張富照，蘇 林，陳元昊，易建軍，盛 濤，鄭金華

（1.華東理工大學(xué) 機(jī)械與動(dòng)力工程學(xué)院，上海 200237；2.上海復(fù)合材料科技有限公司，上海 201112）

0 引言

碳纖維復(fù)合材料是一種前沿的新型復(fù)合材料。由于其優(yōu)異的性能，廣泛應(yīng)用于核工業(yè)設(shè)備、航空航天、船舶等一些重要設(shè)備的生產(chǎn)和加工［1］。復(fù)合材料工件的質(zhì)量受鑄造工藝和生產(chǎn)條件等因素的影響，在生產(chǎn)過程中，工件表面或內(nèi)部可能存在制造缺陷［2］，主要包括：夾雜物、裂紋和松動(dòng)等，嚴(yán)重影響設(shè)備的使用壽命和性能。大多數(shù)鑄件在正式投入使用之前都會(huì)進(jìn)行無損檢測(cè)，因?yàn)樗鼈儾恍枰茐拇龣z測(cè)工件的結(jié)構(gòu)。目前，行業(yè)內(nèi)碳纖維復(fù)合材料的缺陷識(shí)別主要是手工完成的。操作員觀察通過拉伸局部對(duì)比度獲得的射線照相圖像，以對(duì)缺陷進(jìn)行分類和標(biāo)記［3］。然而，這種方法受到操作員經(jīng)驗(yàn)和主觀因素的限制，獲得的圖像往往存在對(duì)比度低、其他噪聲干擾、缺陷邊緣信息模糊、形狀和大小不同等問題［4］，導(dǎo)致識(shí)別效率低。

近年來，智能圖像識(shí)別算法為缺陷檢測(cè)提供了新的方向，眾多專家學(xué)者對(duì)上述圖像分析難題進(jìn)行了相關(guān)研究。針對(duì)前景圖像與背景圖像高度相似的問題，蘭葉深等［5］建立了低階矩陣分解模型，將軸承表面缺陷檢測(cè)分解為低階背景圖像和稀疏前景圖像，減少了背景因素在缺陷檢測(cè)過程中的影響；馮明等［6］改進(jìn)了一種自適應(yīng)圖像增強(qiáng)算法，基于非銳化掩模技術(shù)，可快速高效地完成圓柱形鋁合金鑄件內(nèi)部缺陷檢測(cè)；張曉光等［7］選擇分段正弦函數(shù)作為模糊隸屬度，提出了一種適用于射線檢測(cè)焊接圖像的廣義模糊增強(qiáng)算法；孫績(jī)婷等［8］對(duì)竹塑復(fù)合材料進(jìn)行了閾值分割處理，并選取部分原始圖像進(jìn)行圖像融合處理，其中采用加權(quán)平均融合法、金字塔融合法和小波變換融合法。大多數(shù)文獻(xiàn)中提到的處理算法和缺陷檢測(cè)方法可以實(shí)現(xiàn)對(duì)拍攝得到的X 射線圖像的缺陷檢測(cè)和分割任務(wù)。

上述提到的算法往往專注于缺陷識(shí)別任務(wù)本身，獲得的圖像相對(duì)簡(jiǎn)單和清晰。然而，在拍攝和掃描工業(yè)場(chǎng)景時(shí)，由于產(chǎn)品通常標(biāo)有相關(guān)信息，因此標(biāo)簽噪聲是不可避免的。這些標(biāo)簽混淆在檢測(cè)圖像中，傳統(tǒng)的識(shí)別算法很容易導(dǎo)致識(shí)別錯(cuò)誤。針對(duì)這一問題，本文提出了一種基于圖像特征的產(chǎn)品表面標(biāo)簽形態(tài)恢復(fù)方法，可以大大提高標(biāo)簽噪聲下基于圖像的碳纖維復(fù)合材料缺陷檢測(cè)的準(zhǔn)確性。

1 基于灰度掃描分析的可疑標(biāo)簽噪聲區(qū)域提取

附著在工件表面的這些標(biāo)簽的類型和位置不是固定的，它們?cè)赬 射線掃描過程中與產(chǎn)品特征一起成像，因此很難區(qū)分。標(biāo)簽噪聲的存在常常導(dǎo)致兩種非理想狀態(tài)，即漏檢或錯(cuò)誤識(shí)別缺陷。

通過分析，當(dāng)標(biāo)簽噪聲信號(hào)出現(xiàn)時(shí)，往往會(huì)在小范圍內(nèi)引起較大的灰度值波動(dòng)。當(dāng)標(biāo)簽噪聲消失時(shí)，平行方向上的灰色曲線將繼續(xù)原始曲率；當(dāng)缺陷噪聲出現(xiàn)時(shí)，灰度值會(huì)在相對(duì)較大的范圍內(nèi)有較小的波動(dòng)。因此，可以將標(biāo)簽噪聲定義為強(qiáng)信號(hào)，將缺陷特征定義為弱信號(hào)。針對(duì)標(biāo)簽噪聲強(qiáng)信號(hào)的特點(diǎn)，采用并行方向自適應(yīng)灰度掃描分析方法，可以快速鎖定標(biāo)簽噪聲的位置。以下為可疑標(biāo)簽噪聲區(qū)域提取的步驟：

第1 步對(duì)產(chǎn)品的X 射線圖像逐行進(jìn)行水平線掃描，每一行像素可掃描得到一組灰度變換曲線。圖1 顯示了圖像第i行掃描結(jié)果的示意圖，其中i為X 射線圖像的高度，(i=1，2，…，m)。在大多數(shù)情況下，灰度值在0 到65 535 之間平滑變化。

圖1 第i 行像素線掃描灰度曲線信息分布Fig.1 Line scanning grayscale curve information distribution of the ith row

第2 步根據(jù)標(biāo)簽噪聲的強(qiáng)信號(hào)特征，在每條線的灰度變換曲線中搜索定位。首先，由于標(biāo)簽信號(hào)的X 射線成像部分的顏色較深，第i行灰度變換曲線中每個(gè)局部最小灰度值點(diǎn)的搜索標(biāo)記為G(xij)，其中(j=1，2，…，n)，xij表示該點(diǎn)的像素坐標(biāo)。

第3 步標(biāo)簽信號(hào)的強(qiáng)信號(hào)特性往往伴隨著單峰波動(dòng)面積小、峰值高的特性。因此，從選定的最小點(diǎn)開始，分別向左右兩側(cè)搜索梯度變換最近的最小點(diǎn)和最大點(diǎn)，表示為Hmin(xijl)Hmax(xijr)。在計(jì)算梯度值時(shí)，考慮到正常情況下灰度也會(huì)有輕微的波動(dòng)，為了保證整體梯度的平滑性，通過xij左右兩側(cè)的10 個(gè)相鄰像素計(jì)算梯度變換。

局部最小灰度點(diǎn)左右兩側(cè)梯度變換的最小值點(diǎn)和最大值點(diǎn)是信號(hào)可能發(fā)生突變的位置。同時(shí)，突變位置與灰度最小點(diǎn)之間的距離記錄為：?dl和?dr。將每個(gè)局部灰度最小點(diǎn)到第i行左右梯度變化的最小點(diǎn)和最大點(diǎn)的信息合并，得到如下集合：

第4 步該集合被視為可能發(fā)生標(biāo)簽噪聲的一組點(diǎn)，通過過濾集合中強(qiáng)信號(hào)特征的位置鎖定可疑標(biāo)簽區(qū)域。選擇策略如下。

灰度值條件：

梯度條件：

距離條件：

當(dāng)集合中的最小Gmin(xij)點(diǎn)滿足上述3 個(gè)條件時(shí)，它們被視為標(biāo)簽噪聲，鄰域(j-?dl，j+?dr)被視為標(biāo)簽噪聲區(qū)。其中，α、β、γ、ε是相應(yīng)的閾值，在實(shí)驗(yàn)中設(shè)置為1 000、650、425、200 和50，至此濾掉了標(biāo)簽噪聲的區(qū)域。

2 基于工件特征的自適應(yīng)形態(tài)恢復(fù)策略

通過灰度掃描分析后，確定標(biāo)簽噪聲存在單個(gè)或多個(gè)連續(xù)峰值的位置。如何恢復(fù)受這些標(biāo)簽噪聲影響的區(qū)域，本文以行業(yè)中常見的對(duì)稱型工件為研究對(duì)象，對(duì)于對(duì)稱型工件，對(duì)稱部分的水平灰色曲線也應(yīng)當(dāng)具有相應(yīng)的對(duì)稱特征。根據(jù)該特征，將不受標(biāo)簽噪聲影響的區(qū)域的灰度分布映射到選定的標(biāo)簽區(qū)域，從而根據(jù)形狀特征實(shí)現(xiàn)特定區(qū)域的形態(tài)恢復(fù)。本文提出一種自適應(yīng)中心查找策略，以查找圖像中可能偏離的對(duì)稱中心，根據(jù)中心點(diǎn)兩側(cè)曲線的匹配程度，進(jìn)行自適應(yīng)補(bǔ)償以消除標(biāo)簽噪聲。具體的形態(tài)恢復(fù)步驟如下。

第1 步由于產(chǎn)品的中心位置不一定與成像位置一致，因此基于灰度曲線快速搜索對(duì)稱軸。對(duì)于從第i行提取的灰度曲線，曲線中心的外圍區(qū)域被視為對(duì)稱軸的假設(shè)域。遍歷區(qū)域中的所有值，計(jì)算位于中心軸的曲線左右兩側(cè)，將相似度最高的點(diǎn)作為對(duì)稱點(diǎn)。假設(shè)j是假設(shè)域中的一個(gè)值，相似性計(jì)算公式如下：

其中，針對(duì)本文的數(shù)據(jù)集，j值被設(shè)定為200。

第2 步通過上述步驟，得到標(biāo)簽噪聲的可疑區(qū)域和每行在水平方向上的中心點(diǎn)位置及其相應(yīng)的相似性。如果第i行有可疑噪聲區(qū)，當(dāng)相似性Si≥440時(shí)，標(biāo)簽噪波區(qū)域的值被映射到中心點(diǎn)的另一半以恢復(fù)形狀，并且每個(gè)連接的區(qū)域被向左和向右擴(kuò)展圖像寬度的1/20。確保完整性；當(dāng)400 ≤Si≤440且兩側(cè)曲線略有偏離，將對(duì)稱行的灰度值和相鄰兩行灰度值加權(quán)合并為可疑區(qū)域的新灰度值，權(quán)重分別為0.8 和0.2，最后將每個(gè)連接區(qū)域向左右擴(kuò)展1/30，以確保完整性；當(dāng)380 ≤Si≤400，兩側(cè)的偏差變大，進(jìn)行加權(quán)組合，但相鄰兩行的權(quán)重增加，權(quán)重設(shè)置為0.6 和0.4，擴(kuò)展為1/40 以確保完整性。在實(shí)驗(yàn)中，發(fā)現(xiàn)相似性較低的零件集中在產(chǎn)品頂部和底部形狀多變、輪廓更復(fù)雜的零件上。數(shù)據(jù)集總共包括109 張X 射線圖像，所有這些圖像都包含標(biāo)簽缺陷，對(duì)稱中心點(diǎn)兩端的相似性Si高于380。

第3 步在缺陷區(qū)域的初始恢復(fù)之后，所有線條都被重新組合成圖像。然而，即使對(duì)稱兩端之間的相似度很高，也會(huì)有一定的差異，將導(dǎo)致恢復(fù)圖像中相鄰行的灰度值突然變化，不符合正常規(guī)律。因此，通過中值過濾標(biāo)簽的可疑區(qū)域以消除此類影響。

3 智能缺陷識(shí)別與分割算法

由以上步驟，圖像中的標(biāo)簽噪聲得到了有效的消除，再利用傳統(tǒng)的數(shù)字圖像處理技術(shù)實(shí)現(xiàn)碳纖維復(fù)合材料工業(yè)射線缺陷的分割和提取。

第1 步對(duì)原始圖像進(jìn)行對(duì)比度增強(qiáng)。將圖片中某個(gè)點(diǎn)的原始像素值定義為O，該點(diǎn)周圍3×3單元中像素點(diǎn)的平均值定義為M，對(duì)比度增強(qiáng)值定義為F，新像素值大小定義為(O–M)×F+O［9］。經(jīng)過這個(gè)過程，圖像中的紋理和缺陷變得清晰。

第2 步使用Sobel 算子［10］獲得增強(qiáng)圖像的一階導(dǎo)數(shù)，作為邊緣檢測(cè)器檢測(cè)邊緣。卷積核的大小為3×3，濾波卷積因子為

使用遮罩對(duì)增強(qiáng)圖像執(zhí)行卷積操作，然后根據(jù)計(jì)算方法提取邊緣信息：

第3 步對(duì)圖片進(jìn)行二值化和反運(yùn)算，使邊緣信息與背景不同，便于后續(xù)的閾值分割，然后對(duì)圖片進(jìn)行均值濾波，去除圖片中一些不必要的噪聲。最后，根據(jù)缺陷像素值進(jìn)行閾值分割和連通域，將未連通區(qū)域定義為單獨(dú)的實(shí)例。

第4 步使用區(qū)域?qū)嵗膸缀翁卣?，如面積、周長(zhǎng)、圓度等，對(duì)上述步驟得到的區(qū)域?qū)嵗M(jìn)行進(jìn)一步篩選和分類，最后對(duì)缺陷部分進(jìn)行分割和提取。

4 實(shí)驗(yàn)與分析

本文選擇碳纖維復(fù)合材料制成的尾管部件作為示例進(jìn)行詳細(xì)的實(shí)驗(yàn)驗(yàn)證。如圖2 所示，顯示了不同尾管產(chǎn)品的X 射線探傷原始圖像，其中紅色圓圈部分是標(biāo)簽的位置，且標(biāo)簽位置隨機(jī)。

圖2 不同帶標(biāo)簽尾管產(chǎn)品的X 射線探傷Fig.2 Detected X-ray images of different tagged tailpipe parts

根據(jù)標(biāo)簽的強(qiáng)信號(hào)特征定位可疑區(qū)域。采集的X 射線圖像的分辨率為1 024×1 024 像素，經(jīng)過逐行掃描得到1 024 組水平灰度分布數(shù)據(jù)，共得到1 024 組數(shù)據(jù)，據(jù)此繪制為一條灰度曲線，如圖3 中的綠色曲線所示，x為當(dāng)前水平行中像素的橫坐標(biāo)，G為灰度曲線中橫坐標(biāo)為x像素的灰度值。發(fā)現(xiàn)在沒有標(biāo)簽噪聲或遠(yuǎn)離輪廓邊緣的區(qū)域，灰度曲線非常平滑。

圖3 灰度與梯度分布規(guī)律Fig.3 Distributions of the grayscale and gradient

對(duì)裂紋和夾雜物等缺陷存在處灰度曲線變化規(guī)律進(jìn)行研究，通過對(duì)比發(fā)現(xiàn)，裂紋和夾雜物存在處的灰度波動(dòng)較小，因此在較大范圍內(nèi)仍相對(duì)平滑。圖中的藍(lán)色曲線是灰度值的漸變變換曲線。根據(jù)篩選策略可以準(zhǔn)確識(shí)別標(biāo)簽噪聲對(duì)應(yīng)的區(qū)域，如紅色標(biāo)簽區(qū)域所示。

根據(jù)之前所述確定每條線的對(duì)稱中心點(diǎn)，并記錄其相似性，如圖4 所示，x為當(dāng)前水平行中像素的橫坐標(biāo)，G為灰度曲線中橫坐標(biāo)為x像素的灰度值。為了更生動(dòng)地顯示相似性，以對(duì)稱點(diǎn)為中心，將無缺陷一側(cè)的灰度值映射到另一側(cè)。其中，圖4（a）是尾管產(chǎn)品頂部輪廓較多的部分?？梢钥闯觯瑘D4（a）中由于靠近頂部輪廓，灰度曲線的相似性很低；在圖4（b）、圖4（c）、圖4（d）中，盡管存在標(biāo)簽噪聲，非輪廓周邊區(qū)域的灰度曲線相似性仍處于相對(duì)較高的水平。

圖4 工件不同區(qū)域的比較和映射補(bǔ)償策略Fig.4 Comparison of different areas of workpieces and the corresponding mapping compensation strategies

根據(jù)每行中獲得的相似值，對(duì)每行中的缺陷部分執(zhí)行不同的策略來恢復(fù)形狀。最后，重新組織圖像進(jìn)行中值濾波，得到的標(biāo)簽區(qū)域的地形恢復(fù)圖像如圖5 所示，其中紅色框?yàn)樵紭?biāo)簽區(qū)域。與原始圖片相比，發(fā)現(xiàn)標(biāo)簽噪聲得到了有效的消除，圖像中剩余的重要信息，如邊緣信息和缺陷信息，沒有受到任何影響。

圖5 檢測(cè)測(cè)試圖像樣例Fig.5 Image example of the detection test results

通過現(xiàn)有數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，在109 張尾管X 射線照片中，有87 張有缺陷，22 張無明顯缺陷。該算法正確識(shí)別了102 幅圖像。其中一組檢測(cè)測(cè)試樣本如圖5 所示，經(jīng)標(biāo)簽噪聲形態(tài)恢復(fù)、以及圖像增強(qiáng)后，檢測(cè)網(wǎng)絡(luò)正確地分類出標(biāo)簽與其他類型缺陷。

5 結(jié)束語

針對(duì)圖像對(duì)比度低和標(biāo)簽噪聲干擾問題，提出了一種基于產(chǎn)品形狀特征的標(biāo)簽形狀恢復(fù)方法。提出了基于灰度掃描分析的可疑標(biāo)簽噪聲區(qū)域提取方法和基于形狀對(duì)稱性的自適應(yīng)恢復(fù)策略。有效地消除了圖像中的標(biāo)簽噪聲信號(hào)，避免了直接使用原始圖像進(jìn)行缺陷識(shí)別的可能性，保證了碳纖維材料產(chǎn)品質(zhì)量的檢測(cè)可靠性。