一种基于图像处理的表面故障裂纹检测系统

王聪兴，刘宝亮

（河南省工业学校，河南 郑州 450011）

0 引言

轴承和齿轮等高速运转设备由于在工作中要承受高温、高压和突变载荷的作用，所以极易产生疲劳裂纹。这些裂纹若不能尽早检测到便会不断扩展从而引发断裂，并导致严重的灾难性人身事故。先进的故障诊断技术可在旋转件的生产和制作过程中为工厂和企业带来巨大的经济效益。图像故障信息检测在当今社会的较多领域有着广泛的研究及应用价值。将图像处理技术应用于裂纹的故障检测和定位不但可以将工作人员从烦躁的图形判读理解中解放出来，而且可精确和有效的引导相关人员进行设备的检测与维护，充分发挥设备故障诊断技术的效益[1-3]。现今基于图像处理的裂纹故障诊断研究主要分为两类，一种是利用高速CCD工业相机快速采集设备表面的图像，经过图像预处理、特征提取、特征分类和向量求解以及故障判断等多种图像处理方式完成裂纹检测与诊断。另一种是利用基于振动的一维信号谱图实现设备故障诊断。但由于振动谱图的多维复杂性，基于CCD的图像检测方法开始逐渐应用于状态的监测和诊断，并产生较好的实用价值。如针对焊缝裂纹进行空间域邻域处理的一阶微分滤波法和二阶差分滤波法，基于各向异性的改进 P-M扩散模型[4]，利用非线性中值滤波对多晶硅薄膜太阳能电池的表面裂纹检测[5]，4个方向Sobel算子[6]进行焊缝裂纹检测，基于空间域统计的直方图统计[7]、阈值方法[8-9]和双峰灰度直方图方法[10]，Hough变换提取焊缝信息[11]和受电弓滑板裂纹[12]，数学形态学解决发动机燃烧室烧伤裂纹图片不清晰问题[13]，膨胀操作和局部阈值二值化处理构造的轨道板图像固有结构边缘模板[14]实现裂纹检测，Otsu图像二值化、形态学操作和区域描绘子[15]以及结合 Sobel边缘检测等[16]对鸡蛋表面的微裂纹或污点进行检测。

因此，本文针对轴承外圈和钢结构等裂纹，提出一种基于图像处理的表面故障裂纹检测系统。该系统首先利用 CCD工业相机等硬件设备进行裂纹图像采集，其次利用图像处理算法进行表面故障裂纹检测。实验结果表明，本系统能够产生较好的裂纹检测和定位效果。系统的总流程图如图1所示。

图1 系统的总流程图Fig.1 The flow chart of system

1 故障裂纹检测系统

本文提出的裂纹检测系统主要包括裂纹检测硬件和软件系统。检测的硬件包括 NI控制器 PXI-8196，NI图像采集卡PXI-8252、BASLER-scA640-70fm相机、M2514-MP2 Computer镜头。软件利用Lab-VIEW2014中的VISION视觉模块进行编译，主要包括裂纹图像采集系统和裂纹图像处理和检测系统。

1.1 裂纹图像采集系统

根据采集需求，裂纹图像采集系统可对获取的故障图像进行图像预览、采集和存储。其中，系统相机采集 图像的速度可达6幅/s以上；抓取的图像信息可保存在指定的文件夹中并以时间命名。采集时可监控图像采集的数量、磁盘的空间存储量，采集图像的状态和采集速度等。系统的流程图如图 2所示，利用LabVIEW-VISION模块进行编译的部分采集程序如图3所示。

图2 故障裂纹采集系统流程图Fig.2 The flow chart of fault crack acquisition

图3 裂纹图像采集系统程序图Fig.3 The programming chart of crack image acquisition

1.2 裂纹图像处理和检测系统

裂纹图像处理和检测系统主要用于检测故障图像中的裂纹信息以及对裂纹信息进行定位与描述。该系统主要包括直方图均衡、Canny边缘检测、Otsu阈值处理、形态学图像处理、非裂纹信息的筛选、裂纹信息的定位和裂纹区域的填充。裂纹图像处理和检测系统的流程图如图 4所示，利用 LabVIEWVISION模块进行编译的部分检测程序如图5所示。

图4 裂纹图像处理和检测系统的部分程序图Fig.4 The partial program of crack image processing and detection

2 系统实验及结果

为检验故障裂纹检测系统的有效性，本节从采集的故障裂纹图像中分别抽取轴承外圈、齿轮和钢材料裂纹图像进行故障裂纹的检测与定位。

2.1 轴承外圈故障检测

图6为抽取的一幅轴承外圈故障裂纹图像。利用直方图均衡方法可凸显出真实裂纹与非裂纹像素的对比度，选用 Preitt算子可获取轴承裂纹图像边缘细节，但容易获得大量冗余的细节如轴承运行过程中出现的正常磨损，结果如图7所示。

图5 裂纹图像处理和检测系统流程图Fig.5 The flow chart of crack image processing and detecting system

图6 轴承外圈故障裂纹图像Fig.6 Crack image of bearing outer-ring failure

图7 直方图均衡+边缘检测Fig.7 Histogram equalization and edge detection

通过Otsu阈值处理（T=55）可以去除大部分冗余信息，但结果容易导致目标裂纹断裂，结果如图8所示。

图8 阈值处理Fig.8 Thr eshold processing

形态学处理可以对图中的断裂区域进行连接，选择 3×3的正方形结构元素对该结果进行膨胀运算可实现对裂纹区域的连接。结果如图9所示。

图9 形态学膨胀运算Fig.9 Morphological dilation

连接后的图像会伴随其它无关信息的膨胀，这将导致裂纹提取不确定，根据最长轴或最大面积特性可实现膨胀后裂纹的提取，结果如图10所示。

图10 提取最长轴裂纹Fig.10 Extract the crack of the longest axis

提取后的图像裂纹必须通过形态学腐蚀操来还原实际裂纹区域，最终结果如图11所示。

图11 形态学腐蚀运算Fig.11 Morp hological erode

通过区域描述子的方法可以实现裂纹区域的描述与定位，该描述包括裂纹的面积、质心、边界范围等，其结果如图12所示。

图12 裂纹特征提取Fig.12 Crack feature extraction

图13 为抽取的第二幅轴承外圈故障裂纹图像。可以看出人为制造的裂纹与其他非裂纹信息相比像素灰度值较暗，但像素对比度差别较小。所以利用直方图均衡可调节真实裂纹与非裂纹信息的对比度，处理结果如图14所示。Canny边缘检测和Otsu阈值处理（T=9）可有效提取故障裂纹的信息，结果如图15所示。

形态学开运算既可有效保留真实裂纹信息又可去除部分冗余信息，其结果如图16所示。但仍存在少量冗余信息和真实裂纹中的少量空洞。

根据最长轴或最大面积特性可实现形态学后裂纹的提取，然后利用区域填充实现空洞信息的填补，结果如图17所示。

图13 轴承外圈故障裂纹图像Fig.13 Crack image of bearing outer-ring failure

图14 直方图均衡Fig.14 Histogram equalization

图15 边缘检测+阈值处理Fig.15 Edge detection and threshold processing

图16 形态学开运算Fig.16 Morphological opening operation

图17 检测最终结果Fig.17 The final result in test processing

利用区域描述子可实现裂纹面积、质心、边界等信息的提取，其结果如图18所示。

图18 裂纹特征提取Fig.18 Crack feature extraction

2.2 钢材料裂纹故障检测

通过 CCD工业相机获得的钢材料裂纹图片光照较弱且不均匀，因此，首先应对图像进行直方图均衡以增强图像裂纹信息。图19（a）为未经处理的原始裂纹图像，整个画面较暗；图 19（b）中的灰度直方图结果可看出原图中所占据的灰度值范围较窄。图20（a）为直方图匹配处理后的结果，可以看出裂纹的细节信息较原图比更加清晰；从图20（b）中直方图均衡后的柱状图结果可知，均衡后的图像中不仅裂纹与原图像相比更加凸显，而且原始图像的应有的特征在处理后的图像中得到了较好的保持。

图19 原始钢材料图像及相应直方图Fig.19 Original steel material image and corresponding histogram

图20 直方图均衡后的结果Fig.20 The result of histogram equalization

对于匹配后的直方图，可以通过Otsu阈值处理（T=10）来去除无关的图像信息，其结果如图 21所示。但阈值处理不能很好的将裂纹从背景的区域中分离出来。

图21 阈值处理结果Fig.21 Thr eshold processing result

为了进一步降低钢结构裂纹中伴随的非裂纹信息和噪声，利用基于图像处理的数学形态学的方法可将一些离散的裂纹边缘点连接成小段的边缘线，并去除图像中的干扰噪声部分。图22即为形态学闭运算处理结果图。

图22 形态学闭运算处Fig.22 Morphological closed operation

根据最大面积特性可实现形态学后裂纹的提取，再利用区域填充实现空洞信息的填补，结果如图23和图24所示。区域描述子提取的定位结果如图25所示。

3 结语

图23 提取最大面积结果Fig.23 Extraction of maximum area

图24 区域填充Fig.24 Region filling

图25 裂纹特征提取Fig.25 Crack feature extraction

图像处理技术应用于裂纹的故障检测和定位不仅可将工作人员从烦躁的图形判读理解中解放出来，而且可精确和有效的引导相关人员进行设备的检测与维护，充分发挥设备故障诊断技术的效益。针对传统故障裂纹检测方法检测精度不高以及检测效率低下等方面，本文提出一种基于图像处理的表面故障裂纹检测系统。该系统利用图像采集、控制器等硬件设备和LabVIEW软件实现裂纹图像采集、裂纹图像处理以及裂纹信息的定位。实验结果表明，该系统既可实现真实裂纹的可靠检测，又能够完成裂纹信息的有效定位。

[1] 郭克华, 段桂华. 图像语义提取与描述的研究现状及趋势[J]. 新型工业化, 2012, 2(9): 31-36.

[2] 钟彩. 边缘检测算法在图像预处理中的应用[J]. 软件,2013, 34(1): 158-159.

[3] 王振彦. 基于数字图像处理的路面裂缝自动识别与评价系统[J]. 软件, 2014, 35(1): 149.

[4] TASI D M, CHANG C C, CHAO S M. Micro-crack inspection in heterogeneously textured solar wafers using anisotropic diffusion Image and Vision Computing[J]. 2010, 28:491-501.

[5] NII A O, Albert A P.Evaluating pavement cracks with bidimensional empirical mode decomposition[J]. Eurasip Journal on Advances in Signal Processing, 2008, (1): 861-701.

[6] 李德元, 邵成吉, 徐鲁宁. 新型焊接缺陷计算机检测系统的开发[J]. 无损探伤, 1998, 22(1): 4-7.

[7] 黄思军, 王飞龙, 许志祥, 等. 图像处理技术在X射线自动检测中的应用[J]. 无损检测, 1989, 11(4): 99-101.

[8] CHEN J, JAIN A. A structural approach to identify defects in textured images[C]. Proc of IEEE International Conference on Systems, Man, and Cybernetics, 1988, 1: 29-32.

[9] GRAY A, SAYA A, Shiloh A. Automatic recognition ofwelding defects in real-time radiography[J]. NDT&E International, 1990, 23(3): 131-136.

[10] HE Y Q, QIU H X. A method of cracks image segmentation based on the means of multiple thresholds[J]. Journal of Communication and Computer, 2012, (9): 1147-1151.

[11] KELVIN C P, WANG R P E. Investigation of image archiving for pavement surface distress survey[C]. Proce of Image Processing, 1999.

[12] 姚兰, 肖建. 基于模糊熵和Hough变换的受电弓滑板裂纹检测方法[J]. 铁道学报, 2014, 36(5): 58-63.

[13] LUO Y L, QU P S, Dong W H. Fault diagnose of aero engine based on digital image processing[C]. Proc of Chinese Control and Decision Conference, 2008, 3572-3575.

[14] 吴成和, 卞春华, 朱挺, 等. 基于数字图像处理的轨道板裂纹缺陷检测[J]. 光电技术应用, 2014, 29(1): 49-51[J].

[15] LOREDANA L, LUIS R G, LUIGI B, RICCARDO G.Automatic identification of defects on eggshell through a multispectral vision system[J]. Food and Bioprocess Technology, 2012, 5: 3042-3050.

[16] LI Y Y, SAGAR D, PENG Y K. A machine vision system for identification of micro-crack in egg shell[J]. Journal of Food Engineering, 2012, 109: 127-134.