基于γ射線圖像的鑄件型腔內(nèi)部氣泡缺陷檢測

牛朋

摘 要：利用γ射線獲取鑄件內(nèi)部氣泡缺陷，結(jié)合圖像處理缺陷檢測技術(shù)提取獲取的工件氣泡缺陷。首先將圖像進行灰度轉(zhuǎn)換，得到單通道灰度圖像，有利于圖像二值化處理。由于二值化圖像還有一些噪聲點，簡單的模糊處理并不能產(chǎn)生很好的效果，因此對圖像進行開運算。將圖像腐蝕后再進行膨脹，可基本解決圖像噪聲問題，然后對得到的圖像進行輪廓提取和篩選，最終提取出輪廓缺陷。經(jīng)測試發(fā)現(xiàn)，該算法對工件缺陷提取具有很好的效果，能夠準確檢測出型腔類鑄件內(nèi)部氣泡缺陷。

關(guān)鍵詞：型腔鑄件;氣泡缺陷檢測;圖像膨脹;圖像腐蝕;輪廓提取

Abstract： The gamma-ray is used to obtain the defects of the inner bubbles of the casting， and the image defect detection technology is combined with the image processing to extract the bubble defects of the obtained workpiece. First， the image is grayscale transformed to obtain a single-channel grayscale image， which is beneficial to image binarization processing. Since the obtained binarized image has some noise points， the simple blurring process does not produce a good effect， so the image is opened. Firstly， the image is etched to obtain the etched image， and then expanded， which can basically solve the noise problem of the image and then the contour of the obtained image is extracted and filtered， and finally the contour defect is extracted. After testing， the algorithm has a good effect on the defect extraction of the workpiece and can accurately detect the bubble defects inside the cavity casting.

Key Words： cavity casting; bubble defect detection; image dilation; image erosion;contour extraction

0 引言

由于工作條件的限制，對于型腔類鑄件內(nèi)部氣泡缺陷采集比較困難，需要用到γ射線采集該類零件圖像。但是由于設(shè)備及工作環(huán)境等原因，獲取的圖像對比度較低，灰度范圍較小，同時較低的像素使圖像中的缺陷不明顯，給工件缺陷檢測帶來巨大挑戰(zhàn)。陳艷燕等[1]提出一種基于邊緣檢測算子的銳化以及幾何特征的氣泡缺陷檢測算法，該算法對具有一定規(guī)則及干擾噪聲較小的氣泡檢測較為有效，但對于有圓形孔干擾及規(guī)則噪聲點檢測不太準確。許春媛等[2]通過提取顏色、亮度與方向3個特征矩陣后，采用馬爾科夫隨機場算法對氣泡缺陷進行檢測，該算法只能對彩色圖像及較為明顯的氣泡缺陷進行提取，對噪聲點較多且不規(guī)則的氣泡提取效果不佳。

目前國內(nèi)外型腔類鑄件氣泡缺陷檢測處于空白狀態(tài)，因此本文通過一種新的圖像檢測算法實現(xiàn)型腔類鑄件內(nèi)部氣泡缺陷檢測。針對γ射線獲取的圖像對比度較低的問題，首先提高圖像對比度[3]，使圖像明暗程度有一定提升[4];其次設(shè)定閾值，對圖像進行二值化操作[5];第三步對圖像進行腐蝕操作用，去除圖像斑點狀噪聲[6]，由于腐蝕處理會使圖像邊界信息有所損失，需要對圖像進行膨脹操作[7]，使在消除噪聲的同時保留圖像缺陷的基本輪廓;最后對圖像進行輪廓提取和面積計算[8]，利用閾值篩選出缺陷部分的輪廓，從而完成圖像缺陷輪廓的提取[9]。

1 提高γ圖像對比度

在使用機器視覺系統(tǒng)采集γ圖像時，由于光照角度和亮度等因素影響，導(dǎo)致采集到的圖像亮度較小，對比度不明顯，使圖像中的缺陷不易顯現(xiàn)[10]，如果直接對該部分圖像進行處理和缺陷檢測，難以達到預(yù)期效果。因此需要對圖像進行預(yù)處理以提高圖像對比度[11]。

利用OpenCV對圖像進行處理時，一般利用加權(quán)和偏置的方法對每一個像素點逐一處理，其基本原理表示為[12]：

其中，[α]為權(quán)重參數(shù)，[β]為偏置參數(shù)。權(quán)重參數(shù)控制圖像對比度，偏置參數(shù)控制圖像亮度。當[α]>1時，圖像對比度提高，反之圖像對比度降低。當[β]>0時，圖像亮度提高，反之圖像亮度降低。[f（x）]為原始像素點像素值，[g（x）]作為輸出圖像像素。表達式為：

其中i和j表示像素位于第i行和第j列。

基于OpenCV的實現(xiàn)代碼為：

2 圖像雙閾值處理

對圖像進行閾值化處理的目的是分割圖像，使不同像素值的圖像以閾值為分界線進行二值化處理[13]，突顯特征。將圖像進行二值化處理的目的是將圖像目標元素和背景元素進行分割[14]。當輸入一副H（x，y）圖像時，經(jīng)過一系列二值化算法后輸出結(jié)果是一副G（x，y）二值圖像。在二值圖像中把大于閾值的像素點和小于某一個閾值的像素點進行分離[15]，如式（3）所示。

在目標和背景的臨界點上，灰度變化最大，此時灰度值為最佳閾值。利用選取的最優(yōu)閾值對圖像進行分割，一方面可以明顯削弱背景噪聲的干擾，另一方面能大幅減少數(shù)據(jù)存儲。

本文主要采用OTUS[16]算法進行圖像二值化處理，該算法又名最大類間方差法，是一種自適應(yīng)的閾值確定方法。該算法主題思想是基于概率統(tǒng)計和最小二乘法，即該算法基于判別式測量準則，最佳閾值是在該測量函數(shù)取得最大值時得到的。

該方法數(shù)學(xué)原理[17]呈現(xiàn)如下：

假設(shè)有一副圖像灰度等級范圍為{1，2，…，L}，按閾值把圖像分為前景[C0={1，2，？，t}]和背景[C1={t+1，t+2，][？，L]}，則每個灰度等級i出現(xiàn)的概率為：

其中，N = [n1+n2+？+ni]是圖像所有像素點總和個數(shù)，[ni]表示第i個灰度等級的個數(shù)。

整幅圖像的總均值為：

[C0]和[C1]類出現(xiàn)的概率為：

[C0]和[C1]類出現(xiàn)的均值為：

[C0]和[C1]類出現(xiàn)的最大方差為：

3 二值圖像開運算處理

圖像開運算處理是對圖像進行一種基于數(shù)學(xué)形態(tài)學(xué)的操作。形態(tài)學(xué)是生物學(xué)的一個分支，一般是對動植物的形態(tài)和結(jié)構(gòu)進行研究。在數(shù)學(xué)中，形態(tài)學(xué)主要指集合論，形態(tài)學(xué)的集合主要表示圖像對象。例如在二值圖像中，所有白色像素的集合是該圖像的一個完整形態(tài)學(xué)描述。而在二值圖像中，問題集合是二維整數(shù)空間[Z2]（所有有序元素對[（Zi，Zj）] 的集合）的元素。因此開運算是形態(tài)學(xué)在圖像處理中的重要應(yīng)用[18]。

開運算是對形態(tài)學(xué)基本操作的綜合，主要包括腐蝕和膨脹。作為[Z2]的集合A和B，表示為A[Θ]B的B對A的腐蝕，定義為：

式（9）指出B對A的腐蝕是一個用Z平移的B包含在A中的所有像素點Z的集合，因為B必須包含在A中，即等價于B且不與背景共享任何公共元素，故腐蝕表達式等價形式為：

其中Ac是A的補集，[？]表示空集。

膨脹的算法原理指A和B是[Z2]中的集合，表示為A⊕B的B對A的膨脹，定義為：

式（11）是關(guān)于B的原點映射，并且以Z對映射像進行平移為基礎(chǔ)。B對A的膨脹是位移Z的集合，所以[B]和A至少有一個元素重疊。因此式（10）可以表示為：

和之前相同，設(shè)B是一個結(jié)構(gòu)元素，A是被膨脹的集合（圖像物體）。膨脹與腐蝕存在明顯差異，腐蝕是對圖像進行收縮和細化，而膨脹則是對圖像中的物體進行增長和粗化。這樣一種特殊的方式和粗化的寬度由所有結(jié)構(gòu)元素控制。而開操作則是對二者的綜合應(yīng)用，首先對圖像進行腐蝕操作，然后在腐蝕圖像的基礎(chǔ)上對圖像進行膨脹操作，目的是除掉圖像中對圖像輪廓有明顯影響的噪聲點[19]。

基于OpenCV的實現(xiàn)方法如下所示。

4 圖像輪廓提取與輪廓篩選

對圖像進行二值閾值處理及生態(tài)學(xué)操作后，圖像的噪聲點信息明顯減少，對圖像進行Canny邊緣提取的效果明顯提升。由于僅僅對圖像進行邊緣提取[20]會得到比較多的邊緣信息，使缺陷輪廓的特征顯示不明顯，基于上述情況對圖像進行輪廓查找及輪廓面積計算，然后進行面積篩選 [21]，從而取得預(yù)期效果。

圖像輪廓提取有多種方法，在基于結(jié)構(gòu)森林的RGB-D圖像輪廓提取[22]中，主要應(yīng)用隨機森林算法對圖像進行提取，但是該算法對于γ射線獲取的圖像處理效果一般。 本文主要應(yīng)用基于收縮理論的輪廓提取算法，該算法主要利用點的8連通性和邊緣的4連通性對圖像輪廓進行提取。定義輪廓集合（Contour） 保存輪廓元素，定義輪廓關(guān)系集合（Relation） 保存輪廓集合中元素間關(guān)系，表達式為：

迭代收縮算法基本思想包括：

提取圖像輪廓后，需計算輪廓進行區(qū)域面積，通過輪廓大小篩選有缺陷區(qū)域的輪廓值，最終提取到圖像缺陷部分的輪廓。

輪廓繪制代碼如下：

5 結(jié)果分析與展示

經(jīng)過上述處理，最終的提取效果如圖2、圖4所示。圖像缺陷部分展現(xiàn)得非常明顯，整個圖像沒有任何干擾缺陷的因素和噪聲。首先通過對圖像對比度進行處理，大幅提升圖像對比度，在對比度足夠明顯的基礎(chǔ)上，對圖像進行二值化和形態(tài)學(xué)處理，得到噪聲點較小的圖像，在此基礎(chǔ)之上提取圖像輪廓，根據(jù)輪廓像素面積篩選圖像。相比于直接利用Canny算子對獲取的圖像進行邊緣提取具有明顯改進效果，不僅可以消除較小輪廓噪聲干擾，還能避免復(fù)雜輪廓干擾。

6 結(jié)語

通過本次研究發(fā)現(xiàn)在處理圖像邊緣輪廓噪聲干擾時，對圖像進行輪廓提取后再進行面積篩選，能實現(xiàn)很好的效果。相比于簡單地對圖像模糊處理，開運算操作具有良好的去噪效果。該算法能明顯祛除細小輪廓噪聲，對γ射線提取的圖像進行有效的缺陷檢測。對于圖像目標輪廓和邊緣的提取，采用輪廓提取和面積篩選比濾波處理取得的效果更好。同時該算法也存在一定的不足，如在對圖像進行缺陷檢測時，時間消耗比傳統(tǒng)濾波處理方法大，所以下一步研究方向是優(yōu)化算法以提高缺陷檢測效率。

參考文獻：

[1] 陳艷燕，王云，葉含笑，等. 機器視覺鋼化玻璃緣子氣泡的缺陷檢測研究[J].自動化儀表，2010，7：51-53+56.

[2] 許春媛，方志宏，夏勇，等. 基于視覺顯著性的鋼管焊接區(qū)域氣泡缺陷檢測[J]. 冶金自動化，2017，6：55-60.

[3] 謝文達，邱竣鴻，王壘. 實際且快速的圖像對比度增強方法[J]. 計算機研究與發(fā)展， 2013，4：787-799.

[4] 方明，李洪娜，雷立，等. 低照度視頻圖像增強算法綜述[J]. 長春理工大學(xué)學(xué)報：自然科學(xué)版， 2016，3： 56-64+69.

[5] 胡斌，宮寧生.一種改進的Otsu閾值分割算法[J]. 微電子學(xué)與計算機，2009 ，26：153 - 155.

[6] 沈陽，宓超，鳳宇飛. 形態(tài)學(xué)開運算在車型圖像去噪中的應(yīng)用[J]. 中國科技信息，2015，18：52-53.

[7] 黎偉，劉觀仕，姚婷. 膨脹土裂隙圖像處理及特征提取方法的改進[J]. 巖土力學(xué)，2014，12： 3619-3626

[8] 王培珍，丁海濤，劉純利，等.基于結(jié)構(gòu)元的煤顯微圖像輪廓提取算法[J].煤炭學(xué)報，2014（s1）： 285-288.

[9] 陳至坤，潘曉娣，王福斌，等. 基于Radon變換的圖像輪廓提取方法研究[J]. 傳感器與微系統(tǒng)，2010，2： 63-65+68.

[10] 王俊平，李錦. 圖像對比度增強研究的進展[J]. 電子科技， 2013，5：160-165.

[11] 張濤，巫紅英，李蒙，等. 一種提高圖像對比度和視覺質(zhì)量的新型區(qū)域背光算法[J]. 工程科學(xué)學(xué)報，2017，39？（12）：1888-1897.

[12] 申俊琦，胡繩蓀，馮勝強. 激光視覺焊縫跟蹤中圖像二值化處理[J]. 天津大學(xué)學(xué)報，2011，4：308-312.

[13] 郭佳，劉曉玉，吳冰，等. 一種光照不均勻圖像的二值化方法[J].計算機應(yīng)用與軟件，2014，3：183-186+20.

[14] 吳東，郝明. 基于圖像對比度的艦船目標成像算法[J]. 電子測量技術(shù)， 2017，12：110-116.

[15] 行軍，韓憲忠，王克儉，等. 基于最大方差閾值法的火車票圖像二值化處理[J]. 計算機應(yīng)用與軟件，2012，7：249-253.

[16] 戴天虹，吳以. 基于OTSU算法與數(shù)學(xué)形態(tài)學(xué)的木材缺陷圖像分割[J]. 森林工程，2014，2：52-55.

[17] 胡敏，李梅，汪榮貴. 改進的Otsu算法在圖像分割中的應(yīng)用[J].電子測量與儀器學(xué)報，2010，5：443-449.

[18] 楊紅，崔艷. 基于開運算暗通道和優(yōu)化邊界約束的圖像去霧算法[J]. 光子學(xué)報， 2018，6： 244-250.

[19] 劉耀軍，張姍梅. 基于有限自動化的二值圖像的開運算[J].圖像、圖形與多媒體， 2012，31（12）：39-42.

[20] 吳翔，于微波，馬艷輝，等. 一種新的改進Canny圖像邊緣檢測算法[J]. 影像科學(xué)與光化學(xué)， 2016，1： 116-121.

[21] 鄒柏賢，林京壤.圖像輪廓提取方法研究[J].計算機工程與應(yīng)用，2008，25：161-165.

[22] 張恒，徐剛，劉艷麗，等. 基于結(jié)構(gòu)森林的RGB-D圖像輪廓提取[J]. 計算機應(yīng)用研究，2017，2： 631-635.

（責任編輯：江 艷）