and threshold processing

圖16 形態(tài)學(xué)開運(yùn)算Fig.16 Morphological opening operation

圖17 檢測(cè)最終結(jié)果Fig.17 The final result in test processing

利用區(qū)域描述子可實(shí)現(xiàn)裂紋面積、質(zhì)心、邊界等信息的提取，其結(jié)果如圖18所示。

圖18 裂紋特征提取Fig.18 Crack feature extraction

2.2 鋼材料裂紋故障檢測(cè)

通過 CCD工業(yè)相機(jī)獲得的鋼材料裂紋圖片光照較弱且不均勻，因此，首先應(yīng)對(duì)圖像進(jìn)行直方圖均衡以增強(qiáng)圖像裂紋信息。圖19（a）為未經(jīng)處理的原始裂紋圖像，整個(gè)畫面較暗；圖 19（b）中的灰度直方圖結(jié)果可看出原圖中所占據(jù)的灰度值范圍較窄。圖20（a）為直方圖匹配處理后的結(jié)果，可以看出裂紋的細(xì)節(jié)信息較原圖比更加清晰；從圖20（b）中直方圖均衡后的柱狀圖結(jié)果可知，均衡后的圖像中不僅裂紋與原圖像相比更加凸顯，而且原始圖像的應(yīng)有的特征在處理后的圖像中得到了較好的保持。

圖19 原始鋼材料圖像及相應(yīng)直方圖Fig.19 Original steel material image and corresponding histogram

圖20 直方圖均衡后的結(jié)果Fig.20 The result of histogram equalization

對(duì)于匹配后的直方圖，可以通過Otsu閾值處理（T=10）來去除無關(guān)的圖像信息，其結(jié)果如圖 21所示。但閾值處理不能很好的將裂紋從背景的區(qū)域中分離出來。

圖21 閾值處理結(jié)果Fig.21 Thr eshold processing result

為了進(jìn)一步降低鋼結(jié)構(gòu)裂紋中伴隨的非裂紋信息和噪聲，利用基于圖像處理的數(shù)學(xué)形態(tài)學(xué)的方法可將一些離散的裂紋邊緣點(diǎn)連接成小段的邊緣線，并去除圖像中的干擾噪聲部分。圖22即為形態(tài)學(xué)閉運(yùn)算處理結(jié)果圖。

圖22 形態(tài)學(xué)閉運(yùn)算處Fig.22 Morphological closed operation

根據(jù)最大面積特性可實(shí)現(xiàn)形態(tài)學(xué)后裂紋的提取，再利用區(qū)域填充實(shí)現(xiàn)空洞信息的填補(bǔ)，結(jié)果如圖23和圖24所示。區(qū)域描述子提取的定位結(jié)果如圖25所示。

3 結(jié)語

圖23 提取最大面積結(jié)果Fig.23 Extraction of maximum area

圖24 區(qū)域填充Fig.24 Region filling

圖25 裂紋特征提取Fig.25 Crack feature extraction

圖像處理技術(shù)應(yīng)用于裂紋的故障檢測(cè)和定位不僅可將工作人員從煩躁的圖形判讀理解中解放出來，而且可精確和有效的引導(dǎo)相關(guān)人員進(jìn)行設(shè)備的檢測(cè)與維護(hù)，充分發(fā)揮設(shè)備故障診斷技術(shù)的效益。針對(duì)傳統(tǒng)故障裂紋檢測(cè)方法檢測(cè)精度不高以及檢測(cè)效率低下等方面，本文提出一種基于圖像處理的表面故障裂紋檢測(cè)系統(tǒng)。該系統(tǒng)利用圖像采集、控制器等硬件設(shè)備和LabVIEW軟件實(shí)現(xiàn)裂紋圖像采集、裂紋圖像處理以及裂紋信息的定位。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)既可實(shí)現(xiàn)真實(shí)裂紋的可靠檢測(cè)，又能夠完成裂紋信息的有效定位。

[1] 郭克華, 段桂華. 圖像語義提取與描述的研究現(xiàn)狀及趨勢(shì)[J]. 新型工業(yè)化, 2012, 2(9): 31-36.

[2] 鐘彩. 邊緣檢測(cè)算法在圖像預(yù)處理中的應(yīng)用[J]. 軟件,2013, 34(1): 158-159.

[3] 王振彥. 基于數(shù)字圖像處理的路面裂縫自動(dòng)識(shí)別與評(píng)價(jià)系統(tǒng)[J]. 軟件, 2014, 35(1): 149.

[4] TASI D M, CHANG C C, CHAO S M. Micro-crack inspection in heterogeneously textured solar wafers using anisotropic diffusion Image and Vision Computing[J]. 2010, 28:491-501.

[5] NII A O, Albert A P.Evaluating pavement cracks with bidimensional empirical mode decomposition[J]. Eurasip Journal on Advances in Signal Processing, 2008, (1): 861-701.

[6] 李德元, 邵成吉, 徐魯寧. 新型焊接缺陷計(jì)算機(jī)檢測(cè)系統(tǒng)的開發(fā)[J]. 無損探傷, 1998, 22(1): 4-7.

[7] 黃思軍, 王飛龍, 許志祥, 等. 圖像處理技術(shù)在X射線自動(dòng)檢測(cè)中的應(yīng)用[J]. 無損檢測(cè), 1989, 11(4): 99-101.

[8] CHEN J, JAIN A. A structural approach to identify defects in textured images[C]. Proc of IEEE International Conference on Systems, Man, and Cybernetics, 1988, 1: 29-32.

[9] GRAY A, SAYA A, Shiloh A. Automatic recognition ofwelding defects in real-time radiography[J]. NDT&E International, 1990, 23(3): 131-136.

[10] HE Y Q, QIU H X. A method of cracks image segmentation based on the means of multiple thresholds[J]. Journal of Communication and Computer, 2012, (9): 1147-1151.

[11] KELVIN C P, WANG R P E. Investigation of image archiving for pavement surface distress survey[C]. Proce of Image Processing, 1999.

[12] 姚蘭, 肖建. 基于模糊熵和Hough變換的受電弓滑板裂紋檢測(cè)方法[J]. 鐵道學(xué)報(bào), 2014, 36(5): 58-63.

[13] LUO Y L, QU P S, Dong W H. Fault diagnose of aero engine based on digital image processing[C]. Proc of Chinese Control and Decision Conference, 2008, 3572-3575.

[14] 吳成和, 卞春華, 朱挺, 等. 基于數(shù)字圖像處理的軌道板裂紋缺陷檢測(cè)[J]. 光電技術(shù)應(yīng)用, 2014, 29(1): 49-51[J].

[15] LOREDANA L, LUIS R G, LUIGI B, RICCARDO G.Automatic identification of defects on eggshell through a multispectral vision system[J]. Food and Bioprocess Technology, 2012, 5: 3042-3050.

[16] LI Y Y, SAGAR D, PENG Y K. A machine vision system for identification of micro-crack in egg shell[J]. Journal of Food Engineering, 2012, 109: 127-134.