王家晨,王新房

(西安理工大學(xué) 自動(dòng)化與信息工程學(xué)院,西安 710048)

1 引言

隨著科學(xué)技術(shù)的飛速發(fā)展,焊接作為先進(jìn)制造業(yè)中的一種基本工藝方法,已被廣泛應(yīng)用于航空,航天,核工業(yè),能源交通,石油化工及建筑和機(jī)械等各個(gè)工業(yè)部門.對(duì)于焊接結(jié)構(gòu)件來(lái)說(shuō),焊縫質(zhì)量很大程度上決定了結(jié)構(gòu)件的使用壽命.但是在焊接過(guò)程中,往往由于焊接工藝參數(shù)的不穩(wěn)定,或者結(jié)構(gòu)件焊接應(yīng)力變形等諸多不良因素的存在,使得焊縫中不可避免的出現(xiàn)諸如氣孔、裂紋、夾渣、未融合、咬邊、未焊透及燒穿等缺陷,這些焊縫缺陷的存在,不但影響了焊縫的美觀,而且更嚴(yán)重的是直接導(dǎo)致焊接結(jié)構(gòu)件的失效,甚至引起危險(xiǎn)的脆斷,帶來(lái)極大的經(jīng)濟(jì)損失.因此,為了保證焊接結(jié)構(gòu)件的質(zhì)量,防止事故的發(fā)生,焊后對(duì)焊縫缺陷的準(zhǔn)確檢測(cè)就變得尤為關(guān)鍵.

為了確保在焊接過(guò)程中結(jié)構(gòu)件產(chǎn)品不出現(xiàn)問(wèn)題,就必須要對(duì)其中的焊縫進(jìn)行無(wú)損檢測(cè)[1].X射線檢測(cè)作為無(wú)損檢測(cè)的一種常用技術(shù),已經(jīng)成為檢測(cè)焊接缺陷的重要手段.目前大多數(shù)企業(yè)的X射線探傷檢測(cè)仍以人工評(píng)定方式為主,人工評(píng)定本身易受個(gè)人自身經(jīng)驗(yàn)和主觀標(biāo)準(zhǔn)不一致的影響,并且人工評(píng)定勞動(dòng)強(qiáng)度大,工作效率低.因此,迫切需要提高焊縫缺陷檢測(cè)的自動(dòng)化水平,降低漏檢率和誤檢率[2,3].本文根據(jù)某石油鋼管廠的實(shí)際需求,提出了一種基于背景重構(gòu)的焊縫缺陷自動(dòng)檢測(cè)方法.

2 傳統(tǒng)方法存在的問(wèn)題分析

焊縫缺陷自動(dòng)檢測(cè)的核心是圖像處理、目標(biāo)識(shí)別、缺陷跟蹤[4].由于采集到的X射線焊縫圖像具有噪聲多、缺陷對(duì)比度不高、背景起伏較大以及不同類型缺陷灰度分布特征差別較大等特點(diǎn),給利用圖像處理技術(shù)實(shí)現(xiàn)缺陷自動(dòng)檢測(cè)帶來(lái)了很大的困難.國(guó)內(nèi)外學(xué)者都對(duì)此進(jìn)行了深入研究,并且在過(guò)去的二三十年間,提出了許多焊縫缺陷自動(dòng)檢測(cè)的方法,主要分為以下兩類:

(1)基于焊縫缺陷位置的方法[5,6].在實(shí)際生產(chǎn)中,焊縫缺陷一般分布在焊縫區(qū)域的內(nèi)部、外部和靠近焊縫邊界處,此類方法在檢測(cè)之前必須準(zhǔn)確的提取出焊縫的邊界,分割出焊縫區(qū)域,針對(duì)相對(duì)于焊縫區(qū)域不同位置的缺陷采取不同的檢測(cè)算法,因此,此類方法的檢測(cè)精度對(duì)焊縫區(qū)域能否準(zhǔn)確提取依賴性較大,并且如果缺陷非?？拷缚p邊界處,由于受到焊縫邊界的影響,甚至?xí)疠^多的誤報(bào).

(2)基于模式識(shí)別的檢測(cè)方法[7].此類方法需要訓(xùn)練大量的缺陷樣本,從而獲得分類器,然后通過(guò)分類器來(lái)檢測(cè)缺陷.其缺點(diǎn)是在訓(xùn)練缺陷樣本的時(shí)候需要人工標(biāo)記缺陷信息,人工標(biāo)記缺陷信息一方面工作量大,另一方面由于對(duì)缺陷沒(méi)有統(tǒng)一的判別標(biāo)準(zhǔn),再加上工作人員個(gè)體認(rèn)知的差異,標(biāo)記的結(jié)果差別較大,故難以實(shí)際應(yīng)用.

針對(duì)上述兩類方法中存在的不足,本文提出一種基于背景重構(gòu)的鋼管焊縫缺陷檢測(cè)算法.該算法不需要提取焊縫區(qū)域,也不需要人工大量標(biāo)記缺陷信息,可準(zhǔn)確的檢測(cè)中不同類型的缺陷,具有較強(qiáng)的抗干擾能力.

3 焊縫圖像模型分析

首先分析焊縫圖像的數(shù)學(xué)模型.下圖是一張含有缺陷的焊縫圖像(如圖1所示).

圖1 含有缺陷的焊縫圖像

從圖像中我們可以看出,一張含有缺陷的焊縫圖像可以分為如下三區(qū)域:背景區(qū)域、焊縫區(qū)域、缺陷區(qū)域.即滿足如式(1).

其中,F表示整張圖像;FB表示背景區(qū)域;FH表示焊縫區(qū)域;FQ表示缺陷區(qū)域.

由式(1)可推得:

由式(2)可知,要想求得缺陷區(qū)域FQ,我們只需求得背景區(qū)域FB及焊縫區(qū)域FH即可,因此,檢測(cè)缺陷FQ的問(wèn)題即被轉(zhuǎn)化為求取背景區(qū)域FB及焊縫區(qū)域FH的問(wèn)題.

4 算法原理及檢測(cè)流程

獨(dú)立成分分析(ICA)算法是指:在源信號(hào)s(t)中各分量相互獨(dú)立的假設(shè)下,x(t)為觀測(cè)信號(hào),通過(guò)解混系統(tǒng)B把他們分離開(kāi)來(lái),使得解混后輸出y(t)逼近于s(t).該算法的一般流程如圖2所示.

圖2 ICA算法一般流程

在焊縫缺陷檢測(cè)中,我們可以認(rèn)為正常的無(wú)缺陷的圖像為源信號(hào)s(t),而含有缺陷的圖像為觀測(cè)信號(hào)x(t),我們通過(guò)解混系統(tǒng)將觀測(cè)信號(hào)x(t)(含有缺陷的圖像)進(jìn)行解混,使得解混后輸出的y(t)逼近于s(t),這樣就估計(jì)出了含有缺陷的圖像但是不含缺陷區(qū)域的背景圖像.

在本文實(shí)驗(yàn)中,首先選取一系列正常的無(wú)缺陷的鋼管焊縫X射線圖像集作為輸入信號(hào)源s(t),并且對(duì)這一系列的正常圖像進(jìn)行尺寸和亮度的歸一化,然后,使用快速ICA算法從這一系列正常圖像中訓(xùn)練出一組獨(dú)立的基底,并用該組基底逼近輸入的含有缺陷的測(cè)試圖x(t),得到結(jié)果圖像y(t),在結(jié)果圖像中,背景區(qū)域和焊縫區(qū)域得到較好的表達(dá),缺陷區(qū)域表達(dá)不好.最后,用輸入的含有缺陷的測(cè)試圖像與逼近的結(jié)果圖像相減,得到差后圖像,此時(shí)的差后圖像中缺陷區(qū)域被凸顯出來(lái),背景區(qū)域和焊縫區(qū)域均被減去,對(duì)差后圖像最后使用圖像的二值化方法,可提取出最終缺陷.

5 圖像預(yù)處理

由于實(shí)際工作現(xiàn)場(chǎng)諸多因素的影響,導(dǎo)致采集到的X射線焊縫圖像均存在信噪比低、背景起伏大、對(duì)比度低等缺點(diǎn),給后續(xù)的缺陷提取工作造成了很大的困難,所以圖像預(yù)處理是非常必要的.

5.1 圖像濾波

通過(guò)對(duì)實(shí)際X射線焊縫圖像噪聲類型的研究,筆者采用了均值濾波進(jìn)行降噪[8],并取得了很好的效果.

均值濾波是指在圖像上對(duì)目標(biāo)像素設(shè)定一個(gè)模板,該模板包括了其周圍的臨近像素,再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值.設(shè)原圖像為f(i,j),窗口大小為(2k+1)×(2l+1),則均值濾波處理后的輸出圖像g(i,j)可表示為:

經(jīng)過(guò)大量實(shí)驗(yàn)表明,采用3×3的模板進(jìn)行均值濾波后,噪聲信號(hào)的干擾得以有效的抑制.

5.2 圖像增強(qiáng)

由于實(shí)際工作現(xiàn)場(chǎng)諸多因素的影響,導(dǎo)致采集到的圖像對(duì)比度較低,因此對(duì)其進(jìn)行增強(qiáng)是十分必要的.針對(duì)不同質(zhì)量的圖像,采用不同的灰度轉(zhuǎn)換函數(shù)可以取得良好的增強(qiáng)效果.

在各種轉(zhuǎn)換函數(shù)中,正弦函數(shù)由于在上下波頭處變換平緩,中間變化比較大,與X射線焊縫圖像的灰度變化非常相近,因此可以利用正弦函數(shù)對(duì)焊縫圖像進(jìn)行非線性灰度變換[9].

式中,f(x,y)為變換前點(diǎn)(x,y)的灰度;g(x,y)為變換后點(diǎn)(x,y)的灰度;a為變換前圖像的最低灰度值;b為變換前圖像的最高灰度值.

利用式(4)對(duì)原圖進(jìn)行增強(qiáng),增強(qiáng)前后效果如圖3所示,從圖3(b)可以看出,正弦增強(qiáng)函數(shù)的確可以有效的增強(qiáng)X射線焊縫圖像的對(duì)比度.

圖3 增強(qiáng)前后效果圖

6 基于快速ICA的背景估計(jì)

獲得預(yù)處理后的正常的無(wú)缺陷的圖像集合后,我們需要從該集合中學(xué)習(xí)一組基向量,該組基向量可以很好的表達(dá)出焊縫圖像的背景區(qū)域FB和焊縫區(qū)域FH,并且能夠抑制缺陷區(qū)域FQ.常用的基向量學(xué)習(xí)方法有:主分量分析法(PCA)、高斯混合模型(GMM)和獨(dú)立成分分析(ICA)等等.本文采用了快速ICA方法,該方法具有計(jì)算效率高,分離效果好,收斂速度快,并且不受訓(xùn)練樣本數(shù)的影響.下面給出基于快速ICA算法進(jìn)行基向量學(xué)習(xí),并估計(jì)含有缺陷圖像的FB和FH的具體步驟:

將1 000 mg／L的咪鮮胺標(biāo)準(zhǔn)儲(chǔ)備溶液用丙酮稀釋至適宜的濃度，以方便使用100、200 μL的移液槍，分別移取 1、2、5、10、20、200 μg 咪鮮胺于圓底燒瓶中，經(jīng)過(guò)分解及凈化得到以咪鮮胺計(jì)濃度為0.2、0.4、1、2、4、40 mg／L 的系列標(biāo)準(zhǔn)溶液，在“1.5”條件下上機(jī)測(cè)定，以咪鮮胺的濃度為橫坐標(biāo)，由咪鮮胺轉(zhuǎn)化生成的2，4，6－三氯苯酚峰面積為縱坐標(biāo)，制作標(biāo)準(zhǔn)曲線。 線性方程為：y＝150 682.061x－7 118.405 8，相關(guān)系數(shù)為：r＝0.997 5（圖 3）。 其中以咪鮮胺計(jì)濃度為40 mg／L的標(biāo)準(zhǔn)溶液作為樣品檢測(cè)前稀釋使用，有效期1個(gè)月。

(1)將預(yù)處理后的正常的無(wú)缺陷的圖像集合中的所有訓(xùn)練樣本組成觀測(cè)矩陣Z;

(2)對(duì)觀測(cè)矩陣進(jìn)行中心化,使它的均值為0;

(3)對(duì)觀測(cè)矩陣進(jìn)行白化,得到新的觀測(cè)矩陣Z1;

(4)選擇一個(gè)初始化隨機(jī)權(quán)矩陣W;

(5)根據(jù)式(5)對(duì)權(quán)矩陣W進(jìn)行迭代更新,知道更新完W中每一個(gè)列向量,得到新的權(quán)矩陣W1;

(6)得到權(quán)矩陣W1后,根據(jù)式(6),得到學(xué)習(xí)出的基向量H;

(7)得到基向量H后,根據(jù)式(7),即可得到含有缺陷的焊縫圖像的估計(jì)背景圖像FBH;

7 缺陷分割

含有缺陷的焊縫圖像經(jīng)過(guò)上述背景估計(jì)后,焊縫圖像的背景區(qū)域FB和焊縫區(qū)域FH已經(jīng)估計(jì)得到,接下來(lái),我們只需將含有缺陷的原圖像與估計(jì)得到的圖像進(jìn)行做差,即可將缺陷信息凸顯出來(lái),最后通過(guò)圖像分割的方法將缺陷提取出來(lái).

7.1 分割方法介紹

圖像分割經(jīng)常用在數(shù)字灰度圖像中提取目標(biāo)物體中,它主要分為兩大類:一是基于空間灰度閾值的分割方法;二是空間域增長(zhǎng)分割方法.本文采用了第一類灰度閾值分割方法[10],灰度閾值分割就是先確定一個(gè)處于圖像灰度取值范圍之中的灰度閾值,然后將圖像中各個(gè)像素的灰度值都與這個(gè)閾值相比較,并根據(jù)比較結(jié)果將對(duì)應(yīng)的像素劃為兩類,像素的灰度值大于閾值的劃為一類,像素的灰度值小于閾值的劃為另一類(灰度值等于閾值的像素可歸入這兩類之一).

要想把焊縫圖像中的缺陷信息從背景中完整的分割出來(lái),確定一個(gè)合適的閾值就顯得尤為關(guān)鍵.若閾值選得過(guò)高,這勢(shì)必會(huì)影響分割出來(lái)的缺陷的大小和形狀,甚至有些不明顯的缺陷點(diǎn)容易被誤歸為背景,造成漏檢.反之若閾值選得過(guò)低,則容易引起誤檢.目前已經(jīng)提出的閾值選取方法有很多種,例如最大類間方差法、最大熵值法、最小誤差法和簡(jiǎn)單統(tǒng)計(jì)法等等.

7.2 缺陷分割

經(jīng)過(guò)對(duì)各種閾值選取方法的試驗(yàn),本文采取了迭代閾值分割法對(duì)圖像進(jìn)行閾值分割,從而成功有效的將缺陷分割出來(lái).

迭代閾值分割的原理是首先選擇一個(gè)近似的閾值作為估計(jì)計(jì)算的初始閾值,然后進(jìn)行閾值分割,產(chǎn)生子圖像,并根據(jù)子圖像的灰度特性選取新的閾值,經(jīng)過(guò)多次的迭代之后,平均灰度值將趨向于真值.迭代閾值分割的具體算法步驟如下:

(1)選取一個(gè)初始閾值

其中,Zmin,Zmax分別表示圖像中灰度值的最小最大值.

(2)利用Tk將圖像分成小于Tk和大于Tk兩組R1和R2,并計(jì)算它們的灰度均值Z1和Z2.

其中,f(i,j)是圖像中點(diǎn)(i,j)的灰度值,N1,N2分別為R1和R2中的像素個(gè)數(shù).

(3)計(jì)算新的閾值T k+1.

(4)如果Tk+1=Tk則結(jié)束,否則k=k+1,轉(zhuǎn)步驟(2).

7.3 分割結(jié)果進(jìn)一步處理

經(jīng)過(guò)上述閾值分割方法,我們可得到缺陷與背景的二值化圖像,其中缺陷信息灰度值為255,背景信息灰度值為0.但是經(jīng)過(guò)仿真我們發(fā)現(xiàn),由于采集過(guò)程中某些不確定性因素或者成像面板上的壞點(diǎn)而造成采集到的焊縫圖像上有些許灰度值極高的離散斑點(diǎn),這些斑點(diǎn)在經(jīng)過(guò)閾值分割后同樣被分割出來(lái),從而會(huì)引起誤檢,因此我們需要將閾值分割后的結(jié)果進(jìn)行進(jìn)一步處理,消除這些斑點(diǎn)引起的誤檢.

通過(guò)大量仿真研究,我們?cè)O(shè)計(jì)了如下的解決方案:我們將經(jīng)過(guò)閾值分割出來(lái)的缺陷結(jié)果視為一個(gè)一個(gè)的連通域,然后計(jì)算每個(gè)連通域內(nèi)包含的像素個(gè)數(shù),我們知道,容易引起誤檢的離散斑點(diǎn)所包含的像素相比于真實(shí)的缺陷所包含的像素是非常少的,因此,我們可以確定一個(gè)像素閾值,如果某個(gè)連通域內(nèi)所包含像素個(gè)數(shù)低于此像素閾值,那么我們即認(rèn)為該連通域?yàn)椤皞巍比毕?反之則認(rèn)為是真實(shí)缺陷.最后將“偽”缺陷過(guò)濾,真實(shí)缺陷保留.

8 實(shí)驗(yàn)結(jié)果

本文選取了580幅正常的無(wú)缺陷的焊縫圖像作為訓(xùn)練樣本,含有各類缺陷的測(cè)試圖像為240幅,下面給出最終的各種缺陷類型提取分割結(jié)果圖,如圖4所示.

9 結(jié)論與不足

由于X射線焊縫圖像噪聲多、缺陷對(duì)比度不高、背景起伏較大以及不同類型缺陷灰度分布特征差別較大,因此在缺陷檢測(cè)較為困難.本文在分析了傳統(tǒng)方法在X射線鋼管焊縫缺陷檢測(cè)中存在的問(wèn)題基礎(chǔ)上,提出了一種基于快速ICA的背景估計(jì)的X射線鋼管焊縫缺陷檢測(cè)算法.該算法具有以下優(yōu)點(diǎn):

圖4 各種缺陷分割結(jié)果

(1)不分缺陷類型.該算法對(duì)缺陷類型不敏感,對(duì)任何缺陷均可以檢測(cè),有較好的通用性.

(2)速度快.該算法在檢測(cè)過(guò)程中無(wú)需檢測(cè)焊縫區(qū)域,直接對(duì)整幅圖進(jìn)行背景重構(gòu),重構(gòu)完畢做差即可凸顯出缺陷.

(3)適用性強(qiáng).對(duì)于空間對(duì)比度不同的缺陷均有很好的檢測(cè)效果.

(4)穩(wěn)定性好.在兩年多的時(shí)間里,我們?cè)趯?shí)驗(yàn)室和工廠現(xiàn)場(chǎng)應(yīng)用本文提出的算法進(jìn)行了上百次實(shí)驗(yàn),漏報(bào)率為2.14%,誤報(bào)率為3.88%,結(jié)果證明該算法的重復(fù)性和可靠性較好.

當(dāng)然,該算法還有些許不足之處:在對(duì)差后圖像進(jìn)行閾值分割時(shí),在閾值的選取上尚不能做到完全的自動(dòng)準(zhǔn)確的選取,需要一定的人工干預(yù).這將是后續(xù)的一個(gè)研究問(wèn)題,在該方面還得繼續(xù)深入研究.

1仲維暢.工具鋼環(huán)形試件表面因其表面下人工孔而產(chǎn)生的漏磁場(chǎng)—磁粉探傷原理之三十二.第九屆全國(guó)無(wú)損檢測(cè)新技術(shù)學(xué)術(shù)研討會(huì)論文集摘要匯編.寧波,中國(guó).2004.116-120.

2耿榮生.更快、更可靠和更直觀——第16屆世界無(wú)損檢測(cè)會(huì)議綜述.無(wú)損檢測(cè),2004,26(11):565-569,592.[doi:10.3969/j.issn.1000-6656.2004.11.006]

3Tian Y,Du D,Hou RS,et al.A model of automatic detection system for weld defects based on machine vision.In:Tarn TJ,Chen SB,Zhou C,eds.Robotic Welding,Intelligence and Automation.Lecture Notes in Control and Information Sciences.Berlin Heidelberg:Springer,2007.341-348.

4Ding M,Fan GL.Fast human pose tracking with a single depth sensor using sum of Gaussians models.In:Bebis G,Boyle R,Parvin B,et al,eds.International Symposium on Visual Computing.ISVC 2014:Advances in Visual Computing.Cham:Springer,2014.599-608.

5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.焊接學(xué)報(bào),2011,32(2):77-80.

6Tang YL,Tong RF,Tang M,et al.Depth incorporating with color improves salient object detection.The Visual Computer,2016,32(1):111-121.[doi:10.1007/s00371-014-1059-6]

7張曉光,林家駿.基于模糊神經(jīng)網(wǎng)絡(luò)的焊縫缺陷識(shí)別方法的研究.中國(guó)礦業(yè)大學(xué)學(xué)報(bào),2003,32(1):92-95.

8邵家鑫,都東,朱新杰,等.基于X射線數(shù)字化圖像處理的雙面焊焊縫缺陷檢測(cè).焊接學(xué)報(bào),2010,31(11):21-24.

9高煒欣,胡玉衡,武曉朦,等.埋弧焊X射線焊縫缺陷圖像分類算法研究.儀器儀表學(xué)報(bào),2016,37(3):518-524.

10孫怡,孫洪雨,白鵬,等.X射線焊縫圖像中缺陷的實(shí)時(shí)檢測(cè)方法.焊接學(xué)報(bào),2004,25(2):115-118,122.