基于改進(jìn)DRLSE模型的焊接缺陷特征提取方法

章誠，宋燕利,1c，李漢培，高昶霖，左洪洲

基于改進(jìn)DRLSE模型的焊接缺陷特征提取方法

章誠1a,1b，宋燕利1a,1b,1c，李漢培2，高昶霖1a,1b，左洪洲2

（1.武漢理工大學(xué) a.現(xiàn)代汽車零部件技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室 b.汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心 c.湖北省新能源與智能網(wǎng)聯(lián)車工程技術(shù)研究中心，武漢 430070；2.湖北省齊星汽車車身股份有限公司，湖北 隨州 441300）

針對(duì)目前大多數(shù)焊接缺陷自動(dòng)特征提取方法存在的準(zhǔn)確度較低的問題，研究滿足準(zhǔn)確度要求的X射線圖像中焊接缺陷特征提取方法。對(duì)圖像進(jìn)行增強(qiáng)去噪預(yù)處理后，在初步確定焊縫區(qū)域的基礎(chǔ)上，根據(jù)焊縫圖像列灰度值曲線梯度特性，設(shè)計(jì)基于灰度值梯度的焊縫邊界精確提取算法；以提取得到的焊縫精確邊界為初始輪廓，提出基于改進(jìn)DRLSE模型的焊接缺陷特征提取方法?；诟倪M(jìn)DRLSE模型的焊接缺陷特征提取方法能夠有效地提取氣孔、夾渣、未熔合和未焊透等缺陷特征，準(zhǔn)確率達(dá)到94.6%。所提方法克服了原始焊縫X射線圖像質(zhì)量較差、背景復(fù)雜的問題，能夠精確提取焊縫區(qū)域邊界，并準(zhǔn)確地對(duì)各種焊接缺陷進(jìn)行特征提取，具有較強(qiáng)的適應(yīng)性和實(shí)用性。

X射線圖像；灰度值梯度；焊縫邊界；改進(jìn)DRLSE模型；特征提取

X射線作為工業(yè)常用的無損檢測手段之一，廣泛應(yīng)用于航空航天裝備、壓力容器等先進(jìn)制造領(lǐng)域的焊接接頭質(zhì)量的檢測[1-2]。目前，對(duì)于X射線圖像中焊接缺陷的檢測工程多采用傳統(tǒng)的人工評(píng)定方式，受檢測人員專業(yè)知識(shí)和經(jīng)驗(yàn)的影響，存在效率低、漏檢和一致性較差等缺點(diǎn)[2]。因此，為了提高焊接質(zhì)量評(píng)價(jià)的客觀性與連貫性，提高檢測效率，焊縫X射線檢測圖像缺陷自動(dòng)檢測已成為無損檢測發(fā)展的重要方向。

自20世紀(jì)70年代Shafeek等[3]最早提出關(guān)于X射線焊縫缺陷自動(dòng)檢測的圖像處理算法起，國內(nèi)外許多學(xué)者隨之對(duì)焊縫X射線圖像中的缺陷自動(dòng)提取進(jìn)行了探索和研究。Alaknanda等[4]應(yīng)用了具有適當(dāng)閾值的Canny算子來檢測缺陷邊緣輪廓，并使用形態(tài)學(xué)圖像處理方法使輪廓閉合，但是該方法存在漏檢和誤檢的情況。Mahmoudi等[5]在整幅圖像上采用全局閾值的方法對(duì)焊縫區(qū)域進(jìn)行了提取，當(dāng)焊縫區(qū)域大致確定后，再采用局部閾值的方法對(duì)焊接缺陷進(jìn)行提取。該方法雖然對(duì)一般缺陷提取有一定效果，但對(duì)形狀復(fù)雜、邊緣模糊的缺陷提取效果不明顯。Chen等[6]使用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Modal Decomposition）方法自動(dòng)提取了X射線圖像中的小缺陷。該方法使用香農(nóng)熵理論來描述信號(hào)源的平均不確定性，并結(jié)合峰值信號(hào)比來控制EMD的分解級(jí)數(shù)，能有效地提取出工件內(nèi)部的小缺陷以及任意方向和類型的缺陷。Shao等[7]使用低閾值的缺陷分割算法對(duì)所有潛在焊接缺陷進(jìn)行分割后，采用修正霍夫變換跟蹤潛在缺陷的重心，將無法跟蹤的潛在缺陷剔除。實(shí)驗(yàn)結(jié)果表明，該方法可以高準(zhǔn)確性地檢測焊接缺陷，避免噪聲引起的誤檢。李雪琴等[8]提出了采用三階Fourier曲線對(duì)圖像列灰度曲線進(jìn)行擬合并擴(kuò)展到三維空間，構(gòu)造自適應(yīng)閾值面，利用原圖像域構(gòu)造曲面三維灰度圖的灰度值差異，準(zhǔn)確分割背景與缺陷區(qū)域。Boaretto等[9]使用Weiner濾波器、直方圖均衡化和Otsu技術(shù)定位和分割焊接缺陷，然后將提取到的缺陷特征輸入前饋多層感知器（MLP）中進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，分類器準(zhǔn)確率達(dá)到88.6%。Yan等[10]建立了多尺度多強(qiáng)度參數(shù)空間對(duì)圖像進(jìn)行預(yù)處理，并根據(jù)焊縫檢測標(biāo)準(zhǔn)和射線圖像特性，自動(dòng)限制參數(shù)的取值范圍，優(yōu)化預(yù)處理圖像，然后設(shè)計(jì)用于篩選和合并不同圖像中缺陷的算法，以減少錯(cuò)誤檢測并提取精確的缺陷邊界。實(shí)驗(yàn)結(jié)果表明，該算法具有較好的魯棒性和準(zhǔn)確性。Malarvel等[11]提出了一種在X射線圖像中使用改進(jìn)Otsu算法進(jìn)行焊接缺陷檢測的方法。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)于X射線圖像中的焊接缺陷提取有良好的效果。Abdelkader等[12]應(yīng)用了模糊C均值（FCM）算法選擇初始輪廓，然后使用了Chan-Vese模型和選定的初始輪廓對(duì)獲取的圖像進(jìn)行分割并獲得焊接缺陷的邊界。實(shí)驗(yàn)結(jié)果表明，該方法可以有效提取焊接缺陷。近些年來，由于大數(shù)據(jù)和計(jì)算能力的提高，深度學(xué)習(xí)得到了很大的發(fā)展[13-15]?；谄湓趫D像特征學(xué)習(xí)中的出色表現(xiàn)，促使人們將其應(yīng)用于自動(dòng)缺陷檢測中[16-19]。雖然深度學(xué)習(xí)可以學(xué)習(xí)替代傳統(tǒng)圖像處理的分層功能，但是其性能很大程度上取決于數(shù)據(jù)集的規(guī)模和質(zhì)量，且模型十分復(fù)雜，前期訓(xùn)練準(zhǔn)備時(shí)間很長。

綜上所述，人工評(píng)定焊縫質(zhì)量的方式高度依賴于工人的技術(shù)水平和經(jīng)驗(yàn)，受主觀因素影響大，且效率較低。采用智能算法對(duì)焊縫X射線檢測圖像評(píng)定時(shí)，受焊縫X射線檢測圖像清晰度及缺陷類型多樣化、形貌復(fù)雜化等因素影響，缺陷提取的精度較低。針對(duì)此問題，進(jìn)行X射線檢測圖像焊接缺陷特征提取方法的研究。

1 焊縫邊界精確提取

在原始焊縫X射線檢測圖像中，大部分區(qū)域是文字編號(hào)（圖1中線框①、②、③所包含區(qū)域）和母材背景等無關(guān)信息，焊縫區(qū)域（圖1中虛線1、2所包含區(qū)域）只占據(jù)較小的一部分，并且焊接缺陷（圖1中線框④所包含區(qū)域）只存在于焊縫區(qū)域之中。因此，為了提高焊接缺陷特征提取的準(zhǔn)確度與效率，需要先對(duì)焊縫區(qū)域進(jìn)行精確提取。針對(duì)此問題，首先對(duì)原始焊縫X射線檢測圖像進(jìn)行預(yù)處理以提高其圖像質(zhì)量，然后對(duì)其圖像特性進(jìn)行分析，探索設(shè)計(jì)關(guān)于焊縫區(qū)域邊界的精確提取方法。

圖1 原始焊縫X射線檢測圖像

1.1 圖像預(yù)處理

由于射線圖像具有對(duì)比度低、灰度范圍窄和噪聲強(qiáng)度大的特點(diǎn)，需要對(duì)其進(jìn)行預(yù)處理操作以提高圖像質(zhì)量。預(yù)處理主要包括對(duì)比度增強(qiáng)和噪聲過濾。首先對(duì)焊縫X射線檢測圖像進(jìn)行模糊增強(qiáng)處理，提高其對(duì)比度，然后進(jìn)行高斯濾波去噪，得到高質(zhì)量的焊縫圖像，處理后的圖像如圖2所示。

圖2 經(jīng)圖像增強(qiáng)與去噪后的焊縫圖像

1.2 焊縫區(qū)域初步確定

從圖2可以看出，在焊縫X射線檢測圖像中焊縫區(qū)域是一條明顯的帶狀區(qū)域，且與背景區(qū)域相比，其整體亮度（即灰度值）明顯更高。基于這一特性，設(shè)計(jì)了如下的逐行計(jì)算平均灰度的焊縫區(qū)域初步確定方法：

1）對(duì)于經(jīng)過預(yù)處理后的×焊縫X射線檢測圖像，逐行計(jì)算其平均灰度值，得到一組記錄每行平均灰度值的向量={1，2，3，…，G}，記平均灰度值最大的一行行數(shù)為max（圖3實(shí)線③所示），以max作為搜索上邊界的起點(diǎn)。

2）從max行開始，向上逐行遍歷向量，當(dāng)某一行的平均灰度值低于閾值a時(shí)，則停止移動(dòng)，將該行作為焊縫區(qū)域的初步上邊界1（圖3中虛線②所示）。經(jīng)過反復(fù)嘗試，a=90時(shí)可達(dá)到較好的效果。

3）與搜索上邊界類似，從max行開始，向下逐行遍歷向量，當(dāng)某一行的平均灰度值低于閾值a時(shí)則停止移動(dòng)，將該行作為焊縫區(qū)域的初步下邊界2（圖3中虛線④所示）。

4）為確保邊界1、2之間能將焊縫區(qū)域完全包含，需要將1、2擴(kuò)大原始焊縫X射線檢測圖像高度的5%～10%，即初步確定的焊縫區(qū)域上邊界1=1+(5%～10%)′，下邊界2=2+(5%～10%)′（圖3點(diǎn)劃線①、⑤所示）。

圖3 焊縫區(qū)域初步確定方法示意圖

5）根據(jù)所得初步焊縫區(qū)域上、下邊界對(duì)原始焊縫X射線檢測圖像進(jìn)行裁剪，以方便后續(xù)進(jìn)行焊縫邊界精確提取操作。裁剪后初步確定的焊縫區(qū)域圖像如圖4所示。

圖4 裁剪后初步確定的焊縫區(qū)域圖像

1.3 焊縫邊界精確提取

對(duì)裁剪后的的×焊縫X射線檢測圖像從左至右逐列進(jìn)行灰度值掃描，得到個(gè)記錄圖像各列灰度值數(shù)據(jù)的向量。然后對(duì)每個(gè)向量進(jìn)行光滑樣條擬合處理，得到個(gè)灰度值函數(shù)曲線。擬合得到的無缺陷列和有缺陷列的灰度值函數(shù)曲線如圖5a、b所示。

圖5 無缺陷列與有缺陷列灰度值曲線及其梯度變化曲線

從圖5a、b中可以看出，灰度值曲線的兩端向內(nèi)延伸，圖像灰度值最開始變化得比較緩慢，但在經(jīng)過某一處邊界之后，其灰度值的變化速度就急劇增大。為了更進(jìn)一步探究焊縫X射線檢測圖像中焊縫邊界處的灰度值變化規(guī)律，對(duì)擬合得到的灰度值函數(shù)進(jìn)行二次求導(dǎo)得到其梯度變化曲線，如圖5c、d所示。

從圖5c、d中可以看出，灰度值函數(shù)的梯度變化曲線在兩端都存在一個(gè)極大值點(diǎn)。將其與圖5a、b中的灰度值函數(shù)曲線進(jìn)行比較可知，這兩個(gè)極大值點(diǎn)就是焊縫區(qū)域的上、下邊界點(diǎn)。在裁剪后的焊縫X射線檢測圖像高度區(qū)間內(nèi)，灰度值函數(shù)梯度變化曲線存在多個(gè)極大值點(diǎn)，且部分極大值點(diǎn)位于焊縫區(qū)域的內(nèi)部，這是由于焊縫區(qū)域內(nèi)部存在亮度起伏或者該列灰度值曲線穿過了缺陷，導(dǎo)致其梯度發(fā)生變化。因此，如何排除位于焊縫區(qū)域內(nèi)部的干擾點(diǎn)，對(duì)曲線兩端的焊縫邊界點(diǎn)進(jìn)行精確的定位，就是此時(shí)需要解決的問題。

基于以上分析，設(shè)計(jì)基于焊縫X射線檢測圖像灰度值特性的自適應(yīng)焊縫邊界精確提取方法步驟如下。

1）對(duì)圖像逐列進(jìn)行灰度掃描，將掃描得到的離散灰度值向量導(dǎo)入MATLAB中的Curve Fitting工具箱中進(jìn)行光滑樣條擬合處理，得到其灰度值擬合函數(shù)曲線（圖6中曲線3所示），然后對(duì)擬合函數(shù)依次求導(dǎo)得到其梯度曲線（圖6中曲線1所示）和梯度變化曲線（圖6中曲線2所示）。

圖6 焊縫缺陷列灰度值、梯度和梯度變化曲線

2）針對(duì)圖像各列的灰度值曲線，通過分析其梯度曲線得到所有極大值點(diǎn)，將其放入數(shù)組*中。遍歷*中的所有極大值點(diǎn)，如果該極大值點(diǎn)的灰度值小于閾值（考慮到某些焊縫X射線檢測圖像背景區(qū)域存在亮度起伏），則在*中刪去此點(diǎn)（去除焊縫背景處的極值點(diǎn)），由此可得到圖像各列灰度值曲線在焊縫區(qū)域內(nèi)的極大值點(diǎn)數(shù)組。經(jīng)過反復(fù)嘗試，=50時(shí)較為合適。

3）根據(jù)得到的焊縫區(qū)域極大值點(diǎn)數(shù)組，選取其第一個(gè)元素1和最后一個(gè)元素end，然后在[1,1]和[end,]區(qū)間內(nèi)尋找得到其梯度曲線的局部極大值點(diǎn)u和極小值點(diǎn)d，此時(shí)可確定焊縫上、下邊界點(diǎn)位于[1,u]和[d,]區(qū)間內(nèi)。

4）尋找得到在[1,u]和[d,]區(qū)間內(nèi)梯度變化曲線的最大值點(diǎn)U和D，即為第列所尋找焊縫精確的上、下邊界點(diǎn)。

5）重復(fù)上述步驟，對(duì)焊縫X射線檢測圖像所有列的灰度值曲線進(jìn)行處理，獲得個(gè)焊縫上邊界點(diǎn)和個(gè)下邊界點(diǎn)后，分別對(duì)其進(jìn)行光滑樣條擬合，即可得到焊縫精確邊界。

使用上述焊縫邊界精確提取方法進(jìn)行焊縫邊界提取實(shí)驗(yàn)，其結(jié)果如圖7所示。

圖7 焊縫邊界精確提取結(jié)果

2 焊接缺陷特征提取

在精確提取到焊縫區(qū)域邊界后，對(duì)焊接缺陷的特征提取操作則就可以在焊縫區(qū)域內(nèi)進(jìn)行，而不必再對(duì)整個(gè)焊縫X射線檢測圖像進(jìn)行分析處理。此時(shí)，對(duì)于焊接缺陷來說，焊縫區(qū)域就成了背景區(qū)域。因此，如何在焊縫區(qū)域內(nèi)準(zhǔn)確地對(duì)焊接缺陷進(jìn)行特征提取是此時(shí)需要解決的問題。

2.1 傳統(tǒng)DRLSE模型

過去十幾年里，水平集方法在圖像分割領(lǐng)域內(nèi)得到了廣泛的應(yīng)用[20]。水平集方法的基本原理是將低維目標(biāo)的輪廓表示為更高維函數(shù)（Level Set Function，LSF）的零水平集（Zero level set），能夠以自然有效的方式處理曲線的形狀變化，例如一條封閉曲線演化為2條封閉曲線。傳統(tǒng)的基于水平集方法的圖像分割模型為了使曲線演化得更穩(wěn)定，在演化過程中需要定期地對(duì)水平集函數(shù)重新初始化。為了避免重新初始化水平集函數(shù)帶來的時(shí)間代價(jià)和數(shù)值偏差，Li等[21-23]提出了距離保持水平集演化（Distance Regularized Level Set Evolution，DRLSE）模型。水平集方法原理示意圖如圖8所示。

圖8 水平集方法原理示意圖[21]

Fig.8 Schematic diagram of the principle of level set method[21]

DRLSE模型提出了如式（1）所示的能量泛函。

式中：第1項(xiàng)為距離正則項(xiàng)，用于保證水平集曲線在演化過程中的光滑性；第2項(xiàng)、第3項(xiàng)分別為引導(dǎo)水平集函數(shù)向目標(biāo)邊界演化的長度項(xiàng)和面積項(xiàng)；代表圖像區(qū)域，為定義在上的水平集函數(shù)；、、是大于0的常量。

(3)

式中：s為輪廓演化的速度。

(4)

(5)

(6)

2.2 改進(jìn)DRLSE模型

以預(yù)處理得到的焊縫邊界為初始輪廓，分別使用傳統(tǒng)DRLSE模型和改進(jìn)DRLSE模型進(jìn)行焊接缺陷特征的提取實(shí)驗(yàn)，提取效果如圖9所示。

圖9 基于傳統(tǒng)與改進(jìn)DRLSE模型的焊接缺陷特征提取結(jié)果的比較

觀察圖9a—c可以看出，對(duì)于1號(hào)圖像中的缺陷特征提取結(jié)果，傳統(tǒng)DRLSE模型出現(xiàn)了過度分割的情況，提取到的缺陷輪廓邊緣呈鋸齒狀，而改進(jìn)DRLSE模型提取的缺陷輪廓未出現(xiàn)過度分割，且缺陷輪廓邊緣更為圓滑。而從圖9d—f可以看出，對(duì)于缺陷邊緣較為模糊的2號(hào)圖像，傳統(tǒng)DRLSE模型無法準(zhǔn)確地識(shí)別焊接缺陷的邊緣輪廓，把本應(yīng)為同一個(gè)缺陷的輪廓分割成了不同的缺陷輪廓，而改進(jìn)DRLSE模型則沒有出現(xiàn)這個(gè)問題。

3 實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證改進(jìn)DRLSE模型對(duì)焊接缺陷特征提取的有效性，選取GDX?RAY數(shù)據(jù)庫中56張常規(guī)的直線型焊縫X射線檢測圖像作為實(shí)驗(yàn)驗(yàn)證的數(shù)據(jù)集。在MATLAB平臺(tái)進(jìn)行缺陷特征提取實(shí)驗(yàn)，從其中53幅圖像中提取出缺陷，準(zhǔn)確率達(dá)到94.6%，剩余3張圖像未能提取出缺陷的主要原因是原始圖像中缺陷邊緣過于模糊，從而導(dǎo)致缺陷邊緣未能被算法成功識(shí)別。其中有代表性的圖像缺陷特征提取結(jié)果如圖10所示，可以看出，各類型焊接缺陷，如氣孔、夾渣、未熔合和未焊透等都可以被成功提取出來。

圖10 基于改進(jìn)DRLSE模型的焊接缺陷特征提取結(jié)果

4 結(jié)論

針對(duì)目前大多數(shù)焊接缺陷自動(dòng)特征提取方法存在的準(zhǔn)確度較低的問題，進(jìn)行了基于改進(jìn)DRLSE模型的焊接缺陷特征提取方法的研究，得到以下主要結(jié)論。

1）基于焊縫區(qū)域的亮度特性，首先對(duì)焊縫區(qū)域進(jìn)行了初步確定。在此基礎(chǔ)上，分析了焊縫圖像列灰度值曲線的梯度變化特性，提出了一種基于灰度值梯度的自適應(yīng)焊縫邊界精確提取方法。實(shí)驗(yàn)結(jié)果表明，該組合方法能夠有效地去除焊縫X射線檢測圖像中的無關(guān)背景信息，實(shí)現(xiàn)對(duì)焊縫區(qū)域邊界的精確提取。

2）以提取到的精確焊縫邊界為初始輪廓，建立了距離保持水平集演化（DRLSE）的改進(jìn)模型。通過對(duì)改進(jìn)DRLSE模型與傳統(tǒng)DRLSE模型在焊接缺陷特征提取結(jié)果的分析，結(jié)果表明，改進(jìn)DRLSE模型能夠?qū)θ毕葺喞M(jìn)行準(zhǔn)確的分割，有效地改善了傳統(tǒng)DRLSE模型所出現(xiàn)的過度分割、特征提取失準(zhǔn)的情況。

3）為驗(yàn)證改進(jìn)DRLSE模型對(duì)不同類型焊接缺陷特征提取的有效性，在MATLAB平臺(tái)上進(jìn)行了焊縫X射線檢測圖像缺陷特征提取實(shí)驗(yàn)。結(jié)果表明，所提出基于改進(jìn)DRLSE模型的焊接缺陷特征提取方法能有效提取各種類型缺陷特征，準(zhǔn)確率達(dá)到94.6%。

[1] 劉福順, 湯明. 無損檢測基礎(chǔ)[M]. 北京: 北京航空航天大學(xué)出版社, 2002.

LIU Fu-shun, TANG Ming. The Basis of Non-Destr-uc-tive Testing[M]. Beijing: Beijing University of Aeronautics & Astronautics Press, 2002.

[2] MITRA S K, LI H, LIN I S, et al. A New Class of Nonlinear Filters for Image Enhancement[C]// Acoustics, Speech, and Signal Processing, IEEE International Con-fe-r--ence on. IEEE Computer Society, 1991: 2525-2528.

[3] SHAFEEK H I, GADELMAWLA E S, ABDEL- SHAFYB A A, et al. Assessment of Welding Defects for Gas Pipeline Radiographs Using Computer Vision[J]. NDT & E International, 2004, 37(4): 291-299.

[4] ALAKNANDA, ANAND R S, KUMARB P, et al. Flaw Detection in Radiographic Weld Images Using Morphological Approach[J]. NDT & E International, 2006, 39(1): 29-33

[5] MAHMOUDI A, REGRAGUI F. Fast Segmentation Method for Defects Detection in Radiographic Images of Welds[C]// 2009 IEEE/ACS International Conference on Computer Systems and Applications. Rabat, Morocco: IEEE, 2009: 857-860.

[6] CHEN F L, WANG L M, HAN Y. X-ray Detection of Tiny Defects in Strongly Scattered structures Using the EMD Method[C]//2010 3rd International Congress on Image and Signal Processing. Yantai, China: IEEE, 2010: 1033-1037.

[7] SHAO Jia-xin, DU Dong, CHANG Bao-hua, 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.

[8] 李雪琴, 劉培勇, 殷國富, 等. 基于Fourier擬合曲面的X射線焊縫缺陷檢測[J]. 焊接學(xué)報(bào), 2014, 35(10): 61-64.

LI Xue-qin, LIU Pei-yong, YING Guo-fu, et al. Weld Defect Detection by X-ray Images Method Based on Fourier Fitting Surface[J]. Transactions of the China Welding Institution, 2014, 35(10): 61-64.

[9] BOARETTO N, CENTENO T M. Automated Detection of Welding Defects in Pipelines from Radiographic Images DWDI[J]. NDT & E International, 2017, 86: 7-13.

[10] BOARETTO N, CENTENO T M, et al. Automated Detection of Welding Defects in Pipelines from Radiographic Images DWDI[J]. NDT & E International, 2017, 86: 7-13.

[11] YAN Z H, et al. Multi-Scale Multi-Intensity Defect Detection in Ray Image of Weld Bead[J]. NDT & E International, 2020, 116: 102342.

[12] MALARVEL M, SINGH H. An Autonomous Technique for Weld Defects Detection and Classification Using Multi-Class Support Vector Machine in X-Radiography Image[J]. Optik, 2021, 231: 166342.

[13] ABDELKADER R, RAMOU N, KHORCHEF M, et al. Segmentation of X-ray Image for Welding Defects Detection Using an Improved Chan-Vese Model[J]. Materials Today: Proceedings, 2021, 42: 2963-2967.

[14] TO?I? I, FROSSARD P. Dictionary Learning[J]. IEEE Signal Processing Magazine, 2011, 28(2): 27-38.

[15] LECUN Y, BENGIO Y, HINTON G. Deep Learning[J]. Nature, 2015, 521(7553): 436-444.

[16] CHEN Zhen-hua, HUANG Guo-liang, LU Chao, et al. Automatic Recognition of Weld Defects in TOFD D-Scan Images Based on Faster R-CNN[J]. Journal of Testing and Evaluation, 2020, 48(2): 20170563.

[17] PARK J K, AN W H, KANG D J. Convolutional Neural Network Based Surface Inspection System for Non-patterned Welding Defects[J]. International Journal of Precision Engineering and Manufacturing, 2019, 20(3): 363-374.

[18] PAN Hai-hong, PANG Zai-jun, WANG Yao-wei, et al. A New Image Recognition and Classification Method Combining Transfer Learning Algorithm and MobileNet Model for Welding Defects[J]. IEEE Access, 8: 119951-119960.

[19] GUO Wen-ming, LIU Kai, QU Hui-fan. Welding Defect Detection of X-ray Images Based on Faster R-CNN Model[J]. 北京郵電大學(xué)學(xué)報(bào), 2019, 42(6): 20-28.

[20] GUO Wen-ming, LIU Kai, QU Hui-fan. Welding Defect Detection of X-ray Images Based on Faster R-CNN Model[J]. Journal of Beijing University of Posts and Telecommunications, 2019, 42(6): 20-28.

[21] YANG Lei, WANG Huai-xin, HUO Ben-yan, et al. An Automatic Welding Defect Location Algorithm Based on Deep Learning[J]. NDT & E International, 2021, 120: 102435.

[22] 王大凱, 侯榆青, 彭進(jìn)業(yè). 圖像處理的偏微分方程方法[M]. 北京: 科學(xué)出版社, 2008.

WANG Da-kai, HOU Yu-qing, PENG Jin-ye. Partial Differential Equation Method for Image Processing[M]. Beijing: Science Press, 2008.

[23] LI C M, XU C Y, GUI C F, et al. Level Set Evolution without Re-Initialization: A New Variational Formulation[C]//2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. San Diego, CA, USA: IEEE, 2005: 430-436.

[24] LI C M, KAO C Y, GORE J C, et al. Implicit Active Contours Driven by Local Binary Fitting Energy [C]// 2007 IEEE Conference on Computer Vision and Pattern Recognition. Minneapolis. MN, USA: IEEE, 2007: 1-7.

[25] LI C M, XU C Y, GUI C F, et al. Distance Regularized Level Set Evolution and Its Application to Image Segmentation[J]. IEEE Transactions on Image Processing, 2010, 19(12): 3243-3254.

[26] OSHER S, FEDKIW R, PIECHOR K. Level Set Methods and Dynamic Implicit Surfaces[J]. Applied Mechanics Reviews, 2004, 57(3): B15.

Welding Defect Feature Extraction Method Based on Improved DRLSE Model

ZHANG Cheng1a,1b, SONG Yan-li1a,1b,1c, LI Han-pei2, GAO Chang-lin1a,1b, ZUO Hong-zhou2

(1. a. Hubei Key Laboratory of Advanced Technology for Automotive Components, b. Hubei Collaborative Innovation Center for Automotive Components Technology, c. Hubei Research Center for New Energy & Intelligent Connected Vehicle, Wuhan University of Technology, Wuhan 430070, China; 2. Hubei Qixing Automobile Boy Co., Ltd., Hubei Suizhou 44300, China)

The work aims to study a feature extraction method for welding defects in X-ray images that meets the accuracy requirements, aiming at the low accuracy of most current automatic feature extraction methods for welding defects. After image enhancement and denoising preprocessing, based on the initial determination of the weld area, and according to the gradient characteristics of the gray value curve of the weld image column, an accurate extraction algorithm of the weld boundary based on the gray value gradient is designed; the precise boundary of the weld is the initial contour, and a feature extraction method of welding defects based on the improved DRLSE model is proposed. The results show that the welding defect feature extraction method based on the improved DRLSE model can effectively extract defect features such as pores, slag inclusions, incomplete fusion and incomplete penetration, and the precision rate reaches 94.6%. The method overcomes the problems of poor image quality and complex background of the original welding seam X-ray image, can accurately extract the boundary of the welding seam region, accurately perform feature extraction on various welding defects, and has strong adaptability and practicality.

X-ray image; gray value gradient; weld boundary; improved DRLSE model; feature extraction

10.3969/j.issn.1674-6457.2022.12.017

TG456.9

A

1674-6457(2022)12-0153-07

2020?01?01

湖北省技術(shù)創(chuàng)新專項(xiàng)（2019AAA014）；教育部創(chuàng)新團(tuán)隊(duì)發(fā)展計(jì)劃（IRT17R83）；新能源汽車科學(xué)與關(guān)鍵技術(shù)學(xué)科創(chuàng)新引智基地（B17034）

章誠（1996—），男，碩士生，主要研究方向?yàn)闊o損檢測。

宋燕利（1979—），男，博士，教授，主要研究方向?yàn)楦叨搜b備高性能輕量化制造。