工字形焊件射线图像中微小缺陷的分割及提取

石端虎 刚 铁 张华军 杨根喜

1.徐州工程学院,徐州,221008

2.哈尔滨工业大学现代焊接生产技术国家重点实验室,哈尔滨,150001

3.哈尔滨理工大学,哈尔滨,150040

0 引言

为了减少无损检测人员评判时的主观性和提高检测的效率,需要开发自动图像处理技术。此外要实现缺陷空间位置数据的自动提取和空间定位一般需要先提取出检测图像中微小缺陷。与普通结构相比,工字形激光焊件中的焊缝尺寸很小,缺陷尺寸更小,因此实现其内部微小缺陷的提取是一个很具挑战性的任务。

目前,国内外在缺陷分割方面已经开展了大量的研究[1-5]。Kaftandjian等[1]采用直方图阈值和背景相减的方法检测缺陷,但在避免伪缺陷方面没有提出良策。Mery等[3]采用特殊的滤波模板模拟背景实现了大铸件中缺陷的分割与提取,在伪缺陷去除方面提出了多视角几何和缺陷跟踪的方法,取得了一定的效果。Sun等[6]基于模糊推理的方法开发了一套螺旋焊管X射线图像自动处理系统,实现了焊管内部缺陷的提取与标示。上述研究主要是针对普通结构大焊缝中的缺陷,而对于复杂结构激光焊件中微小缺陷分割与提取的报道较少。因此,本文针对工字形激光焊件射线图像中的微小缺陷分割与提取问题进行研究。

1 图像的灰度特征分析

图1所示为工字形激光焊件的局部断面,其正反两面均有激光焊缝,结构的最薄弱环节为结合面位置。为了确定缺陷在焊缝中的空间位置,需要采用无损检测的方法对其检测,并把小缺陷从检测图像中先分割出来。

为了获取较好的检测图像,需要旋转被检焊件。图2为焊件旋转后获取的检测图像,其中亮带区内的小白点为焊缝中的气孔,其实际尺寸大小为574×768(像素)。图3所示为图2中某行的线灰度分布,其中有两个峰值,分别对应穿透焊件最薄处的位置,即图中的1和3;而2和4对应穿透焊件最厚处临界点的位置。图3中标出了缺陷的位置。1、2间和3、4间的区域为焊件正反面的焊缝区,2、4间为穿透厚度最大且恒定区域,1、3点外的区域为光栅区。

从图3可以看出,微小缺陷与其背景间的对比度较小,且位于大灰度梯度背景中,缺陷的分割和提取存在很大的难度。

2 基于数学形态学模拟背景的微小缺陷分割

为了分割出大灰度梯度背景下的微小缺陷,需要先对其进行去噪处理,去噪采取叠加去噪和小波变换相结合的方法[7]。由于工字形焊件图像中线灰度分布曲线上的突起正对应于缺陷位置,去噪后可采用形态学开运算进行背景模拟。该方法模拟背景的特点是在去除小缺陷和噪声的同时可保持线灰度分布曲线的梯度分布特征,而后采用背景相减和迭代算法就可以提取大灰度梯度背景下的微小缺陷。该算法的流程图见图4。

采用上述算法可实现大灰度梯度背景下的微小缺陷分割与提取,且缺陷的保真度高,这将为后续的缺陷空间位置数据自动提取及空间定位奠定较好的基础。同时由于分割前先把感兴趣的区域(area of interest,AOI)提取出来,而后只对该区域进行处理,大大提高了图像处理的速度。

3 最佳结构元尺寸的确定

在采用形态学方法模拟背景时,结构元尺寸的选择非常重要,它对于背景模拟成功与否和缺陷的保真分割有很大的影响。Gang等[8]采用自适应形态学方法获取结构元尺寸,该尺寸可随缺陷的大小自动调整,对大尺寸焊缝缺陷的分割效果较好。罗爱民等[9]提出了另一种自适应形态学滤波算法,该算法采用分水岭变换确定每行的结构元尺寸,其尺寸也可随缺陷尺寸大小自动调整。上述两方法主要针对普通结构大焊缝中的大尺寸缺陷进行处理,缺陷所处的区间灰度梯度变化不大,且缺陷与其背景间对比度较大,缺陷分割相对比较容易。采用上述方法无法实现工字形焊件检测图像中的微小缺陷分割与提取。

本文采用的是一维线状垂直结构元,结构元尺寸可用像素点的大小来表示。经过多次试验,笔者发现,对于大灰度梯度背景下的微小缺陷分割,应用形态学开运算模拟背景时,只有结构元尺寸在一定范围内时才能获得较理想的分割结果,且存在一最佳结构元尺寸使分割的缺陷具有较高的保真度。因此本文提出一种新方法来确定结构元尺寸,即线灰度分布曲线拟合并相减,再搜索相减结果最大值的方法。具体步骤如下:先获取图像上某行的线灰度分布曲线;然后应用最小二乘法对上述曲线进行曲线拟合,获得该线灰度分布曲线的拟合曲线;将两者相减,并搜索所有行的相减结果最大值,该值即为所求。

图5为拟合前后的线灰度分布曲线,图6所示为两曲线相减的结果。图5中标出了缺陷的位置及结构元的大小,图6中标明了搜索到的某行的结构元尺寸。

4 分割结果

采用第3节所提出的算法获取形态学开运算的最佳结构元尺寸后,将上述的固定点形态学滤波方法运用于工字形焊件的射线检测图像,结合背景相减算法就可以把大灰度梯度背景下的微小缺陷提取出来。

图7所示为图像处理结果。其中图7a所示为提取的AOI,其尺寸约为原始图像的1/3,主要目的有两个:一是为了减小光栅外区域对缺陷分割的影响;二是减小图像处理的区域,可大大提高图像处理的速度。图7b所示为背景模拟的结果,可以看出高亮区的小缺陷被平滑掉了,背景模拟取得了较好的效果。图7c所示为背景相减的结果,经背景相减后,图像中的小白点(气孔)被突出出来。图7d所示为采用迭代法获得的缺陷分割结果。上述处理中获取的最佳结构元尺130.29,迭代次数为4。为了验证上述算法的通用性,对80多幅射线检测图像进行了处理,均取得了较好的分割效果。同时采用剖切试样的方法对分割结果进行了验证,结果表明分割的准确率可达98%以上,且缺陷保真度较高。

图8为剖切的焊件纵断面金相照片,其中标明了验证缺陷的序号。图9为实际焊件剖切试验中气孔半径及其出现频数的直方图,其中验证的气孔缺陷总数为398,气孔缺陷半径大多在0.15～0.35mm之间。

为了对比缺陷分割的效果,笔者采用均值滤波模拟背景法对检测图像进行了处理,处理结果见图10。通过对比可以看出,本文提出的算法实现了大灰度梯度背景下微小缺陷的分割与提取,且保真度较高,而常规滤波方法难以实现微小缺陷的提取。

5 结论

(1)基于形态学开运算对工字形焊件检测图像进行了背景模拟,提出了大灰度梯度背景下的微小缺陷分割及提取方法。

(2)提出了线灰度分布曲线拟合并相减,搜索相减结果最大值来确定最佳结构元尺寸的方法,采用该结构元对工字形焊件中的微小缺陷进行了分割与提取。本文算法对AOI区域的大小不敏感,算法适应性强,缺陷保真度高。

(3)图像处理只在提取的AOI区域中进行,处理速度可显著提高。

[1]Kaftandjian V,Joly A,Odievre T,et al.Automatic Detection and Characterization of Aluminum Weld Defects:Comparison between Radiography,Radioscopy and Human Interpretation[C]//Proceedings of the Seventh European Conferences on Nondestructive Testing.Copenhagen,1998:1179-86.

[2]Mery D,Jaeger T,Filbert D.A Review of Methods for Automated Recognition of Casting Defects[J].Insight,2002,44(7):428-436.

[3]Mery D,Filbert D.Automated Flaw Detection in Aluminium Castings Based on the Tracking of Potential Defects in a Radioscopic Image Sequence[J].IEEE Transactions on Robotics and Automation,2002,18(6):890-901.

[4]Quan Jinjuan,Wen Xianbin,Wang Chundong,et al.Multiscale Segmentation of SAR Images Via Two Neural Networks[J].Journal of Optoelectronics˙Laser,2008,19(4):542-545.

[5]Wang Yanchun,Liang Dequn,Wang Yan,et al.Image Transition Region Extraction and Segmentation Based on Neighborhood Unhomogeneity[J].Journal of Optoelectronics˙Laser,2008,19(3):404-408.

[6]Sun Y,Bei P,Sun H Y,et al.Real—time Automatic Detection of Weld Defects in Steel Pipe[J].NDT&E International,2005,38(7):522-528.

[7]Shi Duanhu,Gang Tie,Yang Shuangyang,et al.Research on Segmentation and Distribution Features of Small Defects in Precision Weldments with Complex Structure[J].NDT&E International,2007,40(5):397-404.

[8]Gang Tie,Wang Donghua.Defect Extraction of X—ray Images Based on Adaptive Morphology Filtering[J].Chinese Journal of Mechanical Engineering,2001,37(5):85-89.

[9]Luo Aimin,Yin Guofu,Wei Wanyin.Welding Defect Extraction of X—ray Image Based on Adaptive Morphological Filtering Operator[J].Nuclear Power Engineering,2006,27(6):47-51.