[发明专利]一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法

说明书

技术领域

本发明涉及无损检测、数字图像处理技术、和机器视觉等相关技术，特指在荧光磁粉缺陷检测过程中对于缺陷识别的智能自动化技术方法。

背景技术

荧光磁粉缺陷检测只适用于检查铁磁性材料的表面和近表面缺陷，与超声检测和射线检测比较，具有检测表面裂纹灵敏度高、操作简单等优点。目前荧光磁粉检测技术绝大多数采用的是半自动化方式，即对工件处理可以实现自动化，但是对缺陷的识别依旧使用人工观察的方法，通过人眼进行观察进行判别的方式具有识别率高，不易出错的特点，但同时也有很大的缺点：

（1）观测环境是在暗室条件下，同时紫外光对人眼有很大的损伤；

（2）长时间重复性的工作容易产生视觉疲劳，同时缺陷的判断标准也主要是根据人的检验而定，在判断过程中容易造成无误判；

（3）使用人工进行判断会使工件的检测速度受到很大的限制；

（4）随着物价的上涨工人工资也随之上涨，从企业节约成本考虑的话，长期聘请专业的检测人员是一部分不小的开支。因此研究荧光磁粉智能无损检测技术很有必要，将数字图像处理和机器视觉技术应用到荧光磁粉检测中去实现缺陷识别的自动化可以克服以上缺陷。

目前将机器视觉和数字图像处理技术和荧光磁粉自动化检测是荧光磁粉检测的一个重要方向。随着社会的飞速发展，现代工业也开始进行新的科技革命，自动化，智能化荧光磁粉检测系统必然是一项技术发展的焦点其具有重要的研究意义。

目前已经出现的荧光磁粉缺陷智能检测方法都是对采集的到图片进行灰度化、分割、特征提取、分类训练、识别。这种方法有很大的缺点，而且实用性不强其缺点主要有：

（1）一个完整的机器视觉系统需要一个好的照明系统，在实际应用中相机采集工件图片金属表面会存在反光现象，若直接将其灰度化处理得到的图片严重影响后续的图像分割操作；

（2）在实际的荧光磁粉检测系统中工件表面会粘附有油污、杂物、和磁悬液堆积的现象，因此常规的分割方法不能将缺陷分割出来；

（3）在特征提取过程中目前大多数人使用对缺陷区域提取特征，且分类器的正确率不能达到在实际生产过程中的要求。且误判率较高。

发明内容

为了克服以上存在的不足，研究者提出了一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法，该方法使用Laws纹理滤波得到特征图像，使用GMM分类器得到正常区域，将待检测区域与正常区域相减得到缺陷区域，然后进行形态学滤波，对缺陷区域的区域统计像素和，若得到的缺陷区域的像素和高于某一阈值则认为其为存在缺陷的工件。本发明使用分类器对缺陷区域进行分割，克服了传统分割方法分割效果差的缺点，同时解决了工件表面部分反光对成像质量的影响，在识别时不依赖于分类器的结果进行判断，提高了识别的准确率具有很强的实用价值。同时能够满足实时性的要求。

本发明进行缺陷识别的步骤包括：1、图像预处理：对图像进行通道分离，对单通道进行去躁处理；2、对获得的去躁后图像进行Law纹理能量计算提取特征；3、使用分类器进行训练；4、对缺陷区域统计像素和并进行判断是否存在缺陷；系统流程如图1所示。

步骤1中，由于采集到的图像可能会存在反光区域所以在实际应用中对其进行通道分离，在实际应用中由于荧光磁粉的颜色会有所不同，根据实际使用的荧光磁粉的种类同时根据色彩叠加原理选择反光区域最小，同时磁痕轮廓比较清晰的图片进行处理，图片在采集的过程中受限于相机传感器的工艺和成像原理影响的原因图像在采集过程中会存在噪声，因此，在预处理阶段有必要对图像进行去噪处理。

步骤2中，对获得的单通道图像进行去噪处理后利用模板计算局部纹理能量获得灰度变化的信息，如果设图像为,一组模板分别为，一组模板分别为，则卷积给出各个像素邻域中表达纹理特征的纹理能量分布，如采用尺寸为的模板，则对应的第个模板的纹理元素为：

这样对应每个像素位置都有一个纹理特征矢量常用的模板尺寸为令L代表层，E代表边缘，S代表形状，W代表波，R代表纹，0代表震荡，则可得到各种的模板，其中本文使用的矢量分别为：以为例所得到的的模板分别为：