基于机器视觉的荧光磁粉检测图像预处理方法

，，

(上海航天精密机械研究所，上海 201600)

工业领域通常采用磁粉检测方法检测铁磁性工件表面或近表面缺陷[1]。传统的磁粉检测过程中，通常采用人工方式来进行缺陷的判别。而航空螺栓、常规的枪炮、轴承滚子等产品的零部件检测，常常需要多名检验员每天完成上千件零件的检测，实际检测中难免会出现因检测人员视觉疲劳而导致的漏检、误判问题。而且，无损检测技术正向着自动化和智能化方向发展。而在智能磁粉检测系统中，图像处理是智能磁粉检测的核心，图像处理水平的高低直接体现出智能检测系统检测水平的高低，反映出智能磁粉检测系统能否准确替代人对缺陷进行识别。

笔者从硬件、软件等方面着手，开展了机器视觉荧光磁粉检测图像处理技术研究。首先构建了图像采集系统平台，利用彩色CCD(电荷耦合器件)工业相机获取了荧光磁粉检测图像，再通过软件对采集到的图像进行了处理，降低了噪声对图像的干扰。文章首次提出了基于RGB色值去除的彩色图像噪声算法，之后再提取缺陷特征并进行缺陷评价分析。

1 硬件对检测的影响

硬件主要是指工业相机与照明装置，这两者直接决定软件处理过程中原图像质量的好坏，对结果的判定有重要影响。

1.1 工业相机对检测的影响

工业相机是机器视觉系统中的一个关键组件，其本质的功能是将光信号转变成有序的电信号，故选择合适的相机是机器视觉系统设计中的重要环节。工业相机根据图像效果分为彩色相机和黑白相机；根据传感器芯片类型分为CCD相机和CMOS(互补金属氧化物半导体)相机；根据靶面类型分为线阵相机和面阵相机；根据输出方式分为模拟摄像机和数码相机；根据接口类型可分为USB、1394、Cameralink、GIGE千兆网口。而影响工业相机性能的主要参数有分辨率、帧速率、信噪比、曝光时间等。分辨率决定了成像大小，即图像像素点数的多少影响后期图像处理时算法的研究与使用。信噪比影响成像质量，信噪比越小说明干扰越多；曝光时间主要取决于工件处于静止或者运动的状态。因此，对于工业相机的选择，一定要充分分析好工作对象的要求。另外，除了工业相机，镜头的选用也尤为重要，基本标准就是选择与工业相机相配套的镜头，注意镜头的接口与焦距。故根据检测需求，采用了GIGE千兆网口的面阵彩色CCD相机。

1.2 照明装置对检测的影响

照明装置通常指光源，其作用是为了获得被测物体边缘锐利、对比度鲜明的高质量图像。所以，照明装置的设计水平直接决定了图像质量，进而决定了机器视觉系统能否准确地对被测样品进行检测。常用的光源类型有高频荧光灯、光纤光源和LED光源(见图1)。光纤光源又称为卤素灯，适合小范围的局部高亮度照明和对检测环境温度比较敏感的场合；高频荧光灯采用高频电源进行供电，发光原理类似于日光灯；在机器视觉系统中LED光源的应用最广泛，选择性最多。不同类型光源效果对比如表1所示。由表1可知，选用LED光源为机器视觉系统提供采集图像的光照最合适。

图1 机器视觉常用光源外观表1 不同类型光源效果对比

项目高频闪光灯光纤光源LED光源价格低高中亮度低高中稳定性低中高使用寿命中低高光线均匀性高中低复杂设计低中高多颜色无无有

2 图像处理算法

根据上述情况，针对荧光磁粉检测的特点，在暗室环境中对轴承滚子磁化并喷洒荧光磁悬液，选用彩色工业相机，在定制的LED紫外灯照射下采集图像，并通过千兆网口将图像实时传输至PC端。通过软件算法提取彩色图像中光谱波长在550～580 nm的黄绿色像素点构成的区域图像，并进行降噪等预处理，再提取图像梯度特征，从而判别工件是否存在缺陷。基于机器视觉的磁粉检测流程如图2所示。

图2 基于机器视觉的磁粉检测流程

图3 某型号轴承滚子的荧光磁粉检测图像

某型号轴承滚子的荧光磁粉检测图像如图3所示。在实际检测工作中，会出现聚磁、阴影、光照干扰等现象，这会给缺陷的智能检测判定带来较大干扰。图3 (a)为存在裂缝缺陷及较小聚磁的样本图；图3(b)为存在裂缝缺陷、较大聚磁及阴影的样本图；图3(c)为无缺陷，但存在紫外光线及阴影的样本图。故而，在这些干扰存在的情况下，直接利用灰度图像进行去噪、区域分割，特征提取会误将干扰检测做成缺陷而出现误判，影响检测效率及正确率。为了解决这个问题，根据荧光磁粉检测的颜色频谱特点，运用RGB色值对原图像先进行了有效图像的提取，即提取原图像中的黄绿色图像，再进行后续处理。

通过荧光磁粉检测的工件缺陷所反应出的颜色，其RGB色值中，R、B值较小，G值较大，在提取图像时，R、G、B的阈值需根据具体检测工艺环境来确定。文中对图3中的3幅原图分别通过R、G、B区域阈值进行色值提取，结果如图4所示。

图4 提取原图中的黄绿色区域图像结果

由图4可知，通过对机器相机采集到的原图像进行RGB色值目标区域的图像提取，能够将大部分噪声滤除，有效抑制聚磁、外置光照、阴影等干扰。处理后的图像所剩噪声多为点状式近似椒盐噪声，故而可再对图像运用中值滤波方法进行去噪处理。中值滤波就是选择一定形式的窗口，使其在图像的各点上移动，用窗口像素灰度值的中值代替窗口中心点处的像素灰度，其对于消除孤立点和线段的干扰十分有用。以样本图3为例，其中值滤波图像如图5所示。

图5 样本图3的中值滤波图像

由图5可知，图5(a)中的点状椒盐噪声通过中值滤波后可以得到比较干净的图像，即图5(b)，其噪声得到了有效抑制。为了能较好判断所采集的图像中是否存在缺陷，提取了图像的梯度特征，即先对图像进行腐蚀膨胀的开运算，再提取线性特征。

设f(x,y)表示一幅图像，width，height分别为图像的宽度和高度，则图像在(x,y)处的梯度是一个矢量，定义为

(1)

式中：Gx和Gy分别为沿着x方向和y方向的梯度。

梯度的幅度|▽f(x,y)|为

(2)

由式(2)可知，梯度的数值就是f(x,y)在最大变化率方向上的单位距离所增加的量。利用差分代替微分式图像的梯度场和梯度场的模,可以表示为

Gx(x,y)=f(x+1,y)-f(x,y)

(3)

Gy(x,y)=f(x,y+1)-f(x,y)

(4)

M(x,y)=[Gx(x,y)2+Gy(x,y)2]1/2

(5)

由式(3)，(4)，(5)可以得到梯度场方向D，其表达式为

Dx(x,y)=Gx(x,y)/M(x,y)

(6)

Dy(x,y)=Gy(x,y)/M(x,y)

(7)

式中:(x,y)∈[0,width-1]×[0,height-1];G和M表示图像的梯度场和梯度场的模。

对检测图像进行算法处理后的结果如图6所示。

通过缺陷检测结果可以看出，提出的基于彩色图像提取特定荧光区域图像的方法能有效遏制噪声干扰，同时通过梯度特征可以判断是否存在缺陷，并标定缺陷的位置。

图6 对检测图像进行算法处理后的结果

3 结语

从硬件、软件等方面对机器视觉荧光磁粉检测图像处理技术进行了分析和研究，通过验证得到最优方案并构建了图像采集系统平台，利用彩色CCD工业相机获取了荧光磁粉检测图像，降低了噪声对图像的干扰；提出了基于RGB色值去除的彩色图像噪声算法，通过试验发现，此方法能有效抑制聚磁、外置光照、阴影等噪声干扰，最后对处理后的图像进行了缺陷分析判别，为智能磁粉检测系统的研究提供了基础和依据。