摘  要： 傳統探傷都是通過大量的人力對探傷圖逐一判斷，探傷效率低下，正確率不高。本文針對探傷A超圖像序列提出了一種自動識別探傷的算法。通過分析探傷圖像，首先對原圖進行k-means聚類的分割，得到帶有虛景的探傷聲波圖像。為了抑制虛警，得到完整的聲波圖像，本文使用了投影算法，并取得了很好的效果。最后在得到的聲波圖像上進行底波和缺陷波的檢測，實現缺陷的自動識別。實驗表明，本文提出的方法具有很高的準確率。

　　關鍵詞： k-means；投影算法；虛警；缺陷自動識別

0 引言

　　隨著數字圖像處理技術在工業領域的發展，基于數字圖像處理技術的圖像探傷檢測應用變得越來越廣泛。而傳統探傷都是通過大量的人力對探傷圖逐一判斷，探傷效率低下，探傷正確率不高，因此基于探傷圖像的自動識別變得很有意義。基于探傷圖像的缺陷自動識別可以避免人力在成千上萬的探傷圖中逐一判斷探傷結果，使用計算機記錄結果，可節省時間，提高效率，更為探傷結果的存儲打下良好的基礎。

　　本課題旨在針對固定式輪對檢測系統的現場車輪檢測圖像，研究其缺陷識別方法并設計自動識別算法，實現缺陷的自動識別，提高檢測的速度和準確性。本文在分析總結國內外輪對超聲波檢測技術和系統的基礎上，結合檢測對象——我國動車車輪的結構和缺陷分布特點，重點分析系統超聲檢測工藝，通過獲取各型輪對的探傷A超圖像，對其進行特征分析及提取，提出了基于圖像分割、虛警剔除、形態學圖像處理的自動識別算法。實驗表明，本文提出的方法具有很高的準確率，能夠實現探傷A超圖像的缺陷自動識別，達到了預期的目標。

1 方法概述

　　圖1展示了本文方法的基本流程，該方法可分為兩個基本步驟：聲波提取和缺陷檢測。在聲波提取階段，將原圖轉化灰度圖，并對灰度圖進行分析，提出使用k-means進行聚類分割的方法，得到帶有虛警的聲波。在缺陷檢測階段，使用水平投影算法和垂直投影算法剔除虛警得到完整的聲波。最后對聲波進行底波和缺陷波的檢測。

2 超聲波檢測技術

　　2.1 超聲波檢測基本理論

　　聲波是在彈性介質中傳播的機械波，其種類按頻率范圍可以分為三類[1]：

　　（1）次聲波，頻率在20 Hz以下，人耳聽不到，如聲吶、地震伴隨的次聲波、次聲武器的聲波等；

　　（2）聲波，頻率在20 Hz～20 kHz之間，人耳可聞；

　　（3）超聲波，頻率在20 kHz以上，人耳不可聞。

　　由于超聲波具有高頻特性，近年來被廣泛應用于無損檢測領域，如機械試塊、車軸、車輪的超聲波無損檢測等。本文采用超聲波作為檢測方法。

　　超聲波檢測的基本工作原理[2]：聲源產生超聲波并以一定的耦合方式進入工件，超聲波在工件中傳播并與工件材料以及其中的缺陷相互作用，使其傳播方向或特征被改變；改變后的超聲波通過檢測設備被接收，對其進行處理和分析；根據接收的超聲波的特征，評估工件是否存在缺陷及缺陷的特性。

　　2.2 超聲波回波信號分析

　　超聲波檢測是指超聲波與工件相互作用，對其反射、透射和散射的波進行研究，對工件進行宏觀缺陷檢測、幾何特性測量、組織結構和力學性能變化的檢測，進而對其應用性進行評價的技術。超聲回波顯示原理如圖2所示。

　　圖中T代表始波，F代表缺陷波，B代表底波，由超聲回波顯示原理可以看出，超聲波在傳播時，如果底波波峰前面有缺陷波，那么此工件有缺陷。

3 聲波提取

　　3.1 圖像灰度特征分析

　　直方圖是對圖像像素灰度分布的描述。灰度級為[0，L-1]范圍的數字圖像的直方圖定義為離散函數[3]：

　　h（rk）=nk（1）

　　其中rk是第k個灰度級，k=0，1，2，…，L-1，nk是圖像中灰度級為rk的像素個數。

　　超聲波探傷圖像的直方圖主要有三個峰值。第一個最高的峰值是像素值較低的黑色區域，第二個峰值是帶有虛警的聲波，第三個峰值為空白區域。因此可以使用k-means分割算法對原圖進行分割，得到帶有虛警的聲波。

　　3.2 k-means聚類分割

　　通過上一節的分析知道，可以利用分割的方法來得到上述的三種區域。k-means[4]聚類是一種無監督的機器學習算法，可以將數據集聚集成具有相同屬性的類別，類別數目可以為兩類，也可以為多類。假設需要將數據分成K個類別，該算法首先隨機選取K個樣本點作為中心點，然后依次按照相似性度量計算其他點到K個中心點的相似性，與相似性最強的中心點聚成一類，之后更新中心點，再次計算各點到中心點的相似性。

　　k-means聚類分割算法的計算過程：將輸入圖像的所有像素視為數據集{x1，…，xN}，?滋k表示第k類的中心，對于每一個數據xn，引入一個二維的指示器變量rnk∈{0，1}，其中k=1，…，K，rnk的含義為當數據xn屬于第k類時，rnk=1，否則rnk=0，即：

　　對偏差函數關于k求偏導，令偏導函數為0，可以求得k的表達式，即：

　　采用EM算法迭代直到偏差函數值不再發生改變，即可求得最佳的?滋k和rnk，EM算法步驟描述為：

　　（1）初始化k，k=1，…，K。

　　（2）E過程。保持k不變，按照式（2）計算rnk，從而降低J。

　　（3）M過程。保持rnk不變，按照式（4）更新k，從而降低J。

　　（4）判斷J值變化是否已滿足要求，若滿足，則迭代結束，否則，回到步驟（2）繼續迭代。

4 缺陷檢測

　　4.1 投影算法剔除虛警

　　上一節在成功檢測出了聲波的同時，檢測出了部分的虛警。本小節提出一種有效的虛警抑制方案。對虛警圖進行分析可以看出，圖中的虛警主要是一些橫向和縱向的白線，這些白線是用來對聲波的波長和幅值進行刻度的。因此可以分別采取水平投影和垂直投影的算法，分別統計在水平方向和垂直方向上白色像素點的個數，并根據圖片的大小設置一個閾值，從而可以將這些虛警剔除掉。最終得到完整的聲波圖像，以供下面進行底波和缺陷波的檢測。圖3是轉換后的灰度圖，圖4是進行k-means分割后帶有虛警的聲波圖，圖5是剔除虛警后的聲波圖。

　　4.2 缺陷波檢測

　　上一節中成功檢測出了聲波。在剔除虛警的過程中使用了投影算法，并且保存了虛警中白線的橫縱坐標。下面就要進行缺陷波的檢測。根據超聲波成像的特點，將檢測分為兩個步驟，分別是底波的檢測和缺陷波的檢測。對底波和缺陷波的檢測，可以根據虛警中白線的橫縱坐標限定檢測的區間，然后進行波峰的檢測。波峰的檢測是在一個5×5的搜索區間中統計亮點的個數，以此判斷波峰的存在。圖6是底波檢測圖，并用白色正方形框出波峰，圖7是缺陷波檢測圖，并用白色正方形框出波峰。

5 實驗結果

　　本文采用的實驗數據均為不同試塊的探傷A超圖像，總共4個序列圖像。為方便起見，本文以序列1、序列2、序列3、序列4來命名此4個序列圖像，每個序列包含100幀，序列2包含100幀。圖像大小為870×410。

　　用otsu[5]分割算法得到聲波，與本文方法進行對比，利用形態學操作對虛警進行抑制，最后進行缺陷波的檢測，后面都簡單稱其為基于otsu的方法。

　　對整個序列實驗的統計結果如表1所示，由表1可以看出，本文方法能非常準確地識別缺陷。

6 結束語

　　本文提出了一種準確的基于超聲檢測圖像的缺陷自動識別算法。首先對原圖進行k-means聚類的分割，得到帶有虛警的探傷聲波圖像。為了抑制虛警，得到完整的聲波圖像，本文提出并使用了投影算法，并取得了很好的效果。最后在得到的聲波圖像上進行底波和缺陷波的檢測，實現缺陷的自動識別。實驗表明，本文提出的方法具有很高的準確率，能夠實現探傷A超圖像的缺陷自動識別，達到了預期的目標。

參考文獻

　　[1] 滕永平，鄭中興，崔建英，等．超聲成像系統中信號處理和圖像顯示的方法[J]．無損檢測，1995，17（11）：311-314.

　　[2] 沈建中.超聲成像技術及其在無損檢測中的應用[J].無損檢測，1994，16（7）：202-206.

　　[3] 岡薩雷斯．數字圖像處理（第二版）[M]．北京：電子工業出版社，2010.

　　[4] 賴劍煌.數字圖像處理疑難解析[M].北京：機械工業出版社，2005.

　　[5] OTSU N. A threshold selection method from gray-level histogram[J]. IEEE Transactions on Systems and  Cybernetics， 2010，9（1）：564-568.