X射線焊縫圖像的缺陷檢測與識別技術(shù)

劉 輝，萬 文，熊震宇

（南昌航空大學(xué)，江西 南昌 330063）

X射線焊縫圖像的缺陷檢測與識別技術(shù)

劉 輝，萬 文，熊震宇

（南昌航空大學(xué)，江西 南昌 330063）

針對目前無損檢測主要采用人工方式存在的主觀不一致、檢測效率低、操作復(fù)雜等問題，設(shè)計(jì)了一套焊縫缺陷自動檢測系統(tǒng)。提出基于Otsu雙閾值分割的缺陷區(qū)域自動提取、圖像的降噪和灰度增強(qiáng)的圖像預(yù)處理方法；通過SUSAN算法檢測焊縫缺陷目標(biāo)，并結(jié)合形態(tài)學(xué)孔洞填充算法修正缺陷目標(biāo)；計(jì)算焊縫缺陷目標(biāo)特征參數(shù)，并結(jié)合所設(shè)計(jì)的深度為4的二叉樹分類識別邏輯流程，實(shí)現(xiàn)了較好的焊縫缺陷的檢測結(jié)果。

焊縫缺陷；圖像處理；特征參數(shù)

0 前言

針對焊接過程中出現(xiàn)的各種質(zhì)量問題，對其中的焊接構(gòu)件進(jìn)行有效的無損檢測。工作人員通過評價結(jié)果及時提出相應(yīng)的解決辦法，避免不合格焊件流入市場，防止不必要的經(jīng)濟(jì)損失[1-2]。當(dāng)前，無損檢測方法很多，射線檢測是無損檢測的重要方法之一[3]。

射線檢測的關(guān)鍵技術(shù)是圖像處理技術(shù)。為了能夠準(zhǔn)確判定焊縫質(zhì)量，需針對焊縫圖像采用合理的圖像處理算法，準(zhǔn)確顯示焊縫中存在的缺陷。當(dāng)前，缺陷檢測還停留在膠片成像階段，雖然成像效果好，但檢測效率低，檢測過程繁瑣，資料需要人為歸檔保存，不易實(shí)現(xiàn)自動化。因此，結(jié)合先進(jìn)的圖像處理技術(shù)和圖像采集技術(shù)，采用X射線透射系統(tǒng)對焊接構(gòu)件進(jìn)行探傷，利用圖像處理算法標(biāo)定焊縫缺陷，可大大提高檢測效率，有效克服因人工評定帶來的漏判或誤判[4]。

基于上述研究背景，在此結(jié)合先進(jìn)的圖像處理技術(shù)，實(shí)現(xiàn)對焊縫缺陷的自動提取、識別與分類。

1 X射線檢測原理與成像系統(tǒng)

1.1 X射線檢測原理

X射線檢測是利用透射前后射線的透射強(qiáng)度發(fā)生改變而能夠反映物質(zhì)的內(nèi)部結(jié)構(gòu)信息以灰度信息的形式表現(xiàn)，而這些灰度信息是連續(xù)能譜X射線各種能量透射和散射的結(jié)果。一旦工件中存在缺陷，透射強(qiáng)度會發(fā)生改變，導(dǎo)致透射圖像的灰度值相應(yīng)改變，基于此原理而開展缺陷檢測。

射線檢測原理如圖1所示，當(dāng)一束強(qiáng)度為I0的射線垂直入射到厚度為T的焊接構(gòu)件時，如果焊接構(gòu)件內(nèi)部存在厚度為ΔT的缺陷，透射強(qiáng)度將與沒有缺陷X射線透射強(qiáng)度不一致。有無缺陷的透射強(qiáng)度分別為

式中I和I'分別為無缺陷和有缺陷部位透射強(qiáng)度；μ為衰減系數(shù)，它與被檢測工件的密度、厚度及材質(zhì)等物理和化學(xué)因素有關(guān)。

1.2 X射線在線檢測系統(tǒng)組成

圖1 射線檢測原理

線陣探測器實(shí)時成像檢測系統(tǒng)由射線室和控制室兩部分構(gòu)成，如圖2所示。射線室主要包括射線源和檢測工作臺；控制室主要由一臺計(jì)算機(jī)完成對圖像數(shù)據(jù)的采集、機(jī)械系統(tǒng)的控制、射線源的開關(guān)閉以及圖像處理工作。

圖2 工業(yè)線陣探測器實(shí)時成像檢測系統(tǒng)

2 X射線焊縫圖像的預(yù)處理

2.1 基于Otsu雙閾值分割方法的焊縫區(qū)域提取

Otsu雙閾值分割方法是對Otsu閾值分割方法的擴(kuò)展。該方法是在尋求類間方差最大情況下獲取最佳閾值。而焊縫區(qū)域提取只需在尋求兩個最佳閾值時取較小的即為所求閾值。設(shè)輸入圖像為f（x，y），輸出圖像為g（x，y）。那么Otsu雙閾值分割算法如下：

（1）由式（3）計(jì)算輸入圖像f（x，y）的歸一化直方圖，用pi表示，i=0，1，2，…，255表示該直方圖的各個分量。顯然有

（2）假設(shè)選擇二個閾值T1（k）=k1、T2（k）=k2，它們把圖像分為C1、C2、C3，則像素被分到類C1、C2、C3的概率P1（k）、P2（k）、P3（k）分別為

（3）分別分配到類C1、C2、C3的像素的平均灰度值為

（4）整個圖像的平均灰度值為

（5）對于由三個灰度間隔組成的三個類C1、C2、C3類間方差為

并且有如下關(guān)系成立

取k1的值從1開始，k2所有值在大于k1和小于L-1的范圍內(nèi)增加（即k2=k1+1，…，L-2）。然后k1= L-3為止。最后，在矩陣中尋找最大值。若中只有兩個最大值，則這兩個最大值k1、 k2就是最佳閾值如果存在多個最大值，則取k1和k2的平均值作為圖像分割的最終閾值。

采集的焊縫缺陷圖像如圖3所示，圖像中存在三個明顯的灰度區(qū)域。焊縫區(qū)域的提取主要是將焊縫區(qū)域與其周圍的背景區(qū)域（板材區(qū)域和焊縫區(qū)域）分離出來。最佳閾值k1*和k2*分別代表焊縫區(qū)域與板材區(qū)域的分割閾值及板材區(qū)域與背景區(qū)域的分割閾值。顯然只需把k1*作為焊縫區(qū)域提取的二值化分割閾值，就能實(shí)現(xiàn)對焊縫區(qū)域的準(zhǔn)確提取。二值化處理后的圖像由式（10）給出

圖像灰度直方圖及其分割的閾值分別如圖3、圖4所示。由圖4可知，Otsu雙閾值分割方法能有效提取焊縫區(qū)域，在最佳閾值時焊縫邊緣無失真現(xiàn)象。表明采用Otsu雙閾值分割方法得出的閾值合理，能夠有效提取焊縫區(qū)域。

圖3 圖像直方圖及自適應(yīng)Otsu雙閾值

2.2 焊縫圖像降噪與灰度值增強(qiáng)

由于系統(tǒng)內(nèi)部設(shè)備電路電流不穩(wěn)定、材料本身等因素會引起噪聲，本研究利用中值濾波方法對圖像進(jìn)行降噪處理。中值濾波器是使用結(jié)構(gòu)元素中值來替代中心像素值的一種常用濾波方法。

實(shí)驗(yàn)采用式（11）所示的3×3結(jié)構(gòu)元素，并結(jié)合式（12）進(jìn)行焊縫圖像中值濾波。

圖4 采用Otsu雙閾值分割的結(jié)果（圖像經(jīng)過放大）

式中fi，j為需要替換的像素點(diǎn)（i，j）的灰度值。

濾波前后圖像如圖5所示。

圖5 焊縫圖像中值濾波

由圖5b可知，經(jīng)過中值濾波后，焊縫邊緣及缺陷輪廓較為良好地保存下來，且大部分原始焊縫圖像的噪聲從圖像中剔除。原始噪聲像素點(diǎn)的灰度值用其對應(yīng)結(jié)構(gòu)元素的灰度中值代替，有效濾除了原始圖像中的噪點(diǎn)。

經(jīng)過圖像降噪的X射線焊縫區(qū)域圖像，存在對比度低、缺陷邊緣模糊等特點(diǎn)，直接提取缺陷目標(biāo)會給結(jié)果帶來很大誤差。采用伽馬變換對圖像灰度進(jìn)行對比度拉伸，并基于灰度直方圖計(jì)算焊縫圖像的累積分布，從而確定灰度的拉伸極限，以達(dá)到最佳的對比度增強(qiáng)效果。

3 基于SUSAN的焊縫缺陷目標(biāo)檢測方法

3.1 SUSAN算法原理

SUSAN檢測是一種基于圖像幾何特征的一種缺陷目標(biāo)檢測方法，它將圖像中灰度分為角點(diǎn)、邊緣和偏平區(qū)三類，直接利用圖像的灰度特征進(jìn)行檢測。SUSAN原理如圖6所示，圖像中的每個像素點(diǎn)都代表SUSAN模板的核，模板可分為吸收核同值區(qū)和非吸收同值核區(qū)兩個獨(dú)立的區(qū)域。SUSAN算法的原理就是判斷模板中相似灰度的比率。

判斷以某點(diǎn)O為圓心，r為半徑的模板內(nèi)屬于圖中最小吸收同值核區(qū)區(qū)域的像素的判別函數(shù)為

圖6 SUSAN原理

式中C（r0）是以r0為圓心的模板；C（r0，r）是以r0為模板中心，r為半徑的模板；t為灰度差閾值，表示SUSAN所能檢測的最小對比度，該值決定提取特征量的多少，t值越大，特征越少；t值越小，特征越多。

以某點(diǎn)O為圓心，r為半徑的像素C（r0，r）的累加值被定義為USAN區(qū)域大小，其表達(dá)式為

利用式（14），使用半徑為r的模板掃描整幅圖像，可得每個像素的USAN區(qū)域，再由式（15）產(chǎn)生USAN的特征圖像

式中g(shù)為幾何閾值。文獻(xiàn)[5]指出，在檢測邊緣時，g一般取3nmax/4。提取角點(diǎn)時，g取nmax/2。其中nmax為n（r）的最大值。g的取值與檢測得到的特征有關(guān)，g值越小，檢測得到的特征越尖銳。

SUSAN（最小吸收同值核區(qū)）算法可以一次性檢測出邊緣點(diǎn)、角點(diǎn)。由于模板為圓形，檢測結(jié)果沒有方向性，并能在特征圖像中保持背景與目標(biāo)的完整特征。由于SUSAN算法的計(jì)算過程中，在確定USAN區(qū)域大小時是對C（r0，r）的累加，這實(shí)際上是一個積分的過程，所以SUSAN算法能夠很好地抑制高斯噪聲的影響。同時，SUSAN算法避免了梯度的運(yùn)算，計(jì)算量小，實(shí)現(xiàn)簡單，運(yùn)算速度快。

3.2 SUSAN算法的具體實(shí)現(xiàn)

根據(jù)SUSAN原理，對X射線焊縫圖像進(jìn)行檢測，取g=3nmax/4（nmax=37），t=0.15ΔI，ΔI=Imax-Imin，模板采用susan_strel。具體實(shí)現(xiàn)過程如下：

（1）計(jì)算經(jīng)過分割后提取出的焊縫區(qū)域的灰度最小值Imin和最大值Imax，然后利用t=0.15ΔI，自適應(yīng)計(jì)算灰度差閾值t。

（2）為防止SUSAN模板對焊縫圖像邊緣3個像素漏檢，分配一個長和寬均比待檢測圖像大7的圖像矩陣A（該矩陣元素全部為0），對于矩陣A從坐標(biāo)值（4，4）處開始，依次將待檢測圖像灰度值賦給矩陣A。并利用susan_strel模板在圖像矩陣A中進(jìn)行滑動，模板中心O每滑動到達(dá)一位置都由式（13）和式（14）計(jì)算模板內(nèi)屬于USAN區(qū)域的像素的判別函數(shù)C（r0，r）和USAN區(qū)域大小n（r0）。

（3）由公式（15）計(jì)算得到USAN區(qū)域的特征圖像R（r0）。

（4）對得到的特征圖像進(jìn)行二值化處理，對于R（r0）＞1的像素點(diǎn)，令其灰度值為255，即亮灰度值顯示，R（r0）≤1的像素點(diǎn)令其灰度值為0。

SUSAN檢測結(jié)果如圖7所示。

圖7 SUSAN算法檢測結(jié)果

3.3 目標(biāo)內(nèi)部的區(qū)域填充

當(dāng)SUSAN算法中，模板susan_strel尺寸偏小，缺陷目標(biāo)較大時，有時會出現(xiàn)只檢測出邊緣信息而內(nèi)部點(diǎn)并未包含在檢測標(biāo)記中。這樣會嚴(yán)重影響后續(xù)缺陷尺寸的計(jì)算準(zhǔn)確性，造成缺陷分類錯誤等后果。所以務(wù)必對缺陷內(nèi)部區(qū)域進(jìn)行填充。

形態(tài)學(xué)孔洞填充是一種常用的區(qū)域填充方法[6]，它是一種基于形態(tài)學(xué)膨脹、求補(bǔ)和交集的算法。具體實(shí)現(xiàn)過程是：對圖7d所示圖像（為8位圖像）進(jìn)行灰度值歸一化處理，即灰度值為255的像素點(diǎn)設(shè)置為1，其他灰度為0的點(diǎn)保持不變。并確定封閉輪廓線內(nèi)某點(diǎn)作為種子點(diǎn)X0，然后開始搜索與種子點(diǎn)X0相鄰且位于輪廓線內(nèi)的點(diǎn)X1。若相鄰點(diǎn)不在輪廓線內(nèi)，則說明該種子點(diǎn)已經(jīng)達(dá)到輪廓線的邊界；若相鄰點(diǎn)位于輪廓線之內(nèi)，則該點(diǎn)將成為新的種子點(diǎn)，繼續(xù)搜索，直到孔洞被完全填充。本研究結(jié)合MATALB中Image Processing Box函數(shù)庫中函數(shù)imfill（）思想，實(shí)現(xiàn)以上孔洞填充，其填充效果如圖8所示。

圖8 孔洞填充后圖像

4 焊縫缺陷目標(biāo)的特征計(jì)算及識別

4.1 焊縫缺陷目標(biāo)特征參數(shù)的計(jì)算

判斷焊縫缺陷的依據(jù)主要有：缺陷的灰度值分布、缺陷在圖像中的位置及缺陷的幾何特征。通過分析以上缺陷類型的幾何特征及在圖像中的位置分布，選取長短徑之比（d1/ds）、圓形度（e）、邊界水平方向像素?cái)?shù)（H）與邊界總像素?cái)?shù)（N）之比、灰度偏差（δ）、缺陷中心距焊縫中心位置的距離（d）及面積像素?cái)?shù)（S）與邊界總像素?cái)?shù)（N）之比作為特征參數(shù)識別缺陷類型。

（1）缺陷周長。分別計(jì)算某個缺陷連通區(qū)域方向鏈碼，統(tǒng)計(jì)方向鏈碼中奇數(shù)數(shù)字個數(shù)和偶數(shù)數(shù)字個數(shù)。利用公式，求出C。

（2）缺陷面積，即為缺陷區(qū)域內(nèi)像素點(diǎn)的個數(shù)。在二值圖像中，令缺陷目標(biāo)為1，則缺陷面積的計(jì)算公式為

（3）周長面積比。缺陷周長除以缺陷面積。

（4）圓形度。與缺陷周長和缺陷面積相關(guān)，直接利用公式e=4πS/C2計(jì)算得出。

（5）填充度。二次掃描法得到的向量gray_coord中，統(tǒng)計(jì)子向量存儲坐標(biāo)中橫縱坐標(biāo)最大和最小值點(diǎn)。橫坐標(biāo)最大值點(diǎn)減去橫坐標(biāo)最小值點(diǎn)得出lx，縱坐標(biāo)最大值點(diǎn)減去縱坐標(biāo)最小值點(diǎn)得出ly。結(jié)合公式ω=S/（lx·ly）計(jì)算得到圓形度。

（6）長短徑之比，即長軸長度（dl）除以短軸（ds）長度。計(jì)算長軸dl的方法：遍歷向量gray_coord中的子向量中任意兩點(diǎn)間距離的最大值。短軸方向不一定是豎直或水平方向，需要做長軸的法線來確定短軸方向。然后比較垂直于長軸方向的邊緣坐標(biāo)數(shù)組，利用兩點(diǎn)之間的距離公式得到短軸的長度ds。從而得到長短徑之比。

（7）邊緣水平方向像素?cái)?shù)與邊緣總像素?cái)?shù)之比。邊緣總像素?cái)?shù)等于方向鏈碼標(biāo)記個數(shù)，邊緣水平方向像素?cái)?shù)等于參數(shù)lx。

（8）缺陷目標(biāo)自身灰度偏差，通過二次掃描法提取各個缺陷目標(biāo)的連通區(qū)域坐標(biāo)，存儲于向量gray_coord中，并以向量gray_coord中存儲坐標(biāo)值為索引，遍歷分割圖像中缺陷目標(biāo)，提取缺陷區(qū)域每個像素點(diǎn)灰度值并求其灰度最大值。結(jié)合該缺陷方向鏈碼個數(shù)求出缺陷目標(biāo)自身灰度偏差。

4.2 焊縫缺陷識別

針對X射線焊縫圖像中的各特征之間的聯(lián)系，并提高分類算法的運(yùn)行速率，降低求解的復(fù)雜度，采用樹形分類器對缺陷目標(biāo)的各種缺陷信息進(jìn)行分類識別。識別參數(shù)流程如圖9所示。

圖9 識別邏輯流程結(jié)構(gòu)

5 結(jié)論

（1）采用一種基于Otsu雙閾值分割的缺陷區(qū)域自動分割方法，實(shí)現(xiàn)焊縫的自動提取。結(jié)果表明，該方法能夠獲得較好的分割結(jié)果，同時提高圖像分割速率。

（2）采用SUSAN算法檢測圖像邊緣，并提出SUSAN模板中自適應(yīng)閾值的選取方法，提高邊緣檢測效果。結(jié)果表明，SUSAN算法具有良好的抗噪能力和邊緣檢測能力。

（3）對于焊縫缺陷分類，設(shè)計(jì)了深度為4的二叉樹分類器及合理的識別邏輯流程。對于單幅圖像，在圖像尺寸為512×512、缺陷個數(shù)為5的X射線焊縫缺陷圖像中，處理速度為0.3 s，能夠滿足缺陷檢測與識別要求。

[1]Kochan A.Laser welding adapts to non-linear tailored blanks[J]．ASSEBLYAUTOM，2001，21（1）：48-50．

[2]李亞江，劉強(qiáng)，王娟，等．焊接質(zhì)量控制與檢驗(yàn)[M]．北京：化學(xué)工業(yè)出版社，2006.

[3]楊靜，王明泉.基于X射線圖像的焊縫缺陷檢測與識別技術(shù)[D].山西：中北大學(xué)，2008.

[4]周正干，滕升華，江巍，等.焊縫X射線檢測及其結(jié)果的評判方法綜述[J].焊接學(xué)報，2002（3）：85-88.

[5]劉博，仲思東.一種基于自適應(yīng)閾值的SUSAN角點(diǎn)提取方法[J].紅外技術(shù)，2006（6）：331-333.

[6]孫兆林.MATLAB圖像處理[M]．北京：清華大學(xué)出版社，2002.

Defect detection and recognition technology of X ray weld image

LIU Hui，WAN Wen，XIONG Zhenyu
（Nanchang Hangkong University，Nanchang 330063，China）

Aiming at the problems existing in the nondestructive testing using artificial methods，such as subjective inconsistency，low efficiency and complicated operation，a set of automatic inspection system for weld defects was designed.An image preprocessing method based on Otsu double threshold segmentation for automatic extraction of defective area，image noise reduction and grayscale enhancement was proposed；by SUSAN algorithm for detection of weld defect target，and combined with morphology hole filling algorithm to modify defect targets；through the calculation of the target characteristic parameters of the weld defects，and combined with the design depth of two of the 4 binary tree classification recognition logic process，to achieve a better detection results of the weld defects.

weld defect；image processing；characteristic parameters

TG456.7

A

1001－2303（2017）04－00

10.7512/j.issn.1001-2303.2017.04.

獻(xiàn)

郭吉昌，朱志明，閆國瑞，等.基于UG的弧焊機(jī)器人離線編程系統(tǒng)開發(fā)[J].電焊機(jī)，2017，47（01）：1-6.

2016-09-09；

：2016-12-25

劉 輝（1991—），男，江西人，在讀碩士，主要從事機(jī)器人自動焊接及焊縫跟蹤檢測的研究工作。