陳本智，方志宏，夏 勇，張 靈，蘭守忍，王利生

(1.上海交通大學(xué) 電子信息與電氣工程學(xué)院，上海 200240; 2.寶山鋼鐵股份有限公司 研究院，上海 201900; 3.寶山鋼鐵股份有限公司 鋼管條鋼事業(yè)部，上海 201900) (*通信作者電子郵箱lswang@sjtu.edu.cn)

基于X射線圖像的厚鋼管焊縫中氣孔缺陷的自動(dòng)檢測(cè)

陳本智1，方志宏2，夏 勇2，張 靈3，蘭守忍1，王利生1*

(1.上海交通大學(xué) 電子信息與電氣工程學(xué)院，上海 200240; 2.寶山鋼鐵股份有限公司 研究院，上海 201900; 3.寶山鋼鐵股份有限公司 鋼管條鋼事業(yè)部，上海 201900) (*通信作者電子郵箱lswang@sjtu.edu.cn)

由于厚鋼管X射線圖像強(qiáng)度分布不均勻，對(duì)比度低、噪聲大，且氣孔缺陷的大小、形狀、位置、對(duì)比度各異，使得自動(dòng)檢測(cè)各種類型的氣孔較為困難。針對(duì)傳統(tǒng)缺陷檢測(cè)算法中手工標(biāo)記缺陷數(shù)據(jù)工作量大，焊縫邊緣難以準(zhǔn)確提取等問題，提出一種新的無監(jiān)督學(xué)習(xí)的各種氣孔缺陷檢測(cè)算法。首先,采用快速獨(dú)立分量分析從鋼管X射線圖像集合中學(xué)習(xí)一組獨(dú)立基底，并用該基底的線性組合來選擇性重構(gòu)帶氣孔缺陷的測(cè)試圖像；隨后,測(cè)試圖像與其重構(gòu)圖像相減獲得差異圖像，通過全局閾值從差異圖像中將各種氣孔分割出來。實(shí)驗(yàn)的訓(xùn)練集有320幅,測(cè)試集有60幅圖像，所提算法檢測(cè)結(jié)果的平均敏感性和準(zhǔn)確率為90.5%和99.7%。實(shí)驗(yàn)結(jié)果表明,該算法無需手工標(biāo)記數(shù)據(jù)或提取焊縫邊緣，可準(zhǔn)確檢測(cè)各種氣孔缺陷。

X射線圖像；獨(dú)立分量分析；缺陷檢測(cè)；機(jī)器學(xué)習(xí)；厚鋼管

0 引言

焊接缺陷會(huì)影響焊接鋼管的使用壽命，因此自動(dòng)檢測(cè)焊接缺陷可提高焊接鋼管出廠的合格率[1-3]。在基于鋼管X射線圖像進(jìn)行無損探測(cè)中，自動(dòng)檢測(cè)焊縫缺陷是一個(gè)重要的研究主題[4-10]。由于X射線圖像強(qiáng)度分布不均勻，缺陷的形狀、尺寸大小、亮度、分布位置各異，使得從鋼管X射線圖像中自動(dòng)分離各種缺陷較為困難。在過去20年中，很多計(jì)算機(jī)輔助缺陷檢測(cè)算法被提出，這些算法主要分為兩類：1)基于缺陷特征的方法[4-5]。焊縫缺陷一般位于焊縫區(qū)域內(nèi)或邊緣附近，這類方法在提取缺陷特征之前，需要準(zhǔn)確分割焊縫區(qū)域，這類缺陷檢測(cè)算法的檢測(cè)精度比較依賴焊縫邊緣是否提取準(zhǔn)確，如位于邊緣的缺陷檢測(cè)精度可能會(huì)受較大的影響，此外，由于厚鋼管X射線圖像對(duì)比度低，焊縫邊緣模糊，形狀各異，且焊縫在X射線圖像中的位置不固定，使得準(zhǔn)確檢測(cè)焊縫區(qū)域較為困難。2) 基于機(jī)器學(xué)習(xí)方法[6-10]。通過訓(xùn)練缺陷的正負(fù)樣本獲得分類器，通過分類器來檢測(cè)缺陷，這類方法需要大量的人工標(biāo)記缺陷數(shù)據(jù)，然而，人工標(biāo)記缺陷工作量大，并且不同專家標(biāo)記的結(jié)果可能差別較大，沒有統(tǒng)一的判別準(zhǔn)則，因而較難在實(shí)際生產(chǎn)線上應(yīng)用。

針對(duì)上述兩類方法中存在的不足，本文提出一種基于快速獨(dú)立分量分析(Independent Component Analysis, ICA)無監(jiān)督學(xué)習(xí)的厚壁鋼管焊縫中的氣孔檢測(cè)算法。該算法不需要提取焊縫區(qū)域，不需要人工標(biāo)記缺陷數(shù)據(jù)，從不均勻中的X射線圖像中，可準(zhǔn)確檢測(cè)并定位不同類型的氣孔，具有較強(qiáng)的抗干擾能力和較高的識(shí)別精度。首先收集一序列正常的鋼管X射線圖像集合(這些圖像已被專家標(biāo)定為正常)；其次選擇一個(gè)參考圖像，對(duì)所有正常圖像進(jìn)行亮度和尺寸歸一化；再次，使用快速ICA方法從收集到的正常集合中學(xué)習(xí)出一組獨(dú)立的基底，并用該組基底來逼近輸入帶缺陷的測(cè)試圖像，在逼近圖像中，正常區(qū)域和焊縫區(qū)域得到較好的表達(dá)，而缺陷區(qū)域表達(dá)不好。最后測(cè)試圖像與逼近圖像相減，缺陷區(qū)域被凸顯出來，而非缺陷的正常區(qū)域被減掉，通過二值化這個(gè)差異圖像，氣孔缺陷被分離出來。

1 焊縫中氣孔檢缺陷檢測(cè)數(shù)學(xué)建模

這部分主要介紹識(shí)別焊縫缺陷的數(shù)學(xué)模型的建立。用F表示帶缺陷的X射線圖像(分辨率大小n×m)。F可認(rèn)為由三部分組成：焊縫區(qū)域(FW)，各種氣孔缺陷區(qū)域(FD)，及背景圖像(FB)，如圖1所示，故焊縫缺陷可通過式(1)計(jì)算得到：

FD=F-FB-FW=F-FBW

(1)

從圖1及式(1)可知，只要求得FB和FW，就可分離出各種缺陷， 因而檢測(cè)各種缺陷FD的問題轉(zhuǎn)換為求FB及FW。通常從F直接計(jì)算FB和FW是比較困難的，因此需要設(shè)計(jì)一種可行的方法來估計(jì)FBW(FBW=FB+FW)，F(xiàn)BW表示焊縫區(qū)域和背景圖像。根據(jù)收集到的正常X射線圖像集合組成一個(gè)正常子空間，將測(cè)試圖像投影到該正常子空間中，在投影圖像中，測(cè)試圖像的背景及焊縫區(qū)域得到較好的表達(dá)，而氣孔缺陷區(qū)域被抑制表達(dá)，投影圖像即為估計(jì)的FBW。從正常圖像集合中學(xué)習(xí)該正常子空間的常用算法有主分量分析、混合高斯建模和ICA等方法[11]。主分量分析要求估計(jì)的數(shù)據(jù)須呈高斯分布，檢測(cè)效果容易受訓(xùn)練樣本數(shù)量的影響。混合高斯建模法對(duì)厚鋼管X射線建模不佳，由于此類圖像噪聲多，亮度分布不均勻，焊縫區(qū)域與背景區(qū)域灰度接近，混合高斯法對(duì)噪聲，不均勻亮度分布比較敏感。ICA不受訓(xùn)練樣本數(shù)的影響，能較好分離非高斯數(shù)據(jù)，并能很好地抑制噪聲，但普通ICA收斂速度較慢，選擇參數(shù)較多，在實(shí)際生產(chǎn)線上很難應(yīng)用；快速ICA算法[12]具有計(jì)算效率高，選擇參數(shù)少，分離效果好，能滿足生產(chǎn)線上實(shí)時(shí)性要求的優(yōu)點(diǎn)，因此，本文采用快速ICA來學(xué)習(xí)該正常子空間。

圖1 鋼管X射線圖像看作焊縫區(qū)域和缺陷在背景圖像上的疊加

本文通過收集到一序列的正常的X圖像集合(表示為Ψ),對(duì)集合中每一幅圖像進(jìn)行尺寸歸一化,保證每幅圖像的長(zhǎng)寬尺寸一樣；然后根據(jù)參考圖像，使用灰度歸一化算法使每幅圖像具有相同的灰度直方圖，使用快速ICA無監(jiān)督學(xué)習(xí)算法從Ψ中學(xué)習(xí)一組獨(dú)立的基底θ1，θ2，…，θN(N為正常集合中圖像個(gè)數(shù)，每個(gè)基底向量可恢復(fù)成與測(cè)試圖像尺寸一樣大小的圖像)，通過式(2)來逼近FBW：

(2)

其中：wi表示每個(gè)獨(dú)立基底所對(duì)應(yīng)的響應(yīng)系數(shù)。FBW與Ψ中的每幅圖像相似，因而{FBW}∪Ψ中的背景圖像可能落在一個(gè)低維子空間H(子空間H是由θ1，θ2，…，θN這些基向量確定的，選擇不同的基向量組合，得到的子空間H也不一樣)中；在Ψ中每幅背景圖像不包含焊縫中相對(duì)較小的氣孔(這里的“小”是指缺陷區(qū)域相對(duì)整幅圖像區(qū)域來說的)的結(jié)構(gòu)信息，所以低維子空間H中的基底向量無論怎么組合都無法較好地表達(dá)氣孔區(qū)域。因Ψ中的每幅圖像包括有焊縫區(qū)域，一般焊縫區(qū)域占整幅X射線圖像的五分之一，屬于比較大的結(jié)構(gòu)，Ψ中的每幅圖像中的部分區(qū)域與焊縫區(qū)域有一定程度相似，因而通過子空間H的基底向量組合可對(duì)較大的正常區(qū)域及焊縫區(qū)域進(jìn)行較好的表達(dá)，而相對(duì)較小的氣孔被抑制。當(dāng)帶缺陷的測(cè)試圖像投影到Ψ或子空間H后，在投影得到的圖像FBW中，正常區(qū)域及焊縫區(qū)域被較好地重構(gòu)，而氣孔區(qū)域被對(duì)應(yīng)位置上的正常區(qū)域替代。根據(jù)式(2)可知，氣孔FD檢測(cè)的問題轉(zhuǎn)換為求FBW，即如何從Ψ中學(xué)習(xí)一組有表達(dá)偏好特性的基底向量，這組基底能夠選擇性地表達(dá)正常及焊縫區(qū)域，而抑制氣孔區(qū)域的表達(dá)。

2 氣孔缺陷檢測(cè)計(jì)算框架

這部分主要介紹一種新的焊縫氣孔檢測(cè)的計(jì)算框架，首先收集一個(gè)由大量正常X射線圖像組成的集合，隨后對(duì)集合中每個(gè)圖像進(jìn)行尺寸和亮度歸一化，接著采用快速ICA方法從Ψ中學(xué)習(xí)一組有表達(dá)偏好特性的基底向量，最后F能夠用這組學(xué)習(xí)到的基底有選擇性重構(gòu)正常背景及焊縫區(qū)域，而抑制氣孔區(qū)域的表達(dá)，得到FBW，則不同的缺陷區(qū)域在差異圖像|F-FBW|中表現(xiàn)為較強(qiáng)的視覺顯著性，可用全局閾值將氣孔從差異圖像中分開。圖2是氣孔缺陷檢測(cè)算法的流程，下面將詳細(xì)介紹每一部分。

圖2 氣孔缺陷檢測(cè)算法的流程

2.1 對(duì)X射線圖像集合進(jìn)行預(yù)處理

這部分主要介紹一些預(yù)處理方法來處理集合中的每一幅圖像，便于后續(xù)使用ICA進(jìn)行獨(dú)立分量的學(xué)習(xí)。首先，對(duì)集合Ψ中每幅圖像進(jìn)行尺寸歸一化，保證每幅圖像具有相同的尺寸，得到一序列的尺寸歸一化后的圖像，在本文實(shí)驗(yàn)中，Ψ包含320幅尺寸歸一化后的X射線圖像，由于這些圖像成像條件不同，每幅鋼管焊縫圖像有不同的明暗對(duì)比度，因此采用灰度歸一化式(3)使得每幅圖像具有相似的明暗對(duì)比度，減少每幅圖像間強(qiáng)度變化帶來對(duì)檢測(cè)結(jié)果的干擾，得到最終尺寸和顏色歸一化后的正常集合ΨN：

(3)

圖3 獲取預(yù)處理后的訓(xùn)練集合ΨN

2.2 基于快速ICA學(xué)習(xí)測(cè)試圖像的FBW

獲得預(yù)處理后的正常集合ΨN后，如何從ΨN中學(xué)習(xí)一個(gè)低維子空間H，該子空間中的基向量的組合，能夠選擇性表達(dá)正常FB及焊縫區(qū)域FW，而抑制相對(duì)較小的缺陷氣孔FD表達(dá)。在有缺陷的測(cè)試圖像中，背景圖像及焊縫區(qū)域與正常集合中對(duì)應(yīng)區(qū)域具有相似的結(jié)構(gòu)，而正常集合中每幅圖像不包含類似于缺陷的結(jié)構(gòu)信息，因此每個(gè)測(cè)試圖像中的FBW能夠被這些子空間中的基向量進(jìn)行很好的表達(dá)，而相對(duì)較小的缺陷區(qū)域被抑制表達(dá)。常用基向量學(xué)習(xí)的方法[11]有：主分量分析(Principal Component Analysis, PCA)、高斯混合模型(Gaussian Mixture Model, GMM)和獨(dú)立分量分析(Independent Component Analysis, ICA)[12-13]等。PCA要求訓(xùn)練數(shù)據(jù)須呈高斯分布，如果樣本數(shù)太少，學(xué)習(xí)出的基向量表達(dá)能力較差，文中所用訓(xùn)練集Ψ較??；GMM要求訓(xùn)練樣本背景圖像比較固定，但Ψ中的背景圖像是在不同條件采集的，背景圖像有變化，且焊縫形狀各異，因而GMM對(duì)背景變化的建模效果不佳；ICA不受訓(xùn)練樣本數(shù)的影響，對(duì)非高斯數(shù)據(jù)具有較好分離，并能很好地抑制噪聲，因此，本文試圖采用ICA子空間方法從Ψ中分解出一序列的非正交的基向量，但由于ICA收斂速度較慢，選擇參數(shù)較多，在實(shí)際生產(chǎn)線上很難應(yīng)用，因此本文采用快速ICA方法，該算法具有計(jì)算效率高，選擇參數(shù)少，分離效果好，能滿足生產(chǎn)線上實(shí)時(shí)性要求的特點(diǎn)。下面是基于快速ICA進(jìn)行子空間學(xué)習(xí)，并重構(gòu)測(cè)試圖像FBW的具體步驟：

1)將ΨN中每個(gè)訓(xùn)練樣本(I1,I2,…,IN，N=320，圖像分辨率大小為n×m)拉成一序列的行向量，將這些行向量組合成觀測(cè)圖像矩陣Z。

2)對(duì)觀測(cè)矩陣Z中每個(gè)行向量減去對(duì)應(yīng)的均值向量，并進(jìn)行白化處理，去除Z中每個(gè)向量的相關(guān)性，得到新的觀測(cè)矩陣Z1，計(jì)算公式為：

(4)

其中，V,D是觀測(cè)矩陣Z去均值后的協(xié)方差矩陣的特征向量和特征值矩陣。

3)初始化隨機(jī)權(quán)矩陣W=(w1,w2,…,wN)，W是一個(gè)N*N的權(quán)重矩陣，w1,w2,…,wn,代表每次迭代更新的權(quán)重行向量，該變換矩陣可將N*N(M=n*m,N?M,m*n表示圖像分辨率大小,N表示訓(xùn)練圖像數(shù))維的觀測(cè)數(shù)據(jù)Z1降維為N*N的子空間。根據(jù)式(5)，每循環(huán)迭代一次，更新一個(gè)wi向量，直到更新完W中每一個(gè)行向量，W*為W更新的變換矩陣：

W*=E{Z1tanh(WTZ1)}-E{tanh′(WTZ1)}W

(5)

4)獲得變換矩陣W后，根據(jù)式(6)將觀測(cè)數(shù)據(jù)投影到降維后的子空間，得到N個(gè)不正交的獨(dú)立分量，每個(gè)分量表示為θ1，θ2，…，θN，集合Ψ中每個(gè)圖像可被這些基向量的線性組合，進(jìn)行很好的表達(dá)。每個(gè)獨(dú)立分量θi是一幅與F尺寸一樣的圖像。

[θ1,θ2,…,θN]=W′Z1

(6)

5)令HN代表由θ1，θ2，…，θN確定的子空間，F(xiàn)BWH表示F投影到子空間HN得到重構(gòu)圖像，這里可認(rèn)為FBWH≈FBW，計(jì)算公式如下：

(7)

其中:θi(x,y),F(x,y)分別是獨(dú)立分量圖像θi和測(cè)試圖像F在像素點(diǎn)坐標(biāo)(x,y)灰度值。原始測(cè)試(如圖4(b))圖像投影到子空間HN后，在得到的重構(gòu)圖像(如圖4(d))中，正常區(qū)域及焊縫區(qū)域得到較好的表達(dá)，而對(duì)應(yīng)的氣孔區(qū)域被抑制。

2.3 從F中分離各種氣孔

這部分主要根據(jù)2.2節(jié)中得到的FBWH，從F中分離出各種氣孔，然后用相關(guān)形態(tài)學(xué)方法將二值化圖像中的孤立噪聲點(diǎn)濾掉，得到最終檢測(cè)結(jié)果。在實(shí)驗(yàn)中，選擇320個(gè)獨(dú)立分量重構(gòu)帶缺陷的測(cè)試圖像，使用式(7)計(jì)算對(duì)應(yīng)的重構(gòu)圖像，根據(jù)對(duì)應(yīng)的測(cè)試圖像，對(duì)其重構(gòu)圖像進(jìn)行灰度歸一化。隨后不同類型的氣孔將在差異圖像|F-FBWH|中表現(xiàn)為顯著性區(qū)域。文獻(xiàn)[10]中自動(dòng)閾值選擇方法對(duì)對(duì)比度較好的氣孔缺陷能獲得較好的分割效果，但對(duì)低對(duì)比的氣孔，分割效果欠佳。為測(cè)試本文提出算法的最佳檢測(cè)效果，本文最終采用半自動(dòng)方法選擇全局閾值來分割氣孔，通過選擇的閾值將各種氣孔分離出來(將來工作著重解決閾值的自動(dòng)選擇上)。圖4是分離各種氣孔的過程。

圖4 氣孔缺陷檢測(cè)流程

圖4(b)是圖4(a)灰度歸一化結(jié)果圖，圖4(c)是將圖4(b)投影到子空間H320的重構(gòu)結(jié)果，圖4(d)是圖4(c)參考圖4(b)的亮度歸一化結(jié)果，圖4(e)是圖4(d)和圖4(b)相減后的差異圖像，在橢圓內(nèi)，氣孔缺陷表現(xiàn)為顯著性區(qū)域。由于采集的X射線圖像中存在一些零散的噪聲點(diǎn)，屬于較小的結(jié)構(gòu)區(qū)域，根據(jù)文中第1章分析可知，小結(jié)構(gòu)區(qū)域不能被子空間中的獨(dú)立分量很好地表達(dá)，因此在差異圖像中，這些噪聲點(diǎn)區(qū)域也將隨各種氣孔缺陷被凸顯出來，用全局閾值很難將噪聲區(qū)域排除。為減少這些噪聲點(diǎn)的干擾，對(duì)二值化圖像采用先腐蝕后膨脹處理方法，將這些零散的噪聲點(diǎn)排除掉，又保證不損失缺陷區(qū)域信息。圖4(f)是對(duì)二值化圖像進(jìn)行形態(tài)學(xué)處理后的最終檢測(cè)結(jié)果。

3 實(shí)驗(yàn)結(jié)果與討論

本文的正常訓(xùn)練數(shù)據(jù)和包含氣孔缺陷的測(cè)試數(shù)據(jù)來自寶鋼的厚鋼管焊縫X射線圖像集合，其中訓(xùn)練數(shù)據(jù)320幅，測(cè)試數(shù)據(jù)60幅，由于厚鋼管圖像對(duì)比度低，灰度分布不均勻，噪聲較大，使得各種氣孔缺陷在鋼管X射線圖中檢測(cè)較為復(fù)雜；此外，各種氣孔缺陷本身也較為復(fù)雜，有的一幅圖像中包有的多個(gè)不同尺寸、不同明暗度的氣孔缺陷，有的氣孔位于焊縫不同的位置，有的氣孔缺陷與正常焊縫區(qū)域和背景亮度接近，有的氣孔缺陷呈現(xiàn)不同的形狀，這些因素導(dǎo)致自動(dòng)檢測(cè)厚鋼管中各種氣孔較為困難。為驗(yàn)證本文提到的算法的可行性和有效性，本文測(cè)試大量包含有各種氣孔缺陷的X射線圖像。圖4是對(duì)不同明暗度、不同尺寸及不同形狀的氣孔缺陷的檢測(cè)結(jié)果。本文算法能較好地將位于焊縫邊緣上的氣孔缺陷檢測(cè)出來，檢測(cè)結(jié)果如圖5(e)、5(n)所示；提到的算法還能檢測(cè)不同明暗度的缺陷，如圖5(f)和5(p)所示；算法還能較好檢測(cè)與正常焊縫區(qū)域和背景區(qū)域?qū)Ρ榷冉咏臍饪兹毕?，如圖5(m)、5(o)所示;此外一幅圖像中包含有多個(gè)不同尺寸、不同明暗度的氣孔缺陷，如圖5(g)、5(h)所示，但這些缺陷也能較好地被檢測(cè)出來；圖4(a)、5(i)、5(l)中的氣孔缺陷形狀各異，本文算法也能較好將它們分離，檢測(cè)結(jié)果如4(f)、5(m)、5(p)所示。

圖5 氣孔缺陷檢測(cè)結(jié)果

從圖5中可知，只要X射線圖像中的氣孔缺陷區(qū)域，與周圍區(qū)域相比，對(duì)比度不太低，本文算法就能較好地將各種不同形狀、不同尺寸、不同對(duì)比度和位于不同位置的氣孔缺陷檢測(cè)出來。為評(píng)估本文提到的算法，手工標(biāo)記23幅包含有各種氣孔缺陷的圖像，將本文檢測(cè)結(jié)果與標(biāo)記結(jié)果對(duì)比。TP(TruePositive)表示缺陷區(qū)域像素被正確檢測(cè)為缺陷的像素點(diǎn)數(shù)，F(xiàn)P(FalsePositive)為背景區(qū)域像素點(diǎn)被誤檢測(cè)為缺陷區(qū)域像素點(diǎn)數(shù)，F(xiàn)N(FalseNegative)為缺陷區(qū)域像素點(diǎn)被誤檢測(cè)為背景區(qū)域像素點(diǎn)數(shù)，TN(TrueNegative)為背景像素點(diǎn)被正確檢測(cè)為背景的像素點(diǎn)數(shù)。根據(jù)式(8)、(9)計(jì)算其對(duì)應(yīng)的靈敏度(Sensitivity,SE)、特異度(Specificity,SP)和檢測(cè)準(zhǔn)確率(Accuracy,ACC):

(8)

(9)

SE,SP,ACC越接近1，表明算法的分割效果越好。23幅圖像的統(tǒng)計(jì)結(jié)果為：平均敏感性、平均特異性、平均準(zhǔn)確率分別為0.905,0.997,0.997。另外給出圖4(a)和圖5(a)～(d)和圖5(i)～(l)的檢測(cè)結(jié)果的TP、TN、FP、FN以及SE、SP、ACC統(tǒng)計(jì)指標(biāo)，如表1所示。

圖4(a)、圖5及表1表明提到的算法不需要提取焊縫區(qū)域，也能準(zhǔn)確將不同大小、不同形狀、不同明暗度，并位于不同位置的氣孔缺陷有效檢測(cè)出來，而常見缺陷檢測(cè)算法[4-5]需要將焊縫邊緣檢測(cè)出來，但由于厚鋼管X射線圖像噪聲較大，對(duì)比度低，焊縫形狀不規(guī)則，導(dǎo)致有些位于焊縫邊緣的氣孔檢測(cè)效果不佳；基于機(jī)器學(xué)習(xí)的缺陷檢測(cè)算法[6-10]需要手工標(biāo)記大量的缺陷數(shù)據(jù)，由于實(shí)際缺陷種類繁多，對(duì)標(biāo)記數(shù)據(jù)的專家要求較高，且標(biāo)記缺陷的工作較大，本文方法是基于正常集合的無監(jiān)督學(xué)習(xí)方法，不需要標(biāo)記各種缺陷，也能準(zhǔn)確將各種氣孔缺陷檢測(cè)出來。

表1 圖4及圖5中各種氣孔缺陷的定量分析結(jié)果

4 結(jié)語

檢測(cè)厚鋼管X射線圖像中各種氣孔缺陷較為困難，本文提出一種新的檢測(cè)氣孔缺陷的計(jì)算框架，通過無監(jiān)督機(jī)器學(xué)習(xí)方法學(xué)習(xí)出測(cè)試圖像的背景及焊縫區(qū)域，在差分圖像中，氣孔缺陷相比周圍背景區(qū)域被增強(qiáng)，表現(xiàn)為一個(gè)顯著性區(qū)域，極大地消除了亮度分布不均勻及噪聲帶來的干擾，通過閾值可將氣孔缺陷準(zhǔn)確分割出來，檢測(cè)結(jié)果具有較高的敏感性和準(zhǔn)確率。本文提出方法不僅可用于X射線圖像中的焊縫缺陷檢測(cè)，還可用于太陽能電池板表面的缺陷檢測(cè)，以及紡織工業(yè)中織物的疵點(diǎn)檢測(cè)。本文算法存在的不足是，目前選擇的閾值是半自動(dòng)的，未來主要工作集中在閾值的自動(dòng)選擇上：可采取局部自適應(yīng)閾值方法或通過機(jī)器學(xué)習(xí)方法自動(dòng)學(xué)習(xí)出一個(gè)分割閾值。

)

[1] 高煒欣，胡玉衡，武曉朦,等.埋弧焊X射線焊縫缺陷圖像分類算法研究[J].儀器儀表學(xué)報(bào),2016,37(3):518-524.(GAOWX,HUYH,WUXM,etal.Sub-arcX-rayweldingdefectimageclassifyingalgorithm[J].ChineseJournalofScientificInstrument, 2016,37(3): 518-524.)

[2] 李雪琴，劉培勇，殷國富,等.基于Fourier擬合曲面的X射線焊縫缺陷檢測(cè)[J].焊接學(xué)報(bào),2014,35(10):61-64.(LIXQ,LIUPY,YINGF,etal.WelddefectdetectionbyX-rayimagesmethodbasedonFourierfittingsurface[J].TransactionsoftheChinaWeldingInstitution, 2014, 35(10): 61-64.)

[3] 胡海林，李靜，李劍，等.基于視覺與電弧多信息傳感的焊縫跟蹤算法[J].計(jì)算機(jī)應(yīng)用,2012,32(6):1760-1765.(HUHL,LIJ,LIJ,etal.Seamtrackingalgorithmbasedonmulti-informationsensorofvisionandarc[J].JournalofComputerApplications, 2012, 32(6): 1760-1765.)

[4]DANGCY,GAOJM,WANGZ,etal.Anovelmethodfordetectingwelddefectsaccuratelyandreliablyinradiographicimages[J].Insight-Non-DestructiveTestingandConditionMonitoring, 2016, 58(1): 28-34.

[5]RATHODVR,ANANDRS.AcomparativestudyofdifferentsegmentationtechniquesfordetectionofflawsinNDEweldimages[J].JournalofNondestructiveEvaluation, 2012, 31(1): 1-16.

[6]SHAHM,NIZAMH,RASHIDA,etal.Visionbasedidentificationandclassificationofwelddefectsinweldingenvironments:areview[J].IndianJournalsofScienceandTechnology, 2016, 9(20): 1-15.

[7]MOGHADDAMAA,RANGARAJANL.Classificationofweldingdefectsinradiographicimages[J].PatternRecognitionandImageAnalysis, 2016, 26(1): 54-60.

[8]ZAPATAJ,VILARR,RUIZR.Anadaptive-network-basedfuzzyinferencesystemforclassificationofweldingdefects[J].NDTandEInternational, 2010, 43(3): 191-199.

[9]VALAVANISI,KOSMOPOULOSD.Multiclassdefectdetectionandclassificationinweldradiographicimagesusinggeometricandtexturefeatures[J].ExpertSystemswithApplications, 2010, 37(12): 7606-7614.

[10]ZAPATAJ,VILARR,RUIZR.Performanceevaluationofanautomaticinspectionsystemofwelddefectsinradiographicimagesbasedonneuro-classifiers[J].ExpertSystemswithApplications, 2011, 38(7): 8812-8824.

[11]CHANGJ,LIUWB,HUH,etal.Improvedindependentcomponentanalysisbasedmodalidentificationofhigherdampingstructures[J].Measurement, 2016, 88: 402-416.

[12]REYHANIN,YLIPAAVALNIEMIJ,VIGRIOR,etal.ConsistencyandasymptoticnormalityofFastICAandbootstrapFastICA[J].SignalProcessing, 2012, 92(8): 1767-1778.

[13]SHYUKK,LEEMH,WUYT,etal.ImplementationofpipelinedFastICAonFPGAforreal-timeblindsourceseparation[J].IEEETransactionsonNeuralNetworks, 2008, 19(6): 958-970.

ThisworkispartiallysupportedbytheNationalNaturalScienceFoundationofChina(61375020).

CHEN Benzhi, born in 1987, Ph. D. candidate. His research interests include image processing and pattern recognition.

FANG Zhihong, born in 1968, Ph. D., lead researcher. His research interests include machine vision applications in welding defect detection.

XIA Yong, born in 1965, M. S., director research fellow. His research interests include image processing and application.

ZHANG Ling, born in 1969, M. S., technician. His research interests include quality insepction and management for steel pipe production.

LAN Shouren, born in 1986, Ph. D. candidate. His research interests include image analysis and visualization.

WANG Lisheng, born in 1968, Ph. D., professor. His research interests include image analysis and medical visualization.

Automatic detection of blowholes defects in X-ray images of thick steel pipes

CHEN Benzhi1, FANG Zhihong2, XIA Yong2, ZHANG Ling3, LAN Shouren1, WANG Lisheng1*

(1.SchoolofElectronicInformationandElectricalEngineering,ShanghaiJiaoTongUniversity,Shanghai200240,China; 2.ResearchInstitute,BaoshanIron&SteelCompanyLimited,Shanghai201900,China; 3.SteelBarsDivision,BaoshanIron&SteelCompanyLimited,Shanghai201900,China)

Due to the intensity distribution of X-ray image of thick steel pipe is not uniform, the contrast is low, the noise is big, and the size, shape, position and contrast of the blowholes defects are different, it is difficult to detect various types of blowholes automatically. Aiming at the problems that the traditional defect detection algorithm has a large workload of manually marking defect data, and the edge of the weld is difficult to accurately extract and other issues, a new unsupervised learning algorithm was proposed for the detection of various blowholes defects. Firstly, fast Independent Component Analysis (ICA) was used to learn a set of independent base vectors from the steel pipe X-ray image set, and a linear combination of the base vectors was used to selectively reconstruct the test image with blowholes defect. Then, the test image was subtracted from its reconstructed image to obtain the difference image, and the various blowholes were separated from the difference image by global threshold. There were 320 images in the training set and 60 images in the test set. The average sensitivity and accuracy of the proposed algorithm were 90.5% and 99.7%. The experimental results show that the algorithm can accurately detect all kinds of blowholes defects without manual marking the data or extracting the edge of the weld.

X-ray image; Independent Component Analysis (ICA); defect detection; machine learning；thick steel pipe

2016- 08- 16;

2016- 10- 25。

國家自然科學(xué)基金資助項(xiàng)目(61375020)。

陳本智(1987—)，男，湖北咸寧人，博士研究生，主要研究方向：圖像處理與模式識(shí)別; 方志宏(1968—)，男，上海人，首席研究員，博士，主要研究方向：機(jī)器視覺在鋼鐵檢測(cè)中的應(yīng)用; 夏勇(1965—)，男，上海人，主任研究員，碩士，主要研究方向:圖像處理與應(yīng)用; 張靈(1969—)，男，上海人，技師，碩士，主要研究方向: 鋼管生產(chǎn)的質(zhì)量檢驗(yàn)與管理; 蘭守忍(1986—)，男，山東菏澤人, 博士研究生，主要研究方向: 圖像處理與可視化; 王利生(1968—)，男，上海人，教授，博士生導(dǎo)師，博士，主要研究方向: 圖像分析及醫(yī)學(xué)可視化。

1001- 9081(2017)03- 0849- 05

10.11772/j.issn.1001- 9081.2017.03.849

TP391.4

A