基于加權(quán)中值各向擴散模型的焊接缺陷實時檢測算法

基于加權(quán)中值各向擴散模型的焊接缺陷實時檢測算法*

占俊

(景德鎮(zhèn)學(xué)院 計算機工程系,江西 景德鎮(zhèn)333000)

摘要：針對當前焊接缺陷識別算法難以檢測出低對比度噪聲焊接缺陷，以及難以滿足實時檢測需求等不足，文章提出了加權(quán)中值各向擴散模型耦合感興趣區(qū)域的放射圖像焊接缺陷實時檢測技術(shù)?；诟信d趣區(qū)域原理，確定出焊接缺陷位置，降低復(fù)雜度，并可顯著提高檢測精度；引入中值濾波，建立焊接缺陷區(qū)域圖像梯度計算模型；再設(shè)置門檻系數(shù)K，嵌入非線性S函數(shù)，設(shè)計新的邊緣停止規(guī)則；并融合銳化算子，設(shè)計了加權(quán)中值各向擴散模型，完成焊接缺陷檢測。文中設(shè)計的加權(quán)中值各向擴散模型能夠根據(jù)局部梯度幅值，自適應(yīng)地完成增強、銳化焊接缺陷以及平滑放射圖像背景。仿真結(jié)果顯示：與當前焊接缺陷檢測技術(shù)相比，該方法能夠更好地增強焊接缺陷細節(jié)，可有效區(qū)分圖像背景與焊接缺陷特征；且擁有更高的缺陷檢測精度與效率。

關(guān)鍵詞：加權(quán)中值各向擴散；感興趣區(qū)域；非線性S函數(shù)

文章編號：1001-2265(2015)09-0086-05

收稿日期：2014-11-11

基金項目：*江西省自然科學(xué)

作者簡介：占俊(1984—)，男，江西景德鎮(zhèn)人，碩士，講師，主要研究方向為目標檢測識別、計算機輔助制造、圖像處理；(E-mail)JDZZhanjun1984@163.com。

中圖分類號：TH164;TG506

Weld Defects Detection Technology of Radiographic Images Based on Weight Median

Anisotropic Diffusion Model and Region of Interest Principle

ZHAN Jun

(Department of Computer, Jingdezhen University, Jingdezhen Jiangxi 333000,China)

Abstract：In order to Solve these defects such as can not detection the weld defects of low contrast and meet the requirements of real time in current weld defects detection algorithms, the weld defects real time detection technology based on weight median anisotropic diffusion model and region of interest principle was proposed in this paper. The location of weld defects was determined by region of interest principle to reduce the complexity and improve the detection precision; then the image gradient computation model of weld defects was established by introducing the median filter. The new edge stopping rule was designed by embedding the non-linear S function and setting the threshold coefficient K. And the weighted median anisotropic diffusion model was designed by integrating the sharpening operator to finish the weld defects detection. This model can adaptively enhancement, sharpen weld defects and smooth the background of radiation image according to the local gradient magnitude. Simulation results showed that: this defects detection technology can better enhance the weld defects details to efficiently distinguish the image background and weld defects Features; and the defects detection precise and efficiency was higher.

Key words： weight median anisotropic diffusion model; region of interest; non-linear S function

0引言

放射技術(shù)是無損檢測技術(shù)NDT(Non-Destructive Testing，NDT)中的最常用技術(shù)之一，在工業(yè)領(lǐng)域中得到了廣泛應(yīng)用，特別是管控焊接接縫[1-2]。但是在焊接過程中，不可避免地存在焊接缺陷。因此，為了防止焊接件在使用期間發(fā)生重大事故，迫切需要開發(fā)焊接缺陷檢測技術(shù)，以評估損壞程度與質(zhì)量控制，確保焊接件的預(yù)期使用。在當前制造業(yè)領(lǐng)域中，利用放射技術(shù)識別焊接缺陷已成為諸多研究人員的焦點，其檢測原理如圖1所示[3]。然而，由于設(shè)備、外部環(huán)境以及人為操作等因素，使得該技術(shù)的檢測精度不理想，特別是低對比度焊接圖像焊接缺陷和微小焊縫的檢測。因此，諸多研究人員將計算機圖形圖像技術(shù)輔助放射檢測，以提高缺陷識別精度。吳一全等[4]為了進一步提高焊接缺陷識別的準確度和效率，提出了一種基于Contourlet變換和混沌粒子群優(yōu)化的焊接缺陷圖像特征提取方法，基Contourlet變換，分解焊接缺陷，提取低頻分量和特定方向上的高頻分量，再將混沌粒子群優(yōu)化機制嵌入KPCA中，提取缺陷測試、訓(xùn)練樣本的特征，再根據(jù)二者的距離，確定缺陷測試樣本的類型，實驗結(jié)果表明其算法的缺陷識別率更高。B. Venkatraman等[5]為了提高檢測效率與精度，設(shè)計了基于迭代圖像重構(gòu)的焊接缺陷檢測方法，并測試其方法的檢測性能，結(jié)果表明該技術(shù)能夠有效識別焊渣、燒穿以及未焊透等缺陷，且檢測效率較高。Y Wang等[6]設(shè)計了基于支持向量機的X射線圖像焊接缺陷自動檢測技術(shù)，引入灰度輪廓分析，檢測焊接區(qū)域中的潛在缺陷，再從這些缺陷中提取三個支持向量，并對其進行訓(xùn)練，利用訓(xùn)練的SVM來識別真實缺陷，實驗結(jié)果表明該技術(shù)具有良好的檢測率。

盡管這些檢測方法能夠從焊接區(qū)域中識別出焊接缺陷，且具有較高的檢測精度；但這些算法是通過分析檢測整個放射圖像，導(dǎo)致其復(fù)雜度較大，難以滿足實時性；在檢測低對比度噪聲放射圖像時，其難以有效區(qū)分圖像背景與焊接缺陷特征，降低其檢測精度。

圖1　放射檢測原理

對此，本文提出了加權(quán)中值各向擴散模型耦合感興趣區(qū)域的放射圖像焊接缺陷檢測技術(shù)?；诟信d趣區(qū)域原理，構(gòu)造焊接缺陷定位方案，確定出焊接缺陷位置；再引入非線性S型函數(shù)， 設(shè)計了加權(quán)中值各向擴散模型，完成缺陷檢測。并借助MATLAB，通過測試缺陷中的2D強度輪廓來評估本文檢測方法的精度。

1本文各異向擴散模型的設(shè)計

為了能夠有效檢測出微小尺寸焊接缺陷與低對比度焊接特征，本文設(shè)計了加權(quán)中值各向擴散模型，以同時增強、銳化焊接缺陷以及平滑圖像背景。假設(shè)放射圖像P的尺寸為M×N，其連續(xù)異向擴散為：

(1)

(2)

其中，g為非負單調(diào)遞減函數(shù)：

(3)

且：

(4)

為了較好地以離散形式執(zhí)行模型(1)，本文引入4鄰近算法與拉普拉算子[7]，得到如下模型：

(5)

圖2　圖像亮度在N、S、E、W四個方向的梯度

(6)

(7)

(8)

(9)

其中，▽代表鄰近差異；

(10)

其中，K代表門檻系數(shù)；其余參數(shù)與前面相同。

由于模型(10)是圖像梯度的逆向擴散，能夠有效消除大面積噪聲；但是該模型難以保持邊緣信息，因此，本文基于有限差分機制與空域中心差分[7]，得到各向擴散模型：

(11)

(12)

(13)

(14)

(15)

但是由于K值的選取是非常困難的。對此，本文引入累積梯度直方圖[8]來確定K值。一般來說，若K值比較大，則圖像邊緣保持得較好，但是無法有效消除噪聲；若K值比較小，能消除噪聲，但會導(dǎo)致圖像邊緣模糊。

圖中，縱坐標代表函數(shù) ；橫坐標為

(a)初始低對比度焊接圖像

(b)模型(11)的擴散結(jié)果

(c)焊接缺陷檢測效果

對此，本文引入中值濾波算子，構(gòu)造圖像梯度計算模型：

(16)

為了產(chǎn)生不同程度的邊緣銳化，本文嵌入非線性S函數(shù)[9]：

(17)

聯(lián)合模型(17)，修正模型(10)，得到新的邊緣停止規(guī)則：

(18)

圖中，縱坐標代表函數(shù) ；橫坐標為

聯(lián)合模型(5)、模型(16)~(18)，嵌入銳化算子[10]，得到加權(quán)中值各向擴散模型為：

(19)

(20)

(a)本文加權(quán)中值各異向擴散模型的擴散結(jié)果

(b)焊接缺陷檢測效果

2本文焊接缺陷實時檢測算法

本文焊接缺陷實時檢測算法流程圖，見圖7。依圖可知，本文實時檢測技術(shù)主要為三大步驟：①圖像增強處理；②基于感興趣區(qū)域的焊接缺陷定位；③利用本文設(shè)計的加權(quán)中值各向擴散模型完成焊接缺陷檢測分析。具體步驟如下：

①首先對放射圖像P進行數(shù)字化；

②隨后引入局部統(tǒng)計增強技術(shù)，改善圖像背景和焊接區(qū)域之間的對比度；并消除步驟①所產(chǎn)生的噪聲

(21)

③基于感興趣區(qū)域原理[11]，確定焊接缺陷區(qū)域；

④引入中值濾波算法[12]，過濾步驟③得到的圖像；

⑤根據(jù)模型(2)、(18)，計算4鄰近算法的擴散系數(shù)：

(22)

⑨對步驟③得到的擴散圖像進行閾值處理，完成焊接缺陷檢測。

圖7　本文焊接缺陷實時檢測技術(shù)示意圖

3實驗結(jié)果與分析

為了體現(xiàn)本文檢測技術(shù)的優(yōu)越性，將焊接缺陷檢測性能較好的擴散模型視為對照組: 文獻[13]以及文獻[14]，分別記為A、B技術(shù)。測試對象為228×171像素的低對比放射圖像，利用本文算法與對照組算法來檢測微小焊接缺陷，在150幅放射圖像中進行測試，每次實驗迭代30次。實驗平臺為：奔騰I5, 4GHz，雙核CPU，500GB硬盤，2GB內(nèi)存，運行系統(tǒng)Windows 7.0。實驗關(guān)鍵參數(shù)：α=0.2,K=1.5。

3.1低對比度焊接缺陷檢測分析

不同檢測技術(shù)所對應(yīng)的焊接缺陷檢測結(jié)果，見圖8。從圖中可知，在初始對比度焊接圖像中，難以發(fā)現(xiàn)這些微小焊接缺陷，經(jīng)過本文檢測技術(shù)處理后，有效增強了焊接缺陷細節(jié)，成功地從焊接區(qū)域內(nèi)檢測出這些微小焊接缺陷，見圖8c；而A、B技術(shù)的檢測效果不佳，出現(xiàn)誤檢現(xiàn)象，見圖8e~圖8g。原因是本文引入中值濾波和銳化算子，設(shè)計了加權(quán)中值各向擴散模型，使得本文檢測技術(shù)能夠根據(jù)焊接缺陷局部梯度幅值，自適應(yīng)地完成增強、銳化焊接缺陷以及平滑放射圖像背景；并基于感興趣區(qū)域原理，構(gòu)造了焊接缺陷定位機制，進一步提高了檢測精度；而對照組算法的擴散模型難以有效區(qū)分圖像背景與焊接缺陷特征，使其檢測精度較低。

(a)低對比度焊接圖像　　 (b)本文檢測技術(shù)擴散圖像

(c)本文技術(shù)的焊接缺陷檢測

(d) A檢測技術(shù)的擴散結(jié)果　　 (e) A技術(shù)的焊接缺陷檢測

(f) B檢測技術(shù)的擴散結(jié)果　　 (g) B技術(shù)的焊接缺陷檢測

3.2焊接缺陷的2D強度輪廓對比分析

圖9a為X射線放射摩擦焊接技術(shù)得到的低對比度焊接圖像，其焊接缺陷(隧道焊縫：白色條狀)非常小，其直徑為100μm，見圖中箭頭所指。為了體現(xiàn)結(jié)果的有效性與可比性，將本文算法與對照組算法沿著A測試方向(穿過感興趣區(qū)域)來測量其2D強度輪廓，結(jié)果見圖9b~9d。從兩組圖中可知，本文檢測技術(shù)在不影響圖像背景與焊接缺陷區(qū)域條件下，能夠顯著增強與銳化焊接缺陷。

3.3焊接缺陷檢測效率對比分析

根據(jù)前面的實驗結(jié)果可知，對照組算法難以檢測低對比度放射圖像的焊接缺陷。為了體現(xiàn)可比性，采用高對比度放射焊接圖像(見圖10a)進行測試；同時，為了體現(xiàn)本文算法的實時性，再將典型的焊接缺陷實時檢測算法視為對照組：文獻[15]，記為C技術(shù)。測試結(jié)果見表1。從表中可知，本文檢測技術(shù)的時耗為0.17s，與實時檢測技術(shù)C(0.19s)非常接近；而A、B技術(shù)的復(fù)雜度較高，分別為0.33s、0.42s。原因是本文檢測技術(shù)引用了感興趣區(qū)域原理，確定出了焊接缺陷區(qū)域，見圖10b中的紅的框框，使得本文檢測技術(shù)只對焊接缺陷區(qū)域進行識別，繼而顯著降低了檢測量；實時檢測技術(shù)C，也是提取出焊接缺陷區(qū)域，只對其進行識別，屬于局部檢測，顯著提高了檢測效率；而對照組A、B算法則是對整個放射圖像進行檢測，其運算量非常大，導(dǎo)致時耗高?？梢?，本文算法的檢測效率是很高的。

依據(jù)文獻[15]可知，只對焊接缺陷區(qū)域進行檢測，能夠顯著降低算法復(fù)雜度，可滿足實時檢測需求；而本文算法也應(yīng)用了這種局部檢測思想，只對焊接缺陷區(qū)域進行識別，其時耗僅為0.17s，略低于當前典型的實時檢測技術(shù)C(0.19s)。這也表明了本文檢測算法是可以夠滿足實時性需求。

(a)測試對象　　　 (b)感興趣區(qū)域定位的焊接缺陷區(qū)域

4結(jié)論

為了提高低對比度焊接缺陷的檢測精度，并使檢測技術(shù)滿足實時性，本文提出了加權(quán)中值各向擴散模型耦合感興趣區(qū)域的放射圖像焊接缺陷實時檢測技術(shù)。引入感興趣區(qū)域原理，確定焊接缺陷區(qū)域，顯著降低復(fù)雜度，并提高檢測準確率；融合中值濾波與非線性S函數(shù)，嵌入銳化算子，設(shè)計了加權(quán)中值各向擴散模型，使得本文檢測技術(shù)能夠根據(jù)局部梯度幅值，自適應(yīng)地完成增強、銳化焊接缺陷與平滑放射圖像背景，快速精確完成焊接缺陷檢測。仿真結(jié)果顯示：與當前焊接缺陷檢測技術(shù)相比，本文方法能夠更好地增強焊接缺陷細節(jié)，擁有更高的缺陷檢測精度與效率。

[參考文獻]

[1] 賈天義，蔡安克，康惠春. 造缺陷無損檢測裝置的研究 [J]. 鑄造技術(shù)，2009, 30(12): 1510-1512.

[2] 趙麗，孔貴廷. 無損檢測技術(shù)在鑄件尺寸檢測中的應(yīng)用[J]. 鑄造技術(shù), 2014, 35(6): 1364-1365.

[3] Yong Wang, Hui Guo. Weld Defect Detection of X-ray Images Based on Support Vector Machine[J]. IETE Technical Review，2014，31(2): 137-142.

[4] 吳一全，葉志龍，萬紅,等. 基于Contourlet和KPCA的焊接缺陷圖像特征提取[J]. 焊接學(xué)報，2014，37(5): 123-130.

[5] B Venkatraman, M M Anishin Raj, V Vaithiyanathan. Weld Defect Detection using Iterative Image Reconstruction Methods [J]. Indian Journal of Science and Technology, 2013, 6(4): 4378-4383.

[6] Yong Wang, Hui Guo. Weld Defect Detection of X-ray Images Based on Support Vector Machine [J]. IETE Technical Review, 2014, 31(2): 137-142.

[7] 晏云, 戴偉忠. 解非線性薛定諤方程的廣義時域有限差分方法的緊致格式[J]. 高等學(xué)校計算數(shù)學(xué)學(xué)報, 2014, 36(1): 186-189.

[8] Debashis Sen, Sankar K Pal. Gradient histogram: Thresholding in a region of interest for edge detection[J]. Image and Vision Computing, 2009, 28(4): 677-695.

[9] Zhengqiu Zhang, Kaiyu Liu, Li Zhu. The new approximation operators with S functions[J]. Journal of Applied Mathematics and Computing, 2013, 42(1): 455-468.

[10] Jianji Wang, Nanning Zheng, Yuehu Liu. Parameter analysis of fractal image compression and its applications in image sharpening and smoothing [J]. Signal Processing: Image Communication, 2013, 28(6): 681-687.

[11] 石端虎, 孫修圣, 剛鐵. 基于塊顯示的工字型焊件感興趣區(qū)域自適應(yīng)提取[J]. 熱加工工藝, 2013, 42(5): 158-161.

[12] Saroj K Meher. Recursive and noise-exclusive fuzzy switching median filter for impulse noise reduction [J]. Engineering Applications of Artificial Intelligence, 2014, 30(4): 145-154.

[13] IB Mhamed, S Abid. Weld defect detection using a modified anisotropic diffusion model [J]. Journal on Advances in Signal Processing, 2012, 35(12): 1223-1231.

[14] Shin-Min Chao, Du-Ming Tsai. Anisotropic diffusion with generalized diffusion coefficient function for defect detection in low-contrast surface images[J]. Pattern Recognition, 2010, 43(6): 2132-2144.

[15] 孫怡，孫洪雨，白鵬,等. X射線焊縫圖像中缺陷的實時檢測方法[J]. 焊接學(xué)報，2004, 25(2): 115-120.

(編輯李秀敏)