基于加权中值各向扩散模型的焊接缺陷实时检测算法

基于加权中值各向扩散模型的焊接缺陷实时检测算法*

占俊

(景德镇学院 计算机工程系,江西 景德镇333000)

摘要：针对当前焊接缺陷识别算法难以检测出低对比度噪声焊接缺陷，以及难以满足实时检测需求等不足，文章提出了加权中值各向扩散模型耦合感兴趣区域的放射图像焊接缺陷实时检测技术。基于感兴趣区域原理，确定出焊接缺陷位置，降低复杂度，并可显著提高检测精度；引入中值滤波，建立焊接缺陷区域图像梯度计算模型；再设置门槛系数K，嵌入非线性S函数，设计新的边缘停止规则；并融合锐化算子，设计了加权中值各向扩散模型，完成焊接缺陷检测。文中设计的加权中值各向扩散模型能够根据局部梯度幅值，自适应地完成增强、锐化焊接缺陷以及平滑放射图像背景。仿真结果显示：与当前焊接缺陷检测技术相比，该方法能够更好地增强焊接缺陷细节，可有效区分图像背景与焊接缺陷特征；且拥有更高的缺陷检测精度与效率。

关键词：加权中值各向扩散；感兴趣区域；非线性S函数

文章编号：1001-2265(2015)09-0086-05

收稿日期：2014-11-11

基金项目：*江西省自然科学

作者简介：占俊(1984—)，男，江西景德镇人，硕士，讲师，主要研究方向为目标检测识别、计算机辅助制造、图像处理；(E-mail)JDZZhanjun1984@163.com。

中图分类号：TH164;TG506

Weld Defects Detection Technology of Radiographic Images Based on Weight Median

Anisotropic Diffusion Model and Region of Interest Principle

ZHAN Jun

(Department of Computer, Jingdezhen University, Jingdezhen Jiangxi 333000,China)

Abstract：In order to Solve these defects such as can not detection the weld defects of low contrast and meet the requirements of real time in current weld defects detection algorithms, the weld defects real time detection technology based on weight median anisotropic diffusion model and region of interest principle was proposed in this paper. The location of weld defects was determined by region of interest principle to reduce the complexity and improve the detection precision; then the image gradient computation model of weld defects was established by introducing the median filter. The new edge stopping rule was designed by embedding the non-linear S function and setting the threshold coefficient K. And the weighted median anisotropic diffusion model was designed by integrating the sharpening operator to finish the weld defects detection. This model can adaptively enhancement, sharpen weld defects and smooth the background of radiation image according to the local gradient magnitude. Simulation results showed that: this defects detection technology can better enhance the weld defects details to efficiently distinguish the image background and weld defects Features; and the defects detection precise and efficiency was higher.

Key words： weight median anisotropic diffusion model; region of interest; non-linear S function

0引言

放射技术是无损检测技术NDT(Non-Destructive Testing，NDT)中的最常用技术之一，在工业领域中得到了广泛应用，特别是管控焊接接缝[1-2]。但是在焊接过程中，不可避免地存在焊接缺陷。因此，为了防止焊接件在使用期间发生重大事故，迫切需要开发焊接缺陷检测技术，以评估损坏程度与质量控制，确保焊接件的预期使用。在当前制造业领域中，利用放射技术识别焊接缺陷已成为诸多研究人员的焦点，其检测原理如图1所示[3]。然而，由于设备、外部环境以及人为操作等因素，使得该技术的检测精度不理想，特别是低对比度焊接图像焊接缺陷和微小焊缝的检测。因此，诸多研究人员将计算机图形图像技术辅助放射检测，以提高缺陷识别精度。吴一全等[4]为了进一步提高焊接缺陷识别的准确度和效率，提出了一种基于Contourlet变换和混沌粒子群优化的焊接缺陷图像特征提取方法，基Contourlet变换，分解焊接缺陷，提取低频分量和特定方向上的高频分量，再将混沌粒子群优化机制嵌入KPCA中，提取缺陷测试、训练样本的特征，再根据二者的距离，确定缺陷测试样本的类型，实验结果表明其算法的缺陷识别率更高。B. Venkatraman等[5]为了提高检测效率与精度，设计了基于迭代图像重构的焊接缺陷检测方法，并测试其方法的检测性能，结果表明该技术能够有效识别焊渣、烧穿以及未焊透等缺陷，且检测效率较高。Y Wang等[6]设计了基于支持向量机的X射线图像焊接缺陷自动检测技术，引入灰度轮廓分析，检测焊接区域中的潜在缺陷，再从这些缺陷中提取三个支持向量，并对其进行训练，利用训练的SVM来识别真实缺陷，实验结果表明该技术具有良好的检测率。

尽管这些检测方法能够从焊接区域中识别出焊接缺陷，且具有较高的检测精度；但这些算法是通过分析检测整个放射图像，导致其复杂度较大，难以满足实时性；在检测低对比度噪声放射图像时，其难以有效区分图像背景与焊接缺陷特征，降低其检测精度。

图1　放射检测原理

对此，本文提出了加权中值各向扩散模型耦合感兴趣区域的放射图像焊接缺陷检测技术。基于感兴趣区域原理，构造焊接缺陷定位方案，确定出焊接缺陷位置；再引入非线性S型函数， 设计了加权中值各向扩散模型，完成缺陷检测。并借助MATLAB，通过测试缺陷中的2D强度轮廓来评估本文检测方法的精度。

1本文各异向扩散模型的设计

为了能够有效检测出微小尺寸焊接缺陷与低对比度焊接特征，本文设计了加权中值各向扩散模型，以同时增强、锐化焊接缺陷以及平滑图像背景。假设放射图像P的尺寸为M×N，其连续异向扩散为：

(1)

(2)

其中，g为非负单调递减函数：

(3)

且：

(4)

为了较好地以离散形式执行模型(1)，本文引入4邻近算法与拉普拉算子[7]，得到如下模型：

(5)

图2　图像亮度在N、S、E、W四个方向的梯度

(6)

(7)

(8)

(9)

其中，▽代表邻近差异；

(10)

其中，K代表门槛系数；其余参数与前面相同。

由于模型(10)是图像梯度的逆向扩散，能够有效消除大面积噪声；但是该模型难以保持边缘信息，因此，本文基于有限差分机制与空域中心差分[7]，得到各向扩散模型：

(11)

(12)

(13)

(14)

(15)

但是由于K值的选取是非常困难的。对此，本文引入累积梯度直方图[8]来确定K值。一般来说，若K值比较大，则图像边缘保持得较好，但是无法有效消除噪声；若K值比较小，能消除噪声，但会导致图像边缘模糊。

图中，纵坐标代表函数 ；横坐标为

(a)初始低对比度焊接图像

(b)模型(11)的扩散结果

(c)焊接缺陷检测效果

对此，本文引入中值滤波算子，构造图像梯度计算模型：

(16)

为了产生不同程度的边缘锐化，本文嵌入非线性S函数[9]：

(17)

联合模型(17)，修正模型(10)，得到新的边缘停止规则：

(18)

图中，纵坐标代表函数 ；横坐标为

联合模型(5)、模型(16)~(18)，嵌入锐化算子[10]，得到加权中值各向扩散模型为：

(19)

(20)

(a)本文加权中值各异向扩散模型的扩散结果

(b)焊接缺陷检测效果

2本文焊接缺陷实时检测算法

本文焊接缺陷实时检测算法流程图，见图7。依图可知，本文实时检测技术主要为三大步骤：①图像增强处理；②基于感兴趣区域的焊接缺陷定位；③利用本文设计的加权中值各向扩散模型完成焊接缺陷检测分析。具体步骤如下：

①首先对放射图像P进行数字化；

②随后引入局部统计增强技术，改善图像背景和焊接区域之间的对比度；并消除步骤①所产生的噪声

(21)

③基于感兴趣区域原理[11]，确定焊接缺陷区域；

④引入中值滤波算法[12]，过滤步骤③得到的图像；

⑤根据模型(2)、(18)，计算4邻近算法的扩散系数：

(22)

⑨对步骤③得到的扩散图像进行阈值处理，完成焊接缺陷检测。

图7　本文焊接缺陷实时检测技术示意图

3实验结果与分析

为了体现本文检测技术的优越性，将焊接缺陷检测性能较好的扩散模型视为对照组: 文献[13]以及文献[14]，分别记为A、B技术。测试对象为228×171像素的低对比放射图像，利用本文算法与对照组算法来检测微小焊接缺陷，在150幅放射图像中进行测试，每次实验迭代30次。实验平台为：奔腾I5, 4GHz，双核CPU，500GB硬盘，2GB内存，运行系统Windows 7.0。实验关键参数：α=0.2,K=1.5。

3.1低对比度焊接缺陷检测分析

不同检测技术所对应的焊接缺陷检测结果，见图8。从图中可知，在初始对比度焊接图像中，难以发现这些微小焊接缺陷，经过本文检测技术处理后，有效增强了焊接缺陷细节，成功地从焊接区域内检测出这些微小焊接缺陷，见图8c；而A、B技术的检测效果不佳，出现误检现象，见图8e~图8g。原因是本文引入中值滤波和锐化算子，设计了加权中值各向扩散模型，使得本文检测技术能够根据焊接缺陷局部梯度幅值，自适应地完成增强、锐化焊接缺陷以及平滑放射图像背景；并基于感兴趣区域原理，构造了焊接缺陷定位机制，进一步提高了检测精度；而对照组算法的扩散模型难以有效区分图像背景与焊接缺陷特征，使其检测精度较低。

(a)低对比度焊接图像　　 (b)本文检测技术扩散图像

(c)本文技术的焊接缺陷检测

(d) A检测技术的扩散结果　　 (e) A技术的焊接缺陷检测

(f) B检测技术的扩散结果　　 (g) B技术的焊接缺陷检测

3.2焊接缺陷的2D强度轮廓对比分析

图9a为X射线放射摩擦焊接技术得到的低对比度焊接图像，其焊接缺陷(隧道焊缝：白色条状)非常小，其直径为100μm，见图中箭头所指。为了体现结果的有效性与可比性，将本文算法与对照组算法沿着A测试方向(穿过感兴趣区域)来测量其2D强度轮廓，结果见图9b~9d。从两组图中可知，本文检测技术在不影响图像背景与焊接缺陷区域条件下，能够显著增强与锐化焊接缺陷。

3.3焊接缺陷检测效率对比分析

根据前面的实验结果可知，对照组算法难以检测低对比度放射图像的焊接缺陷。为了体现可比性，采用高对比度放射焊接图像(见图10a)进行测试；同时，为了体现本文算法的实时性，再将典型的焊接缺陷实时检测算法视为对照组：文献[15]，记为C技术。测试结果见表1。从表中可知，本文检测技术的时耗为0.17s，与实时检测技术C(0.19s)非常接近；而A、B技术的复杂度较高，分别为0.33s、0.42s。原因是本文检测技术引用了感兴趣区域原理，确定出了焊接缺陷区域，见图10b中的红的框框，使得本文检测技术只对焊接缺陷区域进行识别，继而显著降低了检测量；实时检测技术C，也是提取出焊接缺陷区域，只对其进行识别，属于局部检测，显著提高了检测效率；而对照组A、B算法则是对整个放射图像进行检测，其运算量非常大，导致时耗高。可见，本文算法的检测效率是很高的。

依据文献[15]可知，只对焊接缺陷区域进行检测，能够显著降低算法复杂度，可满足实时检测需求；而本文算法也应用了这种局部检测思想，只对焊接缺陷区域进行识别，其时耗仅为0.17s，略低于当前典型的实时检测技术C(0.19s)。这也表明了本文检测算法是可以够满足实时性需求。

(a)测试对象　　　 (b)感兴趣区域定位的焊接缺陷区域

4结论

为了提高低对比度焊接缺陷的检测精度，并使检测技术满足实时性，本文提出了加权中值各向扩散模型耦合感兴趣区域的放射图像焊接缺陷实时检测技术。引入感兴趣区域原理，确定焊接缺陷区域，显著降低复杂度，并提高检测准确率；融合中值滤波与非线性S函数，嵌入锐化算子，设计了加权中值各向扩散模型，使得本文检测技术能够根据局部梯度幅值，自适应地完成增强、锐化焊接缺陷与平滑放射图像背景，快速精确完成焊接缺陷检测。仿真结果显示：与当前焊接缺陷检测技术相比，本文方法能够更好地增强焊接缺陷细节，拥有更高的缺陷检测精度与效率。

[参考文献]

[1] 贾天义，蔡安克，康惠春. 造缺陷无损检测装置的研究 [J]. 铸造技术，2009, 30(12): 1510-1512.

[2] 赵丽，孔贵廷. 无损检测技术在铸件尺寸检测中的应用[J]. 铸造技术, 2014, 35(6): 1364-1365.

[3] Yong Wang, Hui Guo. Weld Defect Detection of X-ray Images Based on Support Vector Machine[J]. IETE Technical Review，2014，31(2): 137-142.

[4] 吴一全，叶志龙，万红,等. 基于Contourlet和KPCA的焊接缺陷图像特征提取[J]. 焊接学报，2014，37(5): 123-130.

[5] B Venkatraman, M M Anishin Raj, V Vaithiyanathan. Weld Defect Detection using Iterative Image Reconstruction Methods [J]. Indian Journal of Science and Technology, 2013, 6(4): 4378-4383.

[6] Yong Wang, Hui Guo. Weld Defect Detection of X-ray Images Based on Support Vector Machine [J]. IETE Technical Review, 2014, 31(2): 137-142.

[7] 晏云, 戴伟忠. 解非线性薛定谔方程的广义时域有限差分方法的紧致格式[J]. 高等学校计算数学学报, 2014, 36(1): 186-189.

[8] Debashis Sen, Sankar K Pal. Gradient histogram: Thresholding in a region of interest for edge detection[J]. Image and Vision Computing, 2009, 28(4): 677-695.

[9] Zhengqiu Zhang, Kaiyu Liu, Li Zhu. The new approximation operators with S functions[J]. Journal of Applied Mathematics and Computing, 2013, 42(1): 455-468.

[10] Jianji Wang, Nanning Zheng, Yuehu Liu. Parameter analysis of fractal image compression and its applications in image sharpening and smoothing [J]. Signal Processing: Image Communication, 2013, 28(6): 681-687.

[11] 石端虎, 孙修圣, 刚铁. 基于块显示的工字型焊件感兴趣区域自适应提取[J]. 热加工工艺, 2013, 42(5): 158-161.

[12] Saroj K Meher. Recursive and noise-exclusive fuzzy switching median filter for impulse noise reduction [J]. Engineering Applications of Artificial Intelligence, 2014, 30(4): 145-154.

[13] IB Mhamed, S Abid. Weld defect detection using a modified anisotropic diffusion model [J]. Journal on Advances in Signal Processing, 2012, 35(12): 1223-1231.

[14] Shin-Min Chao, Du-Ming Tsai. Anisotropic diffusion with generalized diffusion coefficient function for defect detection in low-contrast surface images[J]. Pattern Recognition, 2010, 43(6): 2132-2144.

[15] 孙怡，孙洪雨，白鹏,等. X射线焊缝图像中缺陷的实时检测方法[J]. 焊接学报，2004, 25(2): 115-120.

(编辑李秀敏)