分享：基于傳統(tǒng)圖像處理的焊縫射線圖像缺陷識別方法

核燃料元件是核反應(yīng)堆中的核心組成部分,是實現(xiàn)核能轉(zhuǎn)換的關(guān)鍵結(jié)構(gòu)[1]。但在核燃料元件焊接時,受工藝或操作等因素影響,焊縫可能會出現(xiàn)氣孔缺陷,缺陷的存在會嚴(yán)重影響到產(chǎn)品的質(zhì)量和安全性,因此需要對其實施檢測。 

目前,射線檢測是檢測焊縫缺陷的主要方法之一,但射線檢測數(shù)字圖像通常包含大量的噪聲和無關(guān)信息,這些信息會干擾缺陷的識別,而且在實際的應(yīng)用中,由于射線檢測成像的復(fù)雜性,感興趣區(qū)域往往只占圖像中的一部分,因此需要一種能夠有效且準(zhǔn)確提取感興趣區(qū)域位置并識別氣孔缺陷的方法。 

胡巍等[2]提出了一種基于頻域特征和支持向量機(jī)的檢測方法,首先進(jìn)行圖像裁剪和尺寸歸一化等預(yù)處理,提取圖像的頻域特征,再利用所得的特征數(shù)據(jù)訓(xùn)練支持向量機(jī),最后利用訓(xùn)練的支持向量機(jī)對待檢測圖像進(jìn)行分類。張小琳[3]提出了一種基于主成分分析和二叉樹支持向量機(jī)的分類算法,采用主成分分析進(jìn)行主元分析,刪除冗余數(shù)據(jù),降低維度,再將優(yōu)化后的特征向量作為焊縫圖像二叉樹支持向量機(jī)識別模型的特征參數(shù),實現(xiàn)焊縫缺陷的識別。王丹等[4]提出基于稀疏描述的缺陷識別,運用從海量數(shù)據(jù)中提取典型樣本、構(gòu)建非參數(shù)化模型以及基于最優(yōu)方向法的稀疏解求解等方法進(jìn)行缺陷識別。以上研究未對核燃料元件焊縫中的缺陷進(jìn)行檢測,相關(guān)的圖像處理方面的研究也較少,為此筆者設(shè)計了一種氣孔缺陷檢測方法,采用高斯濾波、形態(tài)學(xué)操作、邊緣檢測、輪廓擬合等方法提取了感興趣區(qū)域,然后采用對比度拉伸、灰度值補(bǔ)償、雙邊濾波、自適應(yīng)閾值二值化等方法對檢測圖像進(jìn)行識別。 

1.   圖像預(yù)處理

1.1   高斯濾波

在射線圖像采集時,圖像傳感器、電路和其他相關(guān)組件可能受到各種內(nèi)部和外部因素的干擾,如溫度變化、電磁干擾等,從而產(chǎn)生噪聲,這些噪聲信號往往具有高斯分布的特性,因此表現(xiàn)為高斯噪聲。 

高斯濾波通過加權(quán)平均每個像素及其鄰域內(nèi)的其他像素值來實現(xiàn)濾波,而使得整個灰度圖像更加平滑,有助于減少圖像中的噪聲,因此高斯濾波可以為后續(xù)的圖像處理提供更有利的條件。 

原始焊縫圖像及其高斯濾波后的圖像如圖1所示。 

圖  1  原始焊縫圖像及其高斯濾波后的圖像

1.2   圖像銳化

高斯濾波后的圖像邊緣比較模糊,不易于進(jìn)行感興趣區(qū)域提取,而銳化操作的效果主要體現(xiàn)在增強(qiáng)圖像的細(xì)節(jié)和邊緣上,可使圖像中的輪廓更加清晰。 

圖像處理中最常見的銳化方法是拉普拉斯銳化,拉普拉斯銳化是一種基于二階導(dǎo)數(shù)算子的圖像處理技術(shù)。該技術(shù)通過二階導(dǎo)數(shù)邊緣提取方法,計算圖像中每個像素點與周圍像素值的差異來增強(qiáng)邊緣信息,并計算圖像二階導(dǎo)數(shù)和拉普拉斯算子與圖像的卷積[5],圖像的拉普拉斯算子可表示為 

式中：f為圖像函數(shù),即圖像中每個像素坐標(biāo)點對應(yīng)的灰度值；x為圖像中水平方向的像素坐標(biāo)；y為圖像中豎直方向的像素坐標(biāo)。 

圖像銳化之前不濾波與濾波的效果對比如圖2所示,圖2（a）為直接對原始焊縫圖像進(jìn)行銳化后的圖像,可見圖像噪聲很明顯,圖2（b）為高斯濾波后再進(jìn)行銳化后的圖像。 

圖  2  圖像銳化之前不濾波與濾波的效果對比

1.3   開運算

銳化后的圖像邊緣細(xì)節(jié)過多,為了達(dá)到平滑效果,應(yīng)對灰度圖像進(jìn)行開運算處理?；叶葓D像的開運算處理時先進(jìn)行腐蝕操作,消除圖像中的細(xì)小毛刺以平滑圖像輪廓,接著對腐蝕后的圖像進(jìn)行膨脹操作,以補(bǔ)償腐蝕操作引起的面積變化。 

對灰度圖像進(jìn)行開運算可以平滑較大物體的邊界,同時不會改變其面積,還可以去除相對于結(jié)構(gòu)元素較小的明亮細(xì)節(jié),優(yōu)化圖像質(zhì)量[6]。開運算操作后的圖像如圖3所示。 

圖  3  開運算操作后的圖像

1.4   二值化

采用二值化方法對感興趣區(qū)域進(jìn)行初步提取,自適應(yīng)閾值分割方法根據(jù)圖像的不同區(qū)域動態(tài)計算出不同的閾值來進(jìn)行二值化,尤其適用于明暗分布不均的圖像,可以有效改善全局閾值分割效果[7]。在自適應(yīng)閾值分割中,每次只取圖像中的一個小區(qū)域計算閾值,當(dāng)小區(qū)域內(nèi)目標(biāo)與背景間的灰度值存在差異時,自適應(yīng)閾值法能夠計算局部區(qū)域內(nèi)所有像素點的灰度均值和方差,根據(jù)這些統(tǒng)計特性,計算出當(dāng)前像素點的閾值,遍歷圖像中的每個像素點,直到整個圖像完成二值化。自適應(yīng)二值化操作后的圖像如圖4所示。 

圖  4  自適應(yīng)二值化操作后的圖像

1.5   腐蝕、膨脹處理

由于中間部分的感興趣區(qū)域與外邊緣輪廓的灰度值相近,故可能會產(chǎn)生輪廓黏連現(xiàn)象,而腐蝕操作可斷開輪廓之間的細(xì)小連接。腐蝕操作的基本思想是如果結(jié)構(gòu)元素所覆蓋的像素區(qū)域中的最小值滿足特定條件,則將該像素的值更新為最小值或根據(jù)條件設(shè)定的其他值。 

進(jìn)行腐蝕操作后,中間區(qū)域的面積進(jìn)行了縮放,因此需要進(jìn)行腐蝕操作的反操作,即膨脹操作。膨脹操作會使圖像中的目標(biāo)區(qū)域向外擴(kuò)張,對于每個像素,膨脹操作會檢查結(jié)構(gòu)元素覆蓋區(qū)域內(nèi)的像素值,并找到該區(qū)域內(nèi)的最大值,然后該點的像素值會被更新為這個最大值。這樣,通過不斷遍歷圖像中的每個像素,進(jìn)行膨脹操作,目標(biāo)區(qū)域會向外擴(kuò)張以補(bǔ)償縮小的部分,膨脹操作的效果同樣取決于結(jié)構(gòu)元素的大小、形狀以及膨脹操作的迭代次數(shù)[8]。腐蝕、膨脹操作處理后的圖像如圖5所示,其中圖5（a）為對二值化后的圖像進(jìn)行腐蝕后的圖像,圖5（b）為對腐蝕后的圖像進(jìn)行膨脹操作后的圖像。 

圖  5  腐蝕、膨脹操作處理后的圖像

1.6   裁剪區(qū)域

通常感興趣區(qū)域底部到頂部的寬度距離是固定的,因此可以引入寬度的限制條件對區(qū)域進(jìn)行裁剪,先獲取圖像每行像素值的和,從下向上遍歷,找到輪廓底部邊緣的坐標(biāo),再向上進(jìn)行固定寬度的裁剪,最后將裁剪后的輪廓與原圖混合疊加,并進(jìn)行對比,觀察感興趣區(qū)域提取效果。裁剪后的掩膜圖像及對應(yīng)的原圖感興趣區(qū)域初步提取的圖像如圖6所示。 

圖  6  裁剪后的掩膜圖像及對應(yīng)的原圖感興趣區(qū)域初步提取的圖像

2.   感興趣區(qū)域修正

2.1   引腳延伸過長

焊縫感興趣區(qū)域的上方會存在類似引腳的細(xì)長型區(qū)域,該區(qū)域受工藝影響可能會向下延伸,如果引腳延伸過長,會把引腳也算入1.6節(jié)所述的初步提取的感興趣區(qū)域內(nèi),而可能導(dǎo)致缺陷識別不準(zhǔn)確。引腳延伸過長的圖像如圖7中標(biāo)注出的區(qū)域所示。 

圖  7  引腳延伸過長的圖像

判斷引腳最底端的位置是否位于初步提取的感興趣區(qū)域內(nèi),如果位于感興趣區(qū)域內(nèi),則把引腳區(qū)域排除掉。引腳最底端的坐標(biāo)位置可通過邊緣檢測得到。 

邊緣檢測的主要目的是識別并提取圖像中亮度變化劇烈的像素點集合,這些像素點集合構(gòu)成了圖像的邊緣,這些邊緣通常代表圖像中不同物體或區(qū)域的邊界。邊緣檢測常用的有Sobel算子、Scharr算子和Canny算子[9]。 

Sobel算子是一種基于圖像空域卷積的圖像梯度提取算子,主要用于獲得圖像的一階梯度[10],Sobel算子提供了水平和垂直兩個方向的濾波模板,可以檢測圖像在這兩個方向上的邊緣變化,然而該算子對邊緣的定位可能不夠準(zhǔn)確,有時會出現(xiàn)邊緣較粗的情況。 

Sobel算子兩個方向的模板分別為 

式中：Gx為Sobel算子在x方向的模版,Gx為3×3的矩陣；Gy為Sobel算子在y方向的模版,Gy為3×3的矩陣。 

Scharr算子是基于圖像梯度的二階導(dǎo)數(shù)來進(jìn)行邊緣檢測的,其使用兩個3×3的卷積核對圖像進(jìn)行濾波,分別計算水平和垂直方向上的梯度,通過計算這些梯度,可以得到圖像中每個像素點處的邊緣強(qiáng)度和方向。與Sobel算子相比,Scharr算子在計算梯度時使用了不同的系數(shù),從而對邊緣的響應(yīng)更加強(qiáng)烈。 

Scharr算子兩個方向的模板分別為 

式中：Hx為Scharr算子在x方向的模版,Hx為3×3的矩陣；Hy為Scharr算子在y方向的模版,Hy為3×3的矩陣。 

Canny算子使用一階偏導(dǎo)算子計算梯度的大小和方向來確定邊緣的方向和強(qiáng)度,然后在梯度圖像上進(jìn)行非極大值抑制[11]；再進(jìn)行雙閾值處理,根據(jù)設(shè)定的高閾值和低閾值,將像素分類為強(qiáng)邊緣、弱邊緣和非邊緣,如果像素的梯度大于高閾值,則被視為強(qiáng)邊緣,如果梯度低于低閾值,則被排除,對于位于高閾值和低閾值之間的像素,只有當(dāng)其與強(qiáng)邊緣像素相連時,才被視為弱邊緣,最后,通過迭代連接弱邊緣像素來完善邊緣,形成完整的邊緣圖像,則有 

式中：C（x,y）為輸出圖像中像素點坐標(biāo)為（x,y）的像素值；M（x,y）為像素點的梯度值；MH為梯度值的高閾值；ML為梯度值的低閾值。 

Sobel算子、Scharr算子及Canny算子的邊緣檢測結(jié)果如圖8所示。 

圖  8  Sobel算子、Scharr算子及Canny算子的邊緣檢測結(jié)果

在實際應(yīng)用中,引腳目標(biāo)具有固定的坐標(biāo)位置,可以通過獲取各個輪廓的長度,將長度過短或過長的輪廓排除在外,并結(jié)合已知的輪廓橫縱坐標(biāo)位置信息篩選出表示引腳的輪廓,在遍歷圖像過程中,可以計算每一行像素值的總和,并記錄和最小的那一行來找到輪廓向下延伸的最低點坐標(biāo)。 

通過分別獲取左右兩個引腳輪廓向下延伸的最低點坐標(biāo),計算其到感興趣區(qū)域底邊的距離,如果該距離小于之前設(shè)定的初步提取感興趣區(qū)域的固定寬度,則對初步提取的感興趣區(qū)域進(jìn)行裁剪,結(jié)果如圖9所示。 

圖  9  篩選后的引腳輪廓圖像及修正后的感興趣區(qū)域提取圖像

2.2   缺陷位于邊緣

若缺陷與感興趣區(qū)域輪廓的邊緣相連,缺陷與邊緣的灰度值相近,可能會導(dǎo)致二值化操作時將缺陷劃分至感興趣區(qū)域外,這樣提取的感興趣區(qū)域結(jié)果的邊緣會存在較明顯的突變線條（見圖10）,而可能造成檢測時的缺陷遺漏。 

圖  10  缺陷位于邊緣的圖像

由于缺陷被劃分到感興趣區(qū)域之外,感興趣區(qū)域的邊緣輪廓會出現(xiàn)線條的突變,先分別提取輪廓的邊緣,統(tǒng)計輪廓橫坐標(biāo),計算均值和標(biāo)準(zhǔn)差,如果有數(shù)據(jù)偏離均值過多,則將該坐標(biāo)點舍棄,對剩下的輪廓曲線使用最小二乘法進(jìn)行擬合,找到最優(yōu)的擬合函數(shù),即最適合描述給定數(shù)據(jù)點集合的曲線。筆者以擬合出的輪廓曲線作為左右兩端,修正感興趣區(qū)域的二值圖像掩膜,然后將擬合修正后的輪廓與原圖進(jìn)行混合疊加,觀察感興趣區(qū)域的提取效果,其結(jié)果如圖11所示。 

圖  11  兩側(cè)豎直方向的輪廓及擬合后的輪廓曲線

擬合修正前后的二值圖像掩膜及感興趣區(qū)域提取圖像如圖12所示。 

圖  12  擬合修正前后的二值圖像及感興趣區(qū)域提取圖像

3.   氣孔缺陷檢測

3.1   氣孔缺陷特征

氣孔缺陷對焊縫的性能會產(chǎn)生影響,導(dǎo)致焊縫的有效工作面積減小[12]。在射線圖像中,氣孔缺陷一般表現(xiàn)為白色的圓形或近圓形形狀,這些形狀的區(qū)域邊界通常比較清晰,與周圍焊縫組織的灰度值有所差異,而噪聲則表現(xiàn)為圖像中隨機(jī)的、不規(guī)則分布的小點或斑點,通常沒有特定的形狀或結(jié)構(gòu),同時噪聲的面積過小,可以通過圖像濾波進(jìn)行消除。氣孔在焊縫中的分布通常比較集中,而噪聲則在整個圖像中均勻分布,沒有明顯的聚集或分散規(guī)律。 

3.2   對比度拉伸

為了使圖像更清晰,采用對比度拉伸操作。對比度拉伸是一種圖像增強(qiáng)技術(shù),能夠改善圖像的對比度,使圖像更清晰,更適合后續(xù)處理。 

對比度拉伸能擴(kuò)展圖像中像素灰度值的范圍,將一個較窄的灰度范圍映射到一個更寬的灰度范圍,即,能使得原本灰度值比較集中的像素點更均衡地分布在一個很大的范圍。對比度拉伸時,首先確定圖像中的最小和最大灰度值,然后根據(jù)這兩個值對圖像的每個像素進(jìn)行重新映射,從而提高對比度。氣孔缺陷焊縫圖像及其對比度拉伸后的圖像如圖13所示。 

圖  13  氣孔缺陷焊縫圖像及其對比度拉伸后的圖像

3.3   兩側(cè)灰度補(bǔ)償

在射線成像時,焊縫左右兩端的灰度較高,這主要是由于射線在穿透物質(zhì)時會發(fā)生衰減,衰減的程度取決于射線的能量、物質(zhì)的密度和厚度。對于圓柱體,射線在穿過圓柱體邊緣時,所經(jīng)過的物質(zhì)厚度較小,因此衰減較少,探測器接收到的射線強(qiáng)度較高,從而在圖像上表現(xiàn)為較高的灰度值或亮度[13]。此外,圓柱體的邊緣可能由于散射效應(yīng)而產(chǎn)生額外的射線強(qiáng)度,這也會增加邊緣部分的灰度值。 

為了減輕這一現(xiàn)象的影響,可以根據(jù)坐標(biāo)的位置對應(yīng)調(diào)整其灰度值,當(dāng)像素點的橫坐標(biāo)位于圖像兩端時,降低其像素灰度值,且對越靠近左右兩端部分的灰度值,調(diào)低得越多,調(diào)整后的圖像缺陷則更明顯、更清晰。 

3.4   雙邊濾波

對比度拉伸操作可能會放大圖像中的噪聲,而雙邊濾波可以有效地抑制這些噪聲。雙邊濾波在對每個像素進(jìn)行濾波時,不僅考慮到了像素間的空間位置關(guān)系,還考慮了像素值之間的相似性,具體來說,雙邊濾波由兩個函數(shù)組成,核函數(shù)用于計算像素值之間的相似度,距離函數(shù)用于計算像素之間的空間距離；在濾波過程中,每個像素雙邊濾波器會計算其周圍像素的權(quán)重,然后根據(jù)這些權(quán)重對像素值進(jìn)行加權(quán)平均,得到濾波后的像素值。雙邊濾波能在平滑噪聲的同時,較好地保留圖像的邊緣和細(xì)節(jié)信息。兩側(cè)灰度補(bǔ)償后的圖像及雙邊濾波后的圖像如圖14所示。 

圖  14  兩側(cè)灰度補(bǔ)償后的圖像及雙邊濾波后的圖像

3.5   自適應(yīng)閾值二值化

另外,可以通過二值化操作將圖像中的目標(biāo)從背景中分離出來,傳統(tǒng)的固定閾值分割方法在處理明暗不均的圖像時可能不夠靈活,難以達(dá)到理想的分割效果。自適應(yīng)閾值分割法利用圖像的局部特征來自動調(diào)整閾值,實現(xiàn)對圖像中不同區(qū)域的有效分割（見圖15）,該方法在處理復(fù)雜背景和明暗不均條件下的圖像時具有較高的準(zhǔn)確性。 

圖  15  自適應(yīng)閾值二值化后的圖像

3.6   篩選目標(biāo)區(qū)域

由于氣孔缺陷的形狀是圓形或近圓形,且面積明顯大于噪聲的,因此考慮引入輪廓的長寬比和面積作為進(jìn)一步的篩選條件,輪廓的長寬比可以控制輪廓的形狀,設(shè)定面積上限去除面積大的異常輪廓區(qū)域,設(shè)定面積下限去除面積過小的噪聲。經(jīng)過觀察發(fā)現(xiàn),當(dāng)氣孔缺陷的灰度值臨近區(qū)域的面積（長×寬）小于4×4個像素點時,人眼已無法判斷是否存在缺陷,因此設(shè)定氣孔缺陷的面積需大于16個像素點。 

將篩選后的二值圖像中剩余輪廓的外接矩形繪制到原始的圖像中,即可完成氣孔缺陷的識別與定位。 

篩選后的氣孔缺陷掩膜及氣孔缺陷識別結(jié)果如圖16所示,其中圖16（a）為根據(jù)面積和長寬比等信息篩選出的氣孔缺陷掩膜,圖16（b）為根據(jù)掩膜得到的氣孔缺陷識別結(jié)果。 

圖  16  篩選后的氣孔缺陷掩膜及氣孔缺陷識別結(jié)果

3.7   驗證效果

更多的氣孔缺陷圖像的檢測效果如圖17所示。通過測試,氣孔缺陷識別準(zhǔn)確率達(dá)100%。 

圖  17  不同氣孔缺陷圖像的檢測效果

4.   結(jié)語

針對焊縫的射線圖像,設(shè)計了一種氣孔缺陷檢測方法,采用了高斯濾波、形態(tài)學(xué)操作、邊緣檢測、輪廓擬合及一些后處理方法,提取了感興趣區(qū)域,然后采用對比度拉伸、灰度值補(bǔ)償、雙邊濾波、自適應(yīng)閾值二值化等方法對氣孔缺陷進(jìn)行識別。試驗結(jié)果表明,所提方法提高了缺陷圖像識別的穩(wěn)定性和準(zhǔn)確性,同時也為處于明暗不均環(huán)境的射線圖像中的小尺寸近圓形等類似目標(biāo)的檢測提供了有效思路。

文章來源——材料與測試網(wǎng)