图像裂纹检测

基于数字图像处理的表面裂纹检测算法ASurfaceCrackInspectionAlgorithmbasedonDigitalImageProcessingTechniques邹轶群侯贵仓杨峰Zou,YiqunHou,GuicangYang,Feng摘要：本文提出了一种基于数字图像处理技术的表面裂纹检测算法。运用这种算法能精确的检测裂纹的位置、长度等特征。将这种裂纹检测算法运用到裂纹自动检测系统以及裂纹扩展行为监测中不仅大大降低了劳动时间和劳动强度，而且提高了测量的准确性。关键词：图像处理；表面裂纹；特征提取中图分类号：TP39文献标识码：AAbstract:Inthispaper,asurfacecrackdetectionalgorithmisproposedtodetectandmeasuregrowingbehavioroffatigue-crackusingdigitalimageprocessingtechniques.Usingthisalgorithm,somefeaturesofsurfacecracks,suchaspositionandlength,canbemeasuredaccurately.Iftheproposedsurfacecrackdetectionmethodisusedtodevelopthecrackmonitoringsystemandobservethecrackgrowingbehaviorautomatically,thetimeandeffortsforfatiguetestcouldbedramaticallyreduced.Andalsoitispossibletoimproveaccuracyofcrackextraction.Keywords:ImageProcessing;SurfaceCrack;FeatureExtraction一、概述工业中，航空发动机属高速旋转机械，它的多数零部件均在高温、高压的环境中工作，所受载荷复杂，使用环境恶劣，故障频率高，造成的严重后果不仅危及人、机安全，而且会造成巨大的经济损失和恶劣的社会影响。在这些故障中，发动机疲劳裂纹损伤是导致发动机损坏的主要原因之一。因此，对有关构件的缺陷、疲劳裂纹的产生、扩展进行检测就显得更加重要。因此有必要寻求一种行之有效的检测技术。随着计算机技术的高速发展，计算机为许多行业提供了一种强大的工具。它可以实现以前不能实现的一些方法。数字图像处理就是随着计算机技术的发展而迅速发展起来的。计算机的高速运算能力为数字图像处理提供了技术支持，使数字图像处理在工业中得到了广泛的应用。数字图像处理技术的应用是实现产品质量监控和故障诊断的最有效方法之一。近几年来国内外许多学者将数字图像处理技术运用到物体表面裂纹检测中并取得了较好的效果。如：PriyanGunatilake设计的飞行器表面裂纹检测系统[1]；JPynn设计的道路表面裂纹自动检测系统[2]；D.H.Ryu设计的疲劳裂纹检测系统[3]；AtsushiIto设计的混凝砖表面裂纹提取与测量系统[4]；PaulW.Fieguth设计的地下管道表面裂纹检测系统[5]等。我们模拟了某发动机二级涡轮叶片的实际工作环境，对其进行高温蠕变疲劳实验，并通过摄像头对叶片表面裂纹扩展行为进行实时监控。通过数字图像处理技术对裂纹的形成、走向进行实时监测，不仅大大降低了工人的劳动强度、提高了检测效率，而且可以观察和回放零件从起裂到断裂的全过程，从而对研究有关零部件裂纹的扩展机理以及预估疲劳寿命都起到了重要的作用。本文第二节概述了整个识别算法的流程，第三节详细介绍了识别算法的各个部分并且给出了效果图，并在第四节给出了本文的结论。二、识别算法流程图整个裂纹检测算法共分成7个部分，如图1所示。第一、二步为图像获取和前处理部分，主要完成图像的采集和去噪等工作。第三步边缘检测和阈值分割是整个检测算法的关键。这一步的处理效果将决定整个检测算法的精度。根据所的裂纹图像的特点，我们选取了两种算子相结合的检测算法[6]。第四到第七步为后处理部分，主要实现图像的清晰显示和特征测量。图1算法流程图三、算法简介3．1图像获取图像获取的过程如下:试件经显微镜成像,由CCD摄像头转换为视频信号,再输入到视频采集卡,由计算机采集成图像并保存处理。如图2所示。所获得的图像每像素代表实际尺寸0.023×0.023mm2。图2图像获取3.2去除噪声我们所检测的试件是在高温高压下工作的，由于试件周围有加温圈，灯光照射后在试件表面产生不均匀性。为了便于后续处理，有必要去除由于灯光、环境等因素所产生的噪声。首先，在相同的实验条件下，用一张白纸放置于被检测目标前并摄取其图像；然后从被检测图像中去除该图像，从而有效去除由于灯光、环境等因素所造成的噪声。效果如图3所示。图3去噪3.3边缘检测及阈值分割物体的边缘是以图像局部特性的不连续性的形式表现出来的,例如,灰度值的突变,颜色的突变,纹理结构的突变等。我们这里所指的边缘就是物体表面的裂纹。本文采用了两种不同的边缘检测算子，通过将两种算子相结合的方法来提取边缘点的集合[6]。所用算法运算区域示意图及算法流程图如图4所示。图4运算区域示意图及算法流程图1、D1算子()1312,minrrr=⎥⎥⎦⎤⎢⎢⎣⎡−=ijjijiuuuur,min1,其中，iu表示第i块模板区域的灰度均值。2、D2算子),min(2312ρρρ=222,AXjiσσρ=222)(jijiXuunnn−=σ[])()(122222jjiijijiAnnnuunnnσσσ++−=3、两种算子的结合xyyxxyyx+−−=1),(σ其中，),(yxσ是将D1模板响应r与D2模板响应ρ相结合的结果。模板的大小可以根据实际情况进行调节，我们采用的是5×3的模板。通过上述算法获取边缘点，然后设定某一阈值θ，用θ将图像数据划分为两个部分，即大于θ的像素群（非裂纹点）和小于θ的像素群（裂纹点），从而产生相应的二值图像。阈值的选取是整个分析过程的关键，国内外学者针对这一课题进行了深入的研究和大量的实验，提出了多种阈值选取的方法。如：直方图阈值分割方法、类间方差阈值分割法、二维最大熵值分割法、共生矩阵阈值分割法、图像模糊聚类分割法等。根据裂纹图像的特点，我们采用了最简单的直方图方法获取阈值。边缘检测及阈值分割后的图像如图5所示。图5边缘检测及阈值分割3.4图像填充由于裂纹具有连续性的特点，所以需要对阈值分割后的图像进行填充处理，即把由裂纹点包围的非裂纹点进行填充，使其变为裂纹点。3.5裂纹的标号及连接经过3.3节的边缘元素的检测，虽然在视觉上得到了较好的效果，但检测出的边缘点不连续。特别是在裂纹与物体之间的灰度反差较小时，往往检测不出边缘，从而形成一些缺口。而我们的最终目的是要检测出裂纹的长度和方向，因此必须对边缘检测的图像进行标号和连接。我们首先将阈值分割后的图像进行标号，然后去除一些长度小于一定值t的小线段；重新标号后，我们可以根据先验知识将断开的裂纹连接起来：如果一条裂纹在另一条裂纹的扩展方向上，而且这两条裂纹离的很近，我们就将两段裂纹连接起来（即利用裂纹的两个特性来进行连接：扩展方向相近；首尾点距离较近），最终得到我们要检测的裂纹图形。图6（a）是连接后的图像。3.6细化为了便于后续的描述和特征提取，我们对二值化后的图像进行了细化，以便清晰的显示出裂纹的长条形特点，并为裂纹的长度测量、扩展方向估计等工作创造条件。我们采用文献[7]的快速细化算法。细化后的图像如图6（b）所示。图6连接及细化3.7特征的提取通过上述过程已经将裂纹区域‘孤立’出来了。准确的提取这些‘孤立’出来的裂纹区域的几何特征是本算法的最终目的。我们可以利用细化后的图像方便的提取出裂纹长度、走向等特征，并对不同时间段的裂纹特征进行分类和比较，从而方便的进行裂纹扩展机理等的研究。四、总结与讨论本文针对某发动机二级涡轮叶片实际工作环境的特点，设计了一套适用于表面裂纹的检测算法。该算法能较好的检测出叶片表面的裂纹分布，并且通过该算法能够准确的测量出裂纹的长度和方向，从而对研究叶片裂纹的扩展机理以及预估疲劳寿命都起到了重要的作用参考文献[1]Gunatilake,P.;M.W.Siegel;A.G.Jordan;G.W.Podnar,“ImageUnderstandingAlgorithmsforRemoteVisualInspectionofAircraftSurfaces,”Proc.SPIEVol.3029,pp.2-13,MachineVisionApplicationsinIndustrialInspectionV.[2]Pynn,J.;Wright,A.;Lodge,R.,”Automaticidentificationofcracksinroadsurfaces,”ImageProcessingandItsApplications,1999.SeventhInternationalConferenceon(Conf.Publ.No.465),Volume:2,13-15July1999,Page(s):671-675vol.2.[3]Ryu,D.H.;Choi,T.W.;Kim,Y.I.;Nahm,S.H.,”Measurementofthefatigue-crackusingimageprocessingtechniques,”Knowledge-BasedintelligentEngineeringSystemsandAlliedTechnologies,2000.Proceedings.FourthInternationalConferenceon,Volume:1,30Aug.-1Sept.2000,Page(s):121-124vol.1.[4]Ito,A.;Aoki,Y.;Hashirnoto,S.,“Accurateextractionandmeasurementoffinecracksfromconcreteblocksurfaceimage,”IECON02[IndustrialElectronicsSociety,IEEE200228thAnnualConferenceofthe],Volume:3,Nov5-8,2002,Page(s):2202–2207.[5]Fieguth,P.W.;Sinha,S.K,“Automatedanalysisanddetectionofcracksinundergroundscannedpipes,”ImageProcessing,1999.ICIP99.Proceedings.1999InternationalConferenceon,Volume:4,24-28Oct.1999,Page(s):395-399vol.4.[6]Tupin,F.;Maitre,H.;Mangin,J.-F.;Nicolas,J.-M.;Pechersky,E.,”DetectionoflinearfeaturesinSARimages:applicationtoroadnetworkextraction,”GeoscienceandRemoteSensing,IEEETransactionson,Volume:36Issue:2,March1998,Page(s):434–453.[7]S.Wu;S.Okamura,“Afastthinningmethodforbinaryimagesbasedondirectionaldistancetransformation,”IEICETrans.Info.&Syst.Vol.J76-D-II,No.12,pp.2573-2546,1993.作者简介：邹轶群，女，1977年出生，江西省赣州市人，北京航空航天大学在读硕士研究生。电话：[phone]；E-mail:[e-mail]（100083北京航空航天大学9－22信箱）邹