CN107145896A - 基于荧光磁粉的智能缺陷识别系统 - Google Patents

Abstract

本发明公开了一种基于荧光磁粉的智能缺陷识别系统，该系统主要包括场景深度信息采集、磁痕图像预处理、支持向量机算法（SVM）与模糊C均值聚类算法（FCM）的彩色图像分割、形态学处理和特征提取、朴素贝叶斯分类器（NBC）来进行裂纹识别。

Description

基于荧光磁粉的智能缺陷识别系统

技术领域

本发明涉及一种基于荧光磁粉的智能缺陷识别系统，可使本软件系统在工厂的环境中完成轴承表面裂纹的检测，属于机器识别技术领域。

背景技术

近年来，对于金属的检验已经发展的很广泛了，包括射线检验、超声检测、涡流检测、激光成像等等，本文现在提出了一种新型的基于荧光磁粉的智能缺陷识别系统。

磁粉检测（MT）用于检测铁磁性材料的表面或近表面的缺陷，由于不连续的磁痕堆集于被检测表面上，所以能直观地显示出不连续的形状、位置和尺寸，并可大致确定其性质。磁粉检测的灵敏度可检出的不连续宽度可达到0.1。磁粉检测的效果是以工件上不允许存在的表面和近表面的不连续能否得到充分的显示来评定的。所谓的不连续，是指原材料或零（部）件组织、结构或外形的间断。而材料的缺陷，是指应用无损检测方法检测到的非结构性不连续。综合使用多种磁化方法，磁粉检测几乎不受工件大小和几何形状的影响，能检测出工件各个方向的缺陷。

在检测时，根据工件上缺陷显现的情况，磁痕的显示可分为四种：

（1）显示不清。磁粉聚集微弱，磁痕浅而淡，不能显示缺陷全部情况，重复性不好，容易漏检，不能作为判断缺陷的依据。

（2）基本显示。磁粉聚集细而弱，能显示缺陷全部形状和性质，重复性一般。做为缺陷判断依据效果不佳。

（3）清晰显示。磁粉聚集紧密、集中、鲜明，能显示全部缺陷形状和性质，重复性良好。这是磁粉探伤判断的标准。

（4）伪像。缺陷处磁粉聚集过密，在没有缺陷的表面上有较明显的磁粉片或点状附着物。有时金属流线、组织及成分偏析、应力集中、局部冷作硬化等成分组织的不均匀现象也有所显示。伪像影响缺陷的正常判断，是显示过度的反映，应该注意排除。

同时，工件磁化时，与磁场方向垂直的不连续最容易产生漏磁场吸附磁粉而显现出不连续的形状。当不连续与磁粉方向小于30°角时，由于漏磁场很小，不连续很难被检测出来。

必须对工件的磁化最佳方向进行选择，使缺陷方向与磁场方向垂直或接近垂直,以获得最大的漏磁场。但是，工件中的缺陷方向是不确定的，可能有各种取向。为了发现所有方向上的缺陷，需要在工件上建立不同方向的磁场，于是形成了多种不同的磁化方法。为了确保任何方向不连续的检出，根据工件的几何形状，可采用两个或多个方向的磁化，或采用复合磁化。

工件磁化时，按照工件是否直接通过磁化电流，可以分为通电磁化和通磁（感应）磁化。而按照磁化时工件上磁场的方向，可以分为周向磁化、纵向磁化和多向磁化三种。

(1) 通电磁化和通磁磁化

通电磁化是指在磁化时工件全部或局部通过电流，其磁化是由流过工件的电流产生的磁场完成的。这种磁化的方法有轴向通电磁化法、触头通电磁化法以及感应电流磁化法等。前两种方法工件作为电路的一部分产生磁场得到磁化；后者则是利用电磁感应的原理在工件上感应出电流进行磁化。

通磁磁化又叫做感应磁化。它是利用磁场感应原理将铁磁工件磁化。这种磁化磁场可以是周向磁场( 中心导体法),也可以是纵向磁场(线圈或磁轭)。当工件置于这种磁场外加中时，工件将得到磁化。

通电磁化和通磁磁化的区别是：通电磁化的磁场在电流通过工件时产生；通磁磁化的磁场是外加的，工件本身并没有电流通过。

(2) 周向磁化与纵向磁化

对工件进行直接通电，或是在有孔工件的中心穿过一根通电导体，工件内部和周围将产生磁场。这个磁场是与电流方向垂直并以工件轴心为中心的同心圆，即磁力线在沿着工件轴线的圆周上闭合，形成一个圆周向的工作磁路。该磁场叫周向磁场,周向磁场磁化的工件叫周向磁化。

纵向磁场是指与工件轴向一致(或平行)的磁场。工件在纵向磁场中得到一个与工件轴平行的工作磁路，该磁路可以通过铁心形成闭合回路，也可以通过工件和空气形成闭合回路，这种磁化方式叫做纵向磁化。

(3) 多向磁化

为了能够一次磁化发现工件各个方向上的缺陷，根据磁场叠加的原理，可以采用两个或两个以上变化的磁场对工件同时进行磁化。当叠加的合成磁场方向不断变化时，工件中产生了一个大小及方向随时间成圆形、椭圆形或其它形状的磁场。因此可以发现多于一个方向上的缺陷。这种磁化方法叫做多向磁化或复合磁化法，可由不同方向的通磁感应磁化、感应及电流磁化复合而成。如摆动磁场、十字交叉磁轭磁化以及线圈交叉磁化等方法。

相对于X射线、超声检测、涡流检测、激光成像等检测方法而言，磁粉探伤技术具有低成本和高灵敏度的优点，目前已经广泛应用于金属工件的表面缺陷检测。但是该技术仍然依靠人工进行目检判别，存在劳动强度大、效率低、损害身体健康等客观缺点。

为了替代人工进行表面缺陷检测和提高检测效率，本文将日趋成熟的机器视觉检测技术应用于无损检测领域，该技术主要涉及数字图像处理和模式识别技术两个方面，是无损检测领域中的一个研究热点。在充分考虑工业现场的实际环境下，本文形成针对某一类工件的在线裂纹检测系统。鉴于此，针对某厂生产的一类车削轴承，基于该车间改进的半自动化磁粉探伤机，运用机器视觉检测技术，设计出针对某种轴承表面裂纹的在线检测系统。

发明内容

为了实现上述技术，本发明提供一种基于荧光磁粉的智能缺陷识别系统。通过固定在旋转台周围的三个工业相机来获取轴承转动时的柱面磁痕图像；利用数字图像处理技术完成磁痕图像的预处理，提取出磁痕图像中各疑似区域的颜色和几何特征；最后根据这些区域的特征参数，利用模式识别中的分类器技术进行样本训练并生成判别模型，进而基于这个判别模型来完成轴承裂纹自动识别。

本发明的技术方案如下：一种基于荧光磁粉的智能缺陷识别系统，主要工作流程包含以下步骤：

（1）场景深度信息采集：首先，机械手从工件槽取件放置于固定磁化触头处，活动磁化触头伸长至接触工件顶部位置时，磁化电路开始对工件进行横纵向磁化，完成磁化后活动磁化触头缩回原处。机械手将磁化工件送至网孔状放置台后回到工件槽抓取下一个待磁化的工件。同时，磁悬液喷洒装置会对放置台上的磁化工件喷洒油性磁悬液，使其表面充分接触磁悬液，网状放置台具备磁悬液循环回收功能。然后，机械手将喷洒磁悬液的工件送至圆形旋转台的圆心，启动旋转台，在环形黑光灯照射下，三台环绕工件的工业相机开始对旋转工件进行拍照得到磁痕图像，图像数据经交换机传送至计算机。

（2）磁痕图像预处理：预处理的目的在于改善磁痕图像质量，以抑制无关信息和增强特征信息，其处理结果的好坏直接影响到后续的特征提取。在磁痕图像采集环节，由于采集环境黑暗、相机光电噪声、镜头受到磁悬液污染、工件表面吸附的孤立磁粉颗粒等因素，造成磁痕图像存在椒盐噪声、灰度不均和对比度不明显等情况。而自适应中值滤波对于椒盐噪声具有很强的去噪能力，常用于边缘信息的保护。

（3）图像分割：本次采用的基于支持向量机算法（SVM）与模糊C均值聚类算法（FCM）的彩色图像分割方法，分为两个处理阶段第一个阶段是基于FCM训练样本的自动选择。该阶段首先对图像进行初分割，即通过FCM聚类算法将像素点分为前景和背景两类，然后在两类样本点中随机挑选适量的样本点作为SVM的训练样本，并对其进行类别标注；第二个阶段是基于SVM的图像分割。该阶段首先对选取好的训练样本进行颜色和纹理特征的提取，然后用带有属性特征的训练样本来训练SVM分类器，最后用SVM分类器来预测图像中的所有像素点，从而实现了彩色图像的分割。

（4）形态学处理和特征提取：将之前分割好的图像，转换为二值图。同时，在磁痕图像中，裂纹区呈现黄绿色且颜色饱满、一般为窄条形状，磁悬液滞留区域呈现乳白色或者浅黄色、颜色稀薄、边界光滑、宽度较大，轴承柱面引起的反光区呈现紫红色、宽度一致、形状固定，纤维物区域呈白色，形状细长、粗细均匀、曲率变化大等。根据上述疑似区域的特点，提取以下6个特征：边界长度、边界直径、曲率、区域面积、区域重心、以及边界矩。

（5）裂纹识别：本次采用朴素贝叶斯分类器来进行分类识别，朴素贝叶斯分类器(Naive Bayes Classifier,或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。NBC的具体训练过程为：初始化步，构建可以表征句子的特征向量（词汇表）。并根据这个特征向量，把训练集表征出来。从训练集中分离部分数据作为测试集。学习步，计算类的先验概率和特征向量对应每一类的条件概率向量分类步, 计算测试集中待分类句子在每一类的分类后验概率，取最大值作为其分类，并与给定标签比较，得到误分类率。

然后将人工识别过的10000张图片作为训练样本，接下来进行样本训练，形成判别模型，最后进行实时判断，形成判断结果。

附图说明

图1为本发明基于基于荧光磁粉的智能缺陷识别系统流程图；

图2为本发明基于荧光磁粉的智能缺陷识别系统框图;

图3为本发明使用基于荧光磁粉的智能缺陷识别系统的硬件流程图。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步详细地说明。

如图1所示，一种基于荧光磁粉的智能缺陷识别系统流程图，该系统主要包括场景深度信息采集、磁痕图像预处理、图像分割、形态学处理和特征提取、到裂纹识别。

如图2所示，一种基于荧光磁粉的智能缺陷识别系统框图，首先从具体的工厂环境中获取到工件的图像，接着传递磁痕的RGB图像到上位机当中。首先进行自适应中值滤波，接着采用SVM+FCM的彩色图像分割法来进行处理。之后把分割好的彩色图像转换为HSV图像，保留H和S两个通道的图像，通过多阈值分割、形态学处理转换为二值图。紧接着提取二值图的六个特征，即边界长度、边界直径、曲率、区域面积、区域重心、以及边界矩。最后进行样本训练获取判别结果。

本文采用的结构图如图3所示，主要分自动磁化装置、磁悬液喷洒与回收、磁痕图像在线采集和计算机软件处理与识别等四个部分。

首先，机械手从工件槽取件放置于固定磁化触头处，活动磁化触头伸长至接触工件顶部位置时，磁化电路开始对工件进行横纵向磁化，完成磁化后活动磁化触头缩回原处。机械手将磁化工件送至网孔状放置台后回到工件槽抓取下一个待磁化的工件。同时，磁悬液喷洒装置会对放置台上的磁化工件喷洒油性磁悬液，使其表面充分接触磁悬液，网状放置台具备磁悬液循环回收功能。然后，机械手将喷洒磁悬液的工件送至圆形旋转台的圆心，启动旋转台，在环形黑光灯照射下，三台环绕工件的工业相机开始对旋转工件进行拍照得到磁痕图像，图像数据经交换机传送至计算机。

接下来进行图像预处理和图像分割，首先将磁痕RGB图像进行自适应中值滤波，然后使用支持向量机算法（SVM）与模糊C均值聚类算法（FCM）的彩色图像分割方法，将图像分割完毕，再将分割完毕的图像转换为HSV图像后，保留H和S通道。保留S和V通道的图像进行形态学处理，形成二值图。

接下来是特征提取部分，提取以下6个特征：边界长度、边界直径、曲率、区域面积、区域重心、以及边界矩。分别具体是：边界长度是一种简单的边界全局特征，它是包围区域的轮廓的周长。边界直径，它是边界上相隔最远的两点之间的距离，即这两点之间的直连线段长度，也称为边界的主轴或者长轴。曲率是斜率的改变率，它描述了边界上各点沿边界方向变化的情况。区域面积是区域的一个基本特性，它描述区域的大小。区域重心是一种全局描述符，重心的坐标是根据所有属于区域的点计算出来的。边界矩，用来定量描述曲线段而进一步描述整个边界，同时这种描述对边界的旋转不敏感。

最后进行样本训练，形成判别模型，朴素贝叶斯分类器(Naive BayesClassifier,或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。最后使用朴素贝叶斯分类器（NBC）的优秀模型性能进行实时判断，形成判断结果。

以上所述，仅为本发明较佳的具体实施方式，本发明的应用适用范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的应用适用范围内。

Claims (3)

1.一种基于荧光磁粉的智能缺陷识别系统，该系统主要包括场景深度信息采集、磁痕图像预处理、图像分割、形态学处理和特征提取、裂纹识别这几个部分。

2.根据权利要求1所述的基于荧光磁粉的智能缺陷识别系统，其特征在于，图像分割过程融合支持向量机算法（SVM）与模糊C均值聚类算法（FCM）的彩色图像分割方法优势，支持向量机算法（SVM）提供的优秀分类情况，通过与模糊C均值聚类算法（FCM）结合的方法，在图像处理后使用朴素贝叶斯分类器（NBC）来进行识别从而达到获取优秀的识别图像。

3.根据权利要求1所述的基于荧光磁粉的智能缺陷识别系统，其特征在于，在提取具体特征的选择中，边界长度、边界直径、曲率、区域面积、区域重心、以及边界矩，以此六个特征来充分的表达具体的工件的情况，同时对后面的识别提供优质的信息来源。