基于BP神經網絡的熒光磁粉檢測技術探討

黃海霞 李富 朱鎮

摘 要：熒光磁粉檢測法是目前檢測重要零件表面缺陷的主要技術。本文基于磁粉探傷的基本原理，分析了熒光磁粉檢測技術的特點，然后以BP神經網絡為理論基礎，對零件表面的大量缺陷樣本進行特征提取和分類，實驗表明，該技術可以大大提高熒光磁粉檢測技術的自動化程度和實用程度。

關鍵詞：BP神經網絡;熒光磁粉;無損檢測

DOI：10.16640/j.cnki.37-1222/t.2019.18.124

1 熒光磁粉檢測技術

1.1 磁粉探傷的原理

磁粉探傷是當前無損檢測的五大常規方法之一，其應用已經滲透到工業生產的各個領域。磁粉檢測技術是以磁感應原理為理論基礎的，通過將待檢工件進行磁化，使其內部出現一個磁場。然后將磁粉均勻分布在工件表面，如果工件表面完好，由于沒有漏磁場，因而磁粉仍處于均勻分布狀態。但如果工件表面有缺陷時，由于表面磁場不連續，會出現明顯的漏磁場，使磁感應線從缺陷下面繞過，從而使表面磁粉產生堆積。由于漏磁場的寬度通常會比缺陷的尺寸大一至兩個數量級，因而可以將缺陷形狀放大顯示出來[1]。缺陷離表面越近，漏磁通就越多，缺陷檢測效果越好;缺陷離表面越深，漏磁通就越少，缺陷就越難以檢出。

1.2 磁粉探傷的特點

熒光磁粉檢測技術是通過缺陷造成的漏磁通來顯示缺陷位置和性質的，這種磁粉的顯示需要由人或機器來進行識別，因而要求熒光圖像有較好的分辨率，并且要求背景和磁痕的顏色有較大的差異，否則很難通過肉眼觀察出來。所以，熒光磁粉檢測技術受人為因素影響十分顯著。為了提高圖像對比度，熒光磁粉檢測通常在黑暗空間進行，這種環境會使操作和判讀人員產生不良心理或情緒，因而容易出現漏檢或誤判。當前大部分熒光磁粉均要求在紫外線下觀察才有較高的準確率，但過度的紫外線照射對人體是不利的，因而檢測過程對自動化技術提出了更高的要求。顯然，自動化檢測和智能磁粉控傷是未來一段時期內無損檢測技術的主要發展方向之一。

2 BP神經網絡

2.1 BP網絡模型

BP（Back-propagation）神經網絡又稱為誤差反向傳播神經網絡，其總體結構一般至少包含三層，并且各層之間不存在相互反饋和連接，因而在結構上結成了一種典型的前向網絡，第一層接受各種條件參數信息，因而作為輸入層，最后一層為用戶提供處理結果，因而作為輸出層，中間各層的工作是不為外界所知的，因此又稱為隱含層。典型的BP網絡模型如圖1所示。

BP網絡具有一定的智能性，因而在設備故障診斷領域中被人們廣泛采用，其工作原理可以總結為：網絡的第一層{x1;x2;…xn}一般用于表征故障征兆，其中每個元素都與一個神經元相對應，如果某數據恰好通過了隱含層，那么就可以在該節點處對其進行相應的運算，作為隱含層的入，再進一步變換后即可獲得輸出信號{y1;y2;…yn}，該輸出就代表了故障的類別。顯然，BP網絡對層數并無嚴格要求，但要求其激活函數具有可微的特性，這很容易讓人們想到S型函數。S型函數在兩端的變化比較平滑，而中間有明顯的波動，具有十分優良的轉移特性。

2.2 BP神經網絡的學習

BP神經網絡算法是一種智能化的算法，可以通過特定的學習提高準確性，這種學習行為的特點也十分顯著，主要有正向傳播和反向傳播兩種。在正向傳播機制中，單層神經元禁止向上層傳遞，只能向下層傳遞，輸出不同，其輸入層的權值也不相同。如果在輸出層沒有取得預期的值，則需要反向，對各層的權值進行調整，使各神經元之間的連接發生變化，再觀察輸出結果，直到輸出值滿足預期要求。從數學上看，只要求得誤差函數的極小值就可以得到想要的結果，最簡單的辦法就是借助大量樣本多次訓練，利用最速下降法加快函數收斂速度。

3 模糊神經網絡算法

模糊神經網絡是模糊數學理論和神經網絡理論相結合而形成的一種算法體系，它一方面傳承了神經網絡的優點，另一方面還充分借助模糊數學的分析方法實現性能優化。模糊系統和神經網絡原本是兩類獨立的體系，兩者之間如果結合起來將可以發揮更大的優勢。模糊神經網絡的運用實際上是研究模糊系統和神經系統對于信息處理如何進行分工。如果兩個系統對信息分別進行處理，其過程將十分簡單，對于簡單的應用場合已經足夠，因此這種形式的應用十分廣泛。如果將兩者進行合成再對信息進行處理，可以取得更高的信息處理效率和效果，完成一些更加復雜的診斷任務，但這種高性能是以犧牲硬件資源為前提的。從當前的研究結果來看，其融合方式通常有松散型、并聯型、串聯型和結構等價型四種。

零件表面缺陷是多種多樣的。為了滿足這種復雜性，本文采用了將模糊系統和神經系統進行結合運用的方案，結合形式采用串聯型，即其中一個系統的輸出作為另一個系統的輸入，如圖2所示。串聯型模糊神經系統具有原理簡單、易于編程的優點，使兩個系統對信息的處理既相對獨立，又相互聯系。例如，診斷信號首先由模糊系統進行處理，然后再由神經網絡處理，這樣可以大大提高后者的運行效率，從而得到更可靠的結論。因此，這種結果已受到生產領域的廣泛認可。

4 基于BP神經網絡的熒光磁粉檢測

4.1 實驗方案設計

本文借助MATLAB神經網絡工具箱對軸承零件表面熒光磁粉檢測圖像進行了分析，通過提取表面缺陷的特征向量并輸入分類器中進行分類處理。根據軸承零件的功能和結構特征，將其缺陷類型分成5類，分別是裂紋、氣孔、條形夾渣、點渣及劃痕。然后通過大量的缺陷樣本數據對BP神經網絡進行了40個周期的訓練，使系統總體誤差小于0.015，最終形成一個準確度較高的熒光磁粉探傷缺陷識別系統。

（1）圖像預處理。根據大量的實踐經驗發現，磁痕圖像在紫光燈照射下會出現反光區，不利于準確判讀，因此本文通過在相機鏡頭前加裝一片濾光片，同時采用圖像增強算法提升圖像對比度。

（2）工件定位。磁痕通常只分布一整個圖像的某一部分區域，因而僅需要對缺陷磁痕部分進行分析，減少圖像處理和分析的壓力。采用灰度信息匹配法可以較準確地對工件進行定位。

（3）特征提取。不同的工件具有不同的形狀和缺陷類型，為了適用于不同的工件檢測，因此必須對工件進行特殊提取。本文采用灰度共生矩陣對目標進行特征提取。通過觀察像素的灰度變化來發現特征紋理的變化趨勢。

（4）分類器設計。分類器的設計對BP神經網絡的性能有著最為關鍵的影響，分類器依賴前饋方式達到耦合效果，但處于同一層次的神經元之間互不相干。給定一組初始化權重后，網絡由輸入層進入后進行逐層分析，最終得到一個輸出模式。當輸入與輸出之間的誤差滿足要求時即完成。

4.2 實驗結果分析

實驗結果如表1所示。實驗結果表明，BP神經網絡系統在經過特征量提取和分類之后，取得了較為可觀的檢測效果。裂紋、氣泡、條渣、點渣和劃痕5種顯示類型的識別率分別達到了89.3%，87.4%，84.9%，83.4%和88.7%。但本系統也有明顯的不足之處，對于一些非顯示，例如類似于缺陷的一些特殊表面結構，系統很難進行準確識別，正確率僅為58.5%。但實際上，軸承零件表面結構很少出現非缺陷的情況，因此對系統總體性能影響是可以接受的。

5 結語

本文對基于BP神經網絡的熒光磁粉檢測技術進行了深入的探討，設計了一套以BP神經網絡為理論基礎的熒光磁粉檢測方案。實驗表明，本系統無論是在檢測速度還是檢出率方面均有很大的提高，同時減少了由于人為失誤造成的影響，為熒光磁粉檢測系統實現自動化和智能化奠定了良好的基礎，具有重要的應用價值。

參考文獻：

[1]金翠娥，吳遠峰，劉穎卓.基于機器視覺的熒光磁粉檢測圖像預處理方法[J].無損檢測，2018，40（09）：5-7+55.

作者簡介：黃海霞（1985-），女，江蘇南通人，本科，工程師，主要從事焊接檢驗、無損檢測、質量管理等相關工作。