基于背景重構(gòu)X射線鋼管焊縫缺陷檢測方法①

王家晨,王新房

(西安理工大學(xué) 自動化與信息工程學(xué)院,西安 710048)

1 引言

隨著科學(xué)技術(shù)的飛速發(fā)展,焊接作為先進(jìn)制造業(yè)中的一種基本工藝方法,已被廣泛應(yīng)用于航空,航天,核工業(yè),能源交通,石油化工及建筑和機(jī)械等各個工業(yè)部門.對于焊接結(jié)構(gòu)件來說,焊縫質(zhì)量很大程度上決定了結(jié)構(gòu)件的使用壽命.但是在焊接過程中,往往由于焊接工藝參數(shù)的不穩(wěn)定,或者結(jié)構(gòu)件焊接應(yīng)力變形等諸多不良因素的存在,使得焊縫中不可避免的出現(xiàn)諸如氣孔、裂紋、夾渣、未融合、咬邊、未焊透及燒穿等缺陷,這些焊縫缺陷的存在,不但影響了焊縫的美觀,而且更嚴(yán)重的是直接導(dǎo)致焊接結(jié)構(gòu)件的失效,甚至引起危險的脆斷,帶來極大的經(jīng)濟(jì)損失.因此,為了保證焊接結(jié)構(gòu)件的質(zhì)量,防止事故的發(fā)生,焊后對焊縫缺陷的準(zhǔn)確檢測就變得尤為關(guān)鍵.

為了確保在焊接過程中結(jié)構(gòu)件產(chǎn)品不出現(xiàn)問題,就必須要對其中的焊縫進(jìn)行無損檢測[1].X射線檢測作為無損檢測的一種常用技術(shù),已經(jīng)成為檢測焊接缺陷的重要手段.目前大多數(shù)企業(yè)的X射線探傷檢測仍以人工評定方式為主,人工評定本身易受個人自身經(jīng)驗和主觀標(biāo)準(zhǔn)不一致的影響,并且人工評定勞動強(qiáng)度大,工作效率低.因此,迫切需要提高焊縫缺陷檢測的自動化水平,降低漏檢率和誤檢率[2,3].本文根據(jù)某石油鋼管廠的實際需求,提出了一種基于背景重構(gòu)的焊縫缺陷自動檢測方法.

2 傳統(tǒng)方法存在的問題分析

焊縫缺陷自動檢測的核心是圖像處理、目標(biāo)識別、缺陷跟蹤[4].由于采集到的X射線焊縫圖像具有噪聲多、缺陷對比度不高、背景起伏較大以及不同類型缺陷灰度分布特征差別較大等特點,給利用圖像處理技術(shù)實現(xiàn)缺陷自動檢測帶來了很大的困難.國內(nèi)外學(xué)者都對此進(jìn)行了深入研究,并且在過去的二三十年間,提出了許多焊縫缺陷自動檢測的方法,主要分為以下兩類:

(1)基于焊縫缺陷位置的方法[5,6].在實際生產(chǎn)中,焊縫缺陷一般分布在焊縫區(qū)域的內(nèi)部、外部和靠近焊縫邊界處,此類方法在檢測之前必須準(zhǔn)確的提取出焊縫的邊界,分割出焊縫區(qū)域,針對相對于焊縫區(qū)域不同位置的缺陷采取不同的檢測算法,因此,此類方法的檢測精度對焊縫區(qū)域能否準(zhǔn)確提取依賴性較大,并且如果缺陷非?？拷缚p邊界處,由于受到焊縫邊界的影響,甚至?xí)疠^多的誤報.

(2)基于模式識別的檢測方法[7].此類方法需要訓(xùn)練大量的缺陷樣本,從而獲得分類器,然后通過分類器來檢測缺陷.其缺點是在訓(xùn)練缺陷樣本的時候需要人工標(biāo)記缺陷信息,人工標(biāo)記缺陷信息一方面工作量大,另一方面由于對缺陷沒有統(tǒng)一的判別標(biāo)準(zhǔn),再加上工作人員個體認(rèn)知的差異,標(biāo)記的結(jié)果差別較大,故難以實際應(yīng)用.

針對上述兩類方法中存在的不足,本文提出一種基于背景重構(gòu)的鋼管焊縫缺陷檢測算法.該算法不需要提取焊縫區(qū)域,也不需要人工大量標(biāo)記缺陷信息,可準(zhǔn)確的檢測中不同類型的缺陷,具有較強(qiáng)的抗干擾能力.

3 焊縫圖像模型分析

首先分析焊縫圖像的數(shù)學(xué)模型.下圖是一張含有缺陷的焊縫圖像(如圖1所示).

圖1 含有缺陷的焊縫圖像

從圖像中我們可以看出,一張含有缺陷的焊縫圖像可以分為如下三區(qū)域:背景區(qū)域、焊縫區(qū)域、缺陷區(qū)域.即滿足如式(1).

其中,F表示整張圖像;FB表示背景區(qū)域;FH表示焊縫區(qū)域;FQ表示缺陷區(qū)域.

由式(1)可推得:

由式(2)可知,要想求得缺陷區(qū)域FQ,我們只需求得背景區(qū)域FB及焊縫區(qū)域FH即可,因此,檢測缺陷FQ的問題即被轉(zhuǎn)化為求取背景區(qū)域FB及焊縫區(qū)域FH的問題.

4 算法原理及檢測流程

獨立成分分析(ICA)算法是指:在源信號s(t)中各分量相互獨立的假設(shè)下,x(t)為觀測信號,通過解混系統(tǒng)B把他們分離開來,使得解混后輸出y(t)逼近于s(t).該算法的一般流程如圖2所示.

圖2 ICA算法一般流程

在焊縫缺陷檢測中,我們可以認(rèn)為正常的無缺陷的圖像為源信號s(t),而含有缺陷的圖像為觀測信號x(t),我們通過解混系統(tǒng)將觀測信號x(t)(含有缺陷的圖像)進(jìn)行解混,使得解混后輸出的y(t)逼近于s(t),這樣就估計出了含有缺陷的圖像但是不含缺陷區(qū)域的背景圖像.

在本文實驗中,首先選取一系列正常的無缺陷的鋼管焊縫X射線圖像集作為輸入信號源s(t),并且對這一系列的正常圖像進(jìn)行尺寸和亮度的歸一化,然后,使用快速ICA算法從這一系列正常圖像中訓(xùn)練出一組獨立的基底,并用該組基底逼近輸入的含有缺陷的測試圖x(t),得到結(jié)果圖像y(t),在結(jié)果圖像中,背景區(qū)域和焊縫區(qū)域得到較好的表達(dá),缺陷區(qū)域表達(dá)不好.最后,用輸入的含有缺陷的測試圖像與逼近的結(jié)果圖像相減,得到差后圖像,此時的差后圖像中缺陷區(qū)域被凸顯出來,背景區(qū)域和焊縫區(qū)域均被減去,對差后圖像最后使用圖像的二值化方法,可提取出最終缺陷.

5 圖像預(yù)處理

由于實際工作現(xiàn)場諸多因素的影響,導(dǎo)致采集到的X射線焊縫圖像均存在信噪比低、背景起伏大、對比度低等缺點,給后續(xù)的缺陷提取工作造成了很大的困難,所以圖像預(yù)處理是非常必要的.

5.1 圖像濾波

通過對實際X射線焊縫圖像噪聲類型的研究,筆者采用了均值濾波進(jìn)行降噪[8],并取得了很好的效果.

均值濾波是指在圖像上對目標(biāo)像素設(shè)定一個模板,該模板包括了其周圍的臨近像素,再用模板中的全體像素的平均值來代替原來像素值.設(shè)原圖像為f(i,j),窗口大小為(2k+1)×(2l+1),則均值濾波處理后的輸出圖像g(i,j)可表示為:

經(jīng)過大量實驗表明,采用3×3的模板進(jìn)行均值濾波后,噪聲信號的干擾得以有效的抑制.

5.2 圖像增強(qiáng)

由于實際工作現(xiàn)場諸多因素的影響,導(dǎo)致采集到的圖像對比度較低,因此對其進(jìn)行增強(qiáng)是十分必要的.針對不同質(zhì)量的圖像,采用不同的灰度轉(zhuǎn)換函數(shù)可以取得良好的增強(qiáng)效果.

在各種轉(zhuǎn)換函數(shù)中,正弦函數(shù)由于在上下波頭處變換平緩,中間變化比較大,與X射線焊縫圖像的灰度變化非常相近,因此可以利用正弦函數(shù)對焊縫圖像進(jìn)行非線性灰度變換[9].

式中,f(x,y)為變換前點(x,y)的灰度;g(x,y)為變換后點(x,y)的灰度;a為變換前圖像的最低灰度值;b為變換前圖像的最高灰度值.

利用式(4)對原圖進(jìn)行增強(qiáng),增強(qiáng)前后效果如圖3所示,從圖3(b)可以看出,正弦增強(qiáng)函數(shù)的確可以有效的增強(qiáng)X射線焊縫圖像的對比度.

圖3 增強(qiáng)前后效果圖

6 基于快速ICA的背景估計

獲得預(yù)處理后的正常的無缺陷的圖像集合后,我們需要從該集合中學(xué)習(xí)一組基向量,該組基向量可以很好的表達(dá)出焊縫圖像的背景區(qū)域FB和焊縫區(qū)域FH,并且能夠抑制缺陷區(qū)域FQ.常用的基向量學(xué)習(xí)方法有:主分量分析法(PCA)、高斯混合模型(GMM)和獨立成分分析(ICA)等等.本文采用了快速ICA方法,該方法具有計算效率高,分離效果好,收斂速度快,并且不受訓(xùn)練樣本數(shù)的影響.下面給出基于快速ICA算法進(jìn)行基向量學(xué)習(xí),并估計含有缺陷圖像的FB和FH的具體步驟:

將1 000 mg／L的咪鮮胺標(biāo)準(zhǔn)儲備溶液用丙酮稀釋至適宜的濃度，以方便使用100、200 μL的移液槍，分別移取 1、2、5、10、20、200 μg 咪鮮胺于圓底燒瓶中，經(jīng)過分解及凈化得到以咪鮮胺計濃度為0.2、0.4、1、2、4、40 mg／L 的系列標(biāo)準(zhǔn)溶液，在“1.5”條件下上機(jī)測定，以咪鮮胺的濃度為橫坐標(biāo)，由咪鮮胺轉(zhuǎn)化生成的2，4，6－三氯苯酚峰面積為縱坐標(biāo)，制作標(biāo)準(zhǔn)曲線。 線性方程為：y＝150 682.061x－7 118.405 8，相關(guān)系數(shù)為：r＝0.997 5（圖 3）。 其中以咪鮮胺計濃度為40 mg／L的標(biāo)準(zhǔn)溶液作為樣品檢測前稀釋使用，有效期1個月。

(1)將預(yù)處理后的正常的無缺陷的圖像集合中的所有訓(xùn)練樣本組成觀測矩陣Z;

(2)對觀測矩陣進(jìn)行中心化,使它的均值為0;

(3)對觀測矩陣進(jìn)行白化,得到新的觀測矩陣Z1;

(4)選擇一個初始化隨機(jī)權(quán)矩陣W;

(5)根據(jù)式(5)對權(quán)矩陣W進(jìn)行迭代更新,知道更新完W中每一個列向量,得到新的權(quán)矩陣W1;

(6)得到權(quán)矩陣W1后,根據(jù)式(6),得到學(xué)習(xí)出的基向量H;

(7)得到基向量H后,根據(jù)式(7),即可得到含有缺陷的焊縫圖像的估計背景圖像FBH;

7 缺陷分割

含有缺陷的焊縫圖像經(jīng)過上述背景估計后,焊縫圖像的背景區(qū)域FB和焊縫區(qū)域FH已經(jīng)估計得到,接下來,我們只需將含有缺陷的原圖像與估計得到的圖像進(jìn)行做差,即可將缺陷信息凸顯出來,最后通過圖像分割的方法將缺陷提取出來.

7.1 分割方法介紹

圖像分割經(jīng)常用在數(shù)字灰度圖像中提取目標(biāo)物體中,它主要分為兩大類:一是基于空間灰度閾值的分割方法;二是空間域增長分割方法.本文采用了第一類灰度閾值分割方法[10],灰度閾值分割就是先確定一個處于圖像灰度取值范圍之中的灰度閾值,然后將圖像中各個像素的灰度值都與這個閾值相比較,并根據(jù)比較結(jié)果將對應(yīng)的像素劃為兩類,像素的灰度值大于閾值的劃為一類,像素的灰度值小于閾值的劃為另一類(灰度值等于閾值的像素可歸入這兩類之一).

要想把焊縫圖像中的缺陷信息從背景中完整的分割出來,確定一個合適的閾值就顯得尤為關(guān)鍵.若閾值選得過高,這勢必會影響分割出來的缺陷的大小和形狀,甚至有些不明顯的缺陷點容易被誤歸為背景,造成漏檢.反之若閾值選得過低,則容易引起誤檢.目前已經(jīng)提出的閾值選取方法有很多種,例如最大類間方差法、最大熵值法、最小誤差法和簡單統(tǒng)計法等等.

7.2 缺陷分割

經(jīng)過對各種閾值選取方法的試驗,本文采取了迭代閾值分割法對圖像進(jìn)行閾值分割,從而成功有效的將缺陷分割出來.

迭代閾值分割的原理是首先選擇一個近似的閾值作為估計計算的初始閾值,然后進(jìn)行閾值分割,產(chǎn)生子圖像,并根據(jù)子圖像的灰度特性選取新的閾值,經(jīng)過多次的迭代之后,平均灰度值將趨向于真值.迭代閾值分割的具體算法步驟如下:

(1)選取一個初始閾值

其中,Zmin,Zmax分別表示圖像中灰度值的最小最大值.

(2)利用Tk將圖像分成小于Tk和大于Tk兩組R1和R2,并計算它們的灰度均值Z1和Z2.

其中,f(i,j)是圖像中點(i,j)的灰度值,N1,N2分別為R1和R2中的像素個數(shù).

(3)計算新的閾值T k+1.

(4)如果Tk+1=Tk則結(jié)束,否則k=k+1,轉(zhuǎn)步驟(2).

7.3 分割結(jié)果進(jìn)一步處理

經(jīng)過上述閾值分割方法,我們可得到缺陷與背景的二值化圖像,其中缺陷信息灰度值為255,背景信息灰度值為0.但是經(jīng)過仿真我們發(fā)現(xiàn),由于采集過程中某些不確定性因素或者成像面板上的壞點而造成采集到的焊縫圖像上有些許灰度值極高的離散斑點,這些斑點在經(jīng)過閾值分割后同樣被分割出來,從而會引起誤檢,因此我們需要將閾值分割后的結(jié)果進(jìn)行進(jìn)一步處理,消除這些斑點引起的誤檢.

通過大量仿真研究,我們設(shè)計了如下的解決方案:我們將經(jīng)過閾值分割出來的缺陷結(jié)果視為一個一個的連通域,然后計算每個連通域內(nèi)包含的像素個數(shù),我們知道,容易引起誤檢的離散斑點所包含的像素相比于真實的缺陷所包含的像素是非常少的,因此,我們可以確定一個像素閾值,如果某個連通域內(nèi)所包含像素個數(shù)低于此像素閾值,那么我們即認(rèn)為該連通域為“偽”缺陷,反之則認(rèn)為是真實缺陷.最后將“偽”缺陷過濾,真實缺陷保留.

8 實驗結(jié)果

本文選取了580幅正常的無缺陷的焊縫圖像作為訓(xùn)練樣本,含有各類缺陷的測試圖像為240幅,下面給出最終的各種缺陷類型提取分割結(jié)果圖,如圖4所示.

9 結(jié)論與不足

由于X射線焊縫圖像噪聲多、缺陷對比度不高、背景起伏較大以及不同類型缺陷灰度分布特征差別較大,因此在缺陷檢測較為困難.本文在分析了傳統(tǒng)方法在X射線鋼管焊縫缺陷檢測中存在的問題基礎(chǔ)上,提出了一種基于快速ICA的背景估計的X射線鋼管焊縫缺陷檢測算法.該算法具有以下優(yōu)點:

圖4 各種缺陷分割結(jié)果

(1)不分缺陷類型.該算法對缺陷類型不敏感,對任何缺陷均可以檢測,有較好的通用性.

(2)速度快.該算法在檢測過程中無需檢測焊縫區(qū)域,直接對整幅圖進(jìn)行背景重構(gòu),重構(gòu)完畢做差即可凸顯出缺陷.

(3)適用性強(qiáng).對于空間對比度不同的缺陷均有很好的檢測效果.

(4)穩(wěn)定性好.在兩年多的時間里,我們在實驗室和工廠現(xiàn)場應(yīng)用本文提出的算法進(jìn)行了上百次實驗,漏報率為2.14%,誤報率為3.88%,結(jié)果證明該算法的重復(fù)性和可靠性較好.

當(dāng)然,該算法還有些許不足之處:在對差后圖像進(jìn)行閾值分割時,在閾值的選取上尚不能做到完全的自動準(zhǔn)確的選取,需要一定的人工干預(yù).這將是后續(xù)的一個研究問題,在該方面還得繼續(xù)深入研究.

1仲維暢.工具鋼環(huán)形試件表面因其表面下人工孔而產(chǎn)生的漏磁場—磁粉探傷原理之三十二.第九屆全國無損檢測新技術(shù)學(xué)術(shù)研討會論文集摘要匯編.寧波,中國.2004.116-120.

2耿榮生.更快、更可靠和更直觀——第16屆世界無損檢測會議綜述.無損檢測,2004,26(11):565-569,592.[doi:10.3969/j.issn.1000-6656.2004.11.006]

3Tian Y,Du D,Hou RS,et al.A model of automatic detection system for weld defects based on machine vision.In:Tarn TJ,Chen SB,Zhou C,eds.Robotic Welding,Intelligence and Automation.Lecture Notes in Control and Information Sciences.Berlin Heidelberg:Springer,2007.341-348.

4Ding M,Fan GL.Fast human pose tracking with a single depth sensor using sum of Gaussians models.In:Bebis G,Boyle R,Parvin B,et al,eds.International Symposium on Visual Computing.ISVC 2014:Advances in Visual Computing.Cham:Springer,2014.599-608.

5張曉光,孫正,胡曉磊,等.射線檢測圖像中焊縫和缺陷的提取方法.焊接學(xué)報,2011,32(2):77-80.

6Tang YL,Tong RF,Tang M,et al.Depth incorporating with color improves salient object detection.The Visual Computer,2016,32(1):111-121.[doi:10.1007/s00371-014-1059-6]

7張曉光,林家駿.基于模糊神經(jīng)網(wǎng)絡(luò)的焊縫缺陷識別方法的研究.中國礦業(yè)大學(xué)學(xué)報,2003,32(1):92-95.

8邵家鑫,都東,朱新杰,等.基于X射線數(shù)字化圖像處理的雙面焊焊縫缺陷檢測.焊接學(xué)報,2010,31(11):21-24.

9高煒欣,胡玉衡,武曉朦,等.埋弧焊X射線焊縫缺陷圖像分類算法研究.儀器儀表學(xué)報,2016,37(3):518-524.

10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.焊接學(xué)報,2004,25(2):115-118,122.