石端虎 剛 鐵 張華軍 楊根喜

1.徐州工程學(xué)院,徐州,221008

2.哈爾濱工業(yè)大學(xué)現(xiàn)代焊接生產(chǎn)技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室,哈爾濱,150001

3.哈爾濱理工大學(xué),哈爾濱,150040

0 引言

為了減少無損檢測(cè)人員評(píng)判時(shí)的主觀性和提高檢測(cè)的效率,需要開發(fā)自動(dòng)圖像處理技術(shù)。此外要實(shí)現(xiàn)缺陷空間位置數(shù)據(jù)的自動(dòng)提取和空間定位一般需要先提取出檢測(cè)圖像中微小缺陷。與普通結(jié)構(gòu)相比,工字形激光焊件中的焊縫尺寸很小,缺陷尺寸更小,因此實(shí)現(xiàn)其內(nèi)部微小缺陷的提取是一個(gè)很具挑戰(zhàn)性的任務(wù)。

目前,國(guó)內(nèi)外在缺陷分割方面已經(jīng)開展了大量的研究[1-5]。Kaftandjian等[1]采用直方圖閾值和背景相減的方法檢測(cè)缺陷,但在避免偽缺陷方面沒有提出良策。Mery等[3]采用特殊的濾波模板模擬背景實(shí)現(xiàn)了大鑄件中缺陷的分割與提取,在偽缺陷去除方面提出了多視角幾何和缺陷跟蹤的方法,取得了一定的效果。Sun等[6]基于模糊推理的方法開發(fā)了一套螺旋焊管X射線圖像自動(dòng)處理系統(tǒng),實(shí)現(xiàn)了焊管內(nèi)部缺陷的提取與標(biāo)示。上述研究主要是針對(duì)普通結(jié)構(gòu)大焊縫中的缺陷,而對(duì)于復(fù)雜結(jié)構(gòu)激光焊件中微小缺陷分割與提取的報(bào)道較少。因此,本文針對(duì)工字形激光焊件射線圖像中的微小缺陷分割與提取問題進(jìn)行研究。

1 圖像的灰度特征分析

圖1所示為工字形激光焊件的局部斷面,其正反兩面均有激光焊縫,結(jié)構(gòu)的最薄弱環(huán)節(jié)為結(jié)合面位置。為了確定缺陷在焊縫中的空間位置,需要采用無損檢測(cè)的方法對(duì)其檢測(cè),并把小缺陷從檢測(cè)圖像中先分割出來。

為了獲取較好的檢測(cè)圖像,需要旋轉(zhuǎn)被檢焊件。圖2為焊件旋轉(zhuǎn)后獲取的檢測(cè)圖像,其中亮帶區(qū)內(nèi)的小白點(diǎn)為焊縫中的氣孔,其實(shí)際尺寸大小為574×768(像素)。圖3所示為圖2中某行的線灰度分布,其中有兩個(gè)峰值,分別對(duì)應(yīng)穿透焊件最薄處的位置,即圖中的1和3;而2和4對(duì)應(yīng)穿透焊件最厚處臨界點(diǎn)的位置。圖3中標(biāo)出了缺陷的位置。1、2間和3、4間的區(qū)域?yàn)楹讣疵娴暮缚p區(qū),2、4間為穿透厚度最大且恒定區(qū)域,1、3點(diǎn)外的區(qū)域?yàn)楣鈻艆^(qū)。

從圖3可以看出,微小缺陷與其背景間的對(duì)比度較小,且位于大灰度梯度背景中,缺陷的分割和提取存在很大的難度。

2 基于數(shù)學(xué)形態(tài)學(xué)模擬背景的微小缺陷分割

為了分割出大灰度梯度背景下的微小缺陷,需要先對(duì)其進(jìn)行去噪處理,去噪采取疊加去噪和小波變換相結(jié)合的方法[7]。由于工字形焊件圖像中線灰度分布曲線上的突起正對(duì)應(yīng)于缺陷位置,去噪后可采用形態(tài)學(xué)開運(yùn)算進(jìn)行背景模擬。該方法模擬背景的特點(diǎn)是在去除小缺陷和噪聲的同時(shí)可保持線灰度分布曲線的梯度分布特征,而后采用背景相減和迭代算法就可以提取大灰度梯度背景下的微小缺陷。該算法的流程圖見圖4。

采用上述算法可實(shí)現(xiàn)大灰度梯度背景下的微小缺陷分割與提取,且缺陷的保真度高,這將為后續(xù)的缺陷空間位置數(shù)據(jù)自動(dòng)提取及空間定位奠定較好的基礎(chǔ)。同時(shí)由于分割前先把感興趣的區(qū)域(area of interest,AOI)提取出來,而后只對(duì)該區(qū)域進(jìn)行處理,大大提高了圖像處理的速度。

3 最佳結(jié)構(gòu)元尺寸的確定

在采用形態(tài)學(xué)方法模擬背景時(shí),結(jié)構(gòu)元尺寸的選擇非常重要,它對(duì)于背景模擬成功與否和缺陷的保真分割有很大的影響。Gang等[8]采用自適應(yīng)形態(tài)學(xué)方法獲取結(jié)構(gòu)元尺寸,該尺寸可隨缺陷的大小自動(dòng)調(diào)整,對(duì)大尺寸焊縫缺陷的分割效果較好。羅愛民等[9]提出了另一種自適應(yīng)形態(tài)學(xué)濾波算法,該算法采用分水嶺變換確定每行的結(jié)構(gòu)元尺寸,其尺寸也可隨缺陷尺寸大小自動(dòng)調(diào)整。上述兩方法主要針對(duì)普通結(jié)構(gòu)大焊縫中的大尺寸缺陷進(jìn)行處理,缺陷所處的區(qū)間灰度梯度變化不大,且缺陷與其背景間對(duì)比度較大,缺陷分割相對(duì)比較容易。采用上述方法無法實(shí)現(xiàn)工字形焊件檢測(cè)圖像中的微小缺陷分割與提取。

本文采用的是一維線狀垂直結(jié)構(gòu)元,結(jié)構(gòu)元尺寸可用像素點(diǎn)的大小來表示。經(jīng)過多次試驗(yàn),筆者發(fā)現(xiàn),對(duì)于大灰度梯度背景下的微小缺陷分割,應(yīng)用形態(tài)學(xué)開運(yùn)算模擬背景時(shí),只有結(jié)構(gòu)元尺寸在一定范圍內(nèi)時(shí)才能獲得較理想的分割結(jié)果,且存在一最佳結(jié)構(gòu)元尺寸使分割的缺陷具有較高的保真度。因此本文提出一種新方法來確定結(jié)構(gòu)元尺寸,即線灰度分布曲線擬合并相減,再搜索相減結(jié)果最大值的方法。具體步驟如下:先獲取圖像上某行的線灰度分布曲線;然后應(yīng)用最小二乘法對(duì)上述曲線進(jìn)行曲線擬合,獲得該線灰度分布曲線的擬合曲線;將兩者相減,并搜索所有行的相減結(jié)果最大值,該值即為所求。

圖5為擬合前后的線灰度分布曲線,圖6所示為兩曲線相減的結(jié)果。圖5中標(biāo)出了缺陷的位置及結(jié)構(gòu)元的大小,圖6中標(biāo)明了搜索到的某行的結(jié)構(gòu)元尺寸。

4 分割結(jié)果

采用第3節(jié)所提出的算法獲取形態(tài)學(xué)開運(yùn)算的最佳結(jié)構(gòu)元尺寸后,將上述的固定點(diǎn)形態(tài)學(xué)濾波方法運(yùn)用于工字形焊件的射線檢測(cè)圖像,結(jié)合背景相減算法就可以把大灰度梯度背景下的微小缺陷提取出來。

圖7所示為圖像處理結(jié)果。其中圖7a所示為提取的AOI,其尺寸約為原始圖像的1/3,主要目的有兩個(gè):一是為了減小光柵外區(qū)域?qū)θ毕莘指畹挠绊?二是減小圖像處理的區(qū)域,可大大提高圖像處理的速度。圖7b所示為背景模擬的結(jié)果,可以看出高亮區(qū)的小缺陷被平滑掉了,背景模擬取得了較好的效果。圖7c所示為背景相減的結(jié)果,經(jīng)背景相減后,圖像中的小白點(diǎn)(氣孔)被突出出來。圖7d所示為采用迭代法獲得的缺陷分割結(jié)果。上述處理中獲取的最佳結(jié)構(gòu)元尺130.29,迭代次數(shù)為4。為了驗(yàn)證上述算法的通用性,對(duì)80多幅射線檢測(cè)圖像進(jìn)行了處理,均取得了較好的分割效果。同時(shí)采用剖切試樣的方法對(duì)分割結(jié)果進(jìn)行了驗(yàn)證,結(jié)果表明分割的準(zhǔn)確率可達(dá)98%以上,且缺陷保真度較高。

圖8為剖切的焊件縱斷面金相照片,其中標(biāo)明了驗(yàn)證缺陷的序號(hào)。圖9為實(shí)際焊件剖切試驗(yàn)中氣孔半徑及其出現(xiàn)頻數(shù)的直方圖,其中驗(yàn)證的氣孔缺陷總數(shù)為398,氣孔缺陷半徑大多在0.15～0.35mm之間。

為了對(duì)比缺陷分割的效果,筆者采用均值濾波模擬背景法對(duì)檢測(cè)圖像進(jìn)行了處理,處理結(jié)果見圖10。通過對(duì)比可以看出,本文提出的算法實(shí)現(xiàn)了大灰度梯度背景下微小缺陷的分割與提取,且保真度較高,而常規(guī)濾波方法難以實(shí)現(xiàn)微小缺陷的提取。

5 結(jié)論

(1)基于形態(tài)學(xué)開運(yùn)算對(duì)工字形焊件檢測(cè)圖像進(jìn)行了背景模擬,提出了大灰度梯度背景下的微小缺陷分割及提取方法。

(2)提出了線灰度分布曲線擬合并相減,搜索相減結(jié)果最大值來確定最佳結(jié)構(gòu)元尺寸的方法,采用該結(jié)構(gòu)元對(duì)工字形焊件中的微小缺陷進(jìn)行了分割與提取。本文算法對(duì)AOI區(qū)域的大小不敏感,算法適應(yīng)性強(qiáng),缺陷保真度高。

(3)圖像處理只在提取的AOI區(qū)域中進(jìn)行,處理速度可顯著提高。

[1]Kaftandjian V,Joly A,Odievre T,et al.Automatic Detection and Characterization of Aluminum Weld Defects:Comparison between Radiography,Radioscopy and Human Interpretation[C]//Proceedings of the Seventh European Conferences on Nondestructive Testing.Copenhagen,1998:1179-86.

[2]Mery D,Jaeger T,Filbert D.A Review of Methods for Automated Recognition of Casting Defects[J].Insight,2002,44(7):428-436.

[3]Mery D,Filbert D.Automated Flaw Detection in Aluminium Castings Based on the Tracking of Potential Defects in a Radioscopic Image Sequence[J].IEEE Transactions on Robotics and Automation,2002,18(6):890-901.

[4]Quan Jinjuan,Wen Xianbin,Wang Chundong,et al.Multiscale Segmentation of SAR Images Via Two Neural Networks[J].Journal of Optoelectronics˙Laser,2008,19(4):542-545.

[5]Wang Yanchun,Liang Dequn,Wang Yan,et al.Image Transition Region Extraction and Segmentation Based on Neighborhood Unhomogeneity[J].Journal of Optoelectronics˙Laser,2008,19(3):404-408.

[6]Sun Y,Bei P,Sun H Y,et al.Real—time Automatic Detection of Weld Defects in Steel Pipe[J].NDT&E International,2005,38(7):522-528.

[7]Shi Duanhu,Gang Tie,Yang Shuangyang,et al.Research on Segmentation and Distribution Features of Small Defects in Precision Weldments with Complex Structure[J].NDT&E International,2007,40(5):397-404.

[8]Gang Tie,Wang Donghua.Defect Extraction of X—ray Images Based on Adaptive Morphology Filtering[J].Chinese Journal of Mechanical Engineering,2001,37(5):85-89.

[9]Luo Aimin,Yin Guofu,Wei Wanyin.Welding Defect Extraction of X—ray Image Based on Adaptive Morphological Filtering Operator[J].Nuclear Power Engineering,2006,27(6):47-51.