直升機防扭接頭金屬結構裂紋智能圖像監測

王昆侖,王春德,郭玲玲,張思奇

(1. 哈爾濱飛機工業集團有限責任公司,黑龍江 哈爾濱 150060;2. 陸軍裝備部航空軍事代表局駐哈爾濱地區軍事代表室,黑龍江 哈爾濱 150066)

0 引言

由于疲勞負荷、環境腐蝕、運行磨損等原因,直升機金屬結構在服役過程中極有可能出現損傷、裂紋等情況。隨著損傷和裂紋的不斷發展,部件承載能力逐漸下降,最終導致部件失效甚至斷裂的問題,造成無法挽回的飛行事故。防扭接頭是直升機關鍵金屬部件之一,其安全性直接關乎直升機的飛行安全。

機器視覺技術的不斷發展加快了數字圖像處理技術應用于自動監測的步伐[1]。圖像監測技術經過眾多科研院校及機構的深入探索,得到大量圖像監測理論和相關產品,被廣泛應用于機械、醫學、物理等眾多領域,但目前還需投入大量人力、物力與財力對其持續研究。采用數字圖像處理技術自動監測結構裂紋具有非接觸、效率高、可靠性高、操作簡便等優點,目前已成為結構裂紋自動監測的主要方法之一。張玉婷等[2]采用高斯函數匹配濾波器提取裂紋圖像的空間特征算子,通過微分匹配均值濾波器判斷背景紋理和金屬結構裂紋,依據閾值確定裂紋結構,引入Hough變換去除柵線并利用形態學算法實現裂紋自動監測。李濤濤等[3]提取裂紋圖像輪廓以緩解外圍輪廓干擾,采用次大值濾波均勻圖像,通過邊緣檢測算法獲取金屬結構裂紋邊緣后,將裂紋特征輸入支持向量機,實現直升機防扭接頭金屬結構裂紋自動監測。郁文璽等[4]通過直線擬合方法擬合圖像待檢區域下邊界,粗提取裂紋區域,利用自適應閾值分割算法進一步分割提取到的裂紋區域,基于Blob分析判定裂紋真偽,實現裂紋自動監測。雖然上述方法取得一定進展,但存在較大誤差。

為了解決上述方法中存在的問題,本文設計一種針對直升機防扭接頭的金屬結構裂紋自動監測方法。

1 直升機防扭接頭金屬結構裂紋圖像采集與處理

1.1 直升機防扭接頭圖像采集系統

構建直升機防扭接頭圖像采集系統。該系統主要包括圖像采集與測量設備、攝像頭安裝設備、運動控制設備以及計算機等,如圖1所示。

圖1 直升機防扭接頭圖像采集系統框圖

圖1中,攝像頭安裝設備連接攝像頭運動機構,后者分為x軸位置調整機構、y軸位置調整機構和z軸位置調整機構,攝像頭運動控制模塊能夠操控攝像頭沿x軸、y軸和z軸方向執行直線運動,進而精準調控攝像頭與待識別直升機防扭接頭之間位置,實現直升機防扭接頭圖像實時采集。

1.2 裂紋圖像預處理

構建圖像采集系統采集直升機防扭接頭金屬結構圖像后,需要對采集到的圖像預處理。采集直升機防扭接頭圖像時會受到光線強度、攝像機角度等因素的影響,最終輸出圖像與原始圖像之間存在一種非線性關系。同時,圖像傳輸至計算機過程中受設備等因素影響也會造成原始圖像與最終輸出圖像之間的非線性關系,導致最終輸出的數字圖像質量下降甚至畸變的情況。因此,在分析直升機防扭接頭金屬結構裂紋前需要對采集到的圖像預處理。

1)裂紋圖像灰度拉伸

由于采集直升機防扭接頭圖像時光線強度往往不夠理想且金屬結構裂紋顏色較暗,最終輸出數字圖像呈現效果較暗,整幅圖像對比度較低,無法突出顯示裂紋區域。因此本文方法采用灰度拉伸提升圖像整體清晰度[5]。

假設采集到的直升機防扭接頭圖像中存在任意像素點(x,y),該點對應灰度值為f(x,y),用a表示灰度拉伸系數,b表示相應調整值,通過下式可得到調整后灰度值g(x,y):

g(x,y)=a×f(x,y)+b

(1)

在圖像處理時,通常只需要突出一幅圖像的重點關注部分,因此在實際應用中無需拉伸圖像中的全部灰度值,只需要將重點關注的部分線性拉伸,即劃分圖像灰度圖為多個部分后拉伸重點部分,壓縮不重要部分,對圖像實行分段拉伸或壓縮,用(x1,y1)和(x2,y2)表示劃分圖像灰度圖的兩個像素點坐標,經過分段拉伸或壓縮后得到的g(x,y)′如下:

g(x,y)′=f(x,y)×g(x,y)

(2)

采用改進后灰度拉伸能夠有效消除直升機防扭接頭圖像灰度值兩端噪聲點,增強圖像對比度和層次感,在使重點關注細節即裂紋信息更加明顯的同時削弱不重要部分,保持圖像整體特征,然后對裂紋圖像去噪。

2)裂紋圖像去噪

采集到的直升機防扭接頭圖像不可避免會存在部分噪聲污染。這不但會造成圖像模糊,而且會掩蓋部分圖像特征,影響后續裂紋自動監測效果,因此需要對裂紋圖像去噪處理。

本文方法采用中值濾波法濾除圖像噪聲[6],用(x,y)表示直升機防扭接頭圖像中任意像素點,假設Med(·)表示取中值運算,則經過中值濾波處理后該點灰度值G(x,y)如下:

G(x,y)=Med[g(x,y)]×g(x,y)′

(3)

常用的中值濾波模板及對應矩陣模板如圖2所示。

圖2 中值濾波模板及對應矩陣模板

2 防扭接頭金屬結構裂紋自動監測算法設計

2.1 裂紋片段特征提取

在實現圖像采集與處理后,需提取裂紋片段特征,該特征提取是以對圖像進行分割為依據的,因此在裂紋片段特征提取時,圖像分割質量會對特征提取的精度和效果產生直接的影響。本文方法首先通過OTSU算法定位直升機防扭接頭金屬結構裂紋圖像的裂紋片段,再采用Canny算子分割裂紋片段邊緣,實現裂紋片段特征提取[7]。

(4)

滿足下式的閾值T即為圖像最佳分割閾值:

(5)

標準OTSU算法又稱最大類間方差法,該算法較為復雜,效率較低,因此本文方法采用下式的σ2替代式(4)中的方差,改進OTSU算法,減少算法運算量,提高運算效率。

σ2=η0×η1×(v1-v0)2×T

(6)

本文方法將通過改進后OTSU算法得到的閾值設置為最高閾值,同時利用Canny多尺度空間邊緣檢測算法確定最低閾值,提出雙閾值Canny算子邊緣檢測算法,實現圖像分割與裂紋片段特征自適應提取,這樣可以降低提取誤差。采用雙閾值Canny算子提取直升機防扭接頭金屬結構裂紋圖像邊緣片段主要流程如下。

步驟一,將采集到的直升機防扭接頭圖像預處理,得到質量提升的直升機防扭接頭金屬結構裂紋圖像。

步驟二,采用Prewitt算子和Sobel算子計算預處理后圖像x和y灰度方向上的偏導數,記作Gx和Gy,并計算梯度大小|Gxy和方向α如下:

(7)

步驟三,定義0°、45°、90°和135° 4種邊緣梯度方向,將4個方向上相鄰的像素進行比較,從而判斷出一個區域的最大值點,如果一個像素點在其梯度方向前后兩個像素點的灰度值比較相近,那么這個像素點就是一個無邊緣的點。

步驟四,由經過改進后OTSU算法來決定最大閾值,由Canny多尺度空間邊緣檢測來決定最低閾值,通過兩者判定像素點是否為邊緣,判定規則如下所示:

1)若像素點灰度值高于最高閾值,則該點一定是邊緣;

2)若像素點灰度值低于最低閾值,則該點一定不是邊緣;

3)若像素點灰度值處于最高閾值和最低閾值之間,則需要依據像素點鄰近像素中是否存在高于最高閾值的像素點對該點進一步判定。

對于直升機防扭接頭金屬結構裂紋圖像來說,其裂紋長度和面積僅與裂紋邊緣相關而不取決于其內部變化。因此,通過得到的直升機防扭接頭金屬結構裂紋邊緣信息即可實現裂紋片段特征提取,然后獲取完整直升機防扭接頭金屬結構裂紋圖像。

2.2 完整直升機防扭接頭金屬結構裂紋圖像獲取

1)核心裂紋特征的張量投票

(8)

式中λ1和λ2表示圖像特征值,滿足λ2<λ1。

張量投票的主要流程如下。

步驟一,轉化圖像像素點為球張量并投票。

步驟二,通過對像素點的選票進行統計和分析,獲得像素點的初值。

步驟三,執行張量投票。假設在坐標系Oxy的O點和Q點處存在兩個張量,O點和Q點分別為投票點和受票點,l表示弧長,k表示曲率,γ表示尺度因子,W(Q)表示Q點張量接收到O點投票,計算方式如下:

W(Q)=DF(l,k,γ)×NQ×NQ×T

(9)

式中:DF(l,k,γ)表示顯著性衰減函數;NO和NQ表示兩者對應法向量。

步驟四,統計每個像素點鄰域內全部張量投票并融合為一個新張量,獲取圖像特征值,生成圖像中每個像素點為裂紋概率的顯著性圖譜。

2)裂紋特征判斷

在獲得一個完整的直升機防扭接頭金屬結構裂紋特征時,首先將從其中抽取到的候選裂紋片段特征中的離散點刪除掉,之后將裂縫碎片進行連接,完成識別。這兩個步驟均通過張量投票完成,主要流程如下:

步驟一,經張量投票可獲取到裂紋曲線,對該曲線膨脹處理,生成大于實際裂紋的區域;

步驟二,獲取候選裂紋片段特征和步驟一所得區域的交集,去除離散點,得到只包含直升機防扭接頭金屬結構裂紋片段的圖像;

步驟三,獲取步驟二得到的圖像與裂紋曲線圖像的并集,通過裂紋曲線連接裂紋片段,生成完整直升機防扭接頭金屬結構裂紋圖像,完成識別。

3 實驗與結果

為了驗證直升機防扭接頭金屬結構裂紋自動監測方法的整體有效性,需要測試研究。實驗所用數據集中共包含2 000幅直升機防扭接頭金屬結構圖像,其中1 000幅為裂紋圖像,1 000幅為非裂紋圖像,圖像存在噪聲較大、光線分布不均、模糊、曝光、亮度過暗、背景干擾等多種問題。

實驗以文獻[3] 方法和文獻[4] 方法為對比,分別檢測3種方法的圖像預處理能力和直升機防扭接頭金屬結構裂紋自動監測能力,評估3種方法的整體性能。

引入峰值信噪比評價本文方法、文獻[3] 方法和文獻[4]方法預處理后的圖像質量,其值與圖像質量呈正相關。在數據集中隨機選取1幅直升機防扭接頭的原始金屬圖像,如圖3所示。通過3種方法預處理后圖像及對應峰值信噪比如圖4所示。

圖3 原始圖像

圖4 不同方法處理后圖像及峰值信噪比

根據圖4可知,對比本文方法、文獻[3]方法和文獻[4]方法處理后圖像,本文方法處理后圖像質量更好,明暗度更均勻,細節更豐富,且峰值信噪比更高,文獻[3]方法和文獻[4]方法處理后圖像仍存在一定程度的明暗不均、模糊或噪聲問題,峰值信噪比較低,說明本文方法具有更強的圖像預處理能力。原因是本文方法采用改進后灰度拉伸能夠有效消除直升機防扭接頭圖像灰度值兩端噪聲點,增強圖像對比度和層次感,使重點關注細節即裂紋信息更加明顯,同時削弱不重要部分,保持圖像整體特征,對裂紋圖像去噪,改變圖像整體灰度值分布情況,提升圖像整體清晰度。

對比本文方法、文獻[3]方法和文獻[4]方法對全部裂紋監測結果與實際值之間的誤差平均值,結果如表1所示。

表1 3種方法提取到的裂紋誤差 單位:μm

由表1可以看出,本文方法的監測誤差平均值始終小于文獻[3]方法和文獻[4]方法,平均長度誤差比文獻[3]方法小522.754μm,比文獻[4]方法小208.443μm,平均寬度誤差比文獻[3]方法小3.713μm,比文獻[4]方法小4.472μm。這說明本文方法具有更優異的裂紋自動監測性能。原因是本文方法將通過改進后OTSU算法得到的閾值設置為最高閾值,利用Canny多尺度空間邊緣檢測算法確定最低閾值,提出雙閾值Canny算子邊緣檢測算法,實現圖像分割與裂紋片段特征自適應提取,可以降低提取誤差。

為了進一步評估本文方法、文獻[3]方法和文獻[4]方法在直升機防扭接頭金屬結構裂紋自動監測中的性能,引入秒幀率衡量3種算法的運行效率,秒幀率越大,則對應算法運行效率越高,統計3種方法的秒幀率,如圖5所示。

圖5 3種方法秒幀率檢測結果

由圖5可以看出,本文方法的秒幀率高于文獻[3]方法和文獻[4]方法,即本文方法的運行效率高于另外兩種方法,在直升機防扭接頭金屬結構裂紋自動監測中的實時性更強,更適合用于實際裂紋自動監測,其原因是本文方法重點關注部分圖像的線性拉伸,即劃分圖像灰度圖為多個部分后拉伸重點部分,壓縮不重要部分,一定程度上有利于提高裂紋的自動監測效率。

4 結語

直升機結構安全是保障其飛行安全可靠的前提和基礎,若直升機部件出現裂紋問題且未被及時發現和修理,極有可能破壞直升機結構,對直升機飛行安全產生嚴重威脅。防扭接頭是直升機的重要金屬部件,傳統直升機防扭接頭金屬結構裂紋監測通常由人工通過顯微鏡來完成識別,工作效率較低且監測過程中易受到主觀因素影響,造成監測結果不理想的問題,無法滿足監測精度要求。因此數字圖像處理技術被引入直升機防扭接頭金屬結構裂紋自動監測中。為了解決目前存在的圖像預處理效果不佳、提取到的直升機防扭接頭金屬結構裂紋誤差較大、秒幀率較低等問題,提出直升機防扭接頭金屬結構裂紋自動監測方法,采用構建的圖像采集系統采集直升機防扭接頭圖像,通過灰度拉伸和中值濾波預處理圖像,結合OTSU算法和Canny多尺度空間邊緣檢測算法,提出雙閾值Canny算子邊緣提取算法獲取候選裂紋片段特征,利用張量投票實現直升機防扭接頭金屬結構裂紋自動監測。該方法能夠有效地提升圖像預處理效果,減小提取到的直升機防扭接頭金屬結構裂紋誤差,提升秒幀率,為直升機的安全平穩飛行奠定基礎。