超聲相控陣圖像中的缺陷識別算法

,,,, , ,,

(1.甘肅藍科石化高新裝備股份有限公司， 蘭州 730070;2.國家知識產(chǎn)權(quán)局專利局 專利審查協(xié)作河南中心，鄭州 450002;3.北京交通大學(xué) 理學(xué)院物理系,北京 100044；4.國標(biāo)(北京)檢驗認(rèn)證有限公司，北京 100088)

由于其具有的獨特優(yōu)勢，相控陣檢測技術(shù)一應(yīng)用于工業(yè)無損檢測就得到了迅速的發(fā)展，廣泛應(yīng)用于電力、鐵路、石化等多個行業(yè)。但是相控陣應(yīng)用中對相控陣圖像的缺陷處理和分析，目前還停留在用肉眼觀察和人工標(biāo)識的階段。另一方面，融合了圖像處理、模式識別、自動控制等技術(shù)的運動目標(biāo)自動檢測和跟蹤技術(shù)在計算機視覺系統(tǒng)研究領(lǐng)域正在不斷發(fā)展[1]。

筆者將運動目標(biāo)的自動檢測和跟蹤技術(shù)應(yīng)用于相控陣檢測的圖像處理中，實現(xiàn)了超聲相控陣圖像中的缺陷識別與提取，以為超聲檢測自動化提供一種思路。

1 超聲相控陣S掃圖像

相控陣通過相位調(diào)制超聲波發(fā)射角的偏轉(zhuǎn)，同時記錄發(fā)射和接收時差來間接檢測目標(biāo)深度。這種方法得到的原始數(shù)據(jù)是一個“角度-深度”坐標(biāo)的回波強度矩陣。由于一般情況下角度的分辨率遠小于深度分辨率，這個矩陣的長寬比就變得非常大，不適合直接進行圖像處理。而扇形圖像能很好地表示相控陣的發(fā)射角度和深度，而且圖像比例合適，故可用于圖像處理中。因此筆者需要做適當(dāng)?shù)淖鴺?biāo)變換，將原始矩陣數(shù)據(jù)變成扇形，得到S掃圖像。

文章使用雙線性插值算法使原始數(shù)據(jù)矩陣中的坐標(biāo)位置(θ,ρ)變換為S掃圖像的每一個像素點(x,y)。如圖1所示，十字點為S掃圖像中的像素點，黑色點為原始數(shù)據(jù)中的點，P為需要被插值的點，A，B，C和D為P點對應(yīng)的4個最相鄰的原始數(shù)據(jù)點。

圖1 雙線性插值算法示意圖

變換后最終得到的S掃圖像如圖2所示,可以看出相控陣S掃圖譜記錄的是特定角度上(扇形的不同母線)，不同聲程處(扇形母線的不同位置)的回波幅度(顏色)。

圖2 試塊S掃描示意與掃描圖像

2 缺陷識別與提取

超聲檢測中往往有大量的噪聲存在，如盲區(qū)白噪聲、背景噪聲、邊界回波噪聲、脈沖噪聲、缺陷多次反射回波等。這些噪聲信號通過數(shù)據(jù)轉(zhuǎn)換后也存在于S掃圖像中，是導(dǎo)致相控陣成像質(zhì)量低、缺陷識別困難的主要因素。故只有對檢測圖像進行針對性地處理，使得缺陷圖像與實際缺陷成為一一對應(yīng)的關(guān)系后，才能對缺陷進行準(zhǔn)確地提取和量化。反過來說，就是只有提取出的缺陷信息(深度、大小等)與實際缺陷相同或是相差不多時，才能認(rèn)為圖像處理及缺陷提取的過程是準(zhǔn)確的。

噪聲去除是圖像處理的第一步，也是最重要的一步。一般來說，與缺陷信號特征相差較多的噪聲信號比較容易處理，但一些與缺陷信號特征差不多的噪聲，比如缺陷的二次回波、邊角反射波等較難去除，如果強行去除則可能會失去真實的缺陷信號。圖像處理過程中，特殊情況下有可能將一個缺陷劃分為兩個缺陷，也有可能把相近的兩個缺陷合為一個缺陷，這都會影響到后續(xù)缺陷特征信息的提取。同時，隨著圖像的進一步處理，軟件又能識別出新的噪聲，需要進行噪聲再處理。一般來說，計算機處理二值圖像比較方便，所以對得到S掃圖像進行二值化處理是其他高級處理方法的前提。

筆者依照去噪、二值化、濾波、多目標(biāo)跟蹤、缺陷提取步驟實現(xiàn)了缺陷的自動識別和信息提取。其主要流程如圖3所示。

圖3 缺陷自動識別流程

3 去噪

3.1 背景差分去噪

背景差分去噪可以去除大部分的噪聲信號,特別是背景白噪聲。處理方式是原圖與背景進行矩陣減法運算得到新圖。定義圖像序列為pic(x,y,t)(其中x,y為空間坐標(biāo)，t為第t幀數(shù)據(jù))，背景圖像為background(x,y,t)。則背景差分可以表示為

pic′(x,y,t)=

|pic(x,y,t)-background(x,y,t)|

(1)

探頭在移動掃查的過程中，噪聲時刻都在發(fā)生變化，因此背景需要進行動態(tài)更新，文中選定權(quán)重p(0

background(x,y,t+1)=pic(x,y,t+1)×p+

background(x,y,t)×(1-p)

(2)

p的大小需要通過試驗來確定，一般來說，p越大背景圖像更新越快，但更新快容易導(dǎo)致前景目標(biāo)融入背景。背景差分去噪的實際效果如圖4所示，可以看到頂部的盲區(qū)噪聲全部被濾除了，效果很好。

圖4 圖像背景差分去噪效果圖

3.2 圖像二值化

背景差分去噪后形成的圖像為灰度圖，不適合計算機軟件進一步的圖像處理，因此需要對圖像進行二值化。設(shè)二值化后的某點像素值為mask(x,y,t)，閾值為thresh(x,y,t)，則二值化的過程可用式(3)表示

mask(x,y,t)=

(3)

二值化過程中,閾值的選擇是關(guān)鍵[2]。最大類間方差法是力求得到盡可能大的背景和前景之間的類間方差，以增大圖像兩部分差別的方法[3]，文章采用該方法來選取閾值?？紤]到相控陣檢測中超聲波衰減、偏轉(zhuǎn)角等因素的影響，文中二值化函數(shù)的閾值還和像素點所在的偏轉(zhuǎn)角位置有關(guān)，偏轉(zhuǎn)角越大閾值越小。這樣可以降低缺陷目標(biāo)在兩側(cè)被誤認(rèn)為背景的概率。圖5所示為二值化前后的效果對比，可以看到左下角強度較低的回波噪聲在二值化之后被濾除，產(chǎn)生了3個潛在目標(biāo)。

圖5 圖像二值化前后效果對比

3.3 圖像濾波

超聲相控陣檢測時受構(gòu)件幾何形狀、耦合狀況等因素的影響，缺陷存在不連續(xù)(即被分成兩個或更多的部分)問題，同時也存在缺陷虛假邊界等問題，而前期的背景去噪及二值化過程一般不能解決這些問題，所以需要進行進一步的濾波處理[4]。筆者采用了中值濾波加形態(tài)學(xué)處理的方法進行圖像濾波處理。

3.3.1 中值濾波

中值濾波是一種常見的統(tǒng)計排序空間濾波器。這種濾波器的響應(yīng)以濾波器包圍的圖像區(qū)域中所含的像素排序為基礎(chǔ)，以統(tǒng)計排序的中值來代替中心像素的值[5]。

對于二值化后的圖像，中值濾波器的輸入圖像只有2種灰度值，即0和1，此時的中值濾波器的工作變成了統(tǒng)計模板W內(nèi)的1的個數(shù)并和模板大小的一半進行比較，可用式(4)表示

mask′(x,y,t)=

(4)

式中：mask(x,y,t)和mask′(x,y,t)分別為原始圖像和處理后的圖像;W為中值濾波的模板；w為模板的大小。

中值濾波器可以消除一些孤立的噪聲點，填補一些缺陷目標(biāo)中間的空隙。由圖6可以很明顯地看到，濾波后目標(biāo)附近的孤立的像素點群被濾除了，同時目標(biāo)中間的縫隙也被填補了，從而使目標(biāo)變成了一個整體。

圖6 圖像中值濾波前后效果對比

3.3.2 形態(tài)學(xué)圖像處理

中值濾波后，缺陷目標(biāo)在圖像上變?yōu)榱艘粋€整體，但是整體中，圖像還存在較窄的間斷、細長的溝壑、細小的孔洞、輪廓線不完整等一些問題?；诩险撍枷?，對二值圖像進行形態(tài)變換的數(shù)學(xué)形態(tài)學(xué)方法則可以很好地對圖像進行進一步的濾波。圖7為對圖像部分目標(biāo)閉運算前后的效果對比圖，可以看出經(jīng)過閉運算后，目標(biāo)中的溝壑和孔洞得到了填補，邊緣也被平滑處理了。

圖7 圖像閉運算處理前后效果對比

經(jīng)過中值濾波和形態(tài)學(xué)閉運算后，圖像中大部分的背景噪聲、回波噪聲以及脈沖噪聲均被去除。圖8所示為圖像濾波前后的效果對比圖，可看出圖像雖然清晰，目標(biāo)缺陷形態(tài)完整，但圖像中還存在邊界回波噪聲以及缺陷的高次回波噪聲。文中前面也講過這些噪聲的靜態(tài)信息和真實的缺陷幾乎相同，如果強行去除有可能會失去真實的缺陷信號。

圖8 圖像濾波處理前后對比

4 缺陷目標(biāo)跟蹤及識別

為了進一步優(yōu)化圖像，去除邊界回波噪聲以及缺陷的高次回波噪聲，文章采用了動態(tài)的多目標(biāo)跟蹤方法。多目標(biāo)跟蹤的基礎(chǔ)是缺陷因為絕對位置的固定而在圖像序列中有相同模式的軌跡，而噪聲不具有這種特性。因此，可用軌跡的模式來區(qū)分缺陷目標(biāo)和噪聲。

4.1 連通域標(biāo)記及缺陷信息的提取

經(jīng)過形態(tài)學(xué)處理后的二值化圖像，含有多個目標(biāo)缺陷，這些缺陷雖然有的是噪聲，但在圖像上看，都是相互連通的實體，每一個實體都代表了一個可能的缺陷。這些實體在圖像中，被稱為連通域。為了更進一步地提取相關(guān)信息，需要對連通域進行標(biāo)記。MATLAB中的bwlabel函數(shù)可以很好地實現(xiàn)連通域的標(biāo)記[6]，達到區(qū)分各個不同的實體并賦于每個實體索引號的目的。并且，每個被標(biāo)記的連通域都可通過blobAnlysis函數(shù)得到連通域的面積、中心、邊框等信息。得到目標(biāo)缺陷的邊框信息后，在未處理原圖的對應(yīng)范圍搜索，又可得到目標(biāo)缺陷的最強點位置、強度等信息。

文章至此，基本完成了目標(biāo)缺陷的面積、邊框、中心、最強點位置等主要信息的提取。但需要注意的是，至此步驟還有一些非缺陷信號沒有去除，以下將通過動態(tài)的跟蹤方法進行去除。

4.2 卡爾曼濾波及軌道分配多目標(biāo)跟蹤

單幀超聲相控陣圖像包含了所有的目標(biāo)信息，但是同時還有一些和實際缺陷外形完全一樣的噪聲信號。這些信號很難通過單幀圖像區(qū)分。采用動態(tài)的目標(biāo)跟蹤方法，通過連續(xù)跟蹤多幀圖像來剔除這些噪聲是非常有用的方法。MATLAB附帶的卡爾曼濾波器是一種著名的目標(biāo)跟蹤方法。原始的卡爾曼濾波器只能進行單目標(biāo)跟蹤，本身無法在多個輸入中鑒別出唯一的正確坐標(biāo)進行跟蹤。

多目標(biāo)跟蹤方法最難的環(huán)節(jié)是幀間數(shù)據(jù)關(guān)聯(lián)問題，即每一幀的目標(biāo)分別對應(yīng)前一幀的哪些目標(biāo)，而這需要進行軌道分配。軌道分配多目標(biāo)跟蹤法要求建立多個軌道，在每一幀的開始階段進行參數(shù)分配，將探測到的m個目標(biāo)分配給n個軌道，對每一個軌道內(nèi)的目標(biāo)跟蹤就是單目標(biāo)跟蹤，完全可以用卡爾曼濾波器實現(xiàn)。

圖9 軌道分配距離定義示意

最簡單的軌道分配算法是計算每一個軌道與每一個探測目標(biāo)的距離，形成一個m×n的距離分布矩陣，其中m是探測目標(biāo)數(shù)，n是軌道數(shù)。這里的距離指的是每一個軌道的卡爾曼濾波器預(yù)測的中心和觀測值中心之間的幾何距離，如圖9所示。如果一個軌道只有一個候選目標(biāo)，那么將目標(biāo)分配給這個軌道；如果有多個候選目標(biāo)，那么將距離最小的目標(biāo)分配給這個軌道。

MATLAB中集成的軌道分配函數(shù)assign-DetectionsToTracks，可以高效地將探測目標(biāo)分配給軌道[7]，但是這只適合于n×n矩陣。因此需要根據(jù)實際情況來補全矩陣至方陣，即將計算出來的m×n距離分布矩陣補全至大方陣，增加部分的數(shù)據(jù)可以填入無限大的數(shù)(大于探測閾值)。分配探測目標(biāo)給軌道將產(chǎn)生3種結(jié)果：

(1) 探測目標(biāo)被成功分配給已有的軌道：目標(biāo)跟蹤正常,可以繼續(xù)跟蹤下去。

(2) 軌道沒有分配到探測目標(biāo)：跟蹤目標(biāo)和其他目標(biāo)合并或是因為目標(biāo)過弱、加速運動等原因而沒有被探測到，需要保留軌道；也可能目標(biāo)是噪聲，此時已消失，需要刪除相應(yīng)軌道。

(3) 探測目標(biāo)沒有分配到已有軌道：新的目標(biāo)或是噪聲進入探測范圍，需要交給后面幾幀去判斷，需建立新的軌道。

到此，文章完成了動態(tài)的噪聲處理，去除了與實際缺陷信號非常接近的噪聲信號。圖10所示為整個程序完成圖像處理前和處理后進行目標(biāo)跟蹤的效果對比，圖中的編號為跟蹤目標(biāo)的序號，其中第9，55號是缺陷目標(biāo)，49號是底面回波噪聲，49號在軌道分配多目標(biāo)跟蹤后被濾去。

圖10 某幀超聲圖像完成處理前和處理后目標(biāo)跟蹤效果對比

5 試驗測試結(jié)果

根據(jù)上述理論，用C語言編寫了原始數(shù)據(jù)坐標(biāo)變換程序，使用MATLAB編寫圖像處理及識別程序，并進行了試驗驗證。在試驗中，使用一個鋁制帶孔試塊進行測試。試驗所用試塊及探頭外觀如圖11所示，試塊上鉆有3個小孔作為缺陷。

試驗共進行了5組數(shù)據(jù)的測量，測試結(jié)果如表1所示(3個正面的檢測速度不同)。

由表1可以看出：識別結(jié)果中，除了第1組的89號目標(biāo)由于軌跡不夠完整被刪除，以及第4組的30號由于剛好未觸發(fā)刪除閾值之外，程序都能很好地識別區(qū)分出正確的缺陷目標(biāo)；在測量結(jié)果中誤差的絕對值最大為1.66 mm，誤差相對值最大為6.5%。考慮到超聲波的波長在鋁中有0.2 mm，以及孔洞大小直徑為1～3 mm，作為一個demo程序，識別的正確率以及測量精確度都達到了較好的效果。

圖11 測試所用的試塊以及探頭外觀

表1 驗證試驗結(jié)果

6 結(jié)語

在算法流程中，目標(biāo)消失后判斷目標(biāo)是噪聲還是缺陷的工作是算法的一個重要部分，文中程序只是以連續(xù)不可見幀數(shù)作為判定依據(jù)進行簡單判定的。在實際檢測中如果要進一步優(yōu)化程序，可以使用程序支持向量機來實現(xiàn)，可將目標(biāo)本身的面積、邊框、不變矩以及軌跡的最大深度、最高運動速度等信息組成一個n維向量作為支持向量機的輸入，然后獲取多組數(shù)據(jù)進行訓(xùn)練，最終用于目標(biāo)識別，這需要更進一步的研究。