基于边缘轮廓的管道裂纹缺陷检测算法研究*

关 静 楼 飞

（南京师范大学中北学院 丹阳 212300）

1 引言

管道一般应用于排水、天然气运输、石油运输等领域，而长时间的使用以及外部环境、输送介质的影响等，容易使管道内部产生裂纹、锈迹等缺陷，进而产生泄露等事故，因此定期对管道进行检测，排除隐患具有重要意义［1～3］。

由于水上环境以及管道形状的影响等，管道的缺陷检测成为难题。传统的计算机实时监控、放射线透视检测和超声波探伤检测法［4］工作量大，准确率低，抗干扰能力差，以管道机器人和视觉传感器为载体，基于图像处理的管道缺陷检测方法实施方便，效率高且正确率高［5～6］，已成为普遍使用的方法。20 世纪初，美国普渡大学的Myung Jin Chae 教授等研发出了一套自动检测系统，可扫描管道并评估其缺陷类型［7］；随着图像处理技术和计算机视觉的发展，加拿大的Motaemdi M 教授等提出利用管道缺陷的细节特征进行检测的新方法，结果表明该方法准确率较高，能够识别出管道的裂纹、锈迹腐蚀等缺陷［8］。长安大学的孙朝云等研发了裂纹检测系统，通过图像增强、图像分割，根据图像的线性特征分离出了裂纹缺陷［9］；孙文雅等基于形态学边缘算法对管道图像进行处理，并利用阈值法分割图像后，提取裂缝的特征参数来检测裂缝［10］。

本文主要对管道内部裂纹进行检测，利用图像处理技术，提出基于边缘轮廓的管道缺陷检测算法：先对视觉传感器获取的图像进行预处理，然后利用最大类间方差法（Otsu）将图像的背景与缺陷部分分割，并对分割后的图像进行形态学操作和提边缘轮廓，根据边缘轮廓计算管道缺陷的特征参数，并对长短轴的计算方法提出改进，最后实现裂纹缺陷的识别。本文利用Matlab进行实验仿真，结果表明本文所用算法准确率较高，计算速度快，能够搭载管道机器人对管道内部裂纹进行检测。

2 管道裂纹图像的预处理

管道机器人的视觉传感器获取的图像是彩色图像，且受光照、噪声、设备等影响，管道缺陷区域特征不明显，会对图像的检测造成影响，因此需要进行预处理，降低图像中的噪声，同时便于后续图像的轮廓检测和特征提取。图像预处理包括滤波和图像增强。

图像进行预处理前先灰度化减少计算量，视觉传感器获取的缺陷管道图像和灰度化后的图像如图1所示。

图1 管道图像的灰度化

为了减少或消除噪声对图像的影响，需要对灰度图进行滤波处理。空间滤波的实质是用掩模（模板）对图像中的每个像素点操作，重新计算其灰度值。常用的滤波方法有均值滤波，中值滤波和高斯滤波等，本文分别用中值滤波和高斯滤波对图像进行处理。中值滤波简单来说就是将模板内像素值从小到大排列，位于中间的像素值赋值给待处理像素。高斯滤波即是在模板范围内对所有像素值进行加权平均，权值由高斯核确定，二维高斯核如下式：

式中σ=(ksize/2-1)*0.3+0.8，ksize 为高斯核大小，即模板大小。本文中中值滤波和高斯滤波的模板大小均设为5，实验结果如图2 所示，从图中可看出，中值滤波后的图像较清晰，且能滤除椒盐噪声，同时后面进行图像分割时中值滤波效果较好，因此选择中值滤波对灰度图进行处理。

图2 管道缺陷图像滤波处理

为了便于图像分割，突出管道图像中的缺陷区域，抑制背景区域，对滤波后的图像进行增强。空间域增强即对图像的各像素点进行处理，通过运算或变换改变其灰度值。针对本文管道缺陷图像的特点，利用对比度线性展宽算法进行图像增强。

对比度线性展宽［11］的实质是灰度值的线性映射，通过抑制非重要信息的对比度使重要信息的对比度展宽，可用下式表示：

图3 对比度线性展宽效果图

3 图像分割

图像分割的目的是将管道缺陷图像分为缺陷和背景两部分，重点是阈值的选取。由于管道内部的环境不同，缺陷类别不同，不同的管道缺陷图像灰度分布不同，因此不能选择固定阈值进行二值化，需要利用动态阈值来适应不同的缺陷图像。常用的方法有类间最大距离法，最大熵方法和最大类间方差法等。本文选择最大类间方差法对图像进行分割，并提出改进方法。

图像分割实际上是将图像中所有的像素值分为两类，合适的阈值会使两类数据之间的方差越大，最大类间方差法［12］就是用方差将其分为两类，具体算法如下。

1）计算图像中所有像素的分布概率：

式中Ni为灰度值是i的像素个数，Nimg是像素的总个数；

2）设置初始阈值Th=Th0，将图像分为C1 和C2两类；

3）计算两类的方差σ1，σ2和灰度均值μ1，μ2，图像的总体灰度均值μ：

4）计算两类问题的发生概率P1和P2：

5）计算类间方差：

6）选取最佳阈值Th=Th*，使图像分为两类后满足：

一般为选取到最合适的阈值，初始阈值可从0开始，取完所有的灰度值，找到最大类间方差，对应的阈值即为最终阈值，但整个算法耗费时间较长，计算量大。根据实验比较分析，管道缺陷图像分割时，阈值均在120～200 之间，因此可选择初始阈值为120，并在阈值为200时结束，寻找类间方差最大时对应的阈值，减少运算时间。

用上述方法对管道缺陷图像进行分割，改进后的算法可将计算时间减少一半，结果如图4，可以看出图中的裂纹被分割出来，但裂纹之间不连续，有断裂部分；同时由于图像右下角像素的灰度值与裂纹灰度值较接近，也被认为是目标像素检测出来，需对其进行处理。

图4 管道缺陷图像的分割

形态学操作［13］可将图像中断裂部分连接，便于提取缺陷的完整轮廓。形态学算法是以结构元素为基础的运算，结构元素就是某种具有确定形状的基本结构元素，可以是矩形、圆形或菱形等。腐蚀可以将目标图形收缩，而膨胀则将目标图形扩大。本文为了将目标区域向外部扩张使其连接，因此需进行膨胀，同时为了保持原目标区域的大小不变，膨胀后需要再进行腐蚀运算，也称为闭运算。根据裂纹缺陷的特点，本文选取矩形结构元素对图4 分别进行膨胀和腐蚀运算四次，结果如图5 所示，可以看出裂纹区域面积基本不变，且基本连接在一起，便于后面进行管道缺陷图像的边缘检测。

图5 膨胀和腐蚀效果图

4 管道裂纹图像的边缘检测

边缘是描述目标细节特征的重要信息，是特征提取的基础，通常图像局部区域中灰度变化较明显的像素点即为边缘。边缘检测一般基于图像的一阶或二阶微分算子，一阶微分算子如Roberts，Sobel，Priwitt 算子等是利用不同的模板求图像的梯度，通过阈值确定边缘，计算较简单，能够获得图像特定方向的灰度变化，但获得的边界较模糊；二阶微分算子如Laplacian 微分算子，Wallis 算子等计算图像的二阶方向导数，但对噪声较敏感［14］。

Canny于1986 年研究了最优边缘检测的特性，提出了Canny 边缘检测，成为应用最广泛成功的一种算法，本文基于Canny 算子对裂纹进行边缘检测：先对图像进行高斯滤波，然后用一阶差分计算图像梯度的幅值和方向，并根据幅值在梯度方向上进行非极大值抑制，最后用滞后阈值算法确定边缘像素点。对图5 进行边缘检测后如图6 所示，可看出裂纹边缘能够完整地检测出，效果较好。

图6 管道缺陷图像的边缘检测效果

5 管道缺陷图像的特征提取和识别

一般图像的特征可分为纹理特征，形状特征，颜色特征和边缘特征等，其中形状特征包括目标的长宽比、圆形度、周长、面积等。根据裂纹缺陷的特点，本文基于形状特征对管道缺陷进行提取。

周长是最简单的形状特征，可认为是轮廓线的像素个数。长轴和短轴也可描述管道裂纹的形状，通常长轴与短轴是目标区域外接矩形的长短轴，边界上任意两像素点间距离最大的是长轴，短轴则是垂直于长轴方向的两个像素间距离最大［15］。偏心度为长轴和短轴之比，可以描述细长目标。本文基于边缘轮廓提取管道缺陷图像的周长，长轴和短轴等特征，并提出长短轴的改进算法。

为了滤除孤立点或非缺陷点，先设定阈值滤除小轮廓，即周长较小的轮廓，便于之后的特征提取和计算，对图6 进行处理，结果如图7 所示，小轮廓目标均被滤除。

图7 滤除小轮廓效果图

比较缺陷区域和非缺陷区域可看出，其偏心度有较大差别，裂纹长轴较长，而短轴很短，偏心度较大，因此可通过计算长短轴的长度来识别裂纹，在图7中，即分别计算各轮廓的长短轴。

传统算法中，长轴是轮廓上任意两个像素点间的最大距离，而短轴则是垂直于长轴的最长距离，计算量较大，耗费时间长，且裂纹形状不规则，可能有的区域较宽，有的区域窄，所找到的短轴不能代表裂纹的粗细程度，因此本文提出一种计算长短轴的方法，具体步骤如下：

1）对于任一轮廓，分别计算X，Y方向的最大最小值；

2）计算X 方向的最大距离和Y 方向的最大距离，较大的距离为长轴距离，同时确定裂纹走向；

3）裂纹走向分为横向和纵向，根据裂纹走向，在该方向上取N 个点进行采样，若走向为横向，则相同的纵坐标肯定有对应的两个横坐标，计算两个横坐标间的距离，然后对所有采样点的距离求均值后即为短轴长度。

4）计算短轴时，若相同的纵坐标对应的横坐标只有一个，可以确定该轮廓对应的目标区域不是缺陷轮廓，可以滤除。

管道裂纹的形状不同，大小也不同，因此计算短轴时可以根据情况取固定的采样点数，也可用不同的采样点数。在本文中根据长轴长度，若长轴小于100 取10 个采样点，否则取20 个采样点，计算得到的短轴长度基本可以代表裂纹缺陷的粗细程度。

用传统算法和本文所提算法计算图像中所有轮廓的长轴和短轴长度，并计算偏心度，设置阈值Th，若偏心度大于该阈值，则该轮廓区域为裂纹，否则不是。由于存在较小较细的裂纹，因此本文选取的阈值Th=5。

对图7 中的所有轮廓线进行识别，各形状特征如表1 所示，其中长短轴的长度均以像素为单位，并且在相同的软硬件条件下计算两种算法所需时间。可以看出该图中的裂纹属于细长型，偏心度较大，与传统算法相比，本文所提算法计算的短轴距离较短，与实际情况更相符，同时所需时间较短。

表1 管道裂纹缺陷形状特征

对于裂纹较多较复杂的情况，用本文算法对其进行识别，原图如图8（a）所示，预处理和形态学操作后的图像如（b）所示，可以看出图中有不同形状走向的裂纹三条，同时由于图像分割原因，左下角和右下角区域被认为是目标区域而保留。对图（b）进行边缘检测，如图（c）所示，可以看出轮廓周围出现很多毛刺等孤立点，通过轮廓周长滤掉后结果如图（d）所示，为方便观察，对每条轮廓编号。

图8 复杂裂纹图像

滤除孤立点、小轮廓后，对剩余的轮廓进行特征提取和识别，在识别过程中，若轮廓区域属于非缺陷区域，则不计算短轴，各裂纹对应的形状特征如表2所示。传统算法中，3号轮廓线的短轴较长，不能正确识别出裂纹，且所需时间较长。经比较，本文所提算法正确率高，且速度较快。

表2 复杂裂纹缺陷的形状特征

为了验证本文算法的准确性，对50 幅有裂纹的图像进行缺陷识别，其中45 幅图像的裂纹可以检测出来，正确率达到90%，其中裂纹没有检测出来的图像主要是存在细小裂纹，在图像分割时与背景连接在一起被认为是目标区域，识别时被认为是非缺陷区域。

6 结语

本文基于边缘轮廓对舰船的管道缺陷图像进行检测，利用管道机器人搭载视觉传感器获取图像后，通过预处理、图像分割和形态学操作等，将缺陷区域作为目标区域，提取轮廓边界，并基于轮廓线进行缺陷的特征提取和识别，在特征提取时，本文提出长短轴的计算方法，通过偏心度识别裂纹，与传统算法相比本文所提算法运算速度较快，正确率较高。总的实验结果表明本文所述方法可用于管道裂纹的缺陷检测，方法可行、可靠。为了进一步提高管道缺陷检测的准确度，可对图像分割算法进行改进，减少背景、光照等因素对缺陷区域的影响，满足不同环境和场景的要求。