基于Otsu圖像分割的水泵葉片凹陷裂縫檢測(cè)

（江蘇省水利勘測(cè)設(shè)計(jì)研究院有限公司 揚(yáng)州 225217）

1 概述

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

2 圖像處理的方法設(shè)計(jì)

2.1 圖像處理的步驟設(shè)計(jì)

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

2.2 各向異性濾波

各向異性擴(kuò)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(shù)。尺度維度如圖1所示，可以形象的表示為金字塔構(gòu)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(shù)。若將散射系數(shù)定義為梯度幅值函數(shù)，能夠有效增強(qiáng)圖像邊緣細(xì)節(jié)。散射系數(shù)如下：

式（3）中g(shù) 的表達(dá)式如下：

k 是導(dǎo)熱系數(shù)，低值、高值可分別保存邊緣細(xì)節(jié)和導(dǎo)致擴(kuò)散。這里的△是一個(gè)差分因子，表示在四個(gè)方向上計(jì)算差值：

本文采用上述表達(dá)式對(duì)原始圖形各向異性散射預(yù)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(jié)構(gòu)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(jí)差異，因此通過控制全局閾值對(duì)空隙缺陷圖形進(jìn)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(chǔ)，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(duì)此算法進(jìn)行了改進(jìn)，提出了二維全局閾值分割算法，在抗噪性能方面大大改進(jìn)。

二維Otsu 閾值分割方法如下：

灰度級(jí)為L(zhǎng) 的圖像的聯(lián)合概率密度為：

對(duì)經(jīng)過各向異性擴(kuò)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(jì)算得到的最大類間離散測(cè)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(huì)遺留一些與空隙缺陷類似的紋路，因此需要對(duì)空隙缺陷進(jìn)一步提取。

圖像二次提取為后續(xù)空隙缺陷檢測(cè)打下堅(jiān)實(shí)的基礎(chǔ)，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(duì)于空隙缺陷的檢測(cè)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(duì)圖像目標(biāo)物進(jìn)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(shù)不依賴與形狀的幾何變換，所以可以利用矩不變性來識(shí)別位置尺寸變化的缺陷。

3 神經(jīng)網(wǎng)絡(luò)缺陷分類與實(shí)驗(yàn)

在前面的章節(jié)中介紹了三種常見的缺陷，分別是氣孔、縮孔和疏松缺陷，實(shí)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(duì)象。利用五個(gè)描述參數(shù)，結(jié)合通用的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行缺陷自動(dòng)分類，神經(jīng)網(wǎng)絡(luò)選擇多層隱層，輸入層為五個(gè)描述參數(shù)，即5 個(gè)節(jié)點(diǎn)，輸出層為二值數(shù)據(jù)01、10、11，因此需要2 個(gè)節(jié)點(diǎn)。本文對(duì)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(xùn)練神經(jīng)網(wǎng)絡(luò)，另外20%的圖片測(cè)試訓(xùn)練結(jié)果。其中的15 組圖片的輸入輸出數(shù)據(jù)。經(jīng)過多次訓(xùn)練后，測(cè)試正確率達(dá)到92.23%，僅有少數(shù)缺陷無法檢測(cè)出來。

4 結(jié)語

鑄鋼件是水泵葉片制造的主要材料，而因鑄鋼件引發(fā)的水泵效率降低和發(fā)生事故事件時(shí)有發(fā)生，從而帶來經(jīng)濟(jì)損失，因此鑄鋼件缺陷檢測(cè)與防治需要重視。本文的理論研究可以作為缺陷檢測(cè)的實(shí)用方式，比如當(dāng)某一種缺陷的檢測(cè)率比較高時(shí)，可以適當(dāng)在工藝生產(chǎn)中加以注意，對(duì)于提高工藝有著不錯(cuò)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(cè)，算法的精確度比較高，并且不會(huì)對(duì)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(jìn)的地方，樣本的訓(xùn)練時(shí)間比較長(zhǎng)，可以考慮每次檢測(cè)時(shí)根據(jù)新加入的樣本實(shí)時(shí)變更神經(jīng)網(wǎng)絡(luò)的參數(shù)模型■