劉張亮

（華東交通大學(xué)，江西 南昌 330013）

基于神經(jīng)網(wǎng)絡(luò)的射線照相技術(shù)在焊接缺陷自動(dòng)化檢測(cè)中的應(yīng)用

劉張亮

（華東交通大學(xué)，江西 南昌 330013）

射線照相技術(shù)作為一種無損檢測(cè)方法被廣泛應(yīng)用于研究和分析焊接不連續(xù)性。利用多層感知器MPC（multilayer perceptron）和人工神經(jīng)網(wǎng)絡(luò)ANN（artificial neural network），通過檢測(cè)放射影像的邊緣實(shí)現(xiàn)焊接缺陷的自動(dòng)控制和檢測(cè)。焊接缺陷的自動(dòng)檢測(cè)主要包括數(shù)據(jù)庫的準(zhǔn)備、MPC培訓(xùn)與編程、圖像過濾與分割和輪廓的檢測(cè)四個(gè)階段。利用上述方法對(duì)輸氣管道用管缺陷進(jìn)行案例分析，提出了一種更加有效的邊緣檢測(cè)質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)，并歸納總結(jié)焊接缺陷檢測(cè)的可視化方法步驟。

射線照相；多層感知器；人工神經(jīng)網(wǎng)絡(luò)；焊接缺陷

0 前言

射線照相技術(shù)是一種用于評(píng)估和無損檢測(cè)的方法[1]。焊接不連續(xù)性的X射線檢測(cè)主要是利用Sobel算法[2]和Canny算法[3]對(duì)圖像邊緣進(jìn)行檢測(cè)。Sobel邊緣檢測(cè)算法是根據(jù)像素點(diǎn)上下、左右鄰點(diǎn)灰度加權(quán)差，在邊緣處達(dá)到極值這一現(xiàn)象檢測(cè)邊緣，對(duì)噪聲具有平滑作用，提供較為精確的邊緣方向信息，但邊緣定位精度不夠高。Canny邊緣檢測(cè)算法包括用高斯濾波器平滑圖像、用一階偏導(dǎo)的有限差分來計(jì)算梯度的幅值和方向、對(duì)梯度幅值進(jìn)行非極大值抑制和用雙閾值算法檢測(cè)和連接邊緣，該方法提取的邊緣比較完整，精度較高，能夠檢測(cè)出圖像較細(xì)的邊緣部分，但該方法邊緣檢測(cè)能力有限。本研究基于邊緣檢測(cè)方法，利用人工神經(jīng)網(wǎng)絡(luò)研究自動(dòng)化邊緣檢測(cè)過程，實(shí)現(xiàn)了焊接缺陷的自動(dòng)化檢測(cè)，且邊緣檢測(cè)質(zhì)量更加優(yōu)異。該方法主要包含培訓(xùn)基地的準(zhǔn)備環(huán)節(jié)、培訓(xùn)環(huán)節(jié)、圖像的二值化處理環(huán)節(jié)和輪廓檢測(cè)環(huán)節(jié)。該方法所涉及的相關(guān)術(shù)語如表1所示。

1 焊接缺陷的自動(dòng)化檢測(cè)

在進(jìn)行焊接缺陷的自動(dòng)檢測(cè)時(shí)，將使用多層神經(jīng)網(wǎng)絡(luò)技術(shù)來提高焊接缺陷檢測(cè)質(zhì)量，如圖1所示。MPC具有概括評(píng)估的能力，經(jīng)常應(yīng)用于分類問題。缺陷檢測(cè)建立在一些準(zhǔn)則的基礎(chǔ)之上，這些準(zhǔn)則的建立是控制焊接射線照相技術(shù)的關(guān)鍵步驟。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇是保證結(jié)果準(zhǔn)確的一個(gè)重要因素。而函數(shù)和學(xué)習(xí)算法的選擇，隱藏層數(shù)量的選擇和每個(gè)隱藏層內(nèi)神經(jīng)元數(shù)量的選擇是直接影響網(wǎng)絡(luò)結(jié)果的因素。

表1 術(shù)語

圖1 焊接缺陷自動(dòng)檢測(cè)方法

MPC培訓(xùn)包含一系列圖像的處理，這些圖像代表著在（3×3）尺寸圖像上優(yōu)先建立的輪廓。利用ANN的概括能力來檢測(cè)圖片邊緣，圖片邊緣通過掃面（3×3）尺寸圖像獲得。

缺陷檢測(cè)的質(zhì)量與射線圖像（神經(jīng)網(wǎng)絡(luò)輪廓）的基礎(chǔ)密切相關(guān)。該方法的優(yōu)點(diǎn)在于它不需要對(duì)圖像的衍生物進(jìn)行計(jì)算，然后對(duì)于尺寸足夠大的圖像，經(jīng)過一系列復(fù)雜運(yùn)算后可以擴(kuò)展為彩色圖像。

1.1 數(shù)據(jù)庫

數(shù)據(jù)庫包含一組尺寸為（3×3）不同類型的圖片，這些圖片作為基本輪廓，利用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行分析。為了獲得足夠大的數(shù)據(jù)庫和準(zhǔn)確的結(jié)果，數(shù)據(jù)庫的選擇和建立必須準(zhǔn)確。本研究選用一個(gè)包含48種基本輪廓的數(shù)據(jù)庫。值得注意的是，數(shù)據(jù)庫中的基本輪廓可能增加，也可能刪減，甚至可以和更大尺寸（5×5或9×9）的圖片同時(shí)使用，因此基本輪廓的選擇變得更加寬泛且更加復(fù)雜，如圖2所示。

圖2 構(gòu)成數(shù)據(jù)庫的圖像示例

為了提高檢測(cè)結(jié)果的質(zhì)量，其他48種不能邊緣化的隨機(jī)輪廓形式也被添加到該數(shù)據(jù)庫。

1.2 MPC的培訓(xùn)與編程

當(dāng)數(shù)據(jù)庫和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)準(zhǔn)備好之后，即可進(jìn)入培訓(xùn)環(huán)節(jié)。培訓(xùn)是神經(jīng)網(wǎng)絡(luò)發(fā)展的一步，它是對(duì)神經(jīng)網(wǎng)絡(luò)行為進(jìn)行修飾直到獲得理想的行為。在這一步中，必須選擇與數(shù)據(jù)類型和神經(jīng)網(wǎng)絡(luò)類型最適合的規(guī)則與方法。為了評(píng)估一個(gè)網(wǎng)絡(luò)的能力，必須經(jīng)過兩步：第一步是輸入向量與輸出向量的初始配置；第二步為證實(shí)系統(tǒng)能力的檢測(cè)。培訓(xùn)能力逐漸提高，誤差就會(huì)逐漸減小，反之亦然。為了最大限度減小誤差，通過對(duì)ANN所使用的結(jié)構(gòu)參數(shù)進(jìn)行匹配驗(yàn)證，得出如表2所示的最佳結(jié)構(gòu)參數(shù)。

表2ANN結(jié)構(gòu)

1.3 圖像過濾

由于邊緣檢測(cè)對(duì)噪聲非常敏感，因此為了降低噪聲的影響，在使用神經(jīng)元方法之前必須完成一次低通濾波處理。低通濾波會(huì)消除孤立點(diǎn)（高頻），也可以通過先前定義的毗鄰點(diǎn)計(jì)算一個(gè)合適的值進(jìn)行替代。對(duì)于低通濾波，使用對(duì)（3×3）窗口評(píng)估所得的高斯濾波器。該濾波器可通過式（1）得出

1.4 圖像分割

過濾操作后，進(jìn)入圖像分割階段。分割被定義為點(diǎn)的變換，即將圖像灰度轉(zhuǎn)變成二進(jìn)制圖像。結(jié)果是屬于間隔灰度的像素為邏輯電平1，而其他像素則為邏輯電平0。通常利用閾值法來完成分割，在文獻(xiàn)[4]中已經(jīng)提出了許多自動(dòng)閾值法。本研究中使用的閾值方法是通過組內(nèi)方差最大化實(shí)現(xiàn)。在使用該方法時(shí)，需要計(jì)算每組的平均值和特定閾值的平均值以及每組出現(xiàn)的概率。

1.5 輪廓檢測(cè)步驟

對(duì)于二進(jìn)制圖像的邊緣檢測(cè)，利用尺寸為3×3的窗口對(duì)圖像進(jìn)行掃描，然后對(duì)神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行計(jì)算。如果輸出值為正，那么窗口的中點(diǎn)就可以看作是一個(gè)輪廓點(diǎn)，反之亦然。

2 案例分析

2.1MPC培訓(xùn)

在現(xiàn)有研究中，利用由48種類型的基本邊緣和48種非邊緣性隨機(jī)類型構(gòu)成的數(shù)據(jù)庫訓(xùn)練神經(jīng)網(wǎng)絡(luò)?；诖?，區(qū)別邊緣與隨機(jī)形狀將會(huì)很容易實(shí)現(xiàn)。

在該環(huán)節(jié)中，隨機(jī)選擇任意類型，并將其引入到神經(jīng)網(wǎng)絡(luò)中，如果該類型是數(shù)據(jù)庫中的一個(gè)邊緣類型，那么神經(jīng)網(wǎng)絡(luò)的輸出值等于0.9或者等于-0.9。一旦進(jìn)入神經(jīng)網(wǎng)絡(luò)中，該模式將從下一個(gè)排序中排除出去，直到構(gòu)成數(shù)據(jù)庫的96種類型。訓(xùn)練誤差變化案例如圖3所示。

2.2 邊緣檢測(cè)

對(duì)于二進(jìn)制圖像的邊緣檢測(cè)，利用尺寸3×3的窗口對(duì)圖像進(jìn)行掃描，然后計(jì)算神經(jīng)網(wǎng)絡(luò)的輸出值。若輸出值為正，則窗口的中點(diǎn)就可以看作是一個(gè)輪廓點(diǎn)。

由于可能對(duì)這些輪廓的視覺評(píng)價(jià)標(biāo)準(zhǔn)不同，所以提出了一種新的輪廓質(zhì)量評(píng)判標(biāo)準(zhǔn)，評(píng)判標(biāo)準(zhǔn)為

式中 PSNR為信號(hào)噪聲提取報(bào)告；MSE為均方差；m和n為圖像尺寸；Iij為參考像素；ψ為邊緣I的像素圖像。

部分射線攝影圖片的邊緣檢測(cè)結(jié)果如圖4、圖5所示。

圖3 訓(xùn)練誤差變化案例

圖4 真實(shí)射線攝影照片(a1和a2)，邊緣檢測(cè)后的圖片（b1和b2）

如表3所示，為了評(píng)估上述圖像相對(duì)于其他方法獲取的輪廓質(zhì)量，還嘗試了其他兩種邊緣檢測(cè)方法，即Sobel方法和Canny方法[5]。

由表3可知，與其他標(biāo)準(zhǔn)方法（Sobel和Canny）相比，基于神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法更加有效且檢測(cè)結(jié)果更好。

2.3 LWP焊接缺陷檢測(cè)

邊緣檢測(cè)環(huán)節(jié)之后將進(jìn)行下一環(huán)節(jié)，該環(huán)節(jié)是通過消除不理想的邊緣實(shí)現(xiàn)焊接缺陷的可視化。為了實(shí)現(xiàn)可視化，使用LWP方法，該方法可歸納為以下幾個(gè)步驟：

（1）計(jì)算出一個(gè)分段函數(shù)，照片中的暗區(qū)是需要分割的目標(biāo)。

（2）計(jì)算前景標(biāo)記，這些任務(wù)與每個(gè)目標(biāo)的像素有關(guān)。

（3）計(jì)算背景標(biāo)記，這些像素不是任何目標(biāo)的組成部分。

（4）修改分割，使其只在前景和背景標(biāo)記位置有極小值。

圖5 真實(shí)的射線攝影照片（a1和a2），邊緣檢測(cè)后的圖片（b1和b2），移除附加輪廓后的照片（c1和c2）

3 結(jié)論

通過整合人工神經(jīng)網(wǎng)絡(luò)和基于射線攝影的無損控制技術(shù)，建立了一種用于焊接過程質(zhì)量控制的智能系統(tǒng)。該系統(tǒng)主要包括數(shù)據(jù)庫的準(zhǔn)備、MPC培訓(xùn)與編程、圖像過濾與分割和輪廓的檢測(cè)幾個(gè)環(huán)節(jié)，通過該系統(tǒng)能夠?qū)崿F(xiàn)焊接缺陷的自動(dòng)化檢測(cè)；通過實(shí)例分析證實(shí)了該系統(tǒng)的準(zhǔn)確性。該智能系統(tǒng)的開發(fā)對(duì)焊縫質(zhì)量的在線檢測(cè)和處理與焊接相關(guān)的故障具有一定參考意義。

表3 ANN結(jié)構(gòu)

[1]張孝玲，于穎，張斌.電子束焊縫射線檢測(cè)技術(shù)應(yīng)用研究[J].無損探傷，2013（05）：13-15.

[2]張曉光，孫正，胡曉磊，等.射線檢測(cè)圖像中焊縫和缺陷的提取方法[J].焊接學(xué)報(bào)，2011（02）：77-80+117.

[3]李博，胡偉葉，沈以赴.攪拌摩擦焊縫微細(xì)尺寸缺陷的無損檢測(cè)技術(shù)[J].電焊機(jī)，2011，41（11）:20-25.

[4]高煒欣，胡玉衡，穆向陽，等.埋弧焊X射線焊縫圖像缺陷分割檢測(cè)技術(shù)[J].儀器儀表學(xué)報(bào)，2011（6）：1215-1224.

[5]邵家鑫，都東，朱新杰，等.基于X射線數(shù)字化圖像處理的雙面焊焊縫缺陷檢測(cè)[J].焊接學(xué)報(bào)，2010（11）：21-24.

Radiographic technique in the application of the welding defects automatic detection based on neural network

LIU Zhangliang
（Neast China Jiaotong University，Nanchang 330013，China）

As a method for nondestructive testing，radiographic technique has been widely used to study and analyze welding discontinuity. In this paper，by using multilayer perceptron(MPC)and artificial neural network，we have realized the automatic control and detection of weld defects based on radiation image edge detection.The automatic detection mainly consists of the preparation of MPC database，training and programming of MPC，image filtering and segmentation，and contour detection，which are illustrated in detail.Meanwhile，present a case study on defects detected in tubes used for the gas line，put forward a standard to evaluate the quality of contour detection more effectively，and summarize the visualization steps of welding defects detection.

radiography；multilayer perceptron；artificial neural network；welding defect

TG444

：A

1001-2303（2015）09-0145-04

10.7512/j.issn.1001-2303.2015.09.32

2015-04-16；

2015-06-25

劉張亮（1986—），男，江西南昌人，碩士，主要從事計(jì)算機(jī)網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)的研究工作。