基于γ射线图像的铸件型腔内部气泡缺陷检测

牛朋

摘 要：利用γ射线获取铸件内部气泡缺陷，结合图像处理缺陷检测技术提取获取的工件气泡缺陷。首先将图像进行灰度转换，得到单通道灰度图像，有利于图像二值化处理。由于二值化图像还有一些噪声点，简单的模糊处理并不能产生很好的效果，因此对图像进行开运算。将图像腐蚀后再进行膨胀，可基本解决图像噪声问题，然后对得到的图像进行轮廓提取和筛选，最终提取出轮廓缺陷。经测试发现，该算法对工件缺陷提取具有很好的效果，能够准确检测出型腔类铸件内部气泡缺陷。

关键词：型腔铸件;气泡缺陷检测;图像膨胀;图像腐蚀;轮廓提取

Abstract： The gamma-ray is used to obtain the defects of the inner bubbles of the casting， and the image defect detection technology is combined with the image processing to extract the bubble defects of the obtained workpiece. First， the image is grayscale transformed to obtain a single-channel grayscale image， which is beneficial to image binarization processing. Since the obtained binarized image has some noise points， the simple blurring process does not produce a good effect， so the image is opened. Firstly， the image is etched to obtain the etched image， and then expanded， which can basically solve the noise problem of the image and then the contour of the obtained image is extracted and filtered， and finally the contour defect is extracted. After testing， the algorithm has a good effect on the defect extraction of the workpiece and can accurately detect the bubble defects inside the cavity casting.

Key Words： cavity casting; bubble defect detection; image dilation; image erosion;contour extraction

0 引言

由于工作条件的限制，对于型腔类铸件内部气泡缺陷采集比较困难，需要用到γ射线采集该类零件图像。但是由于设备及工作环境等原因，获取的图像对比度较低，灰度范围较小，同时较低的像素使图像中的缺陷不明显，给工件缺陷检测带来巨大挑战。陈艳燕等[1]提出一种基于边缘检测算子的锐化以及几何特征的气泡缺陷检测算法，该算法对具有一定规则及干扰噪声较小的气泡检测较为有效，但对于有圆形孔干扰及规则噪声点检测不太准确。许春媛等[2]通过提取颜色、亮度与方向3个特征矩阵后，采用马尔科夫随机场算法对气泡缺陷进行检测，该算法只能对彩色图像及较为明显的气泡缺陷进行提取，对噪声点较多且不规则的气泡提取效果不佳。

目前国内外型腔类铸件气泡缺陷检测处于空白状态，因此本文通过一种新的图像检测算法实现型腔类铸件内部气泡缺陷检测。针对γ射线获取的图像对比度较低的问题，首先提高图像对比度[3]，使图像明暗程度有一定提升[4];其次設定阈值，对图像进行二值化操作[5];第三步对图像进行腐蚀操作用，去除图像斑点状噪声[6]，由于腐蚀处理会使图像边界信息有所损失，需要对图像进行膨胀操作[7]，使在消除噪声的同时保留图像缺陷的基本轮廓;最后对图像进行轮廓提取和面积计算[8]，利用阈值筛选出缺陷部分的轮廓，从而完成图像缺陷轮廓的提取[9]。

1 提高γ图像对比度

在使用机器视觉系统采集γ图像时，由于光照角度和亮度等因素影响，导致采集到的图像亮度较小，对比度不明显，使图像中的缺陷不易显现[10]，如果直接对该部分图像进行处理和缺陷检测，难以达到预期效果。因此需要对图像进行预处理以提高图像对比度[11]。

利用OpenCV对图像进行处理时，一般利用加权和偏置的方法对每一个像素点逐一处理，其基本原理表示为[12]：

其中，[α]为权重参数，[β]为偏置参数。权重参数控制图像对比度，偏置参数控制图像亮度。当[α]>1时，图像对比度提高，反之图像对比度降低。当[β]>0时，图像亮度提高，反之图像亮度降低。[f（x）]为原始像素点像素值，[g（x）]作为输出图像像素。表达式为：

其中i和j表示像素位于第i行和第j列。

基于OpenCV的实现代码为：

2 图像双阈值处理

对图像进行阈值化处理的目的是分割图像，使不同像素值的图像以阈值为分界线进行二值化处理[13]，突显特征。将图像进行二值化处理的目的是将图像目标元素和背景元素进行分割[14]。当输入一副H（x，y）图像时，经过一系列二值化算法后输出结果是一副G（x，y）二值图像。在二值图像中把大于阈值的像素点和小于某一个阈值的像素点进行分离[15]，如式（3）所示。

在目标和背景的临界点上，灰度变化最大，此时灰度值为最佳阈值。利用选取的最优阈值对图像进行分割，一方面可以明显削弱背景噪声的干扰，另一方面能大幅减少数据存储。

本文主要采用OTUS[16]算法进行图像二值化处理，该算法又名最大类间方差法，是一种自适应的阈值确定方法。该算法主题思想是基于概率統计和最小二乘法，即该算法基于判别式测量准则，最佳阈值是在该测量函数取得最大值时得到的。

该方法数学原理[17]呈现如下：

假设有一副图像灰度等级范围为{1，2，…，L}，按阈值把图像分为前景[C0={1，2，？，t}]和背景[C1={t+1，t+2，][？，L]}，则每个灰度等级i出现的概率为：

其中，N = [n1+n2+？+ni]是图像所有像素点总和个数，[ni]表示第i个灰度等级的个数。

整幅图像的总均值为：

[C0]和[C1]类出现的概率为：

[C0]和[C1]类出现的均值为：

[C0]和[C1]类出现的最大方差为：

3 二值图像开运算处理

图像开运算处理是对图像进行一种基于数学形态学的操作。形态学是生物学的一个分支，一般是对动植物的形态和结构进行研究。在数学中，形态学主要指集合论，形态学的集合主要表示图像对象。例如在二值图像中，所有白色像素的集合是该图像的一个完整形态学描述。而在二值图像中，问题集合是二维整数空间[Z2]（所有有序元素对[（Zi，Zj）] 的集合）的元素。因此开运算是形态学在图像处理中的重要应用[18]。

开运算是对形态学基本操作的综合，主要包括腐蚀和膨胀。作为[Z2]的集合A和B，表示为A[Θ]B的B对A的腐蚀，定义为：

式（9）指出B对A的腐蚀是一个用Z平移的B包含在A中的所有像素点Z的集合，因为B必须包含在A中，即等价于B且不与背景共享任何公共元素，故腐蚀表达式等价形式为：

其中Ac是A的补集，[？]表示空集。

膨胀的算法原理指A和B是[Z2]中的集合，表示为A⊕B的B对A的膨胀，定义为：

式（11）是关于B的原点映射，并且以Z对映射像进行平移为基础。B对A的膨胀是位移Z的集合，所以[B]和A至少有一个元素重叠。因此式（10）可以表示为：

和之前相同，设B是一个结构元素，A是被膨胀的集合（图像物体）。膨胀与腐蚀存在明显差异，腐蚀是对图像进行收缩和细化，而膨胀则是对图像中的物体进行增长和粗化。这样一种特殊的方式和粗化的宽度由所有结构元素控制。而开操作则是对二者的综合应用，首先对图像进行腐蚀操作，然后在腐蚀图像的基础上对图像进行膨胀操作，目的是除掉图像中对图像轮廓有明显影响的噪声点[19]。

基于OpenCV的实现方法如下所示。

4 图像轮廓提取与轮廓筛选

对图像进行二值阈值处理及生态学操作后，图像的噪声点信息明显减少，对图像进行Canny边缘提取的效果明显提升。由于仅仅对图像进行边缘提取[20]会得到比较多的边缘信息，使缺陷轮廓的特征显示不明显，基于上述情况对图像进行轮廓查找及轮廓面积计算，然后进行面积筛选 [21]，从而取得预期效果。

图像轮廓提取有多种方法，在基于结构森林的RGB-D图像轮廓提取[22]中，主要应用随机森林算法对图像进行提取，但是该算法对于γ射线获取的图像处理效果一般。 本文主要应用基于收缩理论的轮廓提取算法，该算法主要利用点的8连通性和边缘的4连通性对图像轮廓进行提取。定义轮廓集合（Contour） 保存轮廓元素，定义轮廓关系集合（Relation） 保存轮廓集合中元素间关系，表达式为：

迭代收缩算法基本思想包括：

提取图像轮廓后，需计算轮廓进行区域面积，通过轮廓大小筛选有缺陷区域的轮廓值，最终提取到图像缺陷部分的轮廓。

轮廓绘制代码如下：

5 结果分析与展示

经过上述处理，最终的提取效果如图2、图4所示。图像缺陷部分展现得非常明显，整个图像没有任何干扰缺陷的因素和噪声。首先通过对图像对比度进行处理，大幅提升图像对比度，在对比度足够明显的基础上，对图像进行二值化和形态学处理，得到噪声点较小的图像，在此基础之上提取图像轮廓，根据轮廓像素面积筛选图像。相比于直接利用Canny算子对获取的图像进行边缘提取具有明显改进效果，不仅可以消除较小轮廓噪声干扰，还能避免复杂轮廓干扰。

6 结语

通过本次研究发现在处理图像边缘轮廓噪声干扰时，对图像进行轮廓提取后再进行面积筛选，能实现很好的效果。相比于简单地对图像模糊处理，开运算操作具有良好的去噪效果。该算法能明显祛除细小轮廓噪声，对γ射线提取的图像进行有效的缺陷检测。对于图像目标轮廓和边缘的提取，采用轮廓提取和面积筛选比滤波处理取得的效果更好。同时该算法也存在一定的不足，如在对图像进行缺陷检测时，时间消耗比传统滤波处理方法大，所以下一步研究方向是优化算法以提高缺陷检测效率。

参考文献：

[1] 陈艳燕，王云，叶含笑，等. 机器视觉钢化玻璃缘子气泡的缺陷检测研究[J].自动化仪表，2010，7：51-53+56.

[2] 许春媛，方志宏，夏勇，等. 基于视觉显著性的钢管焊接区域气泡缺陷检测[J]. 冶金自动化，2017，6：55-60.

[3] 谢文达，邱竣鸿，王垒. 实际且快速的图像对比度增强方法[J]. 计算机研究与发展， 2013，4：787-799.

[4] 方明，李洪娜，雷立，等. 低照度视频图像增强算法综述[J]. 长春理工大学学报：自然科学版， 2016，3： 56-64+69.

[5] 胡斌，宫宁生.一种改进的Otsu阈值分割算法[J]. 微电子学与计算机，2009 ，26：153 - 155.

[6] 沈阳，宓超，凤宇飞. 形态学开运算在车型图像去噪中的应用[J]. 中国科技信息，2015，18：52-53.

[7] 黎伟，刘观仕，姚婷. 膨胀土裂隙图像处理及特征提取方法的改进[J]. 岩土力学，2014，12： 3619-3626

[8] 王培珍，丁海涛，刘纯利，等.基于结构元的煤显微图像轮廓提取算法[J].煤炭学报，2014（s1）： 285-288.

[9] 陈至坤，潘晓娣，王福斌，等. 基于Radon变换的图像轮廓提取方法研究[J]. 传感器与微系统，2010，2： 63-65+68.

[10] 王俊平，李锦. 图像对比度增强研究的进展[J]. 电子科技， 2013，5：160-165.

[11] 张涛，巫红英，李蒙，等. 一种提高图像对比度和视觉质量的新型区域背光算法[J]. 工程科学学报，2017，39？（12）：1888-1897.

[12] 申俊琦，胡绳荪，冯胜强. 激光视觉焊缝跟踪中图像二值化处理[J]. 天津大学学报，2011，4：308-312.

[13] 郭佳，劉晓玉，吴冰，等. 一种光照不均匀图像的二值化方法[J].计算机应用与软件，2014，3：183-186+20.

[14] 吴东，郝明. 基于图像对比度的舰船目标成像算法[J]. 电子测量技术， 2017，12：110-116.

[15] 行军，韩宪忠，王克俭，等. 基于最大方差阈值法的火车票图像二值化处理[J]. 计算机应用与软件，2012，7：249-253.

[16] 戴天虹，吴以. 基于OTSU算法与数学形态学的木材缺陷图像分割[J]. 森林工程，2014，2：52-55.

[17] 胡敏，李梅，汪荣贵. 改进的Otsu算法在图像分割中的应用[J].电子测量与仪器学报，2010，5：443-449.

[18] 杨红，崔艳. 基于开运算暗通道和优化边界约束的图像去雾算法[J]. 光子学报， 2018，6： 244-250.

[19] 刘耀军，张姗梅. 基于有限自动化的二值图像的开运算[J].图像、图形与多媒体， 2012，31（12）：39-42.

[20] 吴翔，于微波，马艳辉，等. 一种新的改进Canny图像边缘检测算法[J]. 影像科学与光化学， 2016，1： 116-121.

[21] 邹柏贤，林京壤.图像轮廓提取方法研究[J].计算机工程与应用，2008，25：161-165.

[22] 张恒，徐刚，刘艳丽，等. 基于结构森林的RGB-D图像轮廓提取[J]. 计算机应用研究，2017，2： 631-635.

（责任编辑：江 艳）