基于射線檢測的焊縫缺陷自動識別技術研究

孫文斐

（濟南市計量檢定測試院，山東濟南，250101）

0 前言

現(xiàn)代無損檢測技術在產品質量控制和生產效率提升方面發(fā)揮著重要作用，常規(guī)無損檢測技術包括射線檢測、超聲檢測、渦流檢測、磁粉檢測等類型[1]，這些檢測技術各有優(yōu)勢，適用于不同的應用場合。其中，以X射線檢測為代表的射線無損檢測技術具有高效、便捷、可定量判定等特點而受到廣泛應用[2]。傳統(tǒng)的射線檢測主要通過膠片成像并判別缺陷，這種方法雖然技術簡單、分辨力強，但操作比較復雜、成像過程不好操作、檢測效率不高、難以實現(xiàn)自動化。

近年來，數(shù)字化的射線成像系統(tǒng)應用日益普遍，數(shù)字成像的最大優(yōu)點是便于缺陷的自動化識別，有效提高了檢測效率和自動化水平[3]?；诖?，本文以焊縫缺陷檢測為例，對射線檢測的自動識別技術進行了深入的探討。

1 射線檢測基本原理

X射線是一種穿透能力極強的電磁波，通過穿透被測工件并檢測透射強度分布來反映工件內部結構信息，通過人工或自動分析，可以識別出缺陷的大小、尺寸和分布等情況。當工件內部存在缺陷時，由于缺陷與工件本身的材料往往不一致，因此對X射線的衰減程度是不一樣的，通過成像介質在工作的另一側接收X射線的透射光并記錄下來，即可將缺陷的投影尺寸和形狀反射成像介質上。

射線檢測技術常常使用底片作為成像介質，可以取得很高的分辨率，對氣孔、夾渣等缺陷有很高的檢出率，而且能夠準確識別缺陷的性質、數(shù)量、尺寸和分布情況。但對于具有方向性的缺陷，例如裂紋、分層，其檢出率則與射線穿透的方向有關，如果缺陷方向與射線穿透方向一致，則可能出現(xiàn)漏檢。

隨著現(xiàn)代生產工藝水平的提高，各應用場合都對檢測效率提出了更高的要求，例如生產流水線，要求實現(xiàn)自動化實時檢測，傳統(tǒng)的膠片成像技術顯著不再滿足需求。在此背景下，數(shù)字成像技術應運而生，為射線檢測缺陷的自動識別奠定了基礎。

2 焊縫自動檢測的難點

焊縫檢測是無損檢測的重要應用場景，也是無損檢測技術的優(yōu)勢應用領域之一。材料在焊接時，由于工藝技術、設備條件、應力變化、材料結構、尺寸形狀等因素的影響，在焊縫中出現(xiàn)熱裂縫是十分常見的，而裂縫作為一種極度危險的缺陷類型，一旦在焊縫中發(fā)現(xiàn)則要求必須返修。在產品使用過程中，焊接件在高溫、高壓、腐蝕、疲勞、沖擊等惡劣環(huán)境下，也很容易出現(xiàn)冷裂縫?？紤]到焊接件的生產規(guī)模通常很大，要求實時在線檢測，因此缺陷的識別過程也必須是自動化的。

但是焊縫缺陷的自動識別有一定的難度，這主要是因為自動化識別涉及到圖像處理、信號分析、模式識別、人工智能等一系列技術，是一門綜合性的交叉技術。在射線檢測中，成像介質上接收到的除了透射部分之外，還會包含許多雜亂的散射射線，使圖像信噪比降低，圖像對比度往往不高，這對于不規(guī)則線頭缺陷的識別造成了很大的不便。另外，由于焊縫缺陷類型較多，而不同的缺陷類型需要不同的識別算法和特征庫，不便于實際應用。

3 焊縫檢測圖像的預處理

檢測圖像的預處理是指在正式進行自動判別之前，對質量不高的圖像進行初步的處理，提高圖像質量的過程。X射線檢測圖像信噪比低、分辨率低、對比度低、灰度不均勻、邊緣不清晰，缺陷信息很有可能會湮滅在噪聲之中，缺陷判別難度很大。因此在焊縫檢測中，通常要對圖像進行去噪等預處理。圖像降噪包括空間域和頻率域兩種方法，空間域方法包括領域平均法、中值濾波等；頻率域方法包括FFT、小波變換、低通濾波器等。

3.1 小波去噪技術

小波去噪技術是基于小波變換理論的，它的數(shù)學本質就是對一個母小波進行伸縮和平穩(wěn)，對特定函數(shù)進行最佳逼近。小波變換具有低熵性、多分辨率、去相關性和選基靈活性等優(yōu)勢，因而比傳統(tǒng)的FFT具有更好的時頻特性，在圖像信號處理領域得到廣泛的應用。對于射線圖像來說，不同尺寸的缺陷在不同尺度中的小波系數(shù)也會有不同的體現(xiàn)，因此可以通過小波變換的方法對焊縫圖像進行降噪處理。

3.2 圖像增強技術

圖像降噪處理后，雖然噪聲得到了一定程度的消除，但原本的圖像在邊緣區(qū)域往往會變得模糊，這將對后續(xù)的特征提取帶來不良影響。因此可以采用圖像增強技術來銳化圖像邊緣，進一步提高圖像的對比度。所謂圖像增強，就是根據實際需要，突出圖像中的特定信息，同時削弱圖像中無用的成分的一種處理過程。目前可以實現(xiàn)圖像增強的技術主要包括修整灰度、去模糊、平滑或消除噪聲等等方法，這些方法操作簡單、效果顯著，但在實際的使用中，為了提高圖像增強的效果，往往會采用幾種方法的組合。

3.3 焊道識別

焊縫檢測主要針對焊縫區(qū)域的缺陷，對其它部位的缺陷不感興趣。但焊縫射線檢測的圖像區(qū)域往往較大，而區(qū)域中絕大部分是背景，焊縫只占了很小的一部分，因此在識別之前必須將識別區(qū)域準確地鎖定在焊道區(qū)域上，這樣不僅可以減少其它區(qū)域的信號干擾，而且有效減少了處理的數(shù)據量，顯著提高處理效率。

為了快速地在圖像中提取出焊道區(qū)域，本文采用了基于線灰度曲線的雙峰特性提取法，其基本思路是先計算出焊縫區(qū)域的大致中心線位置，然后再以這條中心線作為基準，向兩邊各延伸一定的像素范圍作為焊道區(qū)域。由于圖像會在焊道邊緣區(qū)域產生突變，在像素曲線中表現(xiàn)為兩個峰值，因此在向基準兩邊延伸的過程中，只要檢測到峰值的存在，就可以將該峰值所在的位置作為焊道的邊界，從而完成了焊道區(qū)域的自動識別。

4 焊縫缺陷的特征提取

在一幅檢測圖像中會有大量的信息，但為了抓住圖像最本質的特征，就需要對其進行特征識別。在焊縫檢測中，就是要有效地提取出檢測圖像中的缺陷特征，但重要的特征往往很難識別，因此必須先掌握各種缺陷類型的基本特點。

4.1 常見焊縫缺陷的分類

焊縫是一種特殊的材料和區(qū)域，它位于兩個待焊接件之間，通過高溫熔化焊接材料使兩個工件連接在一起。由于焊接過程中工藝技術、設備條件、應力變化、材料結構、尺寸形狀等因素均不相同，因此可能會出現(xiàn)各種不同的缺陷。根據不同的標準，可以將這些缺陷分為不同的種類，本文按照缺陷的性質不同，將其大致分為裂紋、未焊透、未熔合、氣孔、夾渣等五大類。

（1）裂紋。裂紋是受到焊接應力和其它致脆因素的影響，在焊接區(qū)域的局部地區(qū)金屬原子結合力遇到破壞而出現(xiàn)的新界面。該界面將原本是一體的材料一分為二，宏觀上表現(xiàn)為焊接裂縫。根據裂縫的走勢不同，裂縫還可以進一步劃分為縱向裂紋、橫向裂紋、弧坑裂紋等等。裂紋多出現(xiàn)于焊道上或熱影響區(qū)附近，在底片上表現(xiàn)為兩端尖狀的不規(guī)則黑色細線條。焊縫中是不允許任何形式的裂紋存在的。

（2）未焊透。按照出現(xiàn)部分的不同，未焊透又可以分成根部未焊透、層間未焊透和邊緣未焊透三種。在焊縫中出現(xiàn)未焊透的問題不僅會嚴重降低焊縫強度和延伸率，還會大大提高裂縫的概率。未焊透在X射線檢測焊縫圖像上一般表現(xiàn)為規(guī)則的黑色線條，多位于焊縫中間，其走向沿焊道方向，邊界通常較平直且規(guī)則。焊縫中是不允許任何形式的未焊透缺陷存在的。

（3）未熔合。未熔合是在焊縫材料與母材之間，或者焊道材料與焊道材料之間未完全熔化并結合的部分。按照出現(xiàn)部分的不同，未熔合又可以分成邊緣未熔合、根部未熔合和層間未熔合。未熔合在X射線檢測焊縫圖像中表現(xiàn)為寬度不一、黑度不均勻、斷續(xù)分布的條狀。靠母材一側的黑度較高且成直線，另一側較模糊且輪廓不規(guī)則。焊縫中是不允許任何形式的未熔合缺陷存在的。

（4）氣孔。氣孔是熔池中的氣泡在凝固過程中未能及時逸出而殘留在材料內部而形成的空穴。氣孔在X射線檢測焊縫圖像表現(xiàn)為個圓形或者橢圓形的黑色影像，影像邊緣光滑，外形規(guī)則，有清晰的周界，在圓形區(qū)域中，越往中間位置其黑度越大，越往邊緣其黑度越小。氣孔分布情況各不相同，既有密集的、也單個的，既有大個的、也有小個的，既有圓形的、也有橢圓形的。

（5）夾渣。夾渣是殘留在焊縫中的熔渣，根據其形狀不同，夾渣可以分為條狀夾渣和球狀夾渣兩種。當圖像中夾渣的長寬比大于3時認為是條狀夾渣；反之，當長寬比小于或等于3時認為是球狀夾渣。夾渣在X 射線檢測焊縫圖像表現(xiàn)為長條狀或圓狀的、邊界有不規(guī)則棱角的，黑度均勻且清晰的影像。條狀夾渣的延伸方向一般與焊縫走向相同。

4.2 焊縫缺陷特征分析

對于不同類型的焊縫缺陷，其X射線檢測圖像的差異和變化都比較大，這主要是由于不同的焊縫缺陷成像結果不僅與缺陷自身形態(tài)有關，而且與射線強度、材料厚度、焊接工藝、焊接位置、發(fā)射角度等大量因素有關。焊縫缺陷圖像主要有兩種，分別為：由缺陷造成的缺陷影像，以及由試件外觀造成表面幾何影像。焊縫缺陷特征分析，就是要對缺陷圖像的形狀、尺寸、黑度、分布等信息進行識別，為缺陷類型的判斷提供基本的條件。

5 基于神經網絡方法的焊縫圖像識別技術

5.1 神經網絡概述

人工神經網絡（Artificial Neural Network, ANN）是由大量處理單元相互連接而成的一種網絡，它可以對人腦進行抽象、簡化和模擬，從而復制人腦的基本特性。因此ANN屬于人工智能技術的范圍。ANN可以看成是一臺簡單的處理單元所組成的大量并行分布的處理機，該處理機不僅具有存儲和應用經驗知識的自然特性，而且可以通過對歷史數(shù)據的學習快速從外部環(huán)境中獲取所需信息，因此是是一個大規(guī)模的非線性自適應系統(tǒng)。

5.2 BP網絡的結構設計

在圖像處理領域，BP神經網絡通常是特征提取和特征識別的過程。網絡共有3層，分別是輸入層、中間層和輸出層。如果將BP 神經網絡用于識別分類，那么輸入節(jié)點數(shù)則可以根據數(shù)據源的維數(shù)來確定。對于焊縫檢測來說，經過一系列的前期處理之后，得到6維的缺陷特征向量，所以將輸入層節(jié)點定為6。網絡的輸出取前文介紹的5類缺陷，因此輸出節(jié)點數(shù)據為5。隱含層的神經元數(shù)目與問題的要求、輸入/輸出單元的數(shù)目均直接相關，如果數(shù)量過大，會造成學習訓練時間過長且誤差未必最小，嚴重時還會出現(xiàn)錯誤；如果隱含層神經元節(jié)點過少，又會導致模型精確性不高。因此本文采用了具有7個節(jié)點的隱含層設計方案。神經元上的激活函數(shù)采用經典的S型函數(shù)，該函數(shù)在（0，1）內連續(xù)單調可微，滿足激活函數(shù)的選擇要求。

使用實際檢測到的100個缺陷圖像為樣本，其中80個用于網絡的訓練，20個用于網絡的驗證。試驗表明，該模型可以實現(xiàn)對典型缺陷80%的檢出率，基本上可以滿足生產需求。BP神經網絡的參數(shù)可以進行調優(yōu)，經過調優(yōu)后的網絡，其對典型缺陷檢出率接近90%，完全滿足焊縫缺陷的自動化識別需求。

6 結語

無損檢測技術是現(xiàn)代檢測技術的重要組成部分，而射線檢測技術作為無損檢測中的常規(guī)檢測技術之一，在當前和未來一段時期內仍然占據著重要地位。在電子技術和圖像處理技術迅速發(fā)展的背景下，射線檢測缺陷的自動化識別成為一種必然的趨勢。借助于各種先進的圖像處理算法和人工智能算法，射線檢測技術的檢測能力將得到進一步的提升，也將成為一種不可替代的重要無損檢測手段。本文對射線檢測的焊縫缺陷自動識別技術進行了深入的分析，無論是對于射線檢測技術的進步還是對于焊接領域的發(fā)展都有著重要的現(xiàn)實意義。