车轴压装部相控阵超声波探伤的各向异性扩散去噪改进算法

彭朝勇，高晓蓉，王　艾

(1.西南交通大学 物理科学与技术学院，四川 成都　610031；2.成都主导科技有限责任公司，四川 成都　610091)

但是，在使用相控阵超声检测技术对车轴压装部进行全覆盖探伤[3]时，由于压装部轮轴接触界面(简称压装界面)存在一定粗糙度[4]和微动腐蚀[5]，使得超声波在压装界面产生较强的界面回波，导致超声成像质量差，易造成对缺陷的误判或漏判。目前国内外已经有少数研究团队针对车轴压装部的超声检测展开相关优化研究，如德国联邦材料研究所(BAM)及德国弗劳恩霍夫研究所(Fraunhofer IKTS)对由具有固定几何尺寸的车轴拐角等引起的固定回波的具体位置和尺寸进行标记，并采用增益控制曲线去除[6]，但用该方法并不能可靠地去除缺陷回波；德国联邦铁路公司技术研究中心的无损检测部门及Arxes-tolina公司都采用相控阵超声波探伤与合成孔径聚焦(SAFT)算法相结合的方法提高检测图像的分辨率，通过精细化显示缺陷顶部尖端反射信号和缺陷端角反射信号，可有效排除压装界面回波的干扰[7-8]，但SAFT算法计算量大，并需采用特殊的相控阵超声硬件设备获取数据，因此目前该方法多用于实验室研究，并未用于现场对车轴伤损的自动化检测。

另外，目前的各向异性扩散算法[9-12]虽然在图像去噪时能保留图像的边缘等有用信息，但也存在计算量较大等问题。

本文结合车轴压装部超声检测图像的固有特征，通过定义局部区域对比度反映缺陷及压装界面回波的聚集特征，并将局部区域对比度作为参数，构建基于区域对比度的自适应各向异性扩散改进算法，利用改进算法对压装部超声图像进行快速处理，实现对压装界面回波的抑制。

1　测试平台及数据获取

使用基于相控阵超声技术的车轴压装部超声波探伤测试平台(见图1)对车轴压装部上编号分别为1—5的人工裂纹缺陷(见图2)进行检测[3]。由图1可见：当车轴旋转360°时，相控阵超声探头在实施扇形扫查的同时采集车轴周向360°的超声波检测数据。

图1　车轴压装部相控阵超声波探伤测试平台

图2　人工裂纹缺陷分布及相控阵超声检测方案

在轮对压装前后，使用相控阵超声探头(PA探头)最基本的扇形扫查模式对图2中对应的编号4，1和5这3个人工缺陷进行检测，得到压装前、后压装部扇形扫查回波的对比情况如图3所示。由图3可见：轮对压装后，车轴的压装界面回波与缺陷回波相互重叠，信噪比明显降低，严重影响缺陷的辨识。

由于相控阵探头的楔块使用的是与车轴表面曲率匹配的弧形楔块，所以通过弧形楔块及探头电子控制单元，可实现纵向(轴向)及横向(周向)的声场聚焦。车轴压装部纵向裂纹主要是分离轮轴时拔轴操作造成的，而车轴压装部自然裂纹为横向裂纹(断轴都由横向裂纹引起的)，按照铁总运〔2013〕191号《铁路客车轮轴组装检修及管理规则》规定的内容进行人工裂纹加工，人工裂纹也为横向，即裂纹的周向跨度远高于轴向跨度，所以聚焦后的声束在周向及轴向移动扫查横向裂纹缺陷时，缺陷回波在周向的连续性高于轴向的连续性。另外，由于轮轴接触面的粗糙度及微动腐蚀等原因使得压装界面有较强的回波，因此粗糙度及微动腐蚀在轴向及周向的连续性差异不大。故本文选取相控阵超声扇形扫查中的1个波束角度，正好对应图2中编号为1，2和3的3个人工缺陷，采集车轴旋转360°后的超声回波信号，并将存在缺陷回波的前后共90 mm声程段的原始超声波信号导入Matlab软件中进行数字信号处理，获取B扫图，如图4所示。图4中：数字1—3与图2中的缺陷编号对应；Ω1与Ω2分别为以后续去噪算法中待计算像素点为中心的小区域和大区域。

从此，一个以中国精武体育和精武精神为核心的东亚和东南亚体育文化圈逐渐形成，并不断向世界扩散，成为一定时期内唯一能相对于国际奥林匹克文化有竞争力的世界性体育文化。当然，由于其在各国组织建设的松散性，也因为20世纪30年代后中国遭到日本帝国主义的侵略，最终其失去了更好的发展良机。

图3　压装前、后压装部扇形扫查回波的对比情况

图4　原始超声波B扫图

由图4可见：压装界面的回波幅值偏高，但在平面分布上，压装界面回波与缺陷回波的横向分布存在差异，且该差异明显大于图3(b)中界面回波与缺陷回波的纵向分布差异；故选取B扫方式获取数据，将现有图像去噪算法结合形态滤波方法对压装界面回波进行抑制，提高压装部探伤能力。

2　基于区域对比度的自适应各向异性扩散改进算法

由于压装界面为固—固粗糙接触界面，故造成车轴压装部缺陷处的压装界面存在界面回波。在对车轴压装部进行超声波检测所得到的B扫图像中，缺陷回波的强度及连续性均大于压装界面回波(见图4)。基于上述图像灰度特征，选用基于图像灰度梯度进行去噪的各向异性扩散算法处理压装部信号，该算法在保留有用信息的同时又能平滑图像。

Perona和Malik提出各向异性扩散去噪算法[9]，使用偏微分方程根据局部散度算子进行扩散，则离散化的各向异性扩散方程为

gEIE+gWIW+gSIS)

(1)

式中：I为离散图像的灰度矩阵；x为探头周向角度的采样点数；y为声程采样点数；t为迭代次数；η为中心点周围点数，这里η为4(各方向扩散计算的总点数)；λ为控制整体扩散速度；gE，gS，gW，gN分别为东、南、西、北4个方向的扩散系数；IE，IS，IW，IN分别为东、南、西、北各方向图像灰度的梯度。

Perona和Malik提出的扩散系数函数g(I)为

g(|I|)

(2)

式中：k为边缘度量参数，也叫平滑参数，是扩散的一个梯度门限，当梯度I大于k，则扩散力度很弱。

式(1)及式(2)构成了各向异性扩散去噪算法，简称为PM算法。由式(2)可看出，PM算法会在k值左右形成突变，即为阶梯效应，并且当噪声的梯度与图像特征的梯度相近时，通过PM算法扩散不但不会抑制噪声反而会将噪声加强。各向异性扩散算法在去除散斑噪声上已有大量改进研究，如Catte提出结合高斯滤波的Catte-PM算法，能有效降低噪声被加强的概率[10]。但高斯滤波会丢失图像边缘信息，导致图像模糊，不利于缺陷信号的保留。You等人提出高阶扩散算法能解决阶梯效应[11]，但其计算量较大，且对于压装部超声检测图像适应性不高。

为了避免PM算法的弊端，本文结合车轴压装部超声检测图像的固有特征，提出基于区域对比度的自适应各向异性扩散改进算法。将图像中各个待处理像素点所在的小区域(如图4中所示区域Ω1)内所有像素点灰度值的绝对值均值与其小区域周围区域(如图4中所示区域Ω2除去区域Ω1的环形部分)内所有像素点灰度值的绝对值均值的比值作为平滑参数的一部分，得到平滑参数knew，即可构成对像素点所在区域自适应的扩散算法。当遇到突变噪声时，由于噪声的不连续性，噪声幅值在其所在小区域求均值过程中比重大大降低，削弱了knew对噪声的影响。压装部幅值较高且相对集中，而界面回波呈现比缺陷能量稍低的散斑，此种情况虽然小区域均值偏高，但是其周围大区域均值也相当，所以也削弱了knew对扩散力度的影响。

建立基于区域对比度的自适应各向异性扩散改进算法为

g(|I|)

(3)

其中，

knew=cp-1

式中：c为可控的比例调节系数；n1和n2分别为区域Ω1和Ω2内的像素点数。

3　验　证

3.1　试验验证

λ取0.15，k分别取15和100、对应的迭代数分别取30和10次时，使用PM算法对图4所示车轴压装部检测的B扫超声图像进行处理，结果如图5(a)和(b)所示。λ取0.15，c取100，Ω1取71点×71点，Ω2取201点×201点，迭代数取10次，使用改进算法对图像进行处理，结果如图5(c)所示。

由图5可见：采用PM算法，k取15、迭代数取30次时，压装界面回波无法被有效滤除；同样采用PM算法，k取100、迭代数取10次时，压装界面回波可被有效滤除，但缺陷回波亦被削弱；而使用基于区域对比度的自适应扩散改进算法，压装界面回波可被有效滤除，同时缺陷回波得以保留；由此可见，B扫超声噪声较多时，一些压装界面回波及散斑噪声通过PM算法反而被加强，如果增大扩散门限即平滑参数k，则有用缺陷信息被削弱，而使用改进算法，即使迭代数降为10次也能有效去除压装界面回波的干扰。

图5　试验结果对比

对图5所示采用不同算法得到的去噪效果进行统计，结果见表1。由表1可见：基于改进算法得到的图像峰值信噪比和对比噪声比[12]优于基于传统PM算法得到的，其中峰值信噪比提高5.2 dB，对比噪声比提高7.8 dB。

表1　采用不同算法得到的去噪效果统计情况　dB

注：计算对比噪声比时，将B扫图中缺陷1—缺陷3设为有用信号，3个缺陷所在的声程范围内其余的界面回波及噪声为背景部分

3.2　实车验证

为验证改进算法的适用性，在成都车辆段车轴压装部相控阵超声波探伤设备上分别装入算法改进前后的计算机判伤软件，对超声检测B扫图像中超出幅值闸门的波形进行报警。

共采集了229个轮对的车轴探伤数据，其中确认的车轴自然缺陷总数为20个。采用不同算法得到的实车车轴判伤结果见表2。表中：漏判比为漏判数与缺陷总数之比，误判比为误判数与报警总数之比。

表2　实车车轴判伤统计

由表2可见：使用改进算法后，压装界面回波大大削弱，误判率下降18%，表明基于改进算法，可在确保无缺陷漏判的基础上降低误判率，从而使得车轴超声波自动探伤设备在提高效率的同时保证较高的报警准确率。

4　结　语

在车轴相控阵超声波自动探伤中，为了有效去除车轴压装界面回波的干扰，结合车轴压装部裂纹的周向连续性远高于轴向连续性这一固有特征，选取超声波声束沿周向扫查方式对车轴压装部进行超声波检测， 然后对原始超声波检测信号进行数字信号处理，得到车轴压装部的B扫图；基于B扫图中界面回波与缺陷回波不同的连续性及不同的聚集特征，提出使用局部区域对比度作为聚集特征的表征参数，并将该参数作为各向异性扩散函数的一个参量，对传统的PM算法进行改进，建立了基于区域对比度的自适应各向异性扩散改进算法。试验表明，改进算法能很好地消除PM算法存在的阶梯效应及噪声增强弊端，且对于有用信号与噪声具有不同聚集特征的图像均有一定参考性；实车验证也表明，改进算法能在不漏判的情况下使误判率降低了18%，车轴超声波自动探伤设备在提高检测效率的同时，还可以保证较高的检测准确率。

[1]YANG Guangxue，LI Qiang，XIE Jilong. Experiment Research on the Influence of Fretting on Crack Propagation[J]. Advanced Materials Research，2011，228/229：617-620.

[2]KLINGER C，BETTGE D. Axle Fracture of an ICE3 High Speed Train[J]. Engineering Failure Analysis，2013，35(26)：66-81.

[3]PENG Chaoyong，GAO Xiaorong，PENG Jianping，et al. Research on Axle Press-Fit Phased Array Ultrasonic Inspection Technology[C]//11th European Conference on Non-Destructive Testing. Prague：ECNDT 2014 Session: NDT in Railways，2014.

[4]DRINKWATER B W，DWYER-JOYCE R S，CAWLEY P. A Study of the Interaction between Ultrasound and a Partially Contacting Solid-Solid Interface[J]. Mathematical, Physical and Engineering Sciences，1996，452(1955)：2613-2628.

[5]NISHIOKA K，HIRAKAWA K. Fundamental Investigations of Fretting Fatigue: Part 3, Some Phenomena and Mechanisms of Surface Cracks[J]. Bulletin of JSME，1969，12(51)：397-407.

[6]MARTY P，ENGL G，KRAFFT S，et al. Latest Development in the UT Inspection of Train Wheels and Axles[C] // 18th World Conference on Nondestructive Testing. Durban：WCNDT 2012 Session: Transport: Railroad, Axles, Rails，2012.

[7]ROHRSCHNEIDER A，HINTZE H，OELSCHLGEL T. Further Development of the Ultrasonic Testing of Hollow Axles[C] // 11th European Conference on Non-Destructive Testing. Prague：ECNDT 2014 Session: NDT in Railways，2014.

[8]VÖLZ U，HEILMANN P，SPIEKER M. New Approach for a More Detailed Visualisation of Ultrasonic Testing Data of Railway Hollow Axles[C]//19th World Conference on Nondestructive Testing. Berlin：WCNDT 2016 Session: Railway，2016.

[9]PERONA P，MALIK J. Scale-Space and Edge Detection Using Anisotropic Diffusion[J]. IEEE Transaction on Pattern Analysis Machine Intelligence，1990，12(7)：629-639.

[10]CATTE F，LIONS P，MOREL J，et al. Image Selective Smoothing and Edge Detection by Nonlinear Diffusion[J]. SIAM Journal on Numerical Analysis，1992，29(3)：182-193.

[11]YOU Y L，KAVEH M. Fourth-Order Partial Differential Equations for Noise Removal[J]. IEEE Transaction on Image Processing，2000，14(10)：1723-1730.

[12]GUAN Fada，TON Phuc，GE Shuaiping，et al. Anisotropic Diffusion Filtering for Ultrasound Speckle Reduction[J]. Science China: Technological Sciences，2014，57(3)：607-614.

[13]杨巨平. 铁路货车车轮超声波在线检测中的缺陷识别算法[J]. 中国铁道科学，2016，37(5)：102-107.

(YANG Juping. Defect Recognition Algorithm in Online Ultrasonic Inspection for Railway Freight Car Wheel[J]. China Railway Science，2016，37(5)：102-107. in Chinese)

[14]杜馨瑜. 电务轨旁设备外观巡检图像增强算法[J]. 中国铁道科学，2016，37(6)：97-105.

(DU Xinyu. Algorithm for Appearance Inspection Image Enhancement of Trackside Communication and Signal Equipment [J]. China Railway Science，2016，37(6)：97-105. in Chinese)