基于Otsu圖像分割的水泵葉片凹陷裂縫檢測

（江蘇省水利勘測設計研究院有限公司 揚州 225217）

1 概述

水泵葉片的鑄鋼件應無夾渣和裂縫等缺陷，然而鑄鋼件工藝缺陷的顯著特點是形狀多且復雜[1]，鑄件在承受鑄造處理過程中，在金屬的表面或內部形成機械疲勞裂紋和熱疲勞裂紋。檢驗缺陷主要有三種方法：超聲波探測法、干擾雜波法和直接通電法。當鑄鋼件表面存在較多粗大顆粒或不均勻組織時，超聲波散射、能量衰減較為嚴重，使得超聲波探測法變得困難；當鑄鋼件存在不均勻、不致密組織和粗大晶粒界面時，示波屏上會顯示雜亂的草狀回波，妨礙缺陷回波的辨認。目前已有一些使用圖像處理[2-3]算法對鑄件缺陷進行檢測，本文利用閾值控制的Otsu 分割算法和特征提取算法對缺陷形態特征自動提取和分類研究。

2 圖像處理的方法設計

2.1 圖像處理的步驟設計

根據水泵葉片鑄件的缺陷圖像的灰度分布特點，原始鑄件圖以各向異性濾波方式進行圖像光滑處理，并提取特征邊界，同時采用Otsu 全局閾值分割方法，將灰度值大的缺陷區域從背景中提取出來；然后通過基本區域描述符對提取出的針孔區域進行量化。

2.2 各向異性濾波

各向異性擴散方程由Perona 和Malik[4]在1990年提出的，采用分辨率的多尺度形式，并且能夠有效分辨噪聲和邊緣提取。圖像的多尺度變換可以描述為：

其中I、I0、G 分別表示水平集圖形、原始圖形和核心高斯函數。尺度維度如圖1所示，可以形象的表示為金字塔構造。

通過變形可以得下式：

其中div、△、c 分別拉普拉斯算子、梯度算子及散射系數。若將散射系數定義為梯度幅值函數，能夠有效增強圖像邊緣細節。散射系數如下：

式（3）中g 的表達式如下：

k 是導熱系數，低值、高值可分別保存邊緣細節和導致擴散。這里的△是一個差分因子，表示在四個方向上計算差值：

本文采用上述表達式對原始圖形各向異性散射預處理，原始圖形為水泵葉片鑄件空隙缺陷圖，在保證算法收斂性的條件下，允許迭代不超過30，并且取k=6，取λ=0.3（見圖2）。

2.3 閾值分割與缺陷一次提取

圖1 圖像的金字塔結構圖

圖2 水泵葉片鑄件空隙缺陷圖像各向異性散射濾波圖

圖3 圖2c 圖的二維直方圖

由于水泵鑄件空隙缺陷圖形的缺陷和背景存在灰度級差異，因此通過控制全局閾值對空隙缺陷圖形進行分析，將空隙缺陷從整幅背景中分割出來。Otsu 分割方法是由Otsu[6]首先提出的，此算法以單維直方圖為基礎，通過求最大化類間方差σ2B來選擇閾值K，而劉建莊[7]等人對此算法進行了改進，提出了二維全局閾值分割算法，在抗噪性能方面大大改進。

二維Otsu 閾值分割方法如下：

灰度級為L 的圖像的聯合概率密度為：

對經過各向異性擴散濾波后的圖2c，L=256，其二維直方圖如圖3所示，使用二維Otsu 算法得到的二值圖像。計算得到的最大類間離散測度S_B (s,t)=4032.6，閾值(s,t)=(143,144)。

2.4 缺陷的二次提取與描述

由于二維分割依然會遺留一些與空隙缺陷類似的紋路，因此需要對空隙缺陷進一步提取。

圖像二次提取為后續空隙缺陷檢測打下堅實的基礎，圖像特征提取的方式很多，其中幾何特征提取是空隙缺陷提取的重要方式，對于空隙缺陷的檢測分類與控制起著不可替代的作用。本文采用了三種幾何特征和兩種矩特征對圖像目標物進行精確描述，其中三種幾何特征分別是圓形度、偏心率和緊湊性，兩種矩分別是二階不變矩和三階不變矩。由于某些矩函數不依賴與形狀的幾何變換，所以可以利用矩不變性來識別位置尺寸變化的缺陷。

3 神經網絡缺陷分類與實驗

在前面的章節中介紹了三種常見的缺陷，分別是氣孔、縮孔和疏松缺陷，實際上還存在很多其他的缺陷，本文選取上述三種典型的缺陷作為研究對象。利用五個描述參數，結合通用的BP 神經網絡進行缺陷自動分類，神經網絡選擇多層隱層，輸入層為五個描述參數，即5 個節點，輸出層為二值數據01、10、11，因此需要2 個節點。本文對三種缺陷分別挑選了70 組針孔圖片，100 組氣孔物圖片和120 組縮孔圖片，選取其中80%的圖片訓練神經網絡，另外20%的圖片測試訓練結果。其中的15 組圖片的輸入輸出數據。經過多次訓練后，測試正確率達到92.23%，僅有少數缺陷無法檢測出來。

4 結語

鑄鋼件是水泵葉片制造的主要材料，而因鑄鋼件引發的水泵效率降低和發生事故事件時有發生，從而帶來經濟損失，因此鑄鋼件缺陷檢測與防治需要重視。本文的理論研究可以作為缺陷檢測的實用方式，比如當某一種缺陷的檢測率比較高時，可以適當在工藝生產中加以注意，對于提高工藝有著不錯的作用。此外本文提出的基于圖像的算法是一種微觀圖像檢測，算法的精確度比較高，并且不會對無缺陷的鑄鋼件材料造成傷害。本文提出的算法還是有需要改進的地方，樣本的訓練時間比較長，可以考慮每次檢測時根據新加入的樣本實時變更神經網絡的參數模型■