摘要：传统探伤都是用大量人力逐一判断探伤图，探伤效率低，准确率不高。 针对探伤a超图像序列提出了自动识别探伤的算法。 通过分析探伤图像，首先对原画进行k均值聚类分割，得到带虚景的探伤声波图像。 为了抑制虚警，得到完整的声波图像，本文采用投影算法，取得了很好的效果。 最后在得到的声波图像上进行底波和缺陷波的检测，实现缺陷的自动识别。 实验表明，本文提出的方法具有较高的精度。
0引言
随着数字图像处理技术在工业领域的发展基于数字图像处理技术的图像探伤检测的应用越来越广泛传统探伤都是依靠大量人力逐一判断探伤图，探伤效率低下，探伤正确率不高，基于探伤图像的自动识别就变得有意义了。 基于探伤图像的缺陷自动识别，可以避免人力在数千、数万的探伤图中逐一判断探伤结果，使用计算机记录结果，可以节约时间，提高效率，为探伤结果的保存奠定良好的基础。
本课题针对固定式车轮对检测系统的现场车轮检测图像，研究其缺陷识别方法，设计了自动识别算法，目的是实现缺陷的自动识别，提高检测的速度和准确性。 本文在分析总结国内外车轮对超声波检测技术和系统的基础上，结合被检测——中国汽车车轮的结构和缺陷分布特点，重点分析系统的超声波检测技术，获取各型车轮对的探伤a超声波图像，并对其进行特征分析和提取，以用于图像分割、虚警消除、形态学图像处理实验表明，本文提出的方法具有较高的精度，能够实现探伤a超图像的缺陷自动识别，达到了预期的目标。
1方法概要
图1给出了本方法的基本流程，该方法分为两个基本步骤：声波提取和缺陷检测。 提出在声波提取阶段，将原画转换为灰度，分析灰度，利用k -均值进行聚类分割的方法，得到带虚警的声波。 在缺陷检测阶段，利用水平投影算法和垂直投影算法去除虚警，得到完整的声波。 最后对声波进行底波和缺陷波的检测。
2超声波检测技术
2.1超声波检查的基本理论
声波是在弹性介质中传播的机械波，其种类根据频率范围可分为三类[1] :
1)次声波、频率在20 Hz以下，人耳不能听到。 例如声纳、伴随地震次声波、次声波武器的声波等；
声波、频率在20 Hz~20 kHz之间，人耳能听到；
)超声波、频率在20 kHz以上，人耳无法听到。
由于超声波具有高频特性，近年来广泛应用于机械试验块、车轴、车轮的超声波无损检测等无损检测领域。 采用超声波作为检查方法。
超声波检测的基本工作原理[2] :声源产生超声波，以一定的耦合方式进入工件，超声波在工件中传播，与工件的材料和其中的缺陷相互作用，改变其传播方向或特征； 根据由检查装置接收变更后的超声波，进行处理和分析的接收超声波的特征，评价工件是否有缺陷和缺陷的特性。
2.2超声波回波信号的分析
超声波检测是指研究超声波与工件相互作用，其反射、透射和散射的波，对工件进行宏观缺陷检测、几何特性测量、组织结构和力学性能变化的检测，并评价其应用性的技术。 超声波回声的显示原理如图2所示。
图中的t为始波，f为缺陷波，b为底波。 超声波回声显示原理表明，超声波传播时，如果在底波峰之前有缺陷波，则该工件有缺陷。
3声波提取
3.1图像的灰度特性分析
直方图是对图像像素灰度分布的描述。 将灰度等级为[0，L-1]范围的数字图像的直方图离散函数[3] :
h rk=NK 一) ) ) ) ) ) ) ) ) ) ) ) )。
这里，rk是第k个灰度级，k=0、1、2、…、L-1、nk是图像中的灰度级为rk的像素数。
超声波探伤图像的直方图主要有三个峰。 第一个高峰是像素值低的黑色区域，第二个高峰是带假警察的声波，第三个高峰是空白区域。 因此，可以使用k均值分割算法分割原画，得到带虚警的声波。
3.2 k均值聚类分割
通过上一节的分析，可以用分割方法得到上述三种区域。 k-means[4]聚类是一种未被监视的机器学习算法，可以将数据聚合集成到具有相同属性的类中。 类别数可以是两种，也可以是多种。 假设需要将数据分类为k个类别，该算法首先随机选择k个样本点作为中心点，然后根据相似性度量计算从其他点到k个中心点的相似性，与相似性最强的中心点汇总在一起，然后更新中心点。
k均值聚类分割算法的计算过程：将输入图像的所有像素放入数据集{x1，…，xN}？ 滋k代表等级k的中心，对于各数据xn，导入二维的指针变量rnk{ 0，1 }。 其中，k=1、…、k、rnk在数据xn属于类k时为rnk=1，否则为rnk=0，即
关于偏差函数
如果以使偏导数为0的方式求出k偏导数，则可以求出
k的公式，即：
如果用EM算法反复进行直到偏差函数值不变，能求出最佳的吗？ 滋和rnk、EM算法的步骤记述如下。
>
（1）初始化
k，k=1，…，K。 （2）E过程。保持
k不变，按照式（2）计算rnk，从而降低J。 （3）M过程。保持rnk不变，按照式（4）更新
k，从而降低J。
（4）判断J值变化是否已满足要求，若满足，则迭代结束，否则，回到步骤（2）继续迭代。
4 缺陷检测
4.1 投影算法剔除虚警
上一节在成功检测出了声波的同时，检测出了部分的虚警。本小节提出一种有效的虚警抑制方案。对虚警图进行分析可以看出，图中的虚警主要是一些横向和纵向的白线，这些白线是用来对声波的波长和幅值进行刻度的。因此可以分别采取水平投影和垂直投影的算法，分别统计在水平方向和垂直方向上白色像素点的个数，并根据图片的大小设置一个阈值，从而可以将这些虚警剔除掉。最终得到完整的声波图像，以供下面进行底波和缺陷波的检测。图3是转换后的灰度图，图4是进行k-means分割后带有虚警的声波图，图5是剔除虚警后的声波图。
4.2 缺陷波检测
上一节中成功检测出了声波。在剔除虚警的过程中使用了投影算法，并且保存了虚警中白线的横纵坐标。下面就要进行缺陷波的检测。根据超声波成像的特点，将检测分为两个步骤，分别是底波的检测和缺陷波的检测。对底波和缺陷波的检测，可以根据虚警中白线的横纵坐标限定检测的区间，然后进行波峰的检测。波峰的检测是在一个5×5的搜索区间中统计亮点的个数，以此判断波峰的存在。图6是底波检测图，并用白色正方形框出波峰，图7是缺陷波检测图，并用白色正方形框出波峰。
5 实验结果
本文采用的实验数据均为不同试块的探伤A超图像，总共4个序列图像。为方便起见，本文以序列1、序列2、序列3、序列4来命名此4个序列图像，每个序列包含100帧，序列2包含100帧。图像大小为870×410。
用otsu[5]分割算法得到声波，与本文方法进行对比，利用形态学操作对虚警进行抑制，最后进行缺陷波的检测，后面都简单称其为基于otsu的方法。
对整个序列实验的统计结果如表1所示，由表1可以看出，本文方法能非常准确地识别缺陷。
6 结束语
本文提出了一种准确的基于超声检测图像的缺陷自动识别算法。首先对原图进行k-means聚类的分割，得到带有虚警的探伤声波图像。为了抑制虚警，得到完整的声波图像，本文提出并使用了投影算法，并取得了很好的效果。最后在得到的声波图像上进行底波和缺陷波的检测，实现缺陷的自动识别。实验表明，本文提出的方法具有很高的准确率，能够实现探伤A超图像的缺陷自动识别，达到了预期的目标。
参考文献
[1] xhdwk，tdhb，美丽的水杯，等．超声成像系统中信号处理和图像显示的方法[J]．无损检测，1995，17（11）：311-314.
[2] hpdxtd.超声成像技术及其在无损检测中的应用[J].无损检测，1994，16（7）：202-206.
[3] 冈萨雷斯．数字图像处理（第二版）[M]．北京：电子工业出版社，2010.
[4] 忧郁的八宝粥.数字图像处理疑难解析[M].北京：机械工业出版社，2005.
[5] OTSU N. A threshold selection method from gray-level histogram[J]. IEEE Transactions on Systems and Cybernetics， 2010，9（1）：564-568.