CN103984951A - 一种磁粉检测缺陷自动识别方法及系统 - Google Patents

Abstract

本发明公开了一种磁粉检测缺陷自动识别方法，待测工件经图像采集、图像预处理、图像特征提取、缺陷识别等识别工件是否存在缺陷。本发明还公开了一种磁粉检测缺陷自动识别系统。本发明提供的磁粉检测缺陷自动识别技术方案，通过采集的图像，结合判别工件的材料类型、加工工艺、磁粉检测过程特征等背景知识，以及磁粉探伤人员的丰富的经验，提高工件识别率和判别精确度。

Description

一种磁粉检测缺陷自动识别方法及系统

技术领域

本发明属于无损探伤的磁粉检测领域，具体涉及一种磁粉检测缺陷自动识别方法及系统。

背景技术

磁粉检测是无损检测五大常规方法之一，是铁磁性材料表面缺陷检测中用得最多、最成熟的方法，磁粉探伤技术自诞生以来已经有八十余年的历史。随着磁化技术的不断完善与成熟，以及计算机的快速普及使用，使得磁粉探伤应用技术也得到了不断地发展与进步，在检测灵敏度与精度等方面得到了显著的提升。但是现行使用的大部分磁粉探伤设备却始终沿用检测结果由现场操作人员对磁化零件采用人工观察的方法进行零件缺陷有无的识别判断。这一过程存在着如下缺点：检测速度慢，工作效率低，对操作人员而言工作内容单调重复，导致漏检率高；荧光磁粉探伤工作现场紫外光较强对长时间工作的人员容易造成比较严重的身体伤害；并且不利于信息管理。所以对零件缺陷有无的判别急需要进行智能化改进。

近几年随着图像处理技术的发展，出现了用数码相机对工件进行拍照，然后采用图像处理的技术对照片进行处理和进行缺陷有无的判别，但是效果多不太好，目前市场上尚无成熟的产品推出。

国内研究荧光磁粉自动识别系统的单位不少，比如北京工业大学研制的荧光磁粉自动识别系统具备图像采集、平滑、增强、显示等模块；南京理工大学常熟研究院有限公司的施光莹和李千目的专利“基于图像处理的磁粉探伤缺陷智能识别检测系统”等。但是他们的研究方法基本都是局限于传统的图像处理技术，没有结合具体的磁粉检测工艺进行研究，这样就很难将图像处理的技术充分地与磁粉检测结合起来，也很难适应磁粉检测中的复杂性。

国外的磁粉检测自动识别系统基本是针对一种特定的工件进行的。俄罗斯研制的一种便携式荧光磁粉探伤设备只是半自动磁粉探伤机的缩小版本，还不能完成自动识别；德国研制出了用于汽车制造领域的磁粉探伤设备，但其也只可以完成对2mm以上伤痕的判断识别；日木的水野正志等人采用工业摄像与图像增强等技术手段针对钢坯半成品以及钢管成品的表面与近表面质量需求，设计开发出了满足这两种零件质量检测需求的磁粉探伤装置，其缺陷识别精度可以显示出一定程度的裂纹。

由此可以看出目前的磁粉检测自动识别系统基本是基于图像处理的传统技术进行的，而这难以适应磁粉检测领域工艺的复杂性，对伪裂纹和非相关显示的识别很困难，也很难适应工件的多样性，工作环境的复杂性以及对检测精度的要求的。

一般磁粉检测缺陷图像自动识别系统主要由以下部分组成：图像采集，图像预处理、特征提取、缺陷识别、数据存储。用摄像头对现场图像采集后通过图像平滑，锐化，增强等方法对图像进行预处理，改善原始图像质量以便于后期特征提取进行缺陷的识别，这样实际上并没有将传统的磁粉检测技术充分地与图像处理技术融合到一起，并且也没有把专业的磁粉探伤工作人员在工作中所运用的经验和背景知识融入到智能判别系统中，这就是目前一般系统的缺陷。

发明内容

本发明的目的在于针对上述现有技术的不足，提供一种基于机器学习的磁粉检测缺陷自动识别方法，结合磁粉探伤人员在进行裂纹缺陷工件判别时的丰富的经验和背景知识，提高识别率和判别精确度。

本发明还提供了一种基于机器学习的磁粉检测缺陷自动识别系统，

为达到上述目的，本发明采取的技术方案是：提供一种磁粉检测缺陷自动识别方法，其特征在于，包括以下步骤：

图像采集，采集待测工件的图像；

图像预处理，对采集的待测工件的图像进行预处理，分成背景部分、缺陷相关部分和缺陷非相关部分，并减弱背景的影响；

图像特征提取，利用图像特征提取方法从预处理过的图像中提取高亮区域的特征；所述特征包括高亮区域的圆形度、长宽比和轮廓；

缺陷识别，将提取的特征与样品训练数据库中的数据进行比较，给出特征的置信度，并根据得出的置信度进行求和得出待测工件的置信度；通过机器学习算法对特征的置信度进行求和得出待测工件的置信度；进一步地，可以通过及其学习算法中的支持向量机算法对特征的置信度进行求和得出待测工件的置信度。

当待测工件的置信度大于设定的阈值时，认定待测工件的缺陷存在；当待测工件的置信度不大于设定的阈值时，认定检测失败；

该磁粉检测缺陷自动识别方法进一步包括机器学习反馈步骤：

当待测工件的置信度大于设定的阈值时，认定待测工件的缺陷存在，并将采集的图像信息和判定结果补充到样品训练数据库中；

当待测工件的置信度不大于设定的阈值，认定检测失败时，采集人工对待测工件缺陷的判定信息并补充到样品训练数据库中。

本发明还提供了一种磁粉检测缺陷自动识别系统，包括图像采集模块、图像预处理模块、图像特征提取模块、缺陷识别模块和样品训练数据库；

图像采集模块，用于采集待测工件的图像；

图像预处理模块，用于对采集的待测工件的图像进行预处理，并减弱背景的影响；

图像特征提取模块，用于从预处理过的图像中提取特征；

缺陷识别模块，用于将提取的特征与样品训练数据库中的数据进行比较，给出特征的置信度，并根据得出的置信度进行求和得出待测工件的置信度；当待测工件的置信度大于设定的阈值时，认定待测工件的缺陷存在；当待测工件的置信度不大于设定的阈值时，认定检测失败；

样品训练数据库，用于存储多种由缺陷工件的图像、加工材料和加工方法组成的数据文件。

磁粉检测缺陷自动识别系统进一步包括机器学习反馈模块：

当待测工件的置信度大于设定的阈值时，认定待测工件的缺陷存在，并将采集的图像信息和判定结果补充到样品训练数据库中；

当待测工件的置信度不大于设定的阈值，认定检测失败时，采集人工对待测工件缺陷的判定信息并补充到样品训练数据库中。

本发明提供的磁粉检测缺陷自动识别技术方案，通过采集的图像，结合判别工件的材料类型、加工工艺、磁粉检测过程特征等背景知识，以及磁粉探伤人员的丰富的经验，提高工件识别率和判别精确度。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并构成对本申请的不当限定。在附图中：

图1示意性地示出了根据本申请一个实施例的磁粉检测缺陷自动识别方法的流程图。

图2示意性地示出了根据本申请一个实施例的磁粉检测缺陷自动识别系统的示意图。

在这些附图中，使用相同的参考标号来表示相同或相似的部分。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，以下结合附图及具体实施例，对本申请作进一步地详细说明。

在以下描述中，对“一个实施例”、“实施例”、“一个示例”、“示例”等等的引用表明如此描述的实施例或示例可以包括特定特征、结构、特性、性质、元素或限度，但并非每个实施例或示例都必然包括特定特征、结构、特性、性质、元素或限度。另外，重复使用短语“根据本申请的一个实施例”虽然有可能是指代相同实施例，但并非必然指代相同的实施例。

为简单起见，以下描述中省略了本领域技术人员公知的某些技术特征。

本发明提供了一种磁粉检测缺陷自动识别方法。

图1示意性地示出了根据本申请一个实施例的磁粉检测缺陷自动识别方法的流程图。该磁粉检测缺陷自动识别方法包括步骤101-108。

在步骤101中，图像采集，采集待测工件的图像。

对于需要检测缺陷的待测工件，采用相机并通过对相机参数的调整和设置，获取高质量的图像。

在步骤102中，图像预处理，对采集的待测工件的图像进行预处理，分成背景部分和工件部分，并减弱背景的影响，以及光照、图像采集过程中产生的噪声等非相关因素的影响。上述背景部分是指图像中待测工件以外的部分。

在该步骤中，还要进一步判断预处理后的图像中是否存在高亮区域，如果不存在高亮区域即可认为该待测工件没有缺陷，任务完成，结束。否则将可能存在缺陷，并将可能存在缺陷的位置定位在高亮区域。

在步骤103中，图像特征提取，利用图像特征提取方法从预处理过的图像中提取高亮区域的特征。

可以利用现有的各种图像特征提取方法(如主成分分析PCA、线性判别分析LDA、局部保留映射LPP等)从预处理过的图像中提取特征。该特征包括高亮区域的圆形度、长宽比和轮廓等。

在步骤104中，缺陷识别，将提取的特征与样品训练数据库中的数据进行比较，给出特征的置信度，并根据得出的置信度进行求和得出待测工件的置信度。

可以通过机器学习算法对特征的置信度进行求和得出待测工件的置信度。机器学习算法包括支持向量机(SVM)算法、C4.5算法、Kmeans algorithm算法、Apriori算法、最大期望(EM)算法、Adaboost算法、CART分类与回归树、朴素贝叶斯分类算法和K最近邻(K-nearest neighbor classtification)分类算法。

以支持向量机(SVM)算法为例，对特征的置信度进行求和得出待测工件的置信度。

支持向量机算法的判别函数为

$f\left(x\right)=\underset{i=0}{\overset{N_s}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i\mathrm{\Φ}\left(s_i\right)\·\mathrm{\Φ}\left(x\right)+b=\underset{i=0}{\overset{N_s}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(s_i,x)+b---\left(1\right)$

N_s代表样品训练数据库中样本的总数，s_i代表样品训练数据库中第i个样本的特征，y_i代表样品训练数据库中第i个样本的类别；x代表从一个待测工件的图像中提取的特征集合；α_l表示拉格朗日乘数，b表示偏置，α_i、b都可以通过支持向量机训练算法得到；Φ(s_i)·Φ(x)＝K(s_i，x)是核函数。

对上述判别函数的解释可以参考Christopher J.C.Burges，A Tutorial onSupport Vector Machines for Pattern Recognition，Data Mining and KnowledgeDiscovery2，121-167，1998。

在步骤105中，将得到的待测工件的置信度与设定的阈值相比较，根据比较结果，判定待测工件是否存在缺陷。

上述设定的阈值根据采用的机器学习算法不同而有所不同。对于采用支持向量机算法的上述判别函数的，可以设定阈值为0。

此外，根据不同任务需求，上述判别函数还可以替换为以下形式的公式：

$f\left(x\right)=\mathrm{sgn}(\underset{i=0}{\overset{N_s}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i\mathrm{\Φ}\left(s_i\right)\·\mathrm{\Φ}\left(x\right)+b)=\mathrm{sgn}(\underset{i=0}{\overset{N_s}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(s_i,x)+b)---\left(1\right)$

此时，可以设定阈值为0。

$f\left(x\right)=\mathrm{sgn}(\underset{i=0}{\overset{N_s}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_{i}K(s_i,x)+b)=\left\{\begin{array}{c}-1\\ 0\\ 1\end{array}\right.,$ 即当 $\underset{i=0}{\overset{N_s}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_{i}K(s_i,x)+b>0$ 时，f(x)＝1；即当 $\underset{i=0}{\overset{N_s}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_{i}K(s_i,x)+b<0$ 时，f(x)＝-1。

在步骤106中，当待测工件的置信度大于设定的阈值时，认定待测工件的缺陷存在。

当待测工件的置信度不大于设定的阈值时，认定检测失败，引入人工识别。

在步骤107中，机器学习反馈。

具体地，当待测工件的置信度大于设定的阈值，认定待测工件存在缺陷时，将之前经图像预处理得到的待测工件的图像以及判断结果信息输入，在之前训练得到的参数α_l、b的基础上重新使用SVM训练算法进行局部优化，以提高对之后的待测工件的识别率。

当待测工件的置信度不大于设定的阈值，认定检测失败，引入人工识别。人工识别结束后，再将识别后的判断结果和之前经图像预处理得到的待测工件的图像信息输入并对该图像特征进行处理，在之前训练得到的参数α_l、b的基础上重新使用SVM训练算法进行局部优化，以提高对之后的待测工件的识别率。

在步骤108中，更新样品训练数据库，经机器学习反馈步骤得到的信息(包括经图像预处理得到的待测工件的图像信息和使用SVM训练算法优化后的参数α_l、b)保存到样品训练数据库，对数据库中的信息进行补充和更新。

图2示意性地示出了根据本申请一个实施例的磁粉检测缺陷自动识别系统的示意图。

上述种磁粉检测缺陷自动识别系统包括图像采集模块201、图像预处理模块202、图像特征提取模块203、缺陷识别模块204和样品训练数据库206。

图像采集模块201，用于采集待测工件的图像。

图像预处理模块202，用于对采集的待测工件的图像进行预处理，分成背景部分和工件部分，并减弱背景的影响，以及光照、图像采集过程中产生的噪声等非相关因素的影响。

图像特征提取模块203，用于从预处理过的图像中提取特征。

缺陷识别模块204，用于将提取的特征与样品训练数据库中的数据进行比较，给出特征的置信度，并根据得出的置信度进行求和得出待测工件的置信度；当待测工件的置信度大于设定的阈值时，认定待测工件的缺陷存在；当待测工件的置信度不大于设定的阈值时，认定检测失败。

样品训练数据库206，用于存储多种由缺陷工件的图像、加工材料和加工方法组成的数据文件。

磁粉检测缺陷自动识别系统进一步包括机器学习反馈模块205：

当待测工件的置信度大于设定的阈值时，认定待测工件的缺陷存在，并将采集的图像信息和判定结果补充到样品训练数据库中；

当待测工件的置信度不大于设定的阈值，认定检测失败时，采集人工对待测工件缺陷的判定信息并补充到样品训练数据库中。

以上所述仅为本申请的实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种磁粉检测缺陷自动识别方法，其特征在于，包括以下步骤：

图像采集，采集待测工件的图像；

图像预处理，对采集的待测工件的图像进行预处理，并减弱背景的影响；

图像特征提取，利用图像特征提取方法从预处理过的图像中提取高亮区域的特征；

缺陷识别，将提取的特征与样品训练数据库中的数据进行比较，给出特征的置信度，并根据得出的置信度进行求和得出待测工件的置信度；当待测工件的置信度大于设定的阈值时，认定待测工件的缺陷存在；当待测工件的置信度不大于设定的阈值时，认定检测失败。

2.根据权利要求1所述的磁粉检测缺陷自动识别方法，其特征在于，进一步包括机器学习反馈步骤：

当待测工件的置信度大于设定的阈值时，认定待测工件的缺陷存在，并将采集的图像信息和判定结果补充到样品训练数据库中；

当待测工件的置信度不大于设定的阈值，认定检测失败时，采集人工对待测工件缺陷的判定信息并补充到样品训练数据库中。

3.根据权利要求1所述的磁粉检测缺陷自动识别方法，其特征在于，所述特征包括高亮区域的圆形度、长宽比和轮廓。

4.根据权利要求1所述的磁粉检测缺陷自动识别方法，其特征在于，缺陷识别步骤中，通过机器学习算法对特征的置信度进行求和得出待测工件的置信度。

5.根据权利要求4所述的磁粉检测缺陷自动识别方法，其特征在于，缺陷识别步骤中，通过支持向量机算法对特征的置信度进行求和得出待测工件的置信度。

6.一种磁粉检测缺陷自动识别系统，其特征在于，包括图像采集模块、图像预处理模块、图像特征提取模块、缺陷识别模块和样品训练数据库；

图像采集模块，用于采集待测工件的图像；

图像预处理模块，用于对采集的待测工件的图像进行预处理，并减弱光照和背景的影响；

图像特征提取模块，用于从预处理过的图像中提取特征；

缺陷识别模块，用于将提取的特征与样品训练数据库中的数据进行比较，给出特征的置信度，并根据得出的置信度进行求和得出待测工件的置信度；当待测工件的置信度大于设定的阈值时，认定待测工件的缺陷存在；当待测工件的置信度不大于设定的阈值时，认定检测失败；

样品训练数据库，用于存储多种由缺陷工件的图像、加工材料和加工方法组成的数据文件。

7.根据权利要求6所述的磁粉检测缺陷自动识别系统，其特征在于，进一步包括机器学习反馈模块：

当待测工件的置信度大于设定的阈值时，认定待测工件的缺陷存在，并将采集的图像信息和判定结果补充到样品训练数据库中；

当待测工件的置信度不大于设定的阈值，认定检测失败时，采集人工对待测工件缺陷的判定信息并补充到样品训练数据库中。