張 思，石 峰

(1.中石化工程質量監(jiān)測有限公司 ， 北京 100020 ； 2.洛陽欣隆工程檢測有限公司 , 河南 洛陽 471012)

目前，焊接技術被廣泛應用于航空航天、機械、核能、船舶及石油化工等領域[1]。在焊接過程中，由于焊接參數(shù)不穩(wěn)定、外界環(huán)境變化以及人為因素的影響，會導致焊縫中出現(xiàn)各種缺陷。如今，多種無損檢測方法中X射線檢測以清潔、方便、直觀等特點已成為焊縫缺陷檢測的重要方法[2]。隨著計算機技術的發(fā)展，基于圖像處理技術的焊縫缺陷檢測將底片評定的工作交由機器來完成，大幅降低檢測人員的工作量，同時提高了工作效率，并降低了誤判漏判的可能。目前，利用圖像處理方法對焊縫缺陷識別是當下的研究熱點。本文對缺陷識別領域的研究方法以及成果進行了總結，分別介紹了焊縫缺陷圖像的預處理及缺陷識別的相關內容。

1 焊縫缺陷圖像的預處理

焊縫射線原始圖像在采集過程中，由于環(huán)境及設備因素影響導致圖像噪聲較多。如果不對原始圖像進行預處理而直接對圖像進行分割與識別，將會產生較多的偽缺陷，對真正缺陷的檢出造成影響。因此，有必要對原始圖像進行預處理。

1.1 圖像降噪

濾波法是對焊接圖像進行噪聲抑制的最常用方法，可分為頻域濾波與空域濾波。頻域濾波是在一個頻域內乘以濾波函數(shù)，運算量大，圖像灰度區(qū)間窄、灰度小，限制了其應用?？沼驗V波作為最常用的降噪方法，是使用模板在圖像空間進行鄰域操作?？沼驗V波又可分為中值濾波與鄰域濾波，其優(yōu)點是運算速度快，但會導致圖像部分邊緣細節(jié)丟失。濾波前后的對比見圖1[3]。

圖1 焊縫圖像濾波前后對比

申俊琦等[4提出焊縫圖像自適應中值濾波的方法，對焊縫圖像中的噪聲特別是大噪聲的去除效果較好。石涵等[5]利用圖像噪聲方差與灰度值的關系進行局部噪聲方差估算，提出自適應鄰域濾波法，在去除圖像噪聲的同時較好地保存了焊縫邊緣與缺陷邊緣細節(jié)。

1.2 圖像增強

原始圖像經過降噪處理后會造成圖像灰度亮度較窄、缺陷不清晰。因此，還需要對圖像進行增強處理。增強處理后的圖像見圖2。

圖2 焊縫圖像灰度變換前后對比圖

常用的圖像增強方法有灰度變換與直方圖均衡化。灰度變換可分為線性變換與非線性變換。線性變換又可分為全域線性變換與分段線性變換。全域線性變換對全部像素同時乘以相同系數(shù)，對全部像素做同倍數(shù)的增大或減小。分段變換對圖像中感興趣區(qū)域的灰度進行拉伸。非線性變換是按照要求的非線性變換對圖像進行變換。指數(shù)函數(shù)、對數(shù)函數(shù)及平方函數(shù)等非線性函數(shù)是非線性灰度變換常采用的函數(shù)。

張志偉等[6]提出一種基于冪律灰度變換的改進型分段冪律曲線，最大程度對灰度中段進行拉伸，對始末段灰度拉伸較小，利用Otsu算法提取焊縫邊緣閾值并以閾值作為分段曲線的分段點，把焊縫邊緣信息集中在曲線中段，有效增強了焊縫邊緣對比度。張翔松等[7]提出了一種非線性增強方法，可自動增強圖像焊縫區(qū)，有效增強了環(huán)焊縫射線圖像。

直方圖均衡化是使原始直方圖變成均勻分布的方法，也稱為灰度均衡。直方圖經均衡化后圖像呈近似均勻分布，具有離散的灰度。直方圖均衡化會擴大圖像的灰度動態(tài)范圍及量化層間隔，減少灰度級別，可能會導致偽輪廓的出現(xiàn)。圖像目標處與背景過渡處像素點較少，均衡化可把較少像素的灰度合并變成背景點或目標點，使邊界處變得陡峭。目標處與背景過渡處像素點較多，均衡化會增加像素灰度間的差距，增大背景和目標的對比度。

王明泉等[8]對原始圖像進行全局直方圖均衡，運用局部反差增強將圖像按水平集分層，對每層進行降噪及反差增強，該法對圖像的增強與降噪的效果較好。韓得水等[9]對圖像進行同態(tài)濾波分頻處理，將低頻分量進行全局直方圖均衡化，最后將高頻分量與低頻分量進行線性融合，處理后的圖像突出了邊緣信息，圖像更加明亮。王磊[10]采用小波變換對圖像進行多尺度分解，閾值去除圖像噪聲，采用直方圖均衡對圖像進行增強并對標準直方圖法進行改進，最后采用同態(tài)濾波對圖像亮度進行處理，獲得了良好的視覺效果且對噪聲具有較強的魯棒性。

2 基于機器視覺焊接缺陷檢測

2.1 基于機器學習的焊接缺陷檢測

2.1.1焊縫缺陷分割

大多數(shù)的缺陷識別方法需要對缺陷的特征進行描述，因此要求對缺陷進行準確分割。 缺陷分割是根據(jù)缺陷目標區(qū)域變化特點，將焊縫圖像中的缺陷目標提取出來，是焊縫缺陷檢測的研究熱點。

目前學者已對焊接缺陷的分割算法進行了大量研究。邵家鑫等[11]對雙面焊焊接缺陷進行研究，采用基于逐列自適應二值化與改進霍夫變換分割算法，提升了焊縫重疊區(qū)域邊緣的檢測成功率，對微弱線缺陷的檢出有著較好效果。殷鷹等[12]提出一種基于主成分分析的缺陷分割算法，對對比度低、噪聲嚴重的焊縫缺陷有著較好的分割效果。趙貴[13]運用主成分分析法降特征向量維數(shù)，針對圖像特征提出3×3窗口的分割法，取得了良好的分割效果。高煒欣等[14]提出一種基于大津法的缺陷分割算法，在無人工設定初始分割閾值時有著較高的分割成功率。梁硼等[15]采用B樣條曲線擬合列灰度曲線，提取曲線極值點，通過定義的波動值及邊界閾值進行極值點集合的修正，最后運用數(shù)學形態(tài)學及中值濾波對缺陷進行修正，解決了圖像缺陷提取困難的問題。高煒欣等[16]將缺陷視為噪聲，用密度聚類方法分割焊縫缺陷，成功率達95%。郝利華等[17]對非極大值抑制后的梯度直方圖利用像素最值梯度方差自適應來獲取缺陷邊緣閾值，該算法在有效抑制噪聲的同時也避免了偽缺陷的產生。由以上研究可知，焊接缺陷圖像分割算法的構造形式、融合信息形式多樣，較易獲得函數(shù)最優(yōu)解。但是假設條件以及模型參數(shù)較多，模型較為復雜[19]。

2.1.2焊縫缺陷的特征值提取

焊縫缺陷射線圖像中的缺陷呈現(xiàn)出不同的形狀，特征提取是在眾多特征中提取有用的特征，用于圖像缺陷的識別。李曄等[18]選用細長度、方向性、緊湊度、離心率、位置以及灰度分布特征描述算子對焊縫缺陷進行特征描述。

由于焊縫缺陷形態(tài)復雜，進行特征描述時選擇單一的特征參數(shù)可能無法對焊縫缺陷進行準確全面的描述，一般情況會采用多個特征參數(shù)對缺陷進行檢測。缺陷特征選擇時，特征選擇數(shù)量也要適宜，選擇過多會增加計算難度，影響檢測效率；選擇過少將會降低缺陷的識別準確率。

2.1.3焊縫缺陷分類

目前，缺陷分類的基本方法是設計機器學習分類器，利用所選取的特征向量學習由輸入樣本到輸出類別的判別函數(shù)，把被識別的缺陷歸為一類。常用的算法有BP神經網絡算法、支持向量機(Support Vector Machine，SVM)算法以及主要成分分析(Principal Component Analysis，PCA)算法等。

BP算法是按誤差逆?zhèn)鞑ニ惴ㄟM行訓練的多層前饋網絡，可實現(xiàn)輸入-輸出的任意非線性映射關系，無需描述映射關系的數(shù)學方程，是處理不確定函數(shù)的重要工具。其本質為求取誤差函數(shù)最小值，采用最速下降法，通過反向傳播調整網絡的權值與閾值，使網絡誤差平方和最小。具有較強的自適應性、魯棒性及容錯能力。莊志堅等[19]以圖像處理技術為基礎，通過Matlab建立了基于BP神經網絡的圖像識別系統(tǒng)，實現(xiàn)缺陷分類。高嵐等[20]在連接權值系數(shù)中以分布式存儲神經網絡信息，解決了圖像輸入時的噪聲和部分圖像丟失問題，可較準確地識別焊縫缺陷。

SVM算法基本思路為準確劃分訓練數(shù)據(jù)集時分離出間隔最大的超平面。利用結構風險最小化原理，將樣本特征點所在低維輸入空間映射到高維空間，從而達到分類的目的。蔡曉龍等[21]利用SVM算法進行缺陷檢測，運用PSO算法優(yōu)化SVM模型，平均分類準確率達98%。李寧等[22]運用基于分段分形紋理分析法提取出焊縫缺陷特征值，將特征值輸入基于SVM的焊縫缺陷分類器，缺陷種類識別準確率達97.5%。

PCA算法的基礎為Kauhunen-Loeve變換，借助正交變換用更少的特征取代原特征，新特征是原特征的線性組合，使樣本方差最大化。在變換時可獲得數(shù)據(jù)的固有變異性，發(fā)現(xiàn)數(shù)據(jù)模式，還可有效去除噪聲。王欣等[23]通過PCA對像素矩陣進行主元分析并結合模糊C均值聚類算法提高對缺陷識別率，對線形、圓形缺陷平均識別率達90.93%。高煒欣等[24]將PCA思想引入圓形與線形缺陷分類，大幅提高了運算速度，線形缺陷識別率達98%，圓形缺陷識別率達89%～98.8%。缺陷提取的準確性會對缺陷的識別產生重要影響，且焊接缺陷的分割與識別都需要算法來實現(xiàn)，算法的運行時間較長，因此提高缺陷的分割準確率及提高缺陷分割與識別的速度是目前缺陷檢測的研究熱點。

2.2 基于深度學習的焊縫缺陷識別

卷積神經網絡(Convolutional Neural Networks，CNN)深度學習模型，是一種自動提取圖像顏色、輪廓以及紋理等特征的模型。避免了復雜的特征提取過程，在扭曲不變性應用上擁有良好的魯棒性。CNN主要包括卷積層、下采樣層以及全連接層。典型的CNN結構見圖3[25]。

圖3 典型CNN結構

CNN具有局部感受野、權值共享及下采樣的特點。局部感受野提取圖像基本特征信息，由下層神經網絡進行逐層整合，對更抽象的特征進行提取并擬合成網絡。權值共享采用相同的卷積核對圖像進行卷積，可檢測不同位置的同類型特征，在具有較好平移不變性的同時減少了訓練參數(shù)量，提高了模型的運算速度。下采樣層可降低圖像分辨率，減少隱含層特征信息復雜程度，提高特征信息輸出時對平移翻轉以及其它變形的魯棒性。

余永維等[26]提出一種模擬視覺感知的深度學習網絡，使可疑缺陷區(qū)域灰度信號直接通過深度學習層次網絡，逐層挖掘可疑缺陷區(qū)域的本質特征，利用徑向基網絡實現(xiàn)缺陷識別，缺陷的識別率超過91%。劉涵等[27]采用CNN與Softmax分類器結合的方法，以缺陷和噪聲為樣本對CNN進行訓練。姜洪權等[25]對經典池化模型進行改進，將隨機森林與卷積神經網絡結合，提高了缺陷的識別能力。陳立潮等[28]提出一種漸進式CNN，避免了圖像的欠擬合與過擬合，降低了部分訓練參數(shù)的優(yōu)化量，對焊縫缺陷的識別精度達到98%以上。樊丁等[29]采用超像素分割算法與改進ELU激活函數(shù)構建CNN模型，焊縫缺陷平均識別準確率達97.8%。楊中雨等[30]采用灰度拉伸和中值排序對圖像進行預處理，通過自適應矩估計的方式避免算法陷入局部最優(yōu)解。夾渣、裂紋、燒穿、氣孔以及未熔合的平均識別準確率達90.4%。李硯峰等[31]采用特征金字塔、減小網絡深度、引入跳躍連接卷積塊以及K-means算法改進YOLO網絡，缺陷識別準確率達94.9%，處理時間為19.58 ms。

基于CNN的方法增加了CNN的層數(shù)及與其他模型的融合，克服了原網絡結構簡單、特征類別單一的不足。神經網絡通過直接輸入的原始圖像進行訓練，自動學習圖像的特征表達，從而實現(xiàn)圖像的識別分類，不需要缺陷提取與特征描述，排除人工特征提取中的不全面性與不完整性。但CNN方法的模型的參數(shù)量較大，模型訓練時間較長。

3 結束語

隨著計算機技術的發(fā)展，智能化技術在焊縫無損檢測領域的應用占比正逐漸增加。目前還有許多難點需要解決，未來的研究方向應致力于以下幾點：①提高射線圖像的預處理質量。焊縫圖像經過降噪處理后會導致圖像的部分細節(jié)丟失，對后續(xù)的缺陷提取造成影響。今后應對現(xiàn)有濾波算法進行改進或引入新的算法，在有效去除噪聲的同時盡可能保留圖像細節(jié)。②提高缺陷的提取準確性及缺陷提取與識別的運算速率。缺陷提取的準確性會對缺陷的識別產生重要影響，目前的缺陷提取方法都存在些許不足。目前，缺陷提取與識別的運算速率較慢，檢測效率較低，對現(xiàn)有得缺陷分割算法進行改進或引入新的算法，在保證檢測可靠性的同時，盡可能地提高運算速率也是當下的研究熱點。③深度學習方法的完善。未來的方向應致力于研究出更精準的學習框架，發(fā)揮出深度學習的強大性能，并降低學習模型的復雜程度，提高其實時性。