DR圖像中氣孔缺陷的自動(dòng)檢測(cè)與識(shí)別

， ， ，

(1.上海航天精密機(jī)械研究所，上海 201600;2.南昌航空大學(xué) 無(wú)損檢測(cè)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，南昌 330063)

DR圖像中氣孔缺陷的自動(dòng)檢測(cè)與識(shí)別

周鵬飛1，王飛1，肖輝2，敖波2

(1.上海航天精密機(jī)械研究所，上海201600;2.南昌航空大學(xué)無(wú)損檢測(cè)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，南昌330063)

焊接缺陷的自動(dòng)檢測(cè)與識(shí)別是無(wú)損檢測(cè)領(lǐng)域的研究熱點(diǎn)之一。首先構(gòu)造了一個(gè)平滑模板，對(duì)原始圖像進(jìn)行中值濾波，得到理想焊縫圖像。其次進(jìn)行圖像減影操作，當(dāng)灰度連通性超過(guò)給定的閾值T時(shí)，當(dāng)前位置被標(biāo)志為可疑缺陷，從而實(shí)現(xiàn)焊縫圖像中可疑缺陷的自動(dòng)檢測(cè)；自動(dòng)檢測(cè)后得到4個(gè)可疑缺陷，計(jì)算所有可疑缺陷的特征參數(shù)，定性分析后均判定為氣孔；最后得到了缺陷列表，缺陷列表與氣孔缺陷二值圖像之間建立了一一對(duì)應(yīng)關(guān)系。

DR圖像；自動(dòng)識(shí)別；中值濾波；灰度連通性

焊接缺陷檢測(cè)是焊接結(jié)構(gòu)質(zhì)量保證和控制的重要手段，要求貫穿在整個(gè)生產(chǎn)過(guò)程中[1]。射線檢測(cè)是焊接缺陷無(wú)損檢測(cè)的方法之一，基于微焦點(diǎn)射線源的射線DR成像技術(shù)在提高焊縫檢測(cè)效率、降低檢測(cè)成本方面具有明顯優(yōu)勢(shì)，且其影像質(zhì)量可以與底片影像質(zhì)量相媲美。由于射線DR成像結(jié)果為數(shù)字圖像，傳統(tǒng)的人工評(píng)片方法已經(jīng)不能滿足現(xiàn)代工業(yè)生產(chǎn)的需求，隨著計(jì)算機(jī)和圖像處理技術(shù)的發(fā)展，DR圖像中缺陷的自動(dòng)檢測(cè)、提取與識(shí)別是目前的研究熱點(diǎn)。

X射線檢測(cè)結(jié)果的評(píng)定經(jīng)歷了底片人工評(píng)定、底片計(jì)算機(jī)輔助評(píng)定、數(shù)字射線圖像的人工評(píng)定及數(shù)字射線圖像計(jì)算機(jī)輔助評(píng)定4個(gè)階段，焊接缺陷的全自動(dòng)檢測(cè)與識(shí)別是計(jì)算機(jī)評(píng)片的高級(jí)階段。

焊接缺陷自動(dòng)檢測(cè)與識(shí)別的主要方法有閾值分割方法[2]、構(gòu)造理想焊縫圖像[3]、專家系統(tǒng)[4-5]、人工神經(jīng)網(wǎng)絡(luò)[6-8]、序列圖像分析[9-10]與參考圖像法[11]等。焊接缺陷自動(dòng)檢測(cè)與識(shí)別的難點(diǎn)在于焊縫區(qū)域灰度起伏大、灰度分布不均勻、缺陷形態(tài)復(fù)雜多樣，容易造成各類焊接缺陷檢測(cè)時(shí)漏檢或缺陷檢測(cè)精度低。由于焊縫區(qū)域灰度分布起伏大，缺陷自動(dòng)檢測(cè)應(yīng)選擇一種局部區(qū)域處理方法，且缺陷檢測(cè)算法應(yīng)與缺陷類型無(wú)關(guān)。

筆者針對(duì)管道焊縫DR圖像中的氣孔類缺陷，采用圖像中值濾波算法構(gòu)造理想焊縫圖像，再通過(guò)圖像減影實(shí)現(xiàn)管道焊縫中氣孔類缺陷的自動(dòng)檢測(cè)。

圖1 某筒體環(huán)焊縫的待處理DR圖像

1 焊縫DR圖像分析

圖1為某型大尺寸筒體環(huán)焊縫DR圖像，透照方式為源在外單壁透照，射線源為德國(guó)沃克斯公司的XWT-225-CT，探測(cè)器為PE0822，射線源到工件的距離為400 mm，焦距為750 mm，環(huán)焊縫外徑為3 350 mm，壁厚為6 mm，DR圖像中尺寸測(cè)量標(biāo)尺為0.178 mm·像素-1。圖1(a)是對(duì)焊縫進(jìn)行射線DR成像后反相得到的原始圖像，圖像大小為1 024×1 024(16 bit RAW格式圖像)，焊縫位于圖像中間部位，沿水平方向分布。人工判斷在焊縫左側(cè)區(qū)域有4個(gè)低對(duì)比度的氣孔缺陷，其中3個(gè)氣孔呈線狀分布，另外一個(gè)氣孔獨(dú)立分布，人工判斷最大氣孔尺寸為0.50 mm。DR輸出圖像灰度范圍為0～65 535,共65 536個(gè)灰度級(jí)，而缺陷灰度分布范圍窄，為了提高目標(biāo)結(jié)構(gòu)細(xì)節(jié)的顯示效果，可以根據(jù)評(píng)片需要調(diào)節(jié)圖像的對(duì)比度和亮度。圖1(b)是對(duì)圖1(a)進(jìn)行窗寬/窗位變換后的結(jié)果(其中窗寬為8 132，窗位為11 450)。

2 焊接可疑缺陷自動(dòng)檢測(cè)算法

由于焊接缺陷的類型多種多樣，形態(tài)分布各不相同，單一的缺陷檢測(cè)算法和檢測(cè)參數(shù)難以保證不漏檢，此時(shí)焊接缺陷的漏檢在焊接缺陷的自動(dòng)識(shí)別中是難以避免的。換一種思路，算法不直接去檢測(cè)真實(shí)缺陷，而是傾向找出所有可疑缺陷，通過(guò)優(yōu)化檢測(cè)參數(shù)，盡量做到不漏檢缺陷。根據(jù)原始輸入圖像，首先構(gòu)造一幅理想無(wú)缺陷焊縫圖像，通過(guò)圖像減影差值尋找灰度差超過(guò)一定閾值的點(diǎn)，尋找所有可疑缺陷區(qū)域。

焊接可疑缺陷自動(dòng)檢測(cè)算法如下：

(1) 設(shè)定感興趣區(qū)ROI，感興趣區(qū)的大小限定了缺陷檢測(cè)算法的有效區(qū)域。感興趣區(qū)域的功能是重新選擇檢測(cè)區(qū)域范圍，減小非檢測(cè)區(qū)域范圍，降低可疑缺陷檢測(cè)時(shí)虛假缺陷出現(xiàn)的幾率，提高檢測(cè)效率。注意重新設(shè)定檢測(cè)范圍時(shí)應(yīng)包括焊縫區(qū)域和熱影響區(qū)。

(2) 設(shè)置平滑半徑r，平滑半徑限定了局部區(qū)域大小。

(3) 構(gòu)造模擬理想焊縫，讀取一幅DR圖像，對(duì)所有像素點(diǎn)進(jìn)行循環(huán)處理，在(2r+1)×(2r+1)區(qū)域內(nèi)進(jìn)行中值濾波。當(dāng)平滑半徑尺寸超過(guò)最大缺陷直徑的2倍時(shí)，缺陷將被濾除，由此創(chuàng)建一幅模擬理想焊縫圖像。圖像中值濾波算法的作用是抹平缺陷，構(gòu)造理想無(wú)缺陷焊縫。

(4) 將模擬理想焊縫圖像和原始圖像進(jìn)行圖像減影操作，設(shè)定閾值T(灰度連通性)，選取灰度差超過(guò)給定閾值T的點(diǎn)視為可疑缺陷區(qū)域。

(5) 將檢測(cè)結(jié)果對(duì)應(yīng)生成二值圖像。

圖2 可疑缺陷自動(dòng)檢測(cè)算法流程圖

圖2為可疑缺陷自動(dòng)檢測(cè)算法流程圖。

算法實(shí)現(xiàn)時(shí)通過(guò)設(shè)定灰度連通性、平滑半徑兩個(gè)參數(shù)完成。灰度連通性閾值越小，搜索到的可疑缺陷越多，虛假缺陷也越多；平滑半徑越大，對(duì)檢測(cè)小缺陷有利。

因此，利用當(dāng)前圖像構(gòu)造模擬理想焊縫，模擬理想焊縫相當(dāng)于無(wú)缺陷焊縫，模擬理想焊縫與真實(shí)焊縫圖像相比，當(dāng)有缺陷存在時(shí)，缺陷處的灰度波動(dòng)較大，而無(wú)缺陷區(qū)域的灰度波動(dòng)小，灰度波動(dòng)可以通過(guò)灰度差值(兩幅圖像相減)反映出來(lái)，缺陷檢測(cè)結(jié)果以二值圖像顯示。

由于當(dāng)前圖像大小為1 024×1 024，設(shè)定檢測(cè)范圍：上為381，下為550，左為20，右為1002，對(duì)應(yīng)為圖1(a)中矩形框所示。圖3(a)為圖1(a)灰度連通性取320，平滑半徑取4時(shí)的可疑缺陷自動(dòng)檢測(cè)結(jié)果，算法自動(dòng)檢測(cè)后共發(fā)現(xiàn)4個(gè)可疑缺陷。圖3(b)為圖3(a)放大2倍后的局部顯示結(jié)果，且對(duì)4個(gè)不同缺陷賦以了不同序號(hào)。注意，在相同檢測(cè)范圍內(nèi)，針對(duì)圖1(b)灰度連通性取2 500，平滑半徑取4時(shí)的缺陷自動(dòng)檢測(cè)結(jié)果也可得到如圖3(a)的結(jié)果。

圖3 對(duì)應(yīng)圖1的可疑缺陷自動(dòng)檢測(cè)結(jié)果

3 氣孔類缺陷特征參數(shù)計(jì)算與定性分析

3.1缺陷特征參數(shù)計(jì)算

缺陷自動(dòng)檢測(cè)時(shí)生成的二值圖像用來(lái)表示缺陷及其位置，二值圖像清晰地反映了缺陷的位置信息，根據(jù)二值圖像的特征可以進(jìn)一步分析圖像特征用于描述缺陷的屬性。獲取二值圖像后首先遍歷所有像素，得到缺陷數(shù)量n(≥1)，并自動(dòng)對(duì)每一個(gè)缺陷進(jìn)行編碼分配缺陷編號(hào)，編號(hào)為0到n-1。

根據(jù)氣孔類缺陷定性分析時(shí)可能用到的特征，特征參數(shù)有缺陷重心、面積、周長(zhǎng)、長(zhǎng)度、寬度、似圓度、圓形或條形缺陷、平均灰度和灰度對(duì)比度，可對(duì)這些參數(shù)進(jìn)行定量計(jì)算。

(1) 重心

在二值圖像上搜索每一個(gè)缺陷內(nèi)所有像素的坐標(biāo)，計(jì)算其重心坐標(biāo)

式中：n為每一個(gè)缺陷區(qū)域內(nèi)的像素?cái)?shù)。

(2) 面積

在二值圖像上搜索每一個(gè)缺陷占有的像素?cái)?shù)m，用S表示缺陷面積。

式中：fScale為標(biāo)尺。

(3) 周長(zhǎng)

在二值圖像上搜索每一個(gè)缺陷的內(nèi)輪廓，物體輪廓線的周長(zhǎng)是指輪廓線上像素間距距離之和，用L表示周長(zhǎng)。

式中：d為以像素單位表示的輪廓線距離。

(4) 周長(zhǎng)與面積比

周長(zhǎng)與面積比可用來(lái)描述缺陷形狀，即為：周長(zhǎng)與面積比=缺陷周長(zhǎng)/缺陷面積。

當(dāng)形狀為圓時(shí)，周長(zhǎng)與面積比最小，越呈長(zhǎng)條狀，周長(zhǎng)與面積比越大。

(5) 長(zhǎng)度和寬度

通常需要計(jì)算反映物體形狀特征的主軸方向上的長(zhǎng)度和與之垂直方向的寬度，這樣的外接矩形是物體最小的外接矩形。筆者采用OpenCV中的MinRect()函數(shù)來(lái)分析缺陷目標(biāo)的最小矩形包圍盒，返回最小矩形包圍盒的長(zhǎng)徑和短徑。只要是缺陷，最小外接矩形表示的長(zhǎng)度和寬度最小為一個(gè)fScale標(biāo)尺單位長(zhǎng)度。

(6) 似圓度

似圓度是基于面積和周長(zhǎng)計(jì)算物體形狀的復(fù)雜程度的特征量，用R表示：

形狀越接近于圓，R越大。形狀越復(fù)雜，R越小。

(7) 圓形或條形

根據(jù)每一個(gè)缺陷的最小外接矩形的長(zhǎng)度和寬度，可計(jì)算每一個(gè)缺陷的長(zhǎng)寬比:

長(zhǎng)寬比=長(zhǎng)度/寬度

如果長(zhǎng)寬比大于3為條形缺陷，取值為1;否則為圓形缺陷，取值為0。

(8) 平均灰度

根據(jù)缺陷編碼，遍歷搜索圖像中某一個(gè)編碼，提取對(duì)應(yīng)缺陷所有像素的灰度，統(tǒng)計(jì)其個(gè)數(shù)，計(jì)算平均灰度。平均灰度反映了目標(biāo)缺陷的屬性情況。

(9) 灰度對(duì)比度

對(duì)缺陷二值圖像進(jìn)行n次膨脹和n次腐蝕(如n取3)，與原始二值圖像進(jìn)行差運(yùn)算，尋找周圍背景區(qū)域，再分別計(jì)算缺陷和周圍背景的平均灰度。

圖2顯示了當(dāng)單向邊比例f為不同值時(shí)，ER網(wǎng)絡(luò)在三種不同的邊定向方法，即HTLDD，LTHDD和RDD 方法下，最大連通子圖相對(duì)值G和歸一化雪崩規(guī)模S隨β的演化.

灰度對(duì)比度=缺陷的平均灰度-周圍背景的平均灰度

灰度對(duì)比度表示了相對(duì)灰度，用來(lái)描述缺陷的黑度情況。值為負(fù)，表示缺陷的平均灰度<周圍背景的平均灰度。

3.2氣孔類缺陷定性分析

氣孔類缺陷定性算法如下：

(1) 遍歷所有缺陷，若灰度對(duì)比度<0，進(jìn)行步驟(2)。

(2) 分析缺陷的長(zhǎng)和寬。若寬度=0，表示最小一個(gè)像素[OpenCV中的MinRect()函數(shù)可能返回0]，若長(zhǎng)度不大于3個(gè)像素，考慮缺陷平均灰度小于0.99倍背景平均灰度，則判氣孔。若寬度不為0，則進(jìn)行步驟(3)。

缺陷定性和質(zhì)量評(píng)級(jí)依據(jù)標(biāo)準(zhǔn)QJ 2698A-2011《鋁及鋁合金熔焊技術(shù)要求》，對(duì)缺陷定性判斷時(shí)，除了關(guān)注上述缺陷類型外，還可能存在鏈狀缺陷、聚集缺陷和間距超標(biāo)。

鏈狀缺陷：分布在一條線上，數(shù)量不少于3個(gè)，間距不大于任意兩相鄰缺陷直徑較大者3倍的缺陷。

聚集缺陷：間距不大于任何兩相鄰缺陷直徑較大值3倍的缺陷群。

間距超標(biāo)：缺陷間距超過(guò)缺陷尺寸3倍。

但這3種缺陷類型目前還無(wú)法直接自動(dòng)判斷，還需要借助人工評(píng)判。

4 試驗(yàn)結(jié)果

缺陷特征參數(shù)信息和缺陷定性信息可以通過(guò)缺陷列表的形式顯示，圖4為氣孔缺陷自動(dòng)檢測(cè)與識(shí)別后的信息列表顯示效果，其中第2列數(shù)據(jù)為缺陷定性分析結(jié)果，從第3列開(kāi)始為缺陷特征參數(shù)。二值圖像上的缺陷位置和缺陷列表中的缺陷序號(hào)一一對(duì)應(yīng)，即單擊缺陷列表中的某一個(gè)缺陷時(shí)，將自動(dòng)定位到二值圖像中對(duì)應(yīng)缺陷處。缺陷0的長(zhǎng)度為0.36 mm，長(zhǎng)寬比小于3，平均灰度為54 549(原因在于原始圖像為正片，采集圖像的灰度值偏低)，且平均灰度低于周圍背景平均灰度的0.99倍，按定性算法自動(dòng)判定為氣孔。以此類推，其他缺陷也判定為氣孔，計(jì)算機(jī)自動(dòng)識(shí)別結(jié)果與人工判斷一致。從氣孔缺陷長(zhǎng)度看，氣孔0尺寸最小，為一個(gè)像素，與實(shí)際圖像一致。氣孔2尺寸最大，尺寸為0.63 mm，比人工判斷尺寸略大。根據(jù)QJ 2698A-2011標(biāo)準(zhǔn)，4個(gè)氣孔缺陷尺寸都不超標(biāo)，但氣孔2和氣孔3的尺寸超過(guò)0.5 mm，在質(zhì)量評(píng)級(jí)時(shí)需要特別注明其尺寸。從缺陷重心坐標(biāo)信息和圖3(b)可得，氣孔0、氣孔2、氣孔3基本位于一條直線上，且相鄰缺陷間距小，可判定為鏈狀缺陷。氣孔1的長(zhǎng)度為0.18 mm，與其他缺陷間距較大，為單個(gè)缺陷。

表1 缺陷信息列表

5 結(jié)論

(1) 設(shè)計(jì)了一種焊接可疑缺陷自動(dòng)檢測(cè)算法，首先通過(guò)圖像中值濾波創(chuàng)建模擬理想焊縫圖像，再通過(guò)模擬理想焊縫圖像與原始圖像的減影操作，搜索所有超過(guò)給定閾值的可疑區(qū)域作為可疑缺陷評(píng)定區(qū)域。試驗(yàn)得到該算法自動(dòng)檢測(cè)到了4個(gè)可疑缺陷。

(2) 對(duì)所有可疑缺陷分別計(jì)算缺陷特征參數(shù)和進(jìn)行定性分析，4個(gè)可疑缺陷定性分析結(jié)果均判定為氣孔缺陷，最終得到了缺陷列表，定性分析結(jié)果與人工判定結(jié)果一致。

(3) 通過(guò)二值圖像和缺陷列表可進(jìn)一步分析超標(biāo)缺陷信息，從而進(jìn)行質(zhì)量評(píng)級(jí)。

(4) 該自動(dòng)檢測(cè)與識(shí)別算法能達(dá)到較好的氣孔缺陷檢測(cè)效果。

[1] 李亞江,王娟. 焊接缺陷分析與對(duì)策[M]. 北京：化學(xué)工業(yè)出版社, 2014.

[2] VAITHIYANATHAN V, ANISHIN RAJ M M. Survey on various segmentation techniques used for weld defect detection in radiography[J].European Journal of Scientific Research,2011,66(3):449-455.

[3] 楊靜. 基于X射線圖像的焊縫缺陷檢測(cè)與識(shí)別技術(shù)[D]. 太原：中北大學(xué), 2008.

[4] 張曉光,高頂. 射線檢測(cè)焊接缺陷的提取和自動(dòng)識(shí)別[M]. 北京：國(guó)防工業(yè)出版社, 2004.

[5] 梁硼. X射線焊縫圖像缺陷自動(dòng)提取與識(shí)別技術(shù)研究[D]. 南京：南京航空航天大學(xué),2012.

[6] ZAHRAN O, KASBAN H, KORDY M E. Automatic weld defect identification from radiographic images[J].NDT&E International,2013, 57:26-35.

[7] BANIUKIEWICZ P. Automated defect recognition and identification in digital radiography[J]. Journal of Nondestructive Evaluation, 2014,33: 327-334.

[8] BOARETTO N,CENTENO T M.Automated detection of welding defects in pipelines from radiographic images DWDI[J]. NDT&E International, 2017, 86:7-13.

[9] SHAO J X, DU D, CHANG B H, et al. Automatic weld defect detection based on potential defect tracking in real-time radiographic image sequence[J]. NDT&E International, 2012, 46:14-21.

[10] 田原,都東, 侯潤(rùn)石,等. 基于X射線圖像序列的焊縫缺陷自動(dòng)檢測(cè)方法[J]. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版), 2007,47(8):1278-1281, 1286.

[11] XIAO X H. Automated defect recognition in digital radiography[D].Dalian:Dalian University of Technology, 2009.

AutomaticDetectionandRecognitionofGasPoresinDRImages

ZHOUPengfei1,WANGFei1,XIAOHui2,AOBo2

(1.ShanghaiInstituteofSpaceflightPrecisionMachine,Shanghai201600,China;2.KeyLaboratoryofNondestructiveTesting(MinistryofEducation),NanchangHangkongUniversity,Nanchang330063,China)

Automatic detection and recognition of weld defects is one of the hot spots in nondestructive testing. In this paper, firstly, a smooth template was constructed, the original image was filtered by median filter, and then the ideal weld image was constructed. Secondly, the image subtraction operation was performed, and the current position was marked as a suspicious defect when the gray connectivity exceeded a given threshold value ofT, then automatic detection of weld defects was realized. Four suspicious defects were obtained after automatic detection, the characteristic parameters of all suspicious defects were calculated, and all suspicious defects were determined as gas pores after qualitative analysis. Finally, the defect list was obtained, and the correspondence between the defect list and the two value image of gas pores was established.

DR image; automatic recognition; median filter; gray connectivity

TG115.28

A

1000-6656(2017)10-0037-05

2017-02-14

周鵬飛(1985-)，男，學(xué)士，工程師，主要從事射線檢測(cè)工作

敖 波，aobo0328@163.com

10.11973/wsjc201710009