基于Otsu图像分割的水泵叶片凹陷裂缝检测

（江苏省水利勘测设计研究院有限公司 扬州 225217）

1 概述

水泵叶片的铸钢件应无夹渣和裂缝等缺陷，然而铸钢件工艺缺陷的显著特点是形状多且复杂[1]，铸件在承受铸造处理过程中，在金属的表面或内部形成机械疲劳裂纹和热疲劳裂纹。检验缺陷主要有三种方法：超声波探测法、干扰杂波法和直接通电法。当铸钢件表面存在较多粗大颗粒或不均匀组织时，超声波散射、能量衰减较为严重，使得超声波探测法变得困难；当铸钢件存在不均匀、不致密组织和粗大晶粒界面时，示波屏上会显示杂乱的草状回波，妨碍缺陷回波的辨认。目前已有一些使用图像处理[2-3]算法对铸件缺陷进行检测，本文利用阈值控制的Otsu 分割算法和特征提取算法对缺陷形态特征自动提取和分类研究。

2 图像处理的方法设计

2.1 图像处理的步骤设计

根据水泵叶片铸件的缺陷图像的灰度分布特点，原始铸件图以各向异性滤波方式进行图像光滑处理，并提取特征边界，同时采用Otsu 全局阈值分割方法，将灰度值大的缺陷区域从背景中提取出来；然后通过基本区域描述符对提取出的针孔区域进行量化。

2.2 各向异性滤波

各向异性扩散方程由Perona 和Malik[4]在1990年提出的，采用分辨率的多尺度形式，并且能够有效分辨噪声和边缘提取。图像的多尺度变换可以描述为：

其中I、I0、G 分别表示水平集图形、原始图形和核心高斯函数。尺度维度如图1所示，可以形象的表示为金字塔构造。

通过变形可以得下式：

其中div、△、c 分别拉普拉斯算子、梯度算子及散射系数。若将散射系数定义为梯度幅值函数，能够有效增强图像边缘细节。散射系数如下：

式（3）中g 的表达式如下：

k 是导热系数，低值、高值可分别保存边缘细节和导致扩散。这里的△是一个差分因子，表示在四个方向上计算差值：

本文采用上述表达式对原始图形各向异性散射预处理，原始图形为水泵叶片铸件空隙缺陷图，在保证算法收敛性的条件下，允许迭代不超过30，并且取k=6，取λ=0.3（见图2）。

2.3 阈值分割与缺陷一次提取

图1 图像的金字塔结构图

图2 水泵叶片铸件空隙缺陷图像各向异性散射滤波图

图3 图2c 图的二维直方图

由于水泵铸件空隙缺陷图形的缺陷和背景存在灰度级差异，因此通过控制全局阈值对空隙缺陷图形进行分析，将空隙缺陷从整幅背景中分割出来。Otsu 分割方法是由Otsu[6]首先提出的，此算法以单维直方图为基础，通过求最大化类间方差σ2B来选择阈值K，而刘建庄[7]等人对此算法进行了改进，提出了二维全局阈值分割算法，在抗噪性能方面大大改进。

二维Otsu 阈值分割方法如下：

灰度级为L 的图像的联合概率密度为：

对经过各向异性扩散滤波后的图2c，L=256，其二维直方图如图3所示，使用二维Otsu 算法得到的二值图像。计算得到的最大类间离散测度S_B (s,t)=4032.6，阈值(s,t)=(143,144)。

2.4 缺陷的二次提取与描述

由于二维分割依然会遗留一些与空隙缺陷类似的纹路，因此需要对空隙缺陷进一步提取。

图像二次提取为后续空隙缺陷检测打下坚实的基础，图像特征提取的方式很多，其中几何特征提取是空隙缺陷提取的重要方式，对于空隙缺陷的检测分类与控制起着不可替代的作用。本文采用了三种几何特征和两种矩特征对图像目标物进行精确描述，其中三种几何特征分别是圆形度、偏心率和紧凑性，两种矩分别是二阶不变矩和三阶不变矩。由于某些矩函数不依赖与形状的几何变换，所以可以利用矩不变性来识别位置尺寸变化的缺陷。

3 神经网络缺陷分类与实验

在前面的章节中介绍了三种常见的缺陷，分别是气孔、缩孔和疏松缺陷，实际上还存在很多其他的缺陷，本文选取上述三种典型的缺陷作为研究对象。利用五个描述参数，结合通用的BP 神经网络进行缺陷自动分类，神经网络选择多层隐层，输入层为五个描述参数，即5 个节点，输出层为二值数据01、10、11，因此需要2 个节点。本文对三种缺陷分别挑选了70 组针孔图片，100 组气孔物图片和120 组缩孔图片，选取其中80%的图片训练神经网络，另外20%的图片测试训练结果。其中的15 组图片的输入输出数据。经过多次训练后，测试正确率达到92.23%，仅有少数缺陷无法检测出来。

4 结语

铸钢件是水泵叶片制造的主要材料，而因铸钢件引发的水泵效率降低和发生事故事件时有发生，从而带来经济损失，因此铸钢件缺陷检测与防治需要重视。本文的理论研究可以作为缺陷检测的实用方式，比如当某一种缺陷的检测率比较高时，可以适当在工艺生产中加以注意，对于提高工艺有着不错的作用。此外本文提出的基于图像的算法是一种微观图像检测，算法的精确度比较高，并且不会对无缺陷的铸钢件材料造成伤害。本文提出的算法还是有需要改进的地方，样本的训练时间比较长，可以考虑每次检测时根据新加入的样本实时变更神经网络的参数模型■