基于邊緣輪廓的管道裂紋缺陷檢測(cè)算法研究*

關(guān) 靜 樓 飛

（南京師范大學(xué)中北學(xué)院 丹陽(yáng) 212300）

1 引言

管道一般應(yīng)用于排水、天然氣運(yùn)輸、石油運(yùn)輸?shù)阮I(lǐng)域，而長(zhǎng)時(shí)間的使用以及外部環(huán)境、輸送介質(zhì)的影響等，容易使管道內(nèi)部產(chǎn)生裂紋、銹跡等缺陷，進(jìn)而產(chǎn)生泄露等事故，因此定期對(duì)管道進(jìn)行檢測(cè)，排除隱患具有重要意義［1～3］。

由于水上環(huán)境以及管道形狀的影響等，管道的缺陷檢測(cè)成為難題。傳統(tǒng)的計(jì)算機(jī)實(shí)時(shí)監(jiān)控、放射線透視檢測(cè)和超聲波探傷檢測(cè)法［4］工作量大，準(zhǔn)確率低，抗干擾能力差，以管道機(jī)器人和視覺傳感器為載體，基于圖像處理的管道缺陷檢測(cè)方法實(shí)施方便，效率高且正確率高［5～6］，已成為普遍使用的方法。20 世紀(jì)初，美國(guó)普渡大學(xué)的Myung Jin Chae 教授等研發(fā)出了一套自動(dòng)檢測(cè)系統(tǒng)，可掃描管道并評(píng)估其缺陷類型［7］；隨著圖像處理技術(shù)和計(jì)算機(jī)視覺的發(fā)展，加拿大的Motaemdi M 教授等提出利用管道缺陷的細(xì)節(jié)特征進(jìn)行檢測(cè)的新方法，結(jié)果表明該方法準(zhǔn)確率較高，能夠識(shí)別出管道的裂紋、銹跡腐蝕等缺陷［8］。長(zhǎng)安大學(xué)的孫朝云等研發(fā)了裂紋檢測(cè)系統(tǒng)，通過圖像增強(qiáng)、圖像分割，根據(jù)圖像的線性特征分離出了裂紋缺陷［9］；孫文雅等基于形態(tài)學(xué)邊緣算法對(duì)管道圖像進(jìn)行處理，并利用閾值法分割圖像后，提取裂縫的特征參數(shù)來檢測(cè)裂縫［10］。

本文主要對(duì)管道內(nèi)部裂紋進(jìn)行檢測(cè)，利用圖像處理技術(shù)，提出基于邊緣輪廓的管道缺陷檢測(cè)算法：先對(duì)視覺傳感器獲取的圖像進(jìn)行預(yù)處理，然后利用最大類間方差法（Otsu）將圖像的背景與缺陷部分分割，并對(duì)分割后的圖像進(jìn)行形態(tài)學(xué)操作和提邊緣輪廓，根據(jù)邊緣輪廓計(jì)算管道缺陷的特征參數(shù)，并對(duì)長(zhǎng)短軸的計(jì)算方法提出改進(jìn)，最后實(shí)現(xiàn)裂紋缺陷的識(shí)別。本文利用Matlab進(jìn)行實(shí)驗(yàn)仿真，結(jié)果表明本文所用算法準(zhǔn)確率較高，計(jì)算速度快，能夠搭載管道機(jī)器人對(duì)管道內(nèi)部裂紋進(jìn)行檢測(cè)。

2 管道裂紋圖像的預(yù)處理

管道機(jī)器人的視覺傳感器獲取的圖像是彩色圖像，且受光照、噪聲、設(shè)備等影響，管道缺陷區(qū)域特征不明顯，會(huì)對(duì)圖像的檢測(cè)造成影響，因此需要進(jìn)行預(yù)處理，降低圖像中的噪聲，同時(shí)便于后續(xù)圖像的輪廓檢測(cè)和特征提取。圖像預(yù)處理包括濾波和圖像增強(qiáng)。

圖像進(jìn)行預(yù)處理前先灰度化減少計(jì)算量，視覺傳感器獲取的缺陷管道圖像和灰度化后的圖像如圖1所示。

圖1 管道圖像的灰度化

為了減少或消除噪聲對(duì)圖像的影響，需要對(duì)灰度圖進(jìn)行濾波處理?？臻g濾波的實(shí)質(zhì)是用掩模（模板）對(duì)圖像中的每個(gè)像素點(diǎn)操作，重新計(jì)算其灰度值。常用的濾波方法有均值濾波，中值濾波和高斯濾波等，本文分別用中值濾波和高斯濾波對(duì)圖像進(jìn)行處理。中值濾波簡(jiǎn)單來說就是將模板內(nèi)像素值從小到大排列，位于中間的像素值賦值給待處理像素。高斯濾波即是在模板范圍內(nèi)對(duì)所有像素值進(jìn)行加權(quán)平均，權(quán)值由高斯核確定，二維高斯核如下式：

式中σ=(ksize/2-1)*0.3+0.8，ksize 為高斯核大小，即模板大小。本文中中值濾波和高斯濾波的模板大小均設(shè)為5，實(shí)驗(yàn)結(jié)果如圖2 所示，從圖中可看出，中值濾波后的圖像較清晰，且能濾除椒鹽噪聲，同時(shí)后面進(jìn)行圖像分割時(shí)中值濾波效果較好，因此選擇中值濾波對(duì)灰度圖進(jìn)行處理。

圖2 管道缺陷圖像濾波處理

為了便于圖像分割，突出管道圖像中的缺陷區(qū)域，抑制背景區(qū)域，對(duì)濾波后的圖像進(jìn)行增強(qiáng)?？臻g域增強(qiáng)即對(duì)圖像的各像素點(diǎn)進(jìn)行處理，通過運(yùn)算或變換改變其灰度值。針對(duì)本文管道缺陷圖像的特點(diǎn)，利用對(duì)比度線性展寬算法進(jìn)行圖像增強(qiáng)。

對(duì)比度線性展寬［11］的實(shí)質(zhì)是灰度值的線性映射，通過抑制非重要信息的對(duì)比度使重要信息的對(duì)比度展寬，可用下式表示：

圖3 對(duì)比度線性展寬效果圖

3 圖像分割

圖像分割的目的是將管道缺陷圖像分為缺陷和背景兩部分，重點(diǎn)是閾值的選取。由于管道內(nèi)部的環(huán)境不同，缺陷類別不同，不同的管道缺陷圖像灰度分布不同，因此不能選擇固定閾值進(jìn)行二值化，需要利用動(dòng)態(tài)閾值來適應(yīng)不同的缺陷圖像。常用的方法有類間最大距離法，最大熵方法和最大類間方差法等。本文選擇最大類間方差法對(duì)圖像進(jìn)行分割，并提出改進(jìn)方法。

圖像分割實(shí)際上是將圖像中所有的像素值分為兩類，合適的閾值會(huì)使兩類數(shù)據(jù)之間的方差越大，最大類間方差法［12］就是用方差將其分為兩類，具體算法如下。

1）計(jì)算圖像中所有像素的分布概率：

式中Ni為灰度值是i的像素個(gè)數(shù)，Nimg是像素的總個(gè)數(shù)；

2）設(shè)置初始閾值Th=Th0，將圖像分為C1 和C2兩類；

3）計(jì)算兩類的方差σ1，σ2和灰度均值μ1，μ2，圖像的總體灰度均值μ：

4）計(jì)算兩類問題的發(fā)生概率P1和P2：

5）計(jì)算類間方差：

6）選取最佳閾值Th=Th*，使圖像分為兩類后滿足：

一般為選取到最合適的閾值，初始閾值可從0開始，取完所有的灰度值，找到最大類間方差，對(duì)應(yīng)的閾值即為最終閾值，但整個(gè)算法耗費(fèi)時(shí)間較長(zhǎng)，計(jì)算量大。根據(jù)實(shí)驗(yàn)比較分析，管道缺陷圖像分割時(shí)，閾值均在120～200 之間，因此可選擇初始閾值為120，并在閾值為200時(shí)結(jié)束，尋找類間方差最大時(shí)對(duì)應(yīng)的閾值，減少運(yùn)算時(shí)間。

用上述方法對(duì)管道缺陷圖像進(jìn)行分割，改進(jìn)后的算法可將計(jì)算時(shí)間減少一半，結(jié)果如圖4，可以看出圖中的裂紋被分割出來，但裂紋之間不連續(xù)，有斷裂部分；同時(shí)由于圖像右下角像素的灰度值與裂紋灰度值較接近，也被認(rèn)為是目標(biāo)像素檢測(cè)出來，需對(duì)其進(jìn)行處理。

圖4 管道缺陷圖像的分割

形態(tài)學(xué)操作［13］可將圖像中斷裂部分連接，便于提取缺陷的完整輪廓。形態(tài)學(xué)算法是以結(jié)構(gòu)元素為基礎(chǔ)的運(yùn)算，結(jié)構(gòu)元素就是某種具有確定形狀的基本結(jié)構(gòu)元素，可以是矩形、圓形或菱形等。腐蝕可以將目標(biāo)圖形收縮，而膨脹則將目標(biāo)圖形擴(kuò)大。本文為了將目標(biāo)區(qū)域向外部擴(kuò)張使其連接，因此需進(jìn)行膨脹，同時(shí)為了保持原目標(biāo)區(qū)域的大小不變，膨脹后需要再進(jìn)行腐蝕運(yùn)算，也稱為閉運(yùn)算。根據(jù)裂紋缺陷的特點(diǎn)，本文選取矩形結(jié)構(gòu)元素對(duì)圖4 分別進(jìn)行膨脹和腐蝕運(yùn)算四次，結(jié)果如圖5 所示，可以看出裂紋區(qū)域面積基本不變，且基本連接在一起，便于后面進(jìn)行管道缺陷圖像的邊緣檢測(cè)。

圖5 膨脹和腐蝕效果圖

4 管道裂紋圖像的邊緣檢測(cè)

邊緣是描述目標(biāo)細(xì)節(jié)特征的重要信息，是特征提取的基礎(chǔ)，通常圖像局部區(qū)域中灰度變化較明顯的像素點(diǎn)即為邊緣。邊緣檢測(cè)一般基于圖像的一階或二階微分算子，一階微分算子如Roberts，Sobel，Priwitt 算子等是利用不同的模板求圖像的梯度，通過閾值確定邊緣，計(jì)算較簡(jiǎn)單，能夠獲得圖像特定方向的灰度變化，但獲得的邊界較模糊；二階微分算子如Laplacian 微分算子，Wallis 算子等計(jì)算圖像的二階方向?qū)?shù)，但對(duì)噪聲較敏感［14］。

Canny于1986 年研究了最優(yōu)邊緣檢測(cè)的特性，提出了Canny 邊緣檢測(cè)，成為應(yīng)用最廣泛成功的一種算法，本文基于Canny 算子對(duì)裂紋進(jìn)行邊緣檢測(cè)：先對(duì)圖像進(jìn)行高斯濾波，然后用一階差分計(jì)算圖像梯度的幅值和方向，并根據(jù)幅值在梯度方向上進(jìn)行非極大值抑制，最后用滯后閾值算法確定邊緣像素點(diǎn)。對(duì)圖5 進(jìn)行邊緣檢測(cè)后如圖6 所示，可看出裂紋邊緣能夠完整地檢測(cè)出，效果較好。

圖6 管道缺陷圖像的邊緣檢測(cè)效果

5 管道缺陷圖像的特征提取和識(shí)別

一般圖像的特征可分為紋理特征，形狀特征，顏色特征和邊緣特征等，其中形狀特征包括目標(biāo)的長(zhǎng)寬比、圓形度、周長(zhǎng)、面積等。根據(jù)裂紋缺陷的特點(diǎn)，本文基于形狀特征對(duì)管道缺陷進(jìn)行提取。

周長(zhǎng)是最簡(jiǎn)單的形狀特征，可認(rèn)為是輪廓線的像素個(gè)數(shù)。長(zhǎng)軸和短軸也可描述管道裂紋的形狀，通常長(zhǎng)軸與短軸是目標(biāo)區(qū)域外接矩形的長(zhǎng)短軸，邊界上任意兩像素點(diǎn)間距離最大的是長(zhǎng)軸，短軸則是垂直于長(zhǎng)軸方向的兩個(gè)像素間距離最大［15］。偏心度為長(zhǎng)軸和短軸之比，可以描述細(xì)長(zhǎng)目標(biāo)。本文基于邊緣輪廓提取管道缺陷圖像的周長(zhǎng)，長(zhǎng)軸和短軸等特征，并提出長(zhǎng)短軸的改進(jìn)算法。

為了濾除孤立點(diǎn)或非缺陷點(diǎn)，先設(shè)定閾值濾除小輪廓，即周長(zhǎng)較小的輪廓，便于之后的特征提取和計(jì)算，對(duì)圖6 進(jìn)行處理，結(jié)果如圖7 所示，小輪廓目標(biāo)均被濾除。

圖7 濾除小輪廓效果圖

比較缺陷區(qū)域和非缺陷區(qū)域可看出，其偏心度有較大差別，裂紋長(zhǎng)軸較長(zhǎng)，而短軸很短，偏心度較大，因此可通過計(jì)算長(zhǎng)短軸的長(zhǎng)度來識(shí)別裂紋，在圖7中，即分別計(jì)算各輪廓的長(zhǎng)短軸。

傳統(tǒng)算法中，長(zhǎng)軸是輪廓上任意兩個(gè)像素點(diǎn)間的最大距離，而短軸則是垂直于長(zhǎng)軸的最長(zhǎng)距離，計(jì)算量較大，耗費(fèi)時(shí)間長(zhǎng)，且裂紋形狀不規(guī)則，可能有的區(qū)域較寬，有的區(qū)域窄，所找到的短軸不能代表裂紋的粗細(xì)程度，因此本文提出一種計(jì)算長(zhǎng)短軸的方法，具體步驟如下：

1）對(duì)于任一輪廓，分別計(jì)算X，Y方向的最大最小值；

2）計(jì)算X 方向的最大距離和Y 方向的最大距離，較大的距離為長(zhǎng)軸距離，同時(shí)確定裂紋走向；

3）裂紋走向分為橫向和縱向，根據(jù)裂紋走向，在該方向上取N 個(gè)點(diǎn)進(jìn)行采樣，若走向?yàn)闄M向，則相同的縱坐標(biāo)肯定有對(duì)應(yīng)的兩個(gè)橫坐標(biāo)，計(jì)算兩個(gè)橫坐標(biāo)間的距離，然后對(duì)所有采樣點(diǎn)的距離求均值后即為短軸長(zhǎng)度。

4）計(jì)算短軸時(shí)，若相同的縱坐標(biāo)對(duì)應(yīng)的橫坐標(biāo)只有一個(gè)，可以確定該輪廓對(duì)應(yīng)的目標(biāo)區(qū)域不是缺陷輪廓，可以濾除。

管道裂紋的形狀不同，大小也不同，因此計(jì)算短軸時(shí)可以根據(jù)情況取固定的采樣點(diǎn)數(shù)，也可用不同的采樣點(diǎn)數(shù)。在本文中根據(jù)長(zhǎng)軸長(zhǎng)度，若長(zhǎng)軸小于100 取10 個(gè)采樣點(diǎn)，否則取20 個(gè)采樣點(diǎn)，計(jì)算得到的短軸長(zhǎng)度基本可以代表裂紋缺陷的粗細(xì)程度。

用傳統(tǒng)算法和本文所提算法計(jì)算圖像中所有輪廓的長(zhǎng)軸和短軸長(zhǎng)度，并計(jì)算偏心度，設(shè)置閾值Th，若偏心度大于該閾值，則該輪廓區(qū)域?yàn)榱鸭y，否則不是。由于存在較小較細(xì)的裂紋，因此本文選取的閾值Th=5。

對(duì)圖7 中的所有輪廓線進(jìn)行識(shí)別，各形狀特征如表1 所示，其中長(zhǎng)短軸的長(zhǎng)度均以像素為單位，并且在相同的軟硬件條件下計(jì)算兩種算法所需時(shí)間。可以看出該圖中的裂紋屬于細(xì)長(zhǎng)型，偏心度較大，與傳統(tǒng)算法相比，本文所提算法計(jì)算的短軸距離較短，與實(shí)際情況更相符，同時(shí)所需時(shí)間較短。

表1 管道裂紋缺陷形狀特征

對(duì)于裂紋較多較復(fù)雜的情況，用本文算法對(duì)其進(jìn)行識(shí)別，原圖如圖8（a）所示，預(yù)處理和形態(tài)學(xué)操作后的圖像如（b）所示，可以看出圖中有不同形狀走向的裂紋三條，同時(shí)由于圖像分割原因，左下角和右下角區(qū)域被認(rèn)為是目標(biāo)區(qū)域而保留。對(duì)圖（b）進(jìn)行邊緣檢測(cè)，如圖（c）所示，可以看出輪廓周圍出現(xiàn)很多毛刺等孤立點(diǎn)，通過輪廓周長(zhǎng)濾掉后結(jié)果如圖（d）所示，為方便觀察，對(duì)每條輪廓編號(hào)。

圖8 復(fù)雜裂紋圖像

濾除孤立點(diǎn)、小輪廓后，對(duì)剩余的輪廓進(jìn)行特征提取和識(shí)別，在識(shí)別過程中，若輪廓區(qū)域?qū)儆诜侨毕輩^(qū)域，則不計(jì)算短軸，各裂紋對(duì)應(yīng)的形狀特征如表2所示。傳統(tǒng)算法中，3號(hào)輪廓線的短軸較長(zhǎng)，不能正確識(shí)別出裂紋，且所需時(shí)間較長(zhǎng)。經(jīng)比較，本文所提算法正確率高，且速度較快。

表2 復(fù)雜裂紋缺陷的形狀特征

為了驗(yàn)證本文算法的準(zhǔn)確性，對(duì)50 幅有裂紋的圖像進(jìn)行缺陷識(shí)別，其中45 幅圖像的裂紋可以檢測(cè)出來，正確率達(dá)到90%，其中裂紋沒有檢測(cè)出來的圖像主要是存在細(xì)小裂紋，在圖像分割時(shí)與背景連接在一起被認(rèn)為是目標(biāo)區(qū)域，識(shí)別時(shí)被認(rèn)為是非缺陷區(qū)域。

6 結(jié)語(yǔ)

本文基于邊緣輪廓對(duì)艦船的管道缺陷圖像進(jìn)行檢測(cè)，利用管道機(jī)器人搭載視覺傳感器獲取圖像后，通過預(yù)處理、圖像分割和形態(tài)學(xué)操作等，將缺陷區(qū)域作為目標(biāo)區(qū)域，提取輪廓邊界，并基于輪廓線進(jìn)行缺陷的特征提取和識(shí)別，在特征提取時(shí)，本文提出長(zhǎng)短軸的計(jì)算方法，通過偏心度識(shí)別裂紋，與傳統(tǒng)算法相比本文所提算法運(yùn)算速度較快，正確率較高?？偟膶?shí)驗(yàn)結(jié)果表明本文所述方法可用于管道裂紋的缺陷檢測(cè)，方法可行、可靠。為了進(jìn)一步提高管道缺陷檢測(cè)的準(zhǔn)確度，可對(duì)圖像分割算法進(jìn)行改進(jìn)，減少背景、光照等因素對(duì)缺陷區(qū)域的影響，滿足不同環(huán)境和場(chǎng)景的要求。