一种航空发动机导向叶片微裂纹缺陷检测方法及系统

摘要

本发明涉及一种航空发动机导向叶片微裂纹缺陷检测方法及系统，所述检测方法包括：通过DR检测系统获取航空发动机导向叶片待测部分的DR检测图像；根据DR检测图像得到原始灰度矩阵；根据DR检测图像，得到DR检测图像灰度分布直方图和信噪比；根据灰度分布直方图、信噪比及DR检测图像，得到增强灰度矩阵；对原始灰度矩阵进行掩模处理，得到低频灰度矩阵；根据增强灰度矩阵及低频灰度矩阵，得到高频灰度细节信息矩阵，所述高频灰度细节信息矩阵表征航空发动机导向叶片待测部分的微裂纹缺陷情况。既达到了增加DR检测图像对比度的效果，又突出了图像中的细节信息缺陷轮廓，能够清楚识别航空发动机导向叶片微裂纹的缺陷。

说明书

技术领域

本发明涉及图像增强技术领域，特别是涉及一种航空发动机导向叶片微裂纹缺陷检测方法及系统。

背景技术

在飞机发动机中，叶片为发动机提供动力的关键部件之一，其主要作用是压缩发动机内的空气好坏及工作状态将直接影响发动机的工作效率、安全性和可靠性。对于发动机涡轮叶片，导向叶片和工作叶片是发动机内部完成功能转换的关键性零件。在发动机高速运行状态下，叶片将承受复杂的负荷和高速旋转带来的拉伸应力和扭转应力，所以导向叶片的质量检测成为航空发动机质量评估的重中之重。

导向叶片的安全性能就是一个致命的特性，关乎发动机和飞行安全。导向叶片铸造完成之后，需要无损检测，一般对于导向叶片的微小缺陷，经常采用超声检测，磁粉检测，分析检测到的信号，然后才能进一步得出缺陷信息。需要比较直观的看到微小缺陷的形状和特性，采用DR(Digital Radiography，数字X线摄影)检测系统，获取DR缺陷图像，并且加上后端的图像处理。

DR是一种新兴的应用于工业无损检测的成像技术，用于产生高质量的DR数字图像，这些DR数字图像信息量充足。利用数字图像处理技术可以优化和完善获取的DR数字图像，可以达到更好的观察效果，方便工程师们及时发现隐藏在DR图像中的工件微小缺陷。DR图像增强处理的方法主要分为两大类：增强DR图像对比度和突出DR图像的细节信息。针对低对比度且细节信息较少的DR图像，利用传统直方图增强方法无法有效进行目标细节增强。数字图像处理技术中，有一种限制对比度自适应直方图均衡化的算法，其中裁剪阈值是可以调节的，但是人为调节达不到最优的调节参数。

基于上述问题，亟需一种新的检测方法以提高检测的精确度。

发明内容

本发明的目的是提供一种航空发动机导向叶片微裂纹缺陷检测方法及系统，能够清楚识别航空发动机导向叶片微裂纹的缺陷。

为实现上述目的，本发明提供了如下方案：

一种航空发动机导向叶片微裂纹缺陷检测方法，所述航空发动机导向叶片微裂纹缺陷检测方法包括：

通过DR检测系统获取航空发动机导向叶片待测部分的DR检测图像；

根据所述DR检测图像得到原始灰度矩阵；

根据所述DR检测图像，得到所述DR检测图像灰度分布直方图和信噪比；

根据所述灰度分布直方图、所述信噪比及所述DR检测图像，得到增强灰度矩阵；

对所述原始灰度矩阵进行掩模处理，得到低频灰度矩阵；

根据所述增强灰度矩阵及所述低频灰度矩阵，得到高频灰度细节信息矩阵，所述高频灰度细节信息矩阵表征航空发动机导向叶片待测部分的微裂纹缺陷情况。

可选地，所述DR检测系统包括数字射线系统和数字平板探测器成像系统；

通过所述数字射线系统对航空发动机导向叶片待测部分发射X射线；

所述数字平板探测器成像系统获取航空发动机导向叶片待测部分反射的X射线，并将X射线转换为DR检测图像。

可选地，所述根据所述灰度分布直方图、所述信噪比及所述DR检测图像，得到增强灰度矩阵，具体包括：

根据所述灰度分布直方图的分布特征，确定图像分割方式及灰阶映射范围；

根据所述灰度分布直方图及所述信噪比，采用粒子群优化算法得到最优裁剪阈值；

根据所述图像分割方式、灰阶映射范围及所述最优裁剪阈值，采用粒子群优化算法和限制对比度自适应直方图均衡化的图像增强算法对所述DR检测图像进行处理，得到增强灰度矩阵。

可选地，所述灰阶映射范围为[所述DR检测图像的最小灰度值，所述DR检测图像的最大灰度值]。

可选地，所述对所述原始灰度矩阵进行掩模处理得到低频灰度矩阵，具体包括：

采用基于空间均值滤波器的高斯模糊处理对所述原始灰度矩阵进行模糊处理，得到低频灰度矩阵。

可选地，所述根据所述增强灰度矩阵及所述低频灰度矩阵，得到高频灰度细节信息矩阵，具体包括：

根据公式D＝2B-C，得到高频灰度细节信息矩阵；

其中，D为高频灰度细节信息矩阵，B为初步增强的灰度矩阵，C为低频灰度矩阵。

可选地，所述航空发动机导向叶片微裂纹缺陷检测方法还包括：

对所述高频灰度细节信息矩阵进行多次高斯掩模循环处理，得到增强的高频灰度细节信息矩阵。

可选地，所述对所述高频灰度细节信息矩阵进行多次高斯掩模循环处理，得到增强的高频灰度细节信息矩阵，具体包括：

针对第i次高斯掩模循环处理，根据公式Gray

其中，i为循环次数，Gray

可选地，所述对所述高频灰度细节信息矩阵进行多次高斯掩模循环处理的循环处理次数为2-3次。

为实现上述目的，本发明还提供了如下方案：

一种航空发动机导向叶片微裂纹缺陷检测系统，其特征在于，所述检测系统包括：

DR检测系统，用于对航空发动机导向叶片的待测部分进行检测，得到DR检测图像；

计算单元，与所述DR检测系统连接，用于计算所述DR检测图像的原始灰度矩阵、灰度分布直方图和信噪比；

增强单元，与所述计算单元连接，用于根据所述灰度分布直方图及所述信噪比，对所述DR检测图像进行增强处理，得到增强灰度矩阵；

掩模单元，与所述计算单元连接，用于对所述原始灰度矩阵进行掩模处理，得到低频灰度矩阵；

细节处理单元，分别与所述增强单元及所述掩模单元连接，用于根据所述增强灰度矩阵及所述低频灰度矩阵，得到高频灰度细节信息矩阵，所述高频灰度细节信息矩阵表征航空发动机导向叶片待测部分的微裂纹缺陷情况。

根据本发明提供的具体实施例，本发明公开了以下技术效果：通过DR检测系统获取航空发动机导向叶片待测部分的DR检测图像，并获取DR检测图像的原始灰度矩阵、灰度分布直方图和信噪比，根据原始灰度矩阵、灰度分布直方图和信噪比得到高频灰度细节信息矩阵，高频灰度细节信息矩阵即表征微裂纹缺陷情况，既达到了增加DR检测图像对比度的效果，又突出了图像中的细节信息缺陷轮廓，能够清楚识别航空发动机导向叶片微裂纹的缺陷。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明航空发动机导向叶片微裂纹缺陷检测方法的整体流程图；

图2为获取增强灰度矩阵的流程图；

图3为本发明航空发动机导向叶片微裂纹缺陷检测系统的模块结构示意图。

符号说明：

DR检测系统-1，计算单元-2，增强单元-3，掩模单元-4，细节处理单元-5。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种航空发动机导向叶片微裂纹缺陷检测方法及系统，通过DR检测系统获取航空发动机导向叶片待测部分的DR检测图像，并获取DR检测图像的原始灰度矩阵、灰度分布直方图和信噪比，根据原始灰度矩阵、灰度分布直方图和信噪比得到高频灰度细节信息矩阵，高频灰度细节信息矩阵即表征微裂纹缺陷情况，既达到了增加DR检测图像对比度的效果，又突出了图像中的细节信息缺陷轮廓，能够清楚识别航空发动机导向叶片微裂纹的缺陷。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明航空发动机导向叶片微裂纹缺陷检测方法包括：

S1：通过DR检测系统获取航空发动机导向叶片待测部分的DR检测图像；

S2：根据所述DR检测图像得到原始灰度矩阵；

S3：根据所述DR检测图像，得到所述DR检测图像灰度分布直方图和信噪比。

为了提高检测精度，本发明所提供的航空发动机导向叶片微裂纹缺陷检测方法中，在获取灰度分布直方图时，具体可采用将每一帧所述DR检测图像转换为跨平台计算机图像视觉库的格式图像，解析出对应的时间戳，并对所述格式图像的每个像素点进行识别，以得到灰度分布直方图。

S4：根据所述灰度分布直方图、所述信噪比及所述DR检测图像，得到增强灰度矩阵；

S5：对所述原始灰度矩阵进行掩模处理，得到低频灰度矩阵；

S6：根据所述增强灰度矩阵及所述低频灰度矩阵，得到高频灰度细节信息矩阵，所述高频灰度细节信息矩阵表征航空发动机导向叶片待测部分的微裂纹缺陷情况。

其中，所述DR检测系统包括数字射线系统和数字平板探测器成像系统；

通过所述数字射线系统对航空发动机导向叶片待测部分发射X射线；

所述数字平板探测器成像系统获取航空发动机导向叶片待测部分反射的X射线，并将X射线转换为DR检测图像。

通过数字射线系统和数字平板探测器成像系统，可以获取高质量的DR数字图像，获取的DR数字图像的信息量充足，为后续的图像处理提供充足的保障，能够清楚识别导向叶片微裂纹的缺陷。

进一步地，如图2所示，S4：根据所述灰度分布直方图、所述信噪比及所述DR检测图像，得到增强灰度矩阵，具体包括：

S41：根据所述灰度分布直方图的分布特征确定图像分割方式及灰阶映射范围。

其中，图像分割方式一般为m*n(m＝2，4，8，16；n＝2，4，8，16等)，具体依据图像特征进行最优参数选择。所述灰阶映射范围为[所述DR检测图像的最小灰度值，所述DR检测图像的最大灰度值]。

S42：根据所述灰度分布直方图及所述信噪比，采用粒子群优化算法得到最优裁剪阈值。具体地：

粒子群优化算法的第i个微粒表示为X

V

x

其中，w为惯性权重，c1，c2为加速常数，rand()和Rand()为两个在[0，1]范围内变化的随机值。把图像信噪比作为输入：P

S43：根据所述图像分割方式、灰阶映射范围及所述最优裁剪阈值，采用粒子群优化算法和限制对比度自适应直方图均衡化的图像增强算法对所述DR检测图像进行处理，得到增强灰度矩阵。

本发明引入了寻优算法：粒子群优化算法(Particle Swarm Optimization，PSO)，又称微粒群算法，是将每个个体看作是D维搜索空间中的一个没有体积的微粒(点)，在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。在寻找最优的裁剪阈值Cliplimit，以图像信噪比(SNR，Signal Noise Ratio)为寻优依据，最终达到调优的最佳效果。

通过粒子群优化算法得到最优的裁剪阈值，达到最优的图像对比度增强效果，对检测图像进行限制对比度自适应直方图均衡化算法处理之后，经过高斯模糊处理，获取高频图像灰度信息矩阵，再对高频图像灰度信息矩阵进行高斯掩模循环多次处理，进一步提升图像对比度和突出图像细节信息，即达到了增加图像对比度的效果，又突出了图像中的细节信息缺陷轮廓。

进一步地，S5：对所述原始灰度矩阵进行掩模处理得到低频灰度矩阵，具体包括：采用基于空间均值滤波器的高斯模糊处理对所述原始灰度矩阵进行模糊处理，得到低频灰度矩阵。

优选地，S6：根据所述增强灰度矩阵及所述低频灰度矩阵，得到高频灰度细节信息矩阵，具体包括：

根据公式D＝2B-C，得到高频灰度细节信息矩阵；

其中，D为高频灰度细节信息矩阵，B为初步增强的灰度矩阵，C为低频灰度矩阵。

进一步地，本发明航空发动机导向叶片微裂纹缺陷检测方法还包括：

S7：对所述高频灰度细节信息矩阵进行多次高斯掩模循环处理，得到增强的高频灰度细节信息矩阵。具体包括：

针对第i次高斯掩模循环处理，根据公式Gray

其中，i为循环次数，Gray

优选地，循环次数i为2次或3次。

具体循环步骤处理如下：

其中，Gray

目标图像处理的最终结果，可以确切的识别到导向叶片上的微小缺陷，方便无损检测工程师观察，说明本图像处理方法对航空发动机导向叶片微裂纹DR检测图像处理是可行的且有效的。

此外，本发明还提供一种航空发动机导向叶片微裂纹缺陷检测系统，能够清楚识别航空发动机导向叶片微裂纹的缺陷。

如图3所示，本发明航空发动机导向叶片微裂纹缺陷检测系统包括DR检测系统1、计算单元2、增强单元3、掩模单元4及细节处理单元5。

具体地，所述DR检测系统1用于对航空发动机导向叶片的待测部分进行检测，得到DR检测图像；

所述计算单元2与所述DR检测系统1连接，所述计算单元2用于计算所述DR检测图像的原始灰度矩阵、灰度分布直方图和信噪比；

所述增强单元3与所述计算单元2连接，所述增强单元3用于根据所述灰度分布直方图及所述信噪比，对所述DR检测图像进行增强处理，得到增强灰度矩阵；

所述掩模单元4与所述计算单元2连接，所述掩模单元用于对所述原始灰度矩阵进行掩模处理，得到低频灰度矩阵；

所述细节处理单元5分别与所述增强单元3及所述掩模单元4连接，所述细节处理单元5用于根据所述增强灰度矩阵及所述低频灰度矩阵，得到高频灰度细节信息矩阵，所述高频灰度细节信息矩阵表征航空发动机导向叶片待测部分的微裂纹缺陷情况。

进一步地，所述DR检测系统包括数字射线系统和数字平板探测器成像系统；

其中，所述数字射线系统用于向航空发动机导向叶片待测部分发射X射线；

所述数字平板探测器成像系统用于获取航空发动机导向叶片待测部分反射的X射线，并将X射线转换为DR检测图像。

具体地，所述增强单元3包括：分割方式确定模块、裁剪阈值确定模块及处理模块；

其中，所述分割方式确定模块用于根据所述灰度分布直方图的分布特征确定图像分割方式及灰阶映射范围；

所述裁剪阈值确定模块用于根据所述灰度分布直方图及所述信噪比，采用粒子群优化算法得到最优裁剪阈值；

所述处理模块用于根据所述图像分割方式、灰阶映射范围及所述最优裁剪阈值，采用粒子群优化算法和限制对比度自适应直方图均衡化的图像增强算法对所述DR检测图像进行处理，得到增强灰度矩阵。

本发明具有以下有益效果：

(1)可以灵活的精准调节限制行对比度自适应直方图均衡化算法中的参数，达到提升图像对比度；

(2)利用粒子群优化算法，得到最优的裁剪阈值，达到最优的图像对比度增强效果；

(3)目标图像进行限制对比度自适应直方图均衡化算法处理之后，再与经过高斯模糊处理的原始图像，进行高频图像灰度信息的提取，达到图像灰度细节信息的获取；

(4)将(3)中生成的图像，再进行高斯掩模循环多次处理。高斯掩模循环次数，可以根据每次高斯掩模处理结果，进行选择，达到进一步提升图像对比度和突出图像细节信息的效果；

(5)整个处理过程，即达到了增加图像对比度的效果，又突出了图像中的细节信息缺陷轮廓。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。