文方青　葉志龍　張弓

摘要：為了精確地提取焊接缺陷，進(jìn)一步提高缺陷檢測(cè)的準(zhǔn)確性，提出了一種基于改進(jìn)Chan-Vese（CV）模型和脈沖耦合神經(jīng)網(wǎng)絡(luò)（pulse coupled neural network，PCNN）的非下采樣Shearlet變換（non-subsampled Shearlet transform，NSST）域焊接缺陷提取方法。首先，對(duì)焊接缺陷圖像進(jìn)行NSST分解，對(duì)得到的低頻分量采用PCNN提取出缺陷的主要區(qū)域；然后，利用背景抑制后的低頻分量和高頻分量構(gòu)造出高頻特征圖像，并對(duì)其進(jìn)行粗分割，再利用改進(jìn)的CV模型尋找最優(yōu)輪廓，提取出缺陷精細(xì)輪廓；最后，融合缺陷的主要區(qū)域和精細(xì)輪廓信息得到最終的結(jié)果。實(shí)驗(yàn)結(jié)果表明，與其他缺陷提取法相比，所用方法提取的缺陷結(jié)構(gòu)更為完整，缺陷輪廓更為精細(xì)。

關(guān)鍵詞：焊接缺陷； 輪廓提取； 非下采樣Shearlet； 改進(jìn)的CV模型； 脈沖耦合神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TP 301.6 文獻(xiàn)標(biāo)志碼： A doi： 10.3969/j.issn.1005-5630.2015.01.013

Abstract：In order to extract welding defect more accurately and further improve the accuracy of defect detection， a welding defect extraction method based on improved Chan-Vese（CV）model and pulse coupled neural network（PCNN）in the non-subsampled Shearlet transform（NSST）domain is proposed. Firstly， a welding defect image is decomposed by NSST. The main region of defect is obtained through processing low-frequency component by using PCNN. Then， high-frequency feature image is constructed through low-frequency after background suppression and high-frequency， and improved CV model is used to search optimal contour of defect after coarse segmentation. Finally， the final defect is extracted by fusing main region and fine contour of welding defect. Compared with recently proposed defect extraction methods， the extracted welding defect using the proposed method has more complete structure and optimal contour.

Keywords：welding defect； contour extraction； non-subsampled Shearlet； improved CV model； pulse coupled neural network

引 言

隨著圖像處理技術(shù)的發(fā)展，對(duì)X射線焊接圖像進(jìn)行缺陷檢測(cè)已成為焊接產(chǎn)品質(zhì)量評(píng)判的重要手段。作為缺陷檢測(cè)的關(guān)鍵步驟，焊接缺陷提取的準(zhǔn)確性直接影響缺陷特征參數(shù)的計(jì)算，決定了缺陷檢測(cè)的性能。

焊接缺陷圖像通常對(duì)比度較低、背景起伏大，且伴有少量的噪聲，易淹沒(méi)如氣孔、細(xì)裂紋之類細(xì)小缺陷[1-3]。而缺陷提取就是要從不穩(wěn)定的背景和噪聲中將缺陷的全部信息盡可能地分離出來(lái)，焊接缺陷的提取包括缺陷的分割及其輪廓的提取[4]。現(xiàn)有的缺陷提取方法主要有閾值分割法、模型法和多尺度幾何分析法。其中基于閾值分割的缺陷提取法較為簡(jiǎn)單，應(yīng)用也較廣，此方法通常是考慮圖像灰度分布，選取一個(gè)最佳閾值分離出背景與目標(biāo)，但閾值選取難以自適應(yīng)選取，易丟失細(xì)小目標(biāo)。文獻(xiàn)[5]提出了選用對(duì)稱Tsallis交叉熵作為分割質(zhì)量的評(píng)價(jià)指標(biāo)，克服了傳統(tǒng)閾值選取方法對(duì)弱小目標(biāo)的失效，但此方法在圖像受噪聲干擾時(shí)，易產(chǎn)生錯(cuò)分現(xiàn)象，適應(yīng)性仍不強(qiáng)。模型法主要有PCNN和CV模型。其中PCNN是一種新型的神經(jīng)網(wǎng)絡(luò)，其圖像處理結(jié)果更符合人類的視覺(jué)神經(jīng)系統(tǒng)，但由于難以確定PCNN最佳迭代次數(shù)，其獲得的缺陷的邊緣往往較為粗糙，且結(jié)果易受噪聲干擾[6-7]。CV模型可有效利用圖像的先驗(yàn)信息知識(shí)，對(duì)于弱邊緣圖像有較好的分割效果，已成功應(yīng)用于焊接圖像的識(shí)別[8]。但CV模型對(duì)于初始條件較為敏感，計(jì)算效率較低[9-10]。多尺度幾何分析具有局部性、各向異性、多方向性等特性，對(duì)于圖像的邊緣細(xì)節(jié)信息有較好的捕捉能力。該方法將圖像分解為高低頻分量，并采取不同策略分別進(jìn)行缺陷提取，最后融合二者的結(jié)果得到最終的缺陷區(qū)域[11-12]。文獻(xiàn)[13]研究了一種基于非下采樣Contourlet變換（non-subsampled Contourlet transform，NSCT）和PCNN的缺陷提取方法，取得了較好的效果，然而該方法采用的NSCT高頻方向數(shù)受到分解層數(shù)的制約，未能最優(yōu)表達(dá)圖像方向信息，且用于高頻分量缺陷提取的PCNN難以分辨噪聲和缺陷的細(xì)小邊緣。Shearlet變換較NSCT能夠自適應(yīng)地跟蹤圖像奇異曲線方向，方向選擇更為豐富，但其缺乏平移不變性，易產(chǎn)生階梯效應(yīng)[14-15]。針對(duì)上述問(wèn)題，可考慮采取NSST代替NSCT，以克服Shearlet產(chǎn)生的偽Gibbs效應(yīng)，更為有效地捕捉缺陷的細(xì)節(jié)信息；利用PCNN提取低頻分量的缺陷主要區(qū)域；在CV模型中加入移動(dòng)因子，改善邊緣的逼近效果，并利用其提取高頻分量中的缺陷，避免細(xì)節(jié)的丟失。

1 非下采樣Shearlet域的焊接缺陷提取

1.1 非下采樣Shearlet變換

同NSCT類似，NSST分為多尺度分解和方向分析兩部分，即圖像首先經(jīng)過(guò)非下采樣拉普拉斯金字塔（non-subsampled Laplacian pyramid，NSLP）分解，得到一個(gè)低頻分量和一個(gè)高頻分量，得到的低頻分量再經(jīng)過(guò)非下采樣拉普拉斯金字塔分解完成下一級(jí)分解，以此類推完成多尺度分解。方向分析是通過(guò)改進(jìn)的剪切濾波器完成的，即圖像經(jīng)n層NSST分解，可得到2n+2個(gè)與源圖像同尺度的高頻子帶圖像。

1.2 脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）

PCNN是受哺乳動(dòng)物神經(jīng)元模型啟發(fā)而提出的一種新型人工神經(jīng)網(wǎng)絡(luò)。PCNN的每一個(gè)神經(jīng)元都是由接收、非線性連接調(diào)制和脈沖產(chǎn)生3部分組成，設(shè)F為神經(jīng)元的反饋輸入，則可表示為：

PCNN的工作流程為：神經(jīng)元的接收部分反饋輸入Fij[n]和Lij[n]，經(jīng)過(guò)調(diào)制產(chǎn)生Uij[n]，再與按指數(shù)衰減后的閾值門(mén)限θij比較，來(lái)確定是否產(chǎn)生脈沖，若Uij[n]>θij[n-1]，則脈沖產(chǎn)生，PCNN被點(diǎn)火。焊接缺陷處的像素值一般與周圍的焊道部分有明顯的區(qū)別，當(dāng)缺陷處的某一神經(jīng)元觸發(fā)脈沖點(diǎn)火，脈沖信號(hào)便會(huì)通過(guò)連接輸入L傳遞給鄰近的神經(jīng)元，造成與該神經(jīng)元像素值相似的鄰近像素點(diǎn)趨于同步點(diǎn)火，即提取出缺陷所在的區(qū)域。

1.3 改進(jìn)的CV模型

CV模型未考慮圖像的局部信息，僅考慮了圖像各均勻區(qū)域的均勻信息，雖可得到圖像的漸進(jìn)型邊緣，但分割結(jié)果存在誤差。針對(duì)這一問(wèn)題，可考慮加入移動(dòng)因子，以減小分割誤差，提高計(jì)算效率[17]。若O（C）和I（C）分別為可變曲線C的內(nèi)部和外部，則CV模型可表示為：

采用移動(dòng)因子s作為權(quán)值，一方面可調(diào)整曲線內(nèi)外區(qū)域的灰度均值，使得目標(biāo)的總體灰度值能保持大致不變，促使0-水平集平面接近于目標(biāo)平面；另一方面，移動(dòng)因子可根據(jù)邊界周圍的凹凸性調(diào)整相應(yīng)點(diǎn)的灰度值，以不斷逼近最優(yōu)的邊界。

2 焊接缺陷提取算法

基于上述分析，本文提出了一種基于改進(jìn)CV模型和PCNN的NSST域的焊接缺陷提取方法，現(xiàn)以一副焊接夾鎢缺陷為例，說(shuō)明本文算法的步驟和流程，具體步驟如下。

Step1：非下采樣Shearlet變換。對(duì)焊接圖像進(jìn)行單層非下采樣Shearlet分解，得到1個(gè)低頻分量和6個(gè)高頻分量，其中用于非下采樣拉普拉斯塔式分解的濾波器選擇“maxflat”，進(jìn)行方向分析的窗函數(shù)為“Meyer”。

Step2：利用低頻圖像進(jìn)行缺陷粗分割。將低頻圖像作為PCNN的輸入源圖像，利用香農(nóng)熵作為判斷PCNN的最佳迭代次數(shù)標(biāo)準(zhǔn)，經(jīng)PCNN處理得到粗分割后的焊接缺陷圖像，PCNN的迭代方程為式（2）～式（6），其中VL=Smax，β=0.4，αθ=0.3，Vθ=0.2，連接權(quán)矩陣M和W設(shè)置如下：

Step3：低頻圖像背景抑制。焊接缺陷圖像通常對(duì)比度較低，背景起伏較大，而焊道部分灰度值一般偏大。可根據(jù)圖像直方圖曲線的一個(gè)谷值拐點(diǎn)尋找相應(yīng)的閾值，將起伏的背景部分直接置0，以減少背景對(duì)于缺陷提取的干擾。為了防止由于直方圖曲線局部起伏導(dǎo)致的閾值誤選，本文選用B樣條曲線對(duì)直方圖曲線進(jìn)行擬合。

Step4：高頻特征圖像構(gòu)造。利用NSST逆變換對(duì)背景抑制后的低頻圖像和高頻圖像進(jìn)行重構(gòu)，得到高頻特征圖像。

Step5：利用高頻特征圖像進(jìn)行缺陷精分割。先對(duì)高頻特征圖像利用閾值分割對(duì)其進(jìn)行粗分割，將得到的圖像作為改進(jìn)CV模型的初始條件，不斷逼近缺陷的最優(yōu)邊緣，得到高頻部分的分割結(jié)果，其中改進(jìn)CV模型的輪廓演化方程為式（14），μ=0.01×2552，λ1=λ2=1，ω1=1.65，ω2=1。

Step6：融合高頻分量分割得到的結(jié)果。對(duì)高頻特征圖像提取的缺陷圖像和低頻圖像提取的缺陷圖像作與操作或者或操作，并采用Sobel算子提取出缺陷的輪廓。一方面可以提取缺陷的精細(xì)邊緣，另一方面可有效地去除背景噪聲。圖2為夾鎢缺陷的提取過(guò)程示意圖，圖3為本文提出焊接缺陷算法的流程圖。

3 實(shí)驗(yàn)結(jié)果與分析

針對(duì)本文提出的焊接缺陷提取方法，進(jìn)行了大量的實(shí)驗(yàn)，同時(shí)給出了本文算法和近年來(lái)提出的基于二維對(duì)稱Tsallis交叉熵的缺陷提取法（STCE）[5]、PCNN缺陷提取法（PCNN）[7]、基于NSCT域特征的PCNN的缺陷提取法的結(jié)果（NSCT+PCNN）[12]，依據(jù)主觀視覺(jué)和對(duì)數(shù)歸一化似然比對(duì)上述方法進(jìn)行了評(píng)價(jià)和分析。所對(duì)比的焊接缺陷方法參數(shù)設(shè)置如下：STCE方法中背景與缺陷面積差因子中的可調(diào)指數(shù)γ=0.003；PCNN方法中衰減系數(shù)αF，αL，αθ分別為0.1、2.0、1.0；幅度常數(shù)VF、VL、VT分別取為0.5、0.2和20；鏈接權(quán)矩陣W取兩個(gè)神經(jīng)元的歐式距離的平方倒數(shù)，鏈接系數(shù)β=1，最大迭代次數(shù)為10；NSCT+PCNN方法中采用3層NSCT對(duì)缺陷圖像分解，高頻特征圖像由多尺度能量得到，低頻粗分割圖像和高頻特征圖像的分割均由PCNN得到，其設(shè)置與PCNN方法相同。本文的焊接缺陷提取實(shí)驗(yàn)均是在Intel（R）Core（TM）2，主頻2.0 GHz，內(nèi)存2 GB，處理程序?yàn)镸ATLAB R2009a的環(huán)境下進(jìn)行的。

現(xiàn)以?shī)A鎢、燒穿、焊縫余溫過(guò)高3種焊接缺陷圖像為例說(shuō)明本文提出的焊接缺陷提取方法的有效性。圖4～圖6分別給出了3種缺陷使用STCE、PCNN、NSCT+PCNN及本文方法提取的缺陷結(jié)果。其中（a）給出了受到噪聲污染的缺陷圖像、（b）給出了STCE方法提取的缺陷、（c）給出了PCNN方法提取的缺陷、（d）給出了NSCT+PCNN方法提取的缺陷、（e）為本文方法提取的缺陷、（f）為提取出缺陷的輪廓。

由圖4～圖6可看出：3種焊接缺陷圖像均含有大量的噪聲。STCE方法僅對(duì)燒穿缺陷有效，對(duì)夾鎢和焊縫余溫過(guò)高兩種缺陷僅能分割出焊道部分，且殘留了大部分噪聲；由于噪聲對(duì)于神經(jīng)元點(diǎn)火機(jī)制的影響，PCNN方法雖能提取缺陷的主要區(qū)域，但缺陷的輪廓較為粗糙，然而對(duì)于目標(biāo)較小的缺陷，如圖4中的夾鎢缺陷，PCNN方法提取的缺陷易淹沒(méi)在噪聲中；NSCT+PCNN方法提取的缺陷輪廓比PCNN方法提取的缺陷輪廓更為精細(xì)，但對(duì)于區(qū)域性的缺陷，如圖6中的焊縫余溫過(guò)高缺陷，其缺陷提取的區(qū)域偏大。本文方法提取的3種缺陷更為完整，其輪廓更為精細(xì)，也更接近于缺陷的實(shí)際輪廓，這是因?yàn)楸疚牟捎玫腘SST變換能更好地捕捉缺陷的邊緣細(xì)節(jié)，用于高頻特征圖像分割的改進(jìn)CV模型對(duì)于缺陷輪廓的逼近也更加準(zhǔn)確。

為了進(jìn)一步說(shuō)明本文提出的焊接缺陷提取方法效果，以原始缺陷圖像與提取出的缺陷圖像相除的比率圖像對(duì)其進(jìn)行定量評(píng)價(jià)。以比率圖像的對(duì)數(shù)歸一化似然比D及方差RIvar作為評(píng)價(jià)指標(biāo)，其中，D描述了提取的缺陷圖像中各區(qū)域的異質(zhì)性，RIvar表征了圖像的對(duì)比度起伏程度。D和RIvar的值越小說(shuō)明比率圖像中殘留的缺陷結(jié)構(gòu)越少，缺陷提取的效果也就越好。表1給出了圖4～圖6中的3種缺陷圖像應(yīng)用上述4種缺陷提取方法的評(píng)價(jià)指標(biāo)值。

從表1可以看出，本文方法提取的缺陷比率圖像D和RIvar是4種方法最低的，說(shuō)明本文方法提取的缺陷最接近于真實(shí)缺陷，缺陷的結(jié)構(gòu)也是最為完整的。由此可知，本文提出的焊接缺陷提取方法性能優(yōu)于其他3種方法。

4 結(jié) 論

本文提出了一種基于改進(jìn)CV模型和PCNN的非下采樣域焊接缺陷提取方法。通過(guò)NSST對(duì)焊接缺陷圖像進(jìn)行分解，有效地捕捉了缺陷的邊緣和方向信息；經(jīng)對(duì)低頻分量采用PCNN方法，提取了缺陷的主要區(qū)域；利用改進(jìn)的CV模型提取了高頻特征圖像的缺陷精細(xì)輪廓；由融合缺陷的主要區(qū)域信息和精細(xì)輪廓，得到缺陷最終區(qū)域。大量實(shí)驗(yàn)結(jié)果表明，與近年來(lái)提出的STCE、PCNN、NSCT+PCNN等方法相比，本文方法提取的缺陷更為完整，其輪廓更加清晰，在比率圖像對(duì)數(shù)歸一化似然比和方差兩個(gè)客觀定量評(píng)價(jià)指標(biāo)上也具有一定的優(yōu)勢(shì)。

參考文獻(xiàn)：

[1] 梁硼，魏艷紅，占小紅.基于B樣條曲線的X射線圖像焊縫缺陷分割與提取[J].焊接學(xué)報(bào)，2012，32（7）：109-112.

[2] SHAO J X，DU D，SHI H，et al.A fast and adaptive method for automatic weld defect detection in various real-time X-ray imaging systems[J].China Welding，2012，21（1）：8-12.

[3] 沈瑩吉，王克鴻，潘明財(cái)，等.基于視覺(jué)的焊接缺陷熔池圖像特征探討[J].焊接學(xué)報(bào)，2012，33（1）：105-108.

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

[5] 吳一全，沈毅，剛鐵，等.基于二維對(duì)稱Tsallis交叉熵的小目標(biāo)圖像閾值分割[J].儀器儀表學(xué)報(bào)，2011，32（10）：2161-2167.

[6] JOHNSON J L，PADGETT M L.PCNN models and applications[J].IEEE Transactions on Neural Networks，1999，10（3）：480-498.

[7] 馬義德，戴若蘭，李廉.一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和圖像熵的自動(dòng)圖像分割方法[J].通信學(xué)報(bào)，2002，23（1）：46-51.

[8] 陳希章，陳華斌，陳善本，等.基于改進(jìn)C-V方法的焊接圖像識(shí)別[J].焊接學(xué)報(bào)，2007，28（9）：9-12.

[9] 吳一全，吉瑒，沈毅，等.Tsallis熵和改進(jìn)CV模型的海面溢油SAR圖像分割[J].遙感學(xué)報(bào)，2012，16（4）：678-690.

[10] WEI K，JING Z L，LI Y X，et al.Extended scheme of Chan-Vese models for colour image segmentation[J].IEEE Transactions on Image Processing，2011，5（7）：583-597.

[11] 孔軍，湯心溢，蔣敏，等.基于多尺度特征提取的Kalman濾波跟蹤[J].紅外與毫米波學(xué)報(bào)，2011，30（5）：446-450.

[12] 吳俊政，嚴(yán)衛(wèi)東，邊輝，等.基于NSCT域特征和PCNN的SAR圖像目標(biāo)分割[J].光電工程，2012，39（9）：86-92.

[13] 周新星，王典洪，王洪亮，等.基于非下采樣Contourlet變換和PCNN的表面缺陷自動(dòng)識(shí)別方法[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2013，21（1）：174-183.

[14] EASLEY G，LABATE D，LIM W Q.Sparse directional image representations using the discrete shearlet transform[J].Applied Computational Harmonic Analysis，2008，25（1）：25-46.

[15] YI S，LABATE D，EASLEY G R，et al.A shearlet approach to edge analysis and detection[J].IEEE Transactions on Image Processing，2009，18（5）：929-941.

[16] LIM W Q.The discrete shearlets transform：a new directional transform and compactly supported shearlets frames[J].IEEE Transactions on Image Processing，2010，19（5）：1166-1180.

[17] DA CUNH A L，ZHOU J P，DO M N.The nonsubsampled contourlet transform：theory，design，and application[J].IEEE Transactions on Image Processing，2006，15（10）：3089-3101.

[18] 王曉濤，吳紀(jì)桃.加移動(dòng)因子的C-V模型[J].中國(guó)圖象圖形學(xué)報(bào)，2010，15（11）：1603-1607.

（編輯：劉鐵英）