任明照,高東海,鄭韻嫻

(中國鐵道科學(xué)研究院 金屬及化學(xué)研究所，北京 100081)

鐵路車輪超聲波B型檢測(cè)的圖像分割算法

任明照,高東海,鄭韻嫻

(中國鐵道科學(xué)研究院 金屬及化學(xué)研究所，北京 100081)

基于圖像分割原理，對(duì)檢測(cè)圖像中的缺陷區(qū)域進(jìn)行分割和提取，根據(jù)超聲波B型圖像在縱向和橫向的不同特點(diǎn)，改進(jìn)了傳統(tǒng)區(qū)域生長的圖像分割方法;以超聲波B型圖像中的顏色極值點(diǎn)為種子像素，在圖像的縱向和橫向采用不同的生長準(zhǔn)則，提出了在縱向上采用波谷閾值的生長準(zhǔn)則，在橫向上采用相關(guān)系數(shù)閾值的生長準(zhǔn)則，并通過實(shí)際的鐵路車輪超聲波B型檢測(cè)試驗(yàn)驗(yàn)證，取得了良好的缺陷信號(hào)區(qū)域分割效果。

鐵路車輪;超聲波B型檢測(cè);圖像分割;區(qū)域生長

鐵路車輪超聲波B型檢測(cè)是近年來研究的熱點(diǎn)，相比于傳統(tǒng)的車輪A型檢測(cè)[1]，B型檢測(cè)具有較高的檢測(cè)效率。B型檢測(cè)將多個(gè)A型檢測(cè)波形數(shù)據(jù)顯示在了一張圖像上，檢測(cè)人員可以一次觀察到多個(gè)A型數(shù)據(jù)，并結(jié)合位置關(guān)系推斷缺陷信號(hào)，這種方式受檢測(cè)人員的專業(yè)知識(shí)、技能和經(jīng)驗(yàn)等主觀因素影響很大;而且對(duì)于大范圍、多探頭的車輪超聲波B型檢測(cè)，人工檢測(cè)效率較低。因此研究車輪超聲B型圖像處理算法，自動(dòng)獲取圖像中的缺陷信號(hào)區(qū)域，以及提高檢測(cè)效率變得非常重要?，F(xiàn)有的超聲B型圖像處理算法主要用于醫(yī)學(xué)超聲上，例如采用圖像增強(qiáng)和邊緣檢測(cè)等算法，可以使腫瘤圖像更清晰[2];采用均衡化處理，可以消除淺表造成超聲圖形的斑點(diǎn)噪聲[3]等，但在鐵路車輪超聲B型圖像的處理上，目前還未見報(bào)道。

筆者針對(duì)鐵路車輪超聲波檢測(cè)的B型圖像，采用圖像分割方法，對(duì)檢測(cè)圖像中的缺陷區(qū)域進(jìn)行分割和提取，結(jié)合超聲波B型圖像的特點(diǎn)，改進(jìn)了傳統(tǒng)區(qū)域生長的圖像分割方法，利用超聲波B型圖像在二維方向所代表的不同含義，分別采用不同的生長規(guī)則，實(shí)現(xiàn)了缺陷區(qū)域的分割，并通過實(shí)際的車輪檢測(cè)試驗(yàn)取得了良好的分割效果。

1 鐵路車輪超聲B型成像檢測(cè)

鐵路車輪超聲B型檢測(cè)以A型檢測(cè)為基礎(chǔ)，最常見的方式是在車輪踏面上放置超聲波探頭，鐵路車輪超聲B型成像檢測(cè)示意如圖1所示。

圖1 鐵路車輪超聲B型成像檢測(cè)示意

車輪以一定的轉(zhuǎn)速轉(zhuǎn)動(dòng)，超聲波探頭保持不動(dòng)，連續(xù)對(duì)車輪內(nèi)部進(jìn)行超聲波A型檢測(cè)，并記錄檢測(cè)數(shù)據(jù)，這樣車輪轉(zhuǎn)動(dòng)一周后，完成了車輪整個(gè)周長的B型檢測(cè)，形成的B型檢測(cè)數(shù)據(jù)是由記錄的大量A型檢測(cè)數(shù)據(jù)組成的矩陣，以圖像的方式顯示(見圖2);其橫坐標(biāo)為車輪轉(zhuǎn)過的周向位移，縱坐標(biāo)為聲波傳播時(shí)間，波幅的大小映射到顏色表上，用顏色值表示，B型圖像矩陣的每一個(gè)列向量都是一次獨(dú)立的A型檢測(cè)數(shù)據(jù)。

圖2 鐵路車輪超聲波B型圖像

上述B型檢測(cè)過程中，為了消除檢測(cè)盲區(qū)，保證相鄰兩次檢測(cè)探頭的聲場(chǎng)有足夠的重疊范圍，車輪轉(zhuǎn)速ω、車輪半徑r、超聲波探頭的晶片尺寸D、還有超聲波檢測(cè)儀的重復(fù)頻率f需要滿足以下關(guān)系式[4]

(1)

式中:v為車輪與探頭接觸面上的線速度；N為重復(fù)次數(shù)，是車輪圓周上任意位置需要重復(fù)進(jìn)行A型檢測(cè)次數(shù)，N越大，相鄰兩次檢測(cè)聲場(chǎng)重疊越多，檢測(cè)越精細(xì)可靠，但檢測(cè)速度越慢。

鐵路車輪超聲波B型檢測(cè)的數(shù)據(jù)量是比較大的，特別是采用多個(gè)超聲波探頭的精細(xì)檢測(cè)情況，例如周長為4 000 mm的鐵路車輪，采用10個(gè)不同參數(shù)的超聲波探頭進(jìn)行B型檢測(cè)，車輪每轉(zhuǎn)動(dòng)1 mm周長進(jìn)行一次A型檢測(cè)，檢測(cè)完畢每個(gè)探頭都記錄了4 000次A型數(shù)據(jù)。假設(shè)每次A型數(shù)據(jù)的長度為500個(gè)采樣點(diǎn)，這樣每個(gè)探頭形成的B型圖像為4 000×500像素，總共10幅圖像，圖像尺寸和數(shù)量都是比較大的，使得效率低下的人工缺陷信號(hào)處理已經(jīng)無法滿足檢測(cè)要求，因此必須研究一種快速、高效的圖像處理算法，提取缺陷信號(hào)區(qū)域并應(yīng)用于鐵路車輪超聲波B型檢測(cè)中。

2 基于區(qū)域生長的超聲B型圖像分割方法

針對(duì)鐵路車輪超聲波B型圖像的缺陷處理，目標(biāo)是獲取缺陷信號(hào)區(qū)域，將B型圖像中的缺陷信號(hào)區(qū)域從背景中分割出來，這就要用到圖像分割[5]。圖像分割就是把圖像分成各具特征的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程，在圖像處理工程中占據(jù)重要的位置。圖像分割方法可大致分為基于區(qū)域的方法、基于邊緣的方法、區(qū)域與邊緣相結(jié)合的方法，以及在此基礎(chǔ)上的采用多分辨率圖像處理理論的多尺度分割方法等。

2.1 算法基礎(chǔ)

在眾多的圖像分割方法中，基于區(qū)域的方法中的區(qū)域生長法[6]，在算法思想上，與現(xiàn)行的人工處理超聲波B型圖像的思想非常相似。

區(qū)域生長法的算法思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域，首先對(duì)每個(gè)需要分割的區(qū)域找出一個(gè)種子像素作為生長的起點(diǎn)，然后按照事先確定的生長準(zhǔn)則來判定種子像素周圍鄰域中的像素，如果符合生長準(zhǔn)則，則將鄰域中的像素合并到種子像素所在的區(qū)域，否則舍棄鄰域像素。新合并進(jìn)區(qū)域的像素繼續(xù)做種子向四周生長，直到?jīng)]有滿足條件的像素可以合并進(jìn)來，生長過程結(jié)束，一個(gè)區(qū)域就生長而成了?，F(xiàn)行的超聲B型圖像中，缺陷的反射信號(hào)一般表現(xiàn)為突出的顏色值，如256級(jí)灰度圖，缺陷信號(hào)幅值越高，其顏色越亮，因此人工判定缺陷區(qū)域時(shí)，首先尋找B型圖像上的突出顏色，相當(dāng)于區(qū)域生長法中的種子像素，然后由里及外確定缺陷信號(hào)區(qū)域。由此看來，人工判斷缺陷信號(hào)區(qū)域與區(qū)域生長法的思想非常相似，這就為區(qū)域生長法在鐵路車輪超聲波B型圖像分割上的應(yīng)用準(zhǔn)備了條件。

在區(qū)域生長法的計(jì)算過程中，需要解決兩個(gè)問題，一是確定種子像素，作為生長的起點(diǎn)；二是確定生長準(zhǔn)則，也就是合并規(guī)則。由前面所述，缺陷信號(hào)會(huì)體現(xiàn)出突出的顏色值，因此選擇B型圖像中顏色值突出的像素作為種子像素，下面結(jié)合超聲波B型圖像的特點(diǎn)，詳細(xì)介紹生長準(zhǔn)則的確定。

2.2 超聲B型圖像的生長準(zhǔn)則

區(qū)域生長法常用于圖像的區(qū)域分割[7-8]上，選定了種子像素，確定了生長準(zhǔn)則后，由種子像素向4鄰域或8鄰域像素?cái)U(kuò)展生長，這種生長方式是基于灰度圖像的各向同性，向各個(gè)方向生長時(shí)采用統(tǒng)一的生長準(zhǔn)則。而超聲B型圖像中每一列都是一次A型檢測(cè)數(shù)據(jù)，相鄰的兩列是相鄰位置的兩次A型檢測(cè)數(shù)據(jù)，正是因?yàn)槌旴型圖像在列方向(縱向)和行方向(橫向)代表的含義不同，致使采用區(qū)域生長法進(jìn)行超聲B型圖像分割時(shí)，在橫向和縱向上需要采用不同的生長準(zhǔn)則進(jìn)行生長。

2.2.1 基于波谷閾值的縱向生長準(zhǔn)則

超聲B型圖像在縱向上符合A型檢測(cè)數(shù)據(jù)的特點(diǎn)，缺陷信號(hào)以波峰的形式體現(xiàn)(見圖3，波峰的起點(diǎn)為b，終點(diǎn)為e)，前面已經(jīng)選定了B型圖像中的顏色極值作為種子像素，也就是圖3中的波峰峰值，縱向生長就是以波峰峰值為起點(diǎn)向兩側(cè)生長，直到波峰起點(diǎn)b和波峰終點(diǎn)e，停止生長，形成一個(gè)包含完整信息的波峰。

圖3 B型圖像中1列A型數(shù)據(jù)中的波峰信號(hào)

由此可見，縱向生長的終點(diǎn)是波峰的起點(diǎn)和終點(diǎn)，因此必須尋找波峰起點(diǎn)和終點(diǎn)的特征，歸納出生長的準(zhǔn)則，才能開始生長過程。在超聲A型數(shù)據(jù)中，波峰的起點(diǎn)和終點(diǎn)都符合波谷的特點(diǎn)，例如圖3中的波峰終點(diǎn)e是一個(gè)很明顯的波谷，其幅值小于相鄰兩側(cè)數(shù)據(jù)點(diǎn)的幅值，由此可以推出波谷的判定關(guān)系式，波谷i的幅值f(i)滿足：

(2)

考慮到超聲波檢測(cè)儀具備波形抑制功能，當(dāng)打開抑制時(shí)，儀器會(huì)將低于一定幅度波形數(shù)據(jù)置為零，有可能將波峰的起點(diǎn)、終點(diǎn)以及背景雜波都置為零，此時(shí)波谷i的幅值f(i)滿足以下兩個(gè)關(guān)系式其中的一個(gè)：

(3)

(4)

上述的關(guān)系式(2)～(4)中，滿足其中任意一個(gè)，即可確定為波谷，但波谷不一定是波峰的起點(diǎn)或終點(diǎn)，如圖3所示，波峰起點(diǎn)和終點(diǎn)的幅值都已經(jīng)接近背景雜波，因此還需要附加一個(gè)閾值Tm來確定波峰的起點(diǎn)和終點(diǎn);當(dāng)波谷i的幅值f(i)

以上就是縱向生長的準(zhǔn)則，基于波谷的特征和閾值的判定，生長的詳細(xì)過程如下：

(1) 以波峰峰值為種子像素，沿縱向向兩側(cè)生長。

(2) 根據(jù)關(guān)系式(2)～(4)判斷鄰域的像素點(diǎn)是否為波谷，如果不是波谷，則直接合并，繼續(xù)生長；如果是波谷，則需要進(jìn)一步根據(jù)閾值Tm判斷波谷的幅值。當(dāng)波谷的幅值不小于閾值Tm，則合并波谷像素，繼續(xù)生長；當(dāng)波谷幅值小于閾值Tm，則停止生長，縱向生長結(jié)束。

2.2.2 基于相關(guān)系數(shù)閾值的橫向生長準(zhǔn)則

超聲B型圖像相鄰的兩列代表了超聲波探頭在相鄰位置對(duì)車輪進(jìn)行的兩次A型檢測(cè)，試驗(yàn)證明:如果相鄰的兩次A型檢測(cè)都包含同一缺陷的反射信號(hào)，則缺陷信號(hào)具有很強(qiáng)的相似性，而且這種相似性隨著檢測(cè)精細(xì)程度的提高而加強(qiáng)，也就是式(1)中的N越大，聲場(chǎng)重疊越多，檢測(cè)越精細(xì)，相似性也就越強(qiáng)，這是由于缺陷信號(hào)具有相對(duì)固定的性質(zhì)。下面引入描述信號(hào)相似性的統(tǒng)計(jì)量相關(guān)系數(shù)[9-10]，來描述橫向相鄰的缺陷信號(hào)的相似性，進(jìn)而確定超聲B型圖像的橫向生長準(zhǔn)則。

設(shè)x(n)，y(n)是兩個(gè)能量有限的確定性信號(hào)，并考慮到實(shí)際工作中處理的都是有限長信號(hào)，所以假定信號(hào)x(n)序列長為N1，信號(hào)y(n)序列長為N2，則x(n)和y(n)的相關(guān)系數(shù)為:

(5)

由于x(n)的長度為N1，因此令n>N1時(shí)x(n)為零，同理，令n+N2-m>N2時(shí)y(n+N2-m)為零。

實(shí)際操作時(shí)，可以取相關(guān)系數(shù)ρ(m)的最大值ρmax作為橫向生長準(zhǔn)則。根據(jù)檢測(cè)試驗(yàn)的情況，取合適的相關(guān)系數(shù)閾值TC作為停止生長的條件，當(dāng)ρmax

(1) 以種子像素縱向生長得到的波峰作為橫向生長的種子，向兩側(cè)生長。

(2) 利用縱向生長規(guī)則，得到種子波峰相鄰的波峰。

(3) 根據(jù)式(5)求種子波峰和相鄰波峰的相關(guān)系數(shù)ρ(m)，求其最大值ρmax。當(dāng)ρmax>TC時(shí)，合并相鄰的波峰;當(dāng)ρmax

3 算法實(shí)例

鐵路車輪超聲波B型檢測(cè)定制了一條包含人工模擬缺陷的輪對(duì)，車輪直徑為1 050mm，以此作為檢測(cè)對(duì)象，采用型號(hào)2.5P12mm×20mm的超聲波雙晶直探頭從車輪踏面上入射，檢測(cè)車輪內(nèi)部不同深度的φ3mm橫通孔。檢測(cè)時(shí)采用摩擦輪驅(qū)動(dòng)車輪轉(zhuǎn)動(dòng)，轉(zhuǎn)速約為2r·min-1，超聲波探頭連接的超聲波檢測(cè)儀重復(fù)頻率為1 000Hz，根據(jù)式(1)計(jì)算得到的重復(fù)次數(shù)N約為182次，車輪每轉(zhuǎn)動(dòng)0.11mm進(jìn)行一次A型檢測(cè)，聲場(chǎng)重疊的范圍很大，檢測(cè)非常精細(xì)，這就為后面的缺陷信號(hào)橫向生長準(zhǔn)備了相似性條件。

圖2是一定聲程范圍內(nèi)的B型圖像，在進(jìn)行區(qū)域生長時(shí)，取圖2中顏色最大值作為種子像素，縱向生長的閾值Tm取該列A型檢測(cè)數(shù)據(jù)的均值，橫向生長的閾值TC取0.7，對(duì)圖2的B型檢測(cè)數(shù)據(jù)進(jìn)行區(qū)域生長法的圖像分割，分割后的超聲B型圖像如圖4所示。

圖4 區(qū)域生長法分割后的鐵路車輪超聲B型圖像

對(duì)比圖2和圖4可以看出，文中所提出的區(qū)域生長法，應(yīng)用在鐵路車輪超聲波B型檢測(cè)的圖像分割上，有效地提取了缺陷信號(hào)區(qū)域，去除了圖像中的噪聲，保留了完整的缺陷信號(hào)，為后續(xù)進(jìn)一步的缺陷區(qū)域處理準(zhǔn)備了條件。

4 結(jié)語

針對(duì)鐵路車輪超聲波檢測(cè)的B型圖像，采用圖像分割方法，對(duì)檢測(cè)圖像中的缺陷區(qū)域進(jìn)行分割和提取，根據(jù)超聲波B型圖像在縱向和橫向的不同特點(diǎn)，改進(jìn)了傳統(tǒng)區(qū)域生長的圖像分割方法；提出了在縱向上基于波谷閾值的生長準(zhǔn)則，在橫向上基于相關(guān)系數(shù)閾值的生長準(zhǔn)則，并通過實(shí)際的鐵路車輪超聲波B型檢測(cè)試驗(yàn)，取得了良好的缺陷信號(hào)區(qū)域分割效果。

[1] 劉憲，范軍.機(jī)車輪箍和整體輪的超聲波探傷[J].無損檢測(cè)，2006,28(9)：498-501.

[2] 吳迪，劉逸軍.前列腺腫瘤超聲圖像清晰化處理研究[J] .中國衛(wèi)生標(biāo)準(zhǔn)管理， 2015(26)：141-142.

[3] 李金冬，鄭政.淺表組織超聲圖像的均衡化處理[J].中國生物醫(yī)學(xué)工程學(xué)報(bào)，2013, 32(2):191-196.

[4] 中國機(jī)械工程學(xué)會(huì)無損檢測(cè)分會(huì).超聲波檢測(cè)[M].北京：機(jī)械工業(yè)出版社，2000.

[5] RAFAEL C G, RICHARD E W.數(shù)字圖像處理[M].北京：電子工業(yè)出版社，2011.

[6] SUJATHA G S， KUMARI V. An innovative moving object detection and tracking system by using modified region growing algorithm[J]. Signal & Image Processing: An International Journal(SIPIJ), 2016, 4(7):39-55.

[7] 彭智浩，楊風(fēng)暴,王志社，等.基于數(shù)學(xué)形態(tài)學(xué)和自動(dòng)區(qū)域生長的紅外目標(biāo)提取[J].紅外技術(shù), 2014, 36(1):47-52.

[8] QIN A K, DAVID A C. Multivariate image segmentation using semantic region growing with adaptive edge penalty [J].IEEE Transactions on Image Processing, 2010,8(19):2157-2170.

[9] 胡廣書.數(shù)字信號(hào)處理-理論、算法與實(shí)現(xiàn)[M].北京：清華大學(xué)出版社,2012.

[10] 任明照，黃永巍，高東海.基于多幅連續(xù)相關(guān)法的超聲檢測(cè)信號(hào)的缺陷識(shí)別技術(shù)[J] .無損檢測(cè)，2012，34(4)：38-41.

Image Segmentation Method in Ultrasonic B-scan for Railway Wheels

REN Mingzhao, GAO Donghai, ZHENG Yunxian

(Metals and Chemistry Research Institute, China Academy of Railway Sciences, Beijing 100081, China)

In the ultrasonic B-scan inspection for railway wheels, defection region is to be isolated from the B-scan image on the basis of image segmentation. According to the deferent features of B-scan image at vertical and horizontal directions, a new method is introduced in this paper to solve the B-scan image segmentation as a result of improving the traditional region growing method. In the new method, the pixels with maximal color value are picked out as the seed pixels, and then different growing principles are used in the region growing method at vertical and horizontal directions, in which the principle of wave valley threshold is used at the vertical direction, and the principle of correlation coefficient threshold is used at the horizontal direction. By the experiments of ultrasonic B-san for railway wheels, it shows that the new region growing method behaves well and acquires a satisfied result of defection region segmentation.

railway wheel; ultrasonic B-scan; image segmentation; region growing

2016-10-10

中國鐵道科學(xué)研究院院基金資助項(xiàng)目“機(jī)車小修時(shí)車輪頂輪探傷系統(tǒng)的研制”( 2014YJ061)

任明照(1979-)，男，副研究員，碩士,主要從事鐵路無損檢測(cè)信號(hào)處理技術(shù)和軟件研發(fā)工作

任明照, arrenah@gmail.com

10.11973/wsjc201707002

TG115.28

A

1000-6656(2017)07-0008-04