張慶宇，范玉剛，高 陽

〈無損檢測〉

基于單尺度Retinex與改進(jìn)的-均值聚類的渦流熱成像缺陷檢測

張慶宇1,2，范玉剛1,2，高 陽1,2

（1. 昆明理工大學(xué) 信息工程與自動化學(xué)院，云南 昆明 650500；2. 云南省礦物管道輸送工程技術(shù)研究中心，云南 昆明 650500）

在利用渦流紅外熱成像技術(shù)檢測金屬材料損傷缺陷時，因熱波屬于衰減波，且熱波三維熱擴(kuò)散等問題，導(dǎo)致采集的紅外圖像中缺陷部位模糊。針對該問題，提出一種基于單尺度Retinex與改進(jìn)的-均值聚類的缺陷檢測方法，用于處理紅外圖像特征增強、圖像分割和邊緣特征提取等問題。該方法首先利用單尺度Retinex（single-scale Retinex, SSR）對紅外熱圖像進(jìn)行圖像增強，強化缺陷特征，然后利用改進(jìn)的-均值聚類算法對圖像進(jìn)行分割，最后采用數(shù)學(xué)形態(tài)學(xué)算法處理圖像，去除缺陷圖像中無用信息，并利用Canny算子檢測出缺陷邊緣。實驗結(jié)果證明，該方法有效地檢測出金屬材料試件缺陷，并提取出完整清晰的缺陷邊緣。

渦流紅外熱成像；單尺度Retinex；圖像增強；-均值聚類；數(shù)學(xué)形態(tài)學(xué)；Canny算子

0 引言

金屬材料部件內(nèi)部會產(chǎn)生裂紋和分層等損傷缺陷，這些缺陷影響設(shè)備的正常運行，形成生產(chǎn)安全隱患，并威脅工作人員的人身安全。因此，對設(shè)備關(guān)鍵金屬部件進(jìn)行無損檢測，并判定設(shè)備運行狀態(tài)有著重要意義。作為一種無損檢測技術(shù)，脈沖渦流熱成像檢測技術(shù)利用電磁感應(yīng)原理對金屬材料試件加熱，并對試件紅外熱圖像進(jìn)行分析處理，其具有非接觸性[1]、實時性和準(zhǔn)確性等優(yōu)點，被廣泛應(yīng)用于金屬材料的損傷檢測。例如文獻(xiàn)[2]通過渦流加熱得到鋼板的紅外熱圖像，利用超像素結(jié)合模糊C均值分割得到缺陷圖像，但其限制試件與紅外熱成像儀的距離。為了增強圖像的清晰度，馬忠麗[3]等學(xué)者利用SSR（single-scale Retinex, SSR）算法融合邊緣信息，解決海霧對圖像帶來的模糊影響；李衛(wèi)東[4]等學(xué)者在SSR算法中，利用快速引導(dǎo)濾波代替高斯濾波，在保持圖像整體的同時也保留了細(xì)節(jié)部分。針對圖像的分割問題，Md Nasim Reza[5]通過-均值聚類對水稻米粒區(qū)域的Lab圖像進(jìn)行分割；文獻(xiàn)[6]采用超像素聚類來引導(dǎo)-均值聚類，有效地分割葉子圖像中病害部分。為了提取連續(xù)的邊緣，Kumar[7]等人采用Canny算子準(zhǔn)確地識別出預(yù)定義的像素組，有效地檢測目標(biāo)圖像的邊緣；文獻(xiàn)[8]利用灰度變換結(jié)合Canny的邊緣檢測方法，改善了不連續(xù)成像問題；但Canny敏感性較高，檢測出缺陷邊緣的同時也包含了無用信息；楊信廷[9]等學(xué)者采用數(shù)學(xué)形態(tài)學(xué)進(jìn)行圖像校正，避免無用信息對邊緣檢測的影響，提高邊緣的質(zhì)量。上述研究涉及的圖像特征增強、圖像分割和邊緣特征提取等圖像處理技術(shù)，是基于紅外熱成像金屬材料損傷檢測問題的重要研究內(nèi)容。

由于圖像種類過多，不同圖像有不同的分割與邊緣檢測方法，沒有通用的方法對所有圖像進(jìn)行處理[10]。金屬材料試件受鍛造工藝影響，存在厚度不均勻和表面不平滑情況，導(dǎo)致局部溫度異常，紅外圖像局部與缺陷顏色相似，造成了缺陷定位、分割、特征提取的困難。針對上述問題，本文利用SSR算法突出紅外熱圖像中缺陷部分，通過改進(jìn)后的-均值聚類分割圖像，并采用數(shù)學(xué)形態(tài)學(xué)結(jié)合Canny算子方法，去除缺陷部分圖像中的無用信息，并提取邊緣特征，檢測出金屬材料試件缺陷。

1 渦流熱成像缺陷檢測

1.1 渦流熱成像圖像增強

1.1.1 Retinex理論

Retinex理論由Edwin. H. Land[11]在1963年提出，是一種以色感一致性為基礎(chǔ)的圖像增強方法。其基本內(nèi)容是物體的顏色由物體對長波、中波和短波光線的反射能力決定，即反射分量由輸入圖像(,)決定，降低或去除入射分量對輸入圖像(,)的影響。具體原理如下：

(,)·(,)＝(,) (1)

式中：(,)為輸入圖像的每個點；(,)為入射圖像；(,)為反射圖像；(,)為輸入圖像。

1.1.2 SSR算法紅外熱圖像增強

通過SSR算法增強紅外熱圖像較為明亮部分，減弱較暗部分，為準(zhǔn)確地檢測出金屬材料試件的缺陷提供支撐，降低誤分割的機(jī)率。

SSR算法是Retinex理論中的基礎(chǔ)算法，算法流程如下：

①對反射圖像(,)、入射圖像(,)和渦流熱圖像(,)取對數(shù)，將反射光分量和入射光分量分離，即：

lg(,)＋lg(,)＝lg(,) (2)

②利用高斯卷積函數(shù)(,)對渦流熱圖像(,)進(jìn)行卷積，得到卷積后的圖像(,)，即：

(,)·(,)＝(,) (3)

③對流熱圖像(,)減去卷積后的圖像(,)取倒數(shù)，并相減得到高頻增強的圖像(,)，即：

lg(,)－lg(,)＝(,) (4)

④取高頻增強的圖像(,)的反對數(shù)，得到增強后的圖像(,)，即：

exp(,)＝(,) (5)

1.2 基于改進(jìn)的K-均值聚類的圖像分割

本文在SSR增強紅外熱圖像的基礎(chǔ)上，采用-均值聚類算法對紅外熱圖像進(jìn)行分割。-均值聚類算法由Macqueen[12]首次提出，它是一種通過迭代尋找局部最優(yōu)劃分的無監(jiān)督算法。因聚類中心的數(shù)量對分割的結(jié)果起到?jīng)Q定性作用，為此加入標(biāo)準(zhǔn)差衡量不同聚類中心數(shù)量時每一聚類的所有像素值離散程度與關(guān)聯(lián)度，標(biāo)準(zhǔn)差越小，則該聚類中的所有像素值越相近。其具體過程如下：

①隨機(jī)選取個像素點O，＝1,2,…,作為初始的聚類中心，每個聚類中心代表一個聚類；

②計算所有聚類中每個像素點X與聚類中心的歐式距離：

式中：為第個聚類中像素點的數(shù)量。

③將所有像素點劃分給離其距離最近的聚類中心，當(dāng)所有像素點被分配完畢，則會在每個聚類中重新計算次該聚類的聚類中心P，＝1,2,…,，直到每個聚類的誤差平方和達(dá)到局部最小。

④計算個聚類中心時每個聚類的標(biāo)準(zhǔn)差，＝1,2,…,。

⑤若第＋1個聚類中心所有聚類的標(biāo)準(zhǔn)差的最小值大于或等于第個聚類中心所有聚類的標(biāo)準(zhǔn)差的最小值則停止運算，選取為最優(yōu)聚類中心數(shù)量。

利用標(biāo)準(zhǔn)差確定每一聚類中的像素關(guān)聯(lián)度，從而選取最優(yōu)聚類中心數(shù)量，以避免圖像的誤分割，提高分割精度。但分割后的圖像存在無用干擾信息，影響缺陷的邊緣特征的提取，因此分割后的圖像仍需要去干擾處理才能得到更好的邊緣檢測結(jié)果。

1.3 缺陷邊緣檢測

由于分割后的紅外熱圖像存在無用信息，而Canny算子[13]在檢測出缺陷邊緣的同時也包含了這些信息。因此，采用數(shù)學(xué)形態(tài)學(xué)對被分割出的缺陷部分圖像進(jìn)行處理，保證邊緣檢測的準(zhǔn)確性。

腐蝕與膨脹是數(shù)學(xué)形態(tài)學(xué)中的最基本運算[14]，該運算使圖像的邊界收縮，以達(dá)到消除部分干擾的目的。腐蝕的具體過程為，用某個結(jié)構(gòu)元素對分割后的紅外熱圖像進(jìn)行探測，以便找出在圖像內(nèi)部可放下結(jié)構(gòu)元素的區(qū)域，表示為Θ。該方法定義為：

膨脹是腐蝕運算的對偶運算，該運算使圖像的邊界擴(kuò)充，以達(dá)到填補目標(biāo)區(qū)域的空洞目的。膨脹的具體過程為，用結(jié)構(gòu)元素的所有點平移分割后的紅外熱圖像，然后計算其并集得到最終結(jié)果，表示為⊕。該方法定義為：

式中：⊕為空集。

利用開運算平滑圖像邊緣，去除無用信息，為Canny算子的邊緣檢測提供支撐。開運算的過程為先對分割后的紅外熱圖像進(jìn)行腐蝕，然后對腐蝕后的圖像進(jìn)行膨脹，表示為〇。該方法定義為：

缺陷圖像經(jīng)數(shù)學(xué)形態(tài)學(xué)處理后，消除了無用信息，利用Canny算子提取圖像的邊緣特征，實現(xiàn)缺陷的檢測。

通過以上分析，可得渦流熱成像缺陷檢測流程，如圖1所示，首先通過SSR算法增強紅外熱圖像，突出圖像中的缺陷部分；然后利用-均值聚類分割圖像，得到缺陷部分的圖像；最后利用數(shù)學(xué)形態(tài)學(xué)結(jié)合Canny算子，去除缺陷部分圖像無用信息并提取邊緣特征。

圖1 渦流熱成像缺陷檢測方法流程

2 實驗結(jié)果與分析

渦流熱成像實驗平臺由渦流加熱裝置（如圖2所示）和紅外熱像儀組成，被測金屬材料試件如圖3所示。被測金屬試件為鐵板，試件尺寸為100mm×80mm×5mm，缺陷尺寸為10mm×1.5mm×5mm；紅外熱像儀采用鑫思特HT-18，其分辨率為220pixel×160pixel，測溫靈敏度為0.07℃。在調(diào)試好渦流加熱裝置之后，對被測金屬材料試件進(jìn)行渦流加熱，加熱8s后進(jìn)行圖像實時采集。

圖4(a)為紅外熱成像采集的試件紅外熱圖像，對缺陷面的試件進(jìn)行渦流激勵時，因缺陷部位被空氣填充，渦流在此斷開，無法對缺陷部分加熱，導(dǎo)致缺陷部分溫度低，圖像的缺陷部分出現(xiàn)異常。對比圖4(a)與圖4(b)，被測金屬材料試件的熱成像圖像經(jīng)SSR算法增強后，其較亮部分被增強，較弱部分被減弱，增強了圖像的對比度，使缺陷部分更加清晰。

將SSR算法增強后的圖像轉(zhuǎn)換為灰度圖，然后通過比較不同聚類中心數(shù)量時的每個聚類標(biāo)準(zhǔn)差中的最小值確定聚類中心數(shù)量，如表1所示，當(dāng)聚類中心數(shù)量為5時，所有聚類標(biāo)準(zhǔn)差中最小值為0.0318，等于聚類中心數(shù)量為6時的所有聚類標(biāo)準(zhǔn)差中最小值，故最優(yōu)聚類中心數(shù)量為5，分割結(jié)果如圖5所示。對比圖6(a)與(b)，經(jīng)SSR增強后，圖像中的缺陷部分得到增強。

圖2 渦流加熱裝置

圖3 被測金屬材料試件

圖4 SSR增強前后對比圖像

表1 聚類標(biāo)準(zhǔn)差

由于分割后的圖像存在無用信息，因此采用數(shù)學(xué)形態(tài)學(xué)進(jìn)行處理，如圖7(a)所示；最后對處理后的缺陷圖像進(jìn)行Canny算子的邊緣檢測，如圖8(a)所示。對比圖7(a)和(b)，圖8(a)和(b)可以發(fā)現(xiàn)，沒有經(jīng)過SSR增強后的圖像，缺陷部分的邊緣出現(xiàn)不完整的現(xiàn)象；Canny算子雖然識別出了所有的缺陷邊緣，但也同時包含大量無用信息，如圖8(c)所示，會在一定程度上干擾對缺陷的識別。

圖5 分割增強后的圖像

圖6 增強前后缺陷部分對比圖像

圖7 數(shù)學(xué)形態(tài)學(xué)處理增強前后的缺陷對比圖像

圖8 實驗結(jié)果對比圖像

3 結(jié)論

本文利用SSR算法對屬材料試件紅外熱圖像進(jìn)行增強，然后通過標(biāo)準(zhǔn)差衡量聚類中所有像素的關(guān)聯(lián)度，從而選取最優(yōu)-均值聚類的聚類中心數(shù)量，以避免缺陷圖像的誤分割，提高分割精度；最后通過數(shù)學(xué)形態(tài)學(xué)去除缺陷部分圖像中的無用信息，實現(xiàn)了對金屬試件缺陷的檢測，且提取到清晰的缺陷邊緣。本文方法解決了紅外熱圖像分割后，缺陷部位模糊、且存在無用信息等問題，實現(xiàn)了缺陷邊緣精準(zhǔn)提取。

[1] 顧桂梅, 劉麗, 賈文晶. 一種鋼軌裂紋紅外圖像處理算法研究[J]. 鐵道學(xué)報, 2018, 40(11): 129-133.

GU Guimei, LIU Li, JIA Wenjing. Research of processing algorithms for rail crack infrared image[J]., 2018, 40(11): 129-133.

[2] XU Changhang, Xie Jing, Chen Guoming, et al. An infrared thermal image processing framework based on superpixel algorithm to detect cracks on metal surface[J], 2014, 67: 266-272.

[3] 馬忠麗, 文杰. 融合邊緣信息的單尺度Retinex海霧去除算法[J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報, 2015, 27(2): 217-225.

MA Zhongli, WEN Jie. Single-scale Retinex sea fog removal algorithm fused the edge information[J]., 2015, 27(2): 217-225.

[4] 李衛(wèi)東, 彭琪. 基于混合映射的高動態(tài)范圍場景再現(xiàn)[J]. 光學(xué)精密工程, 2018, 26(12): 3051-3059.

LI Weidong, PENG Qi, High-dynamic range scenes reproduction based on hybrid mapping[J]., 2018, 26(12): 3051-3059.

[5] Md Nasim Reza, In Seop Na, Sun Wook Baek, et al. Rice yield estimation based on K-means clustering with graph-cut segmentation using low-altitude UAV images[J]., 2019, 177: 109-121.

[6] ZHANGShanwen, WANG Haoxiang, HUANG Wenzhun. Plant diseased leaf segmentation and recognition by fusion of superpixel[J]. K, 2018, 157: 866-872.

[7] Kumar Gaurav, Umesh Ghanekar. Image steganography based on Canny edge detection, dilation operator and hybrid coding[J]., 2018, 41: 41-51.

[8] DI Haibin, GAO Dengliang. Gray-level transformation and Canny edge detection for3D seismic discontinuity enhancement[J]., 2014, 72: 192-200.

[9] 楊信廷, 孫文娟, 李明. 基于K均值聚類和開閉交替濾波的黃瓜葉片水滴熒光圖像分割[J]. 農(nóng)業(yè)工程學(xué)報, 2016, 32(17): 136-143.

YANG Xinting, SUN Wenjuan, LI Ming. Water droplets fluorescence image segmentation of cucumber leaves based on K-means clustering with opening and closing alternately filtering[J]., 2016, 32(17): 136-143.

[10] 余成波, 曾亮, 張林. 基于OTSU和區(qū)域生長的電氣設(shè)備多點故障分割[J]. 紅外技術(shù), 2018, 40(10): 1008-1012.

YU Chengbo, ZENG Liang, ZHANG Lin. Multi point fault segmentation of electrical equipment based on OTSU and region growth[J]., 2018, 40(10): 1008-1012.

[11] Land E, Mc Cann J. Lightness and Retinex theory[J]., 1971, 61(1): 1-11.

[12] Macqueen J. Some methods for classification and analysis of multi variate observations[C]//, 1965(1): 281-297.

[13] Canny J. A computational approach to edge detection[J]., 1986, 8(6): 679-698.

[14] 王寧, 陳方, 于博. 基于形態(tài)學(xué)開運算的面向?qū)ο蠡绿崛》椒ㄑ芯縖J]. 遙感技術(shù)與應(yīng)用, 2018, 33(3): 520-529.

WANG Ning, CHENG Fang, YU Bo. A object-oriented landslide extraction method based on morphological opening operation[J]., 2018, 33(3): 520- 529.

Defect Detection of Eddy-Current Thermography Based on Single-Scale Retinex and Improved-means Clustering

ZHANG Qingyu1,2，F(xiàn)AN Yugang1,2，GAO Yang1,2

(1.,,650500,;2.,650500,)

When eddy-current infrared thermal-imaging technology is used to detect metal-material damage defects, the infrared image is susceptible to noise and may also contain useless information, which can result in blurring of damage defects. To address this problem, a defect-detection method based on single-scale Retinex and improved-means clustering is proposed to perform infrared image-feature enhancement, image segmentation, and edge feature extraction. First, the image is enhanced using single-scale Retinex. Additionally, the defect features are enhanced. Then, an improved-means clustering algorithm is used to segment the image. Finally, a mathematical morphology algorithm is used to process the image, which removes the useless information in the defective image and uses a Canny operator to detect the defect edge. The experimental results show that the method effectively detects defects of metal-material specimens and extracts complete and clear defect edges of the metal-material specimens.

eddy current infrared thermal imaging, single-scale Retinex, image enhancement,-means clustering, mathematical morphology, Canny operator

TN215

A

1001-8891(2020)10-1001-06

2019-07-15；

2019-08-23.

張慶宇（1995-），男，碩士研究生，河北省邯鄲市人，主要從事故障診斷、圖像處理。E-mail：280208691@qq.com。

范玉剛（1963-），男，副教授，山東省威海市人，主要從事故障診斷、數(shù)據(jù)挖掘。E-mail：ygfan@qq.com。

國家自然科學(xué)基金（61741310）。