張東嶺

摘要：針對傳統(tǒng)機械材料檢測數據冗雜，檢測耗時的問題，結合機械材料的結構特點，提出一種基于圖像的機械材料X射線檢測技術。對X射線檢測的基本原理進行具體介紹，設計一個基于圖像的機械材料X射線檢測系統(tǒng);對采集的機械材料圖像進行預處理和傾斜校正，并建立成像系統(tǒng)模型確定材料成像方位角;為驗證提出方法的有效性，在Matlab2016b平臺下進行仿真，選用5種機械材料進行缺陷對比試驗，結果表明：提出的方法可以精準地檢測到機械材料的缺陷，檢測耗時較短，檢測效率有所提升，可應用于機械材料的圖像檢測。

關鍵詞：機械材料;X射線檢測;特征區(qū)域;方位角

中圖分類號：TP392

文獻標識碼：A文章編號：1001-5922（2022）06-0039-05

Research on defect detection technology of mechanicalmaterials based on image processing

ZHANG Dongling

（China Coal Technology & Engineering Group Tangshan Research Institute Co.， Ltd.，Tangshan 063300， Hebei China

）

Abstract：Aiming at the problem of jumbled data and time-consuming detection of traditional mechanical materials， combined with the structural characteristics of mechanical materials， an image-based X-ray testing technology for mechanical materials is proposed. This paper introduces the basic principle of X-ray detection， then designs an X-ray detection system， preprocessing and tilt correction of the collected mechanical material image， and establishes the imaging system model to determine the imaging azimuth. To justify the effectiveness of the proposed method， simulation is carried out on the platform of Matlab2016b， and 5 kinds of mechanical materials are selected for defect comparison test. The results show that the proposed method can accurately detect the defects of mechanical materials， the detection time is short， the detection efficiency is improved， and can be applied to the image detection of mechanical materials.

Key words：mechanical materials; X-ray detection; characteristic area; azimuth

我國現代化和生產力水平的不斷提高，各種機械材料的市場需求越來越大，機械材料缺陷檢測在機械工業(yè)生產線中的地位逐漸飆升。然而傳統(tǒng)缺陷檢測方法依舊為人工外部缺陷檢測，此方式的生產效率十分低下，工作強度大，檢測速度和準確率得不到保證，不能滿足當前工業(yè)市場中的高效的缺陷檢測需求。在機械材料內部缺陷無損檢測的多種方法中，X射線檢測技術是使用最為廣泛的技術檢測方法之一，該技術在航空領域、工業(yè)領域、電力領域等的缺陷檢測均有應用。隨著工業(yè)生產技術的迅速發(fā)展，對材料質量的要求日益提高，特別是對大批量精密機電類材料行業(yè)提出了對材料的快速準確的全檢需求，如何提高檢測效率，降低檢測成本，是當前該行業(yè)領域亟待解決的問題。有學者針對工業(yè)機械的裂紋，提出了基于深度卷積神經網絡的裂紋檢測方法，通過此方法提升了機械裂紋檢測的準確率，降低了材料回收率[1];提出基于機器視覺的PCB板表面缺陷檢測方法，通過圖像采集、分割和預處理后對圖像特征進行提取，進一步提升零缺陷檢測的效率，減少了質檢成本[2];提出了基于圖像識別的鋁合金機械鉸鏈裂紋檢測仿方法，通過仿真實驗后發(fā)現，該方法可以快速準確的檢測出鋁合金的缺陷，具備一定的有效性[3]?；诖?，結合以上學者的研究，提出基于圖像的機械材料X射線檢測方法，此方法通過對機械材料內部缺陷實現快速高效的檢測，進一步節(jié)約人力成本，提高檢測效率，有效促進機械行業(yè)的長期發(fā)展。并為X射線快速自動化檢測研究提供參考。

1X射線檢測系統(tǒng)

1.1X射線檢測原理

機械材料的內部缺陷檢測可采用X射線得以實現。X射線屬于一種具有穿透力的電磁波，其穿透強度的增減與被檢測材料的密度和厚度有關，完成對機械材料在某一部位的成像即可獲得該部位材料內部結構信息[4]。若X射線穿透的機械材料為厚度適中，那么得到的穿透強度變化可表示為：

I=I·e-^{Ju（x，y）di}（1）

若穿透材料密度適中時，式（1）可進一步簡化，得到：

I=Ie（2）

式中：I代表穿透射線的強度[5];I代表射線穿透強度和厚度;μ代表衰減系數;ρ代表材料密度;d代表被檢測材料。

1.2X射線自動檢測系統(tǒng)

X射線檢測系統(tǒng)，如圖1所示。X射線自動檢測系統(tǒng)包括信息采集和圖像處理2個部分。由于X射線具有一定的輻射，會對人們的身體健康產生損害。因此，圖像信息采集模塊應建立防護鉛室，將X射線檢測的儀器進行屏蔽[6]。其中，防護鉛室包括X射線源、X射線成像器件和材料檢測工作臺;控制室包括計算機控制系統(tǒng)，主要對圖像信息進行傳輸處理和設備監(jiān)測等。

實際檢測時，將機械材料放置在檢測工作臺中，X射線對材料的某一部位進行透射，穿透后的強度具有該材料內部信息，通過成像器件轉換為可見光圖像[7];之后，再由圖像傳輸系統(tǒng)將采集信息輸出送計算機中。計算機對該信息進行處理和檢測，最終輸出檢測結果，從而完成對機械材料的內部缺陷檢測。

1.3檢測系統(tǒng)總體流程

檢測系統(tǒng)對機械材料進行檢測的總體流程如圖2所示，主要分為離線學習和在線檢測2個方面。

（1）離線學習檢測流程：對現有的樣本圖像進行預處理，之后進行特征提取并進行特征建庫[8];同時，提取機械材料的待檢測子目標區(qū)域圖像數據特征，并將其作為樣本材料特征向量，從而構建樣本檢測識別特征庫。最后對兩者特征相似度進行計算，取得檢測結果;

（2）在線檢測時，任意選擇等待檢測的圖像，對其進行圖像預處理后，提取被檢材料的位置特征向量后并將其作為最優(yōu)解確定材料成像方位，然后對被檢機械材料圖像采取同樣的方式進行特征提取并取得特征向量[9]。最后，將待檢測圖像和標準特征向量的相似度進行計算，若檢測結果均大于合格標準，則表示該機械材料合格;若存在一處檢測結果低于該標準，則表明該材料不合格，最終輸出檢測判別結果[10]。

2圖像預處理和傾斜校正

2.1圖像預處理

在工業(yè)機械材料的圖像檢測過程中，材料內部和外部均可能有各種規(guī)律紋路特征，但在進行檢測時會出現遮蓋情況，從而造成最終檢測結果不佳。因此，為保證機械材料檢測的準確率，本研究首先對機械材料圖像進行預處理，具體方法為圖像降噪、圖像增強和二值化處理。

2.2圖像傾斜校正

在進行機械材料圖像檢測時，由于系統(tǒng)安裝誤差和操作時的磨損等原因，可能使檢測機械材料存在傾斜的現象，這種現象將導致提取特征向量發(fā)生錯誤，從而影響后續(xù)標準樣本和待檢測樣本的相似度發(fā)生變化，最終造成評判檢測結果不準確，且存在較大誤差。因此，在缺陷檢測前，需對檢測圖像進行傾斜測量及校正。根據傾斜校正原理，本研究針對機械材料的結構特點，提出成像傾斜檢測模型，具體如圖3所示。X射線檢測系統(tǒng)為單一射線源對機械材料成像的單目成像檢測。因此，以單目成像系統(tǒng)為研究對象，按照小孔成像模型，在無畸變失真的情況下完成對傾斜材料成像模型的測量分析[11]。該模型可以完成對機械材料水平和垂直傾斜角的測量。

3實驗結果與分析

3.1實驗環(huán)境

根據機械材料的內部結構，采用圖像特征提取的方式對機械材料進行快速自動檢測。確定機械材料各成像方位下的待檢區(qū)域，由此完成對材料缺陷的檢測。

為取得更好的實驗效果，實驗環(huán)境選擇為處理器Intel（R） Core（TM） 3.30 GHz，內存4.00 GB，操作系統(tǒng)為Windows10，仿真平臺為Matlab2016b，圖像大小為（768×288）像素[12]。

3.2最優(yōu)匹配區(qū)域

3.2.1目標區(qū)域特征及缺陷

實驗選擇的機械材料內部存在5個待檢目標，具體如圖4（a）～圖4（e）所示;常見6種缺陷如圖4（f）～圖4（k）所示。通過檢測系統(tǒng)對內部零件進行檢測，判別其是否合格。同時，由于選擇的機械材料具有多個待檢測識別區(qū)域，每個材料的位置、尺寸、輪廓、灰度等特征均不同，材料結構復雜[13]。因此，將對各材料的最優(yōu)檢測區(qū)間進行確立，從而更好地進行缺陷檢測。

3.2.2最優(yōu)檢測區(qū)間

采用基于X射線機械材料檢測方法，材料檢測時由于其位置不同會產生遮蓋現象，導致材料內部構件無法準確檢測或完全無法檢測。因此，對待檢區(qū)域結構進行調整及成像分析，確立更為清晰、準確檢測缺陷的角度作為最優(yōu)檢測區(qū)間，實現對同一角度下不同子目標區(qū)域的選擇和特征提取[14]。根據上述5個待檢材料的缺陷特征，得到的最優(yōu)檢測區(qū)間如表1所示。

由表1可知，5種缺陷檢測時最優(yōu)檢測區(qū)域均不同，鋼球和彈簧的最優(yōu)檢測區(qū)間均為任意方位，相似度分別為0.9和0.8;空腔、鋼柱和螺釘存在多個最優(yōu)檢測方位，相似度分別為0.9、0.75和0.75。通過具體方位可以實現各個材料的缺陷檢測，且檢測速度明顯提升。

由表2可知，對周向檢測各成像角度下子目標進行選取，得到各子目標區(qū)域機械材料合格閾值設定，具體如表3所示。

由表3可知，5種缺陷的合格閾值和最優(yōu)檢測區(qū)間的相似度一致[15]。若材料的2次檢測閾值均高于合格閾值，則表明該材料合格;若檢測閾值位于合格閾值和缺陷閾值之間，則需要從其他方位進行檢測判定;若檢測閾值低于缺陷閾值，則表明該檢測材料存在缺陷。

3.3材料檢測

為驗證本研究提出的機械材料檢測方法的檢測效果，本研究將表3作為判斷檢測機械材料為合格或缺陷的檢測標準，[JP3]并根據檢測結果，得到機械材料缺陷的具體方位。材料編號及缺陷類型如表4所示。

由表4可知，樣本缺陷進行初始方位角檢測和2次檢測方位角檢測后，得到材料1的檢測結果如表5所示。

由表5可知，空腔的檢測相似度為1，大于其合格閾值0.9，說明該材料合格;彈簧的檢測相似度為0.890 9，比其標準合格閾值0.80高出了0.090 9;鋼柱和螺釘的檢測相似度均為0.952 4，均高于其合格閾值0.75，說明該材料檢測合格;鋼球的檢測相似度為0.76，低于其缺陷閾值0.85，由此說明鋼球區(qū)域存在缺陷。

通過對機械材料樣本2進行初始方位角檢測和2次檢測方位角檢測，得到機械材料2的檢測結果，具體如表6所示。

由表6可知，空腔、彈簧、鋼柱和螺釘區(qū)域的檢測相似度均高于其對應的合格閾值，說明該區(qū)域檢測不存在缺陷。而鋼球區(qū)域的檢測相似度為0.813 3，低于其合格閾值0.9和缺陷閾值0.85，說明材料2鋼球區(qū)域存在缺陷。

通過對機械材料樣本3進行初始方位角檢測和二次檢測方位角檢測后，得到機械材料3的檢測結果，具體如表7所示。

由表7可知，空腔區(qū)域的檢測相似度為0.800 0，低于其合格閾值;彈簧區(qū)域的檢測相似度為0.527 3，低于缺陷閾值，說明該材料彈簧區(qū)域存在缺陷;鋼柱、鋼球和螺釘的檢測相似度分別為0.809 5、0.973 3和0.952 4，均高于其對應的合格閾值，說明這3個區(qū)域檢測合格。

對材料4進行兩次不同方位檢測后，得到的檢測結果如表8所示

由表8可知，機械材料4的空腔、螺釘和鋼柱的檢測相似度分別為0.600 0、0.476 2和0.428 6，均低于其設定的缺陷閾值，說明這3個區(qū)域均存在缺陷。而彈簧區(qū)域的檢測相似度為0.727 3，位于合格閾值和缺陷閾值之間，需進行二次檢測;二次檢測后得到彈簧區(qū)域的相似度為0.901 5，達到其合格閾值標準，說明該區(qū)域檢測合格;鋼球區(qū)域的檢測相似度為1，說明該材料鋼球區(qū)域合格。由此可知，機械材料4在空腔、螺釘和鋼柱3個區(qū)域存在缺陷。

對機械材料5進行各個區(qū)域檢測后的檢測結果，具體如表9所示。

由表9可知，該材料在空腔、彈簧、鋼柱和鋼球區(qū)域的檢測相似度分別為0.933 3、0.927 3、0.952 4和1.000 0，均高于其設置的合格閾值標準，說明該材料這4個區(qū)域檢測合格。而螺釘區(qū)域的檢測相似度為0.428 6，明顯低于其缺陷設定閾值，說明機械材料5在螺釘區(qū)域存在缺陷。

通過對5個機械材料進行檢測后，直觀地看出本研究提出的檢測方法的優(yōu)越性，將對5個監(jiān)測材料的檢測時長進行統(tǒng)計分析，得到的統(tǒng)計結果如表10所示。

由表10可知，材料1～材料5的檢測損耗時間，材料3的檢測時間高于0.050，材料1、2、4和5的檢測時間分別為0.048 7、0.045 1、0.044 2、0.046 1，平均耗時0.047 7，檢測時長均低于0.050，說明本研究提出方法的檢測時間較短，檢測效率較高，實現了機械材料缺陷檢測的實時性和有效性。

4結語

綜上所述，設計的基于圖像的機械材料X射線缺陷檢測方法可以實現對機械材料內部缺陷檢測。通過對5個內部存在不同缺陷的機械材料進行實驗后發(fā)現，提出的檢測方法檢測準確率較高，檢測消耗時間較少，能夠判別出機械材料存在缺陷的具體位置，具有一定的實時性和有效性。然而，由于經驗和實驗條件不足，研究還需進一步改進和完善;目前對少部分機械材料進行了實驗，在其他材料方面也可進一步進行檢測識別研究，從而增加更多的可能性。同時，在對體積小，精密度高的機械材料不能做到精確地檢測識別。因此，未來將重點從這方面進行改進和完善，進一步提升小體積機械材料的檢測精度，減少檢測誤差。

【參考文獻】

[1]冉蓉，徐興華，邱少華，等.基于深度卷積神經網絡的裂紋檢測方法綜述[J].計算機工程與應用，2021，57（9）：23-35.

[2]董靜毅，呂文濤，包曉敏，等.基于機器視覺的PCB板表面缺陷檢測方法研究進展[J].浙江理工大學學報（自然科學版），2021，45（3）：379-389.

[3]李先沖.基于圖像識別的鋁合金機械鉸鏈裂紋檢測仿真[J].計算機仿真，2020，37（2）：481-485.

[4]李琛，駱漢賓，魏威，等.基于圖像的混凝土表面裂縫和孔洞檢測[J].土木工程與管理學報，2020，37（6）：118-123.

[5]張濤，劉玉婷，楊亞寧，等.基于機器視覺的表面缺陷檢測研究綜述[J].科學技術與工程，2020，20（35）：14 366-14 376.

[6]魏秀琨，所達，魏德華，等.機器視覺在軌道交通系統(tǒng)狀態(tài)檢測中的應用綜述[J].控制與決策，2021，36（2）：257-282.

[7]陳晨，張煒.基于圖像處理技術的運動軌跡自動檢測研究[J].現代電子技術，2021，44（5）：70-74.

[8]許靖添.基于圖像輪廓檢測的航天器目標跟蹤控制系統(tǒng)設計[J].計算機測量與控制，2021，29（2）：67-70.

[9]胡廣華，王寧，何文亮，等.基于圖像修復的無監(jiān)督表面缺陷檢測方法[J].華南理工大學學報（自然科學版），2021，49（7）：76-85.

[10]楊洋，韓躍平，白鴿，等.基于圖像數據重排的材料表面缺陷檢測算法研究[J].測試技術學報，2020，34（2）：147-151.

[11]朱文博，洪都.基于圖像處理的零件二維尺寸檢測方法[J].光學技術，2020，46（2）：184-191.

[12]周揚眉，羅開禮，孫懷義，等.基于圖像處理技術的芯片表面缺陷檢測系統(tǒng)的設計與實現[J].自動化與儀器儀表，2021（1）：182-184.

[14]王瑞，姚愛琴，楊瑞，等.基于小波變換模極大的多尺度圖像邊緣檢測在煙霧圖像中的應用[J].國外電子測量技術，2020，39（9）：63-67.

[15]李一能，曾慶化，張月圓，等.基于BP神經網絡的線Mura缺陷識別與定位研究[J].光電工程，2020，47（11）：63-70.