基于BP神经网络的荧光磁粉检测技术探讨

黄海霞 李富 朱镇

摘 要：荧光磁粉检测法是目前检测重要零件表面缺陷的主要技术。本文基于磁粉探伤的基本原理，分析了荧光磁粉检测技术的特点，然后以BP神经网络为理论基础，对零件表面的大量缺陷样本进行特征提取和分类，实验表明，该技术可以大大提高荧光磁粉检测技术的自动化程度和实用程度。

关键词：BP神经网络;荧光磁粉;无损检测

DOI：10.16640/j.cnki.37-1222/t.2019.18.124

1 荧光磁粉检测技术

1.1 磁粉探伤的原理

磁粉探伤是当前无损检测的五大常规方法之一，其应用已经渗透到工业生产的各个领域。磁粉检测技术是以磁感应原理为理论基础的，通过将待检工件进行磁化，使其内部出现一个磁场。然后将磁粉均匀分布在工件表面，如果工件表面完好，由于没有漏磁场，因而磁粉仍处于均匀分布状态。但如果工件表面有缺陷时，由于表面磁场不连续，会出现明显的漏磁场，使磁感应线从缺陷下面绕过，从而使表面磁粉产生堆积。由于漏磁场的宽度通常会比缺陷的尺寸大一至两个数量级，因而可以将缺陷形状放大显示出来[1]。缺陷离表面越近，漏磁通就越多，缺陷检测效果越好;缺陷离表面越深，漏磁通就越少，缺陷就越难以检出。

1.2 磁粉探伤的特点

荧光磁粉检测技术是通过缺陷造成的漏磁通来显示缺陷位置和性质的，这种磁粉的显示需要由人或机器来进行识别，因而要求荧光图像有较好的分辨率，并且要求背景和磁痕的颜色有较大的差异，否则很难通过肉眼观察出来。所以，荧光磁粉检测技术受人为因素影响十分显著。为了提高图像对比度，荧光磁粉检测通常在黑暗空间进行，这种环境会使操作和判读人员产生不良心理或情绪，因而容易出现漏检或误判。当前大部分荧光磁粉均要求在紫外线下观察才有较高的准确率，但过度的紫外线照射对人体是不利的，因而检测过程对自动化技术提出了更高的要求。显然，自动化检测和智能磁粉控伤是未来一段时期内无损检测技术的主要发展方向之一。

2 BP神经网络

2.1 BP网络模型

BP（Back-propagation）神经网络又称为误差反向传播神经网络，其总体结构一般至少包含三层，并且各层之间不存在相互反馈和连接，因而在结构上结成了一种典型的前向网络，第一层接受各种条件参数信息，因而作为输入层，最后一层为用户提供处理结果，因而作为输出层，中间各层的工作是不为外界所知的，因此又称为隐含层。典型的BP网络模型如图1所示。

BP网络具有一定的智能性，因而在设备故障诊断领域中被人们广泛采用，其工作原理可以总结为：网络的第一层{x1;x2;…xn}一般用于表征故障征兆，其中每个元素都与一个神经元相对应，如果某数据恰好通过了隐含层，那么就可以在该节点处对其进行相应的运算，作为隐含层的入，再进一步变换后即可获得输出信号{y1;y2;…yn}，该输出就代表了故障的类别。显然，BP网络对层数并无严格要求，但要求其激活函数具有可微的特性，这很容易让人们想到S型函数。S型函数在两端的变化比较平滑，而中间有明显的波动，具有十分优良的转移特性。

2.2 BP神经网络的学习

BP神经网络算法是一种智能化的算法，可以通过特定的学习提高准确性，这种学习行为的特点也十分显著，主要有正向传播和反向传播两种。在正向传播机制中，单层神经元禁止向上层传递，只能向下层传递，输出不同，其输入层的权值也不相同。如果在输出层没有取得预期的值，则需要反向，对各层的权值进行调整，使各神经元之间的连接发生变化，再观察输出结果，直到输出值满足预期要求。从数学上看，只要求得误差函数的极小值就可以得到想要的结果，最简单的办法就是借助大量样本多次训练，利用最速下降法加快函数收敛速度。

3 模糊神经网络算法

模糊神经网络是模糊数学理论和神经网络理论相结合而形成的一种算法体系，它一方面传承了神经网络的优点，另一方面还充分借助模糊数学的分析方法实现性能优化。模糊系统和神经网络原本是两类独立的体系，两者之间如果结合起来将可以发挥更大的优势。模糊神经网络的运用实际上是研究模糊系统和神经系统对于信息处理如何进行分工。如果两个系统对信息分别进行处理，其过程将十分简单，对于简单的应用场合已经足够，因此这种形式的应用十分广泛。如果将两者进行合成再对信息进行处理，可以取得更高的信息处理效率和效果，完成一些更加复杂的诊断任务，但这种高性能是以牺牲硬件资源为前提的。从当前的研究结果来看，其融合方式通常有松散型、并联型、串联型和结构等价型四种。

零件表面缺陷是多种多样的。为了满足这种复杂性，本文采用了将模糊系统和神经系统进行结合运用的方案，结合形式采用串联型，即其中一个系统的输出作为另一个系统的输入，如图2所示。串联型模糊神经系统具有原理简单、易于编程的优点，使两个系统对信息的处理既相对独立，又相互联系。例如，诊断信号首先由模糊系统进行处理，然后再由神经网络处理，这样可以大大提高后者的运行效率，从而得到更可靠的结论。因此，这种结果已受到生产领域的广泛认可。

4 基于BP神经网络的荧光磁粉检测

4.1 实验方案设计

本文借助MATLAB神经网络工具箱对轴承零件表面荧光磁粉检测图像进行了分析，通过提取表面缺陷的特征向量并输入分类器中进行分类处理。根据轴承零件的功能和结构特征，将其缺陷类型分成5类，分别是裂纹、气孔、条形夹渣、点渣及划痕。然后通过大量的缺陷样本数据对BP神经网络进行了40个周期的训练，使系统总体误差小于0.015，最终形成一个准确度较高的荧光磁粉探伤缺陷识别系统。

（1）图像预处理。根据大量的实践经验发现，磁痕图像在紫光灯照射下会出现反光区，不利于准确判读，因此本文通过在相机镜头前加装一片滤光片，同时采用图像增强算法提升图像对比度。

（2）工件定位。磁痕通常只分布一整个图像的某一部分区域，因而仅需要对缺陷磁痕部分进行分析，减少图像处理和分析的压力。采用灰度信息匹配法可以较准确地对工件进行定位。

（3）特征提取。不同的工件具有不同的形状和缺陷类型，为了适用于不同的工件检测，因此必须对工件进行特殊提取。本文采用灰度共生矩阵对目标进行特征提取。通过观察像素的灰度变化来发现特征纹理的变化趋势。

（4）分类器设计。分类器的设计对BP神经网络的性能有着最为关键的影响，分类器依赖前馈方式达到耦合效果，但处于同一层次的神经元之间互不相干。给定一组初始化权重后，网络由输入层进入后进行逐层分析，最终得到一个输出模式。当输入与输出之间的误差满足要求时即完成。

4.2 实验结果分析

实验结果如表1所示。实验结果表明，BP神经网络系统在经过特征量提取和分类之后，取得了较为可观的检测效果。裂纹、气泡、条渣、点渣和划痕5种显示类型的识别率分别达到了89.3%，87.4%，84.9%，83.4%和88.7%。但本系统也有明显的不足之处，对于一些非显示，例如类似于缺陷的一些特殊表面结构，系统很难进行准确识别，正确率仅为58.5%。但实际上，轴承零件表面结构很少出现非缺陷的情况，因此对系统总体性能影响是可以接受的。

5 结语

本文对基于BP神经网络的荧光磁粉检测技术进行了深入的探讨，设计了一套以BP神经网絡为理论基础的荧光磁粉检测方案。实验表明，本系统无论是在检测速度还是检出率方面均有很大的提高，同时减少了由于人为失误造成的影响，为荧光磁粉检测系统实现自动化和智能化奠定了良好的基础，具有重要的应用价值。

参考文献：

[1]金翠娥，吴远峰，刘颖卓.基于机器视觉的荧光磁粉检测图像预处理方法[J].无损检测，2018，40（09）：5-7+55.

作者简介：黄海霞（1985-），女，江苏南通人，本科，工程师，主要从事焊接检验、无损检测、质量管理等相关工作。