Methods of automated image processing in solving problems of magnetic defectoscopy

Введение

При решении задачи поиска дефектов в поверхностных слоях стальных деталей достаточно часто применяют методы, базирующиеся на анализе рассеяния магнитных полей возле дефектов после намагничивания этих изделий ^[1]. В локальной области, где присутствует нарушение сплошности, происходить изменение магнитного потока. Картина распределения магнитного поля будет определяться глубиной залегания дефекта, его величиной и формой. Например, у поверхностных трещин, которые ориентированы перпендикулярно магнитному потоку, наблюдаются резко выраженное рассеяние магнитного поля. А вот у дефектов, которые ориентированы вдоль магнитного потока, поля рассеяния практически не наблюдаются ^[2].

Одним из наиболее известных методов магнитной дефектоскопии является метод магнитного порошка ^[3]. В этом случае на поверхность намагниченной детали высыпают магнитный порошок (сухой метод) или наносят магнитную суспензию (мокрый метод) ^[4]. Магнитные частицы порошка или суспензии, которые попадут в зоны магнитных полей рассеяния, осядут на поверхности детали в области нахождения дефектов.

При использовании магнитной дефектоскопии основным намагничиванием является циркулярное. Продольное намагничивание применяют обычно тогда, когда предполагается, что в исследуемом изделии дефекты строго поперечные, или использование циркулярного намагничивания неприемлемо ^[5].

При использовании люминесцентных порошков или суспензий, на изображениях исследуемых деталей, дефекты видны значительно лучше ^[2]. Поэтому появляется возможность автоматизированной обработки таких изображений ^[6,7]. В данной работе представлена разработка автоматизированной процедуры выбора методов обработки изображений на предмет обнаружения дефектов.

Выбор метода улучшения изображения

Решение задачи автоматизированного выбора методов обработки изображений начинается с ввода цифровой фотографии исследуемой детали ^[8,9]. В настоящее время обычно используют цветное фото ^[10,11].

Изображение принято определять через функцию f(x,y), где x и y являются пространственными (плоскостными) координаты, а амплитуда f для каждой пары координат (x,y) называют интенсивностью или яркостью изображения в точке с этими координатами. Словосочетание уровень серого часто применяют для обозначения яркости монохромного изображения. Цветные изображения формируются комбинацией нескольких монохромных изображений. Например, в цветовой системе RGB цветное изображение строится из трех отдельных моно­хромных компонент (красной, зеленой и синей). По этой причине многие методы и приемы, разработанные для монохромных изображений, могут быть распро­странены на цветные изображения путем последовательной обработки трех мо­нохромных компонент.

В качестве примера изображения в данной работе будет обрабатываться фотография приваренного к трубе фланца (Foto 1). Данное изделие было обработано люминесцентной суспензией Magnaglo 14HF, создавшая люминесцентный зеленый индикаторный рисунок, который наблюдается в ультрафиолетовом свете при длине волны 365 нм. Наибольший интерес представляет место сварки фланца к трубе.

Foto 1

После загрузки изображения необходимо принять решение об улучшении его качества ^[12]. Это связано с тем, что надежная идентификация дефектов напрямую зависит от качества анализируемого изображения ^[13]. Низкое качество может привести к неправильной идентификации или к недостоверному определению характеристик дефектов ^[14]. В связи с этим надежное качество улучшения подобных изображений является важной задачей, которую необходимо решать в условиях слабой контрастности и низкой резкости изображений ^[15].

Общей теории улучшения изображений не существует. Если изображение обрабатывается с целью визуальной интерпретации, то оценку, насколько хорошо работает конкретный метод, дает в конечном счете оператор-исследователь. Методы улучшения настолько разнообразны и используют так много различных подходов к обработке изображения, что трудно собрать осмысленную совокупность подходящих для улучшения методов в одной статье, не проводя отдельное обширное исследование ^[16].

Достаточно часто для улучшения изображений используют термин фильтрация, понимая при этом не только удаление или компенсацию шумов и помех, но и непосредственно выделение из изображения информации о характеристиках локально неоднородных объектов ^[17].

Необходимо учитывать, что методы улучшения изображений зачастую приводят к искажению информации об объектах, присутствующих на них, например, повышение контраста и усиление краев может привести к искажению формы и размеров дефектоскопического объекта, что недопустимо.

Возможным вариантом решения этой задачи является не использование методов улучшения изображений, а методов фильтрации полезного сигнала, под которыми в данном случае следует понимать изображения дефектов. Сигналы от дефектов могут быть интерпретированы как локальные неоднородности двумерного конечного нестационарного стохастического сигнала. Тогда возникает задача фильтрации локальных неоднородностей изображений на фоне помех ^[18].

На Рис. 1. Представлена блок-схема автоматизированного выбора алгоритма улучшения изображения.

Как видно из Рис.1 в данной методике реализованы следующие методы: инверсная фильтрация, Винеровская фильтрация, сглаживающая фильтрация методом наименьших квадратов со связью, алгоритм Люси-Ричардсона итерационного нелинейного восстановления, слепая деконволюция.

Можно отметить, что в последнее время методы слепой деконволюции приобретают все большую популярность.

Для рассматриваемого примера, наиболее предпочтительным, на субъективный взгляд авторов, оказалась обработка изображения методом Люси-Ричардсона Foto 2 ^[19].

Foto 2

Выделение границ объектов на изображении

Задача выделения границ объектов при цифровой обработке изображений возникает достаточно часто, например, выделение границ у дефектов. Дело в том, что многие методы распознавания изображений базируются на определении краев. Это связано с тем, что анализ на краях, малочувствителен к общей освещенности. Обнаружение краев выделяет контраст (градиент). По определению контраст – это разная яркость. А ввиду того, что контраст между объектами и задним фоном происходит на границах, то это обстоятельство и лежит в основе выделения границы объектов на изображении. Можно отметить, что и человеческое зрение выделяет границы объектов таким же образом.

Существует достаточно много математических методов выделения границ. Но все эти методы базируются на операции дифференцирования (в непрерывном случае) или замена конечными разностями в дискретном случае. Кроме того, практически все методы можно разделить на две категории: основанные на поиске максимумов; основанные на поиске нулей. Методы, основанные на поиске максимумов, выделяют границы с помощью вычисления «силы края», обычно выражения первой производной, такого как величина градиента, и затем поиска локальных максимумов силы края, используя предполагаемое направление границы, обычно перпендикуляр к вектору градиента .

Так как интенсивность изображения задается функцией от двух переменных f(x,y), то ее градиент показывает направление максимального изменения интенсивности и вычисляется так:

Направление градиента (угол) вычисляют по формуле:

«Сила» края задается длиной градиента:

Методы, основанные на поиске нулей, ищут пересечения оси абсцисс выражения второй производной, обычно нули лапласиана или нули нелинейного дифференциального выражения, как будет описано далее. В качестве шага предобработки к выделению границ практически всегда применяется сглаживание изображения, обычно фильтром Гаусса.

Методы выделения границ отличаются применяемыми фильтрами сглаживания и способами, как считается сила края. Хотя многие методы выделения границ основываются на вычислении градиента изображения, они отличаются типами фильтров, применяемых для вычисления градиентов в инаправлении.

Обозначенную проблему можно решать при помощи алгоритмов выделения контуров. Наиболее часто используются следующие методы – Собеля, Превитта, Робертса. Эти методы используют базовое свойство сигнала яркости – разрывность. Самый общий алгоритм нахождения разрывов состоит в использовании скользящей маски, которую также называют фильтром, окном, ядром или шаблоном. По сути маска, это квадратная матрица, которая поставлена в соответствие с заданным множеством пикселей в исходном изображении. Элемент матрицы называют коэффициентом. Математические преобразования для локальных областей изображения с использование этой матрицы называют пространственной фильтрацией или просто фильтрацией.

Процесс пространственной фильтрации базируется на линейном перемещении маски фильтра от точки к точке изображения – в каждой точке (x,y) отклик фильтра вычисляется с использованием предварительно заданных связей. В случае линейной пространственной фильтрации отклик задается суммой произведения коэффициентов фильтра на соответствующие значения пикселей в области, покрытой маской фильтра.

Для обнаружения перепадов яркости используются дискретные аналоги производных первого и второго порядка. Информация о границах объектов будет использована исследователем на следующих этапах.

Морфологическая обработка изображений

После получения изображения удовлетворительного, для исследователя, качества, и используя информацию о границах объектов, проведем морфологическую обработку этого изображения. Такая обработка нужна для извлечения определенных компонентов изображения. Другими словами, для обнаружения дефектов, то есть для решения поставленной задачи. Тогда процесс решения поставленной задачи можно представить в виде схемы Рис. 2. А сам этап “Морфологическая обработка изображения” представляется в виде схемы на Рис. 3. Продемонстрируем работу этого этапа, продолжая с изображения Foto 2.

Для начала проводится бинаризация изображения, то есть значения у пикселов изображения будут равняться 1 или 0 ( Foto 3).

Foto 3

При помощи морфологической реконструкции очистим изображение от объектов, которые соприкасаются с границей. Foto 4.

Foto 4

Далее произведем утоньшение границ объектов на изображении. Результат представлен на Foto 5.

Foto 5

После этого на полученном изображении выделяем компоненты связности. Для Foto 5 имеется 56 компонент связности. Это означает, что на изображении присутствует 56 объектов. При помощи операции морфологического замыкания, и используя компоненты связности, удалим небольшие объекты на изображении. Результат представлен на Foto 6.

Foto 6

Определяем для полученного изображения компоненты связности. Их 7. Используя эти данные, рассчитаем для 7 объектов диаметры. Объект, с наименьшим диаметром, можно удалить.

Далее, взглянув на Foto 6 и Foto 2, можно сделать вывод, о том что два левых объекта на Foto 6 не являются результатом сварочных работ (отверстие и грани фланца). Поэтому они не учитываются при выработке решения о наличии дефектов во фланце.

Заключение

В результате работы представленного алгоритма, специалист получает информацию, на основание которой он делает вывод о наличии дефектов в исследуемом изделии. В рассмотренном примере видно, что линии (объекты справа) непрерывны и не имеют резкой смены направлений. Поэтому можно сделать вывод об отсутствии нарушений сплошности (дефектов) в изделии.

В дополнении можно сказать, что бинарные изображения можно инвертировать по желанию исследователя.

Инструментарий, применяемый при обработке изображений, может быть совершенно различным ^[20]. Авторы в ходе представленных исследований, использовали MATLAB ^[21,22].

И в заключении необходимо отметить, что данная процедура является открытой. То есть к ней можно (и даже нужно) подключать различные методы для работы с цифровыми изображениями. Например, для реконструкции смазанных изображений. В этом случае необходимо решать интегральное уравнение Фредгольма I рода, решение которого является достаточно сложной задачей. Поэтому привлечение различных методов, например, Тихоновской регуляризации, является необходимым условием.