基于脉冲涡流热成像的铁磁性构件缺陷检测

高 阳， 范玉刚*， 杨明莉， 李宝芸， 吴 涛

(1.昆明理工大学 信息工程与自动化学院， 云南 昆明 650500；2.云南省矿物管道输送工程技术研究中心， 云南 昆明 650500)

铁磁性构件广泛应用于管道、冶金生产等工业系统中，其运行状态直接关系到生产与人身安全。近年来，脉冲涡流红外热成像技术[1]可实现对构件的无损伤探测，且探伤快速，结果直观，在冶金、机械、电力等系统设备故障诊断领域均取得了广泛的应用[2-3]。文献[4]利用Canny边缘检测算法处理红外图像，并提取边缘的曲率特征，实现了裂缝边缘和位置的检测。文献[5]采用基于K-means聚类与自动分割的算法，实现涡流热成像缺陷的快速识别。文献[6]采用Sobel算子的优化算法，有效提高了裂纹缺陷的边缘识别能力，实现对裂纹缺陷的定性分析。上述文献在理想状况下可以有效检测缺陷特征，但未考虑不均匀加热等实际干扰因素的影响。在背景复杂、加热构件整体颜色变化起伏大等情况下，上述方法将难以有效检测红外图像中的缺陷。脉冲涡流热成像对缺陷的检测效果，取决于缺陷与正常区域的温差，温差在图中由色差呈现[7]。依据缺陷区域颜色与正常区域不同，可以提取感兴趣区域，然而大津法(Ostu)算法对热成像进行分割，其自适应阈值并不能有效地将无关背景与缺陷有效分割[8]。本文根据所摄取的涡流热成像特点，采用二维Ostu算法与最大连通域特征提取及颜色阈值分割相结合方法，实现裂纹缺陷区域有效分割。对分割得到的缺陷区域进行边缘信息提取，但图像边缘检测往往受噪声干扰，因此采用多尺度形态学梯度边缘检测算法[9]。该算法根据图像的几何特征，利用多尺度的形态学边缘检测梯度算子，消除噪声干扰，提取出红外图像的边缘信息，并运用物象关系，测量缺陷尺寸等参数，最终实现对铁磁性构件的无损检测。

图1 脉冲涡流热成像检测原理图

1 脉冲涡流无损检测

脉冲涡流热成像检测系统是脉冲涡流生热与瞬态热成像相结合的新型无损检测技术[10]。脉冲涡流热成像无损检测原理如图1所示。以电磁感应原理为基础，线圈通入高频交流电，被测导电试件内部产生涡流。线圈在导电构件上产生感应涡流。当铁磁性构件存有缺陷时，其电、磁、热属性随之改变，从而影响涡流分布，引起局部区域的焦耳生热增加或减小，此时利用红外热像仪可得到瞬态热成像，后续通过算法对摄取的图片处理并分析，最终实现裂纹缺陷的提取与检测。

2 脉冲涡流热成像缺陷区域分割

脉冲涡流无损检测技术得到的热成像，受线圈干扰及构件加热不均匀影响，导致图像缺陷不易识别[11]。Ostu算法[12-13]本身利用阈值可将原图像分成前景、背景两个图像，但对颜色不均的涡流热成像，并不能做到有效的分割。本文将二维Ostu结合连通性计算对涡流线圈内感兴趣区域进行分割，然后根据缺陷处与正常区域温度不同导致颜色值不同的特点，再利用颜色阈值，实现最终的缺陷区域提取。

2.1 二维Ostu图像分割

图2 二维直方图区域

设热成像的灰度级、像素的邻域灰度均值均为L级。将像素点本身的灰度值与其邻近像素点的灰度均值得到二元组(i,j)。fi, j表示(i,j)出现的次数，Pi, j为出现的概率，表示为Pi, j=fi, j/N。将摄取的红外图像分为缺陷和背景，如图2所示，并用C0和C1表示。对角线未涉及的区域C2、C3对应于边缘和噪声。

设图像分割阈值为(s，t)，因此，C0和C1的概率分别为

(1)

(2)

P0(s,t)+P1(s,t)≈1；

(3)

背景对应的均值定义：

(4)

缺陷对应的均值定义：

(5)

二维直方图总均值定义：

(6)

类间的离散度矩阵定义：

(7)

最佳阈值由公式(8)确定：

(s0,t0)=argmax{tr,SB(s,t)}， 0≤s,t≤L；

(8)

根据最佳分割阈值，定义：

(9)

以上步骤便完成了对红外图像的初步分割，将对分割得到的二值图做进一步的处理。

2.2 最大连通区域与颜色阈值分割

二维Ostu算法对红外热成像处理，在一维Ostu算法的基础上提高了算法的抗噪声能力。主要是根据热成像灰度级与平均灰度级选取阈值间比较进行分割。这个算法忽略了红外热成像自身颜色多且跨度大特点，对缺陷区域的分割效果并不显著。为此将对二维Ostu二值图像做进一步特征提取处理。

首先对二维Ostu分割的二值图像提取八连通区域或八邻域。即指对应紧邻的位置和斜向相邻的位置，定义如下：

N8(p)=N4∪{(x+1,y+1),(x+1,y-1),

(x-1,y+1),(x-1,y-1)}，

(10)

对各连通区域比较，除最大连通区域外，其他区域背景置为255，从而得到了感兴趣区域即涡流线圈内缺陷区域。

设上步连通性计算取得的最大连通区域为S(x,y)，其中0≤x≤max(x)，0≤y≤max(y)。图像分割为满足以下条件的子区域S1、S2、S3：

(1)即所有子区域组成了整幅图像；

(2)是连通的区域；

(3)即任意子区域间不存有公共元素；

(4)区域满足一定相似性条件。

RGB三个颜色分量取值[0，255]，通过设置各分量的阈值，来提取感兴趣的颜色分量，本文感兴趣的颜色为G区域值，经摄取的多图显示缺陷处颜色分量多为G区域，本次颜色阈值设为15，以便尽可能地提取缺陷区域。

3 缺陷红外图像边缘检测

数学形态学在边缘检测预处理中主要用于去噪与二值化这两方面，图像去噪既要尽可能地消除噪声又要能较好地保持轮廓信息。在此对脉冲涡流热成像分割的缺陷区域，进行边缘检测，以便下一步的定量检测。

3.1 数学形态学

数学形态学常用的4种运算腐蚀、膨胀、开运算、闭运算表示为Θ、⊕、∘、·。其中腐蚀和开运算能够一定程度消除峰值噪声，膨胀和闭运算则对抑制低谷噪声有效。假定涡流热成像缺陷图片为F，结构元素设为B，DF和DB定义为F和B的区域。腐蚀、膨胀算法定义如下：

FΘB=min[F(x+i,y+j)-B(i,j)]， (x,y)∈DF,(i,j)∈DB，

(11)

FΘB=max[F(x+i,y+j)-B(i,j)]， (x,y)∈DF,(i,j)∈DB，

(12)

开运算与闭运算分别定义如下：

F∘B=FΘB⊕B，

(13)

F·B=F⊕BΘB。

(14)

3.2 多尺度形态学梯度边缘检测

多尺度形态学根据形态结构元素不同，实现不同功能。形态结构元素随着选取的尺度不同，从而计算量改变，并且可能对图像本身形状造成影响[14]。所以在应用不同尺度的结构元素进行边缘检测时，选取合适尺度的结构元素十分重要。

形态学多尺度滤波器为

Ψ(f)=(f∘g1·g1)·g2∘g2，

(15)

(16)

多尺度边缘检测算法为

(17)

式中n为尺度参数。多尺度边缘融合算法为

(18)

式中ui为各个尺度边缘检测图像进行融合时的加权参数，这样有利于在消除噪声的同时保护缺陷的边缘。

4 缺陷边缘定量检测

在铁磁性构件无损检测中，对热成像的分割及边缘检测的目的是有利于后续缺陷提取和定量检测，从而实现构件健康状态监测[15]。

假定L×B为红外热成像区域所对应试件的长宽尺度，摄取的红外热成像像素数为tpx×tpy，根据图像边缘对应的像素数dl来测量其周长大小，则定量检测裂纹周长Pl为

(19)

虽然对试件的热成像采集时，因条件原因未实现定量控制，但也可通过物像关系大致得出缺陷的大小规格，实现对构件健康状态的监测。

如图3所示，为本文基于涡流热成像无损检测铁磁性构件缺陷的流程图，具体步骤如下：

第一步 脉冲涡流热成像的采集：首先利用涡流脉冲热成像装置的线圈产生的涡流对铁磁性构件表面进行加热，然后利用红外热像仪对加热区域进行热成像采集；

第二步 缺陷区域分割及提取：对采集的热成像进行二维Ostu分割，根据最佳阈值(s0，t0)可将热成像的前景(缺陷)与背景分割，对分割得到的二值图再做连通区域提取并根据颜色阈值确定最终裂纹缺陷区域；

第三步 缺陷边缘检测：对上步确定的裂纹缺陷利用多尺度形态学梯度算法进行边缘检测；

第四步 缺陷定量检测：利用物象关系对边缘检测后的缺陷进行检测，实现缺陷几何尺寸的定量检测。

图3 脉冲涡流热成像缺陷检测流程图

5 实例验证

本次实验平台为实验室自制的脉冲涡流热成像无损检测装置。主要包括电脉冲涡流加热与红外热成像两部分。激励线圈由直径为10 mm空心铜管制作，呈螺旋圆形状。在感应线圈中通入短时脉冲电流，使其平行于铁磁性构件缺陷检测区域上方时，检测区域会产生涡流。激励频率在60～70 kHz之间，放大后的电压有50 V，最大电流能达到60 A。若被测构件存有损伤，损伤将会对构件中的涡流分布产生影响，使得构件表面温度变化不均匀。使用红外热像仪对加热试件拍摄，并以红外图片的形式存储下来，用于进一步图像处理。

本文采用厚度为5 mm，长宽为20 cm的铁板。铁板有3种规格的人工缺陷，裂纹长度依次为4、8、20 mm，裂纹宽度均为1.5 mm，裂纹制作误差0.2 mm，所采集的裂纹涡流热成像如图4所示。线圈内部G区域为缺陷区域，因线圈内有冷水维护器件，所以线圈始终比缺陷及背景处的颜色值低。本文利用二维Ostu算法对带有线圈且加热不均匀的红外热成像分割，但分割效果不明显，如图5所示。

图4 涡流热成像原图

图5 二维Ostu二值图

对分割图像进一步做连通性计算，并提取最大连通区域，如图6所示。将二维Ostu分割得到的二值图，计算每个连通区域面积，面积从大到小排序，设置连通域阈值。在小于阈值时，该区域设为背景色即白色255。将获得的颜色较为均匀的线圈内部作颜色阈值分割，得到裂纹缺陷，如图7所示，并统一裁为相同尺寸(像素值82×82)，如图8(a)所示，便于下一步提取的裂纹缺陷图像的边缘检测。

图6 最大连通域提取

图7 颜色阈值提取

本文采用5种不同算法对裂纹进行边缘检测，如图8(b)—(f)所示。其中sobel、prewitt、roberts是一阶边缘检测微分算子，根据计算像素相邻区域的加权和，用以检测边缘。因此，这类算法容易受噪声影响，从而检测得到的边缘存在不连续的问题。如图8(c)所示，对算法处理后的缺陷做多尺度边缘检测，其在降噪同时，保留了原有边缘。多尺度数学形态学梯度相较单尺度形态学使用取平均运算，抗噪能力更强。本文提出的基于多尺度数学形态学梯度边缘提取算法与微分算子计算时相比，前者裂纹边缘特征连续性较好且定位准确，一定程度避免了非真实边缘的产生。

通过红外摄像机摄取的原图像，图像尺寸的像素值为320×240。图像区域对应试件的长为16 cm，将其与热成像缺陷的像素数相比得出定值。根据热成像的周长像素值dl，利用既定定值即可推出缺陷周长。本文利用物像关系求得3种不同规格#4、#8、#10(长分别为4、8、20 mm)裂纹的周长像素值，虽然计算的真实缺陷的测量存有一定误差，但实现了对不同缺陷检测识别，如表1所示。

(a) 缺陷原图 (b) 单尺度 (c) 多尺度 (d) sobel算子 (e) prewitt算子 (f) roberts算子 图8 边缘检测效果

表1 缺陷周长尺寸

6 结 论

本文采用基于脉冲涡流无损检测技术，对铁磁性构件损伤缺陷进行检测，通过涡流线圈对构件加热，并摄取构件的红外图像。

(1)采用二维Ostu算法分割红外图像中的缺陷区域。在二维Ostu分割出目标区域基础上，利用连通性计算得到最大连通区域，将最大连通区域即涡流线圈内缺陷区域分割出来，并根据热成像特点，以颜色阈值为依据，将缺陷区域与背景分割。颜色阈值的选取关系到图像目标区域分割效果，对热成像缺陷颜色阈值进行统计分析，实现颜色阈值自适应选取是下一步要研究的内容。

(2)采用多尺度形态学梯度算法，对缺陷边缘进行分析处理。利用多尺度梯度算子去除噪声干扰的同时，保留了原有信息，解决了加热不均匀导致的缺陷边缘提取不完整问题，一定程度还原真实裂缝形状。采集图像时未做到涡流加热温度控制，导致定量检测与实际有出入。如何获得同一条件下的红外图像是本文方法有效性的前提。