一種基于圖像處理的表面故障裂紋檢測系統

王聰興，劉寶亮

（河南省工業學校，河南 鄭州 450011）

0 引言

軸承和齒輪等高速運轉設備由于在工作中要承受高溫、高壓和突變載荷的作用，所以極易產生疲勞裂紋。這些裂紋若不能盡早檢測到便會不斷擴展從而引發斷裂，并導致嚴重的災難性人身事故。先進的故障診斷技術可在旋轉件的生產和制作過程中為工廠和企業帶來巨大的經濟效益。圖像故障信息檢測在當今社會的較多領域有著廣泛的研究及應用價值。將圖像處理技術應用于裂紋的故障檢測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相關人員進行設備的檢測與維護，充分發揮設備故障診斷技術的效益[1-3]。現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工業相機快速采集設備表面的圖像，經過圖像預處理、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與診斷。另一種是利用基于振動的一維信號譜圖實現設備故障診斷。但由于振動譜圖的多維復雜性，基于CCD的圖像檢測方法開始逐漸應用于狀態的監測和診斷，并產生較好的實用價值。如針對焊縫裂紋進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 P-M擴散模型[4]，利用非線性中值濾波對多晶硅薄膜太陽能電池的表面裂紋檢測[5]，4個方向Sobel算子[6]進行焊縫裂紋檢測，基于空間域統計的直方圖統計[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]，數學形態學解決發動機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造的軌道板圖像固有結構邊緣模板[14]實現裂紋檢測，Otsu圖像二值化、形態學操作和區域描繪子[15]以及結合 Sobel邊緣檢測等[16]對雞蛋表面的微裂紋或污點進行檢測。

因此，本文針對軸承外圈和鋼結構等裂紋，提出一種基于圖像處理的表面故障裂紋檢測系統。該系統首先利用 CCD工業相機等硬件設備進行裂紋圖像采集，其次利用圖像處理算法進行表面故障裂紋檢測。實驗結果表明，本系統能夠產生較好的裂紋檢測和定位效果。系統的總流程圖如圖1所示。

圖1 系統的總流程圖Fig.1 The flow chart of system

1 故障裂紋檢測系統

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

1.1 裂紋圖像采集系統

根據采集需求，裂紋圖像采集系統可對獲取的故障圖像進行圖像預覽、采集和存儲。其中，系統相機采集 圖像的速度可達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間命名。采集時可監控圖像采集的數量、磁盤的空間存儲量，采集圖像的狀態和采集速度等。系統的流程圖如圖 2所示，利用LabVIEW-VISION模塊進行編譯的部分采集程序如圖3所示。

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

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

1.2 裂紋圖像處理和檢測系統

裂紋圖像處理和檢測系統主要用于檢測故障圖像中的裂紋信息以及對裂紋信息進行定位與描述。該系統主要包括直方圖均衡、Canny邊緣檢測、Otsu閾值處理、形態學圖像處理、非裂紋信息的篩選、裂紋信息的定位和裂紋區域的填充。裂紋圖像處理和檢測系統的流程圖如圖 4所示，利用 LabVIEWVISION模塊進行編譯的部分檢測程序如圖5所示。

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

2 系統實驗及結果

為檢驗故障裂紋檢測系統的有效性，本節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行故障裂紋的檢測與定位。

2.1 軸承外圈故障檢測

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裂紋與非裂紋像素的對比度，選用 Preitt算子可獲取軸承裂紋圖像邊緣細節，但容易獲得大量冗余的細節如軸承運行過程中出現的正常磨損，結果如圖7所示。

圖5 裂紋圖像處理和檢測系統流程圖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，但結果容易導致目標裂紋斷裂，結果如圖8所示。

圖8 閾值處理Fig.8 Thr eshold processing

形態學處理可以對圖中的斷裂區域進行連接，選擇 3×3的正方形結構元素對該結果進行膨脹運算可實現對裂紋區域的連接。結果如圖9所示。

圖9 形態學膨脹運算Fig.9 Morphological dilation

連接后的圖像會伴隨其它無關信息的膨脹，這將導致裂紋提取不確定，根據最長軸或最大面積特性可實現膨脹后裂紋的提取，結果如圖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學腐蝕操來還原實際裂紋區域，最終結果如圖11所示。

圖11 形態學腐蝕運算Fig.11 Morp hological erode

通過區域描述子的方法可以實現裂紋區域的描述與定位，該描述包括裂紋的面積、質心、邊界范圍等，其結果如圖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，但像素對比度差別較小。所以利用直方圖均衡可調節真實裂紋與非裂紋信息的對比度，處理結果如圖14所示。Canny邊緣檢測和Otsu閾值處理（T=9）可有效提取故障裂紋的信息，結果如圖15所示。

形態學開運算既可有效保留真實裂紋信息又可去除部分冗余信息，其結果如圖16所示。但仍存在少量冗余信息和真實裂紋中的少量空洞。

根據最長軸或最大面積特性可實現形態學后裂紋的提取，然后利用區域填充實現空洞信息的填補，結果如圖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+閾值處理Fig.15 Edge detection and threshold processing

圖16 形態學開運算Fig.16 Morphological opening operation

圖17 檢測最終結果Fig.17 The final result in test processing

利用區域描述子可實現裂紋面積、質心、邊界等信息的提取，其結果如圖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

通過 CCD工業相機獲得的鋼材料裂紋圖片光照較弱且不均勻，因此，首先應對圖像進行直方圖均衡以增強圖像裂紋信息。圖19（a）為未經處理的原始裂紋圖像，整個畫面較暗；圖 19（b）中的灰度直方圖結果可看出原圖中所占據的灰度值范圍較窄。圖20（a）為直方圖匹配處理后的結果，可以看出裂紋的細節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直方圖Fig.19 Original steel material image and corresponding histogram

圖20 直方圖均衡后的結果Fig.20 The result of histogram equalization

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

圖21 閾值處理結果Fig.21 Thr eshold processing result

為了進一步降低鋼結構裂紋中伴隨的非裂紋信息和噪聲，利用基于圖像處理的數學形態學的方法可將一些離散的裂紋邊緣點連接成小段的邊緣線，并去除圖像中的干擾噪聲部分。圖22即為形態學閉運算處理結果圖。

圖22 形態學閉運算處Fig.22 Morphological closed operation

根據最大面積特性可實現形態學后裂紋的提取，再利用區域填充實現空洞信息的填補，結果如圖23和圖24所示。區域描述子提取的定位結果如圖25所示。

3 結語

圖23 提取最大面積結果Fig.23 Extraction of maximum area

圖24 區域填充Fig.24 Region filling

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

圖像處理技術應用于裂紋的故障檢測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相關人員進行設備的檢測與維護，充分發揮設備故障診斷技術的效益。針對傳統故障裂紋檢測方法檢測精度不高以及檢測效率低下等方面，本文提出一種基于圖像處理的表面故障裂紋檢測系統。該系統利用圖像采集、控制器等硬件設備和LabVIEW軟件實現裂紋圖像采集、裂紋圖像處理以及裂紋信息的定位。實驗結果表明，該系統既可實現真實裂紋的可靠檢測，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狀及趨勢[J]. 新型工業化, 2012, 2(9): 31-36.

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

[3] 王振彥. 基于數字圖像處理的路面裂縫自動識別與評價系統[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. 新型焊接缺陷計算機檢測系統的開發[J]. 無損探傷, 1998, 22(1): 4-7.

[7] 黃思軍, 王飛龍, 許志祥, 等. 圖像處理技術在X射線自動檢測中的應用[J]. 無損檢測, 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方法[J]. 鐵道學報, 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. 基于數字圖像處理的軌道板裂紋缺陷檢測[J]. 光電技術應用, 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.