王家晨，王新房

(西安理工大學(xué) 自動(dòng)化與信息工程學(xué)院，陜西 西安 710048)

基于ButterWorth濾波的X射線鋼管焊縫缺陷檢測(cè)方法

王家晨，王新房

(西安理工大學(xué) 自動(dòng)化與信息工程學(xué)院，陜西 西安 710048)

焊縫缺陷檢測(cè)是保證焊接質(zhì)量的重要環(huán)節(jié)，隨著工業(yè)的高速發(fā)展和迫切需求，基于X射線焊縫缺陷自動(dòng)檢測(cè)技術(shù)得到了廣泛的研究，但是由于成像方式，以及鑄件材質(zhì)等客觀因素的影響，X 射線圖像存在噪聲多、對(duì)比度低、背景亮度不均勻、焊縫邊緣模糊等問題，使得利用計(jì)算機(jī)進(jìn)行焊縫缺陷自動(dòng)檢測(cè)的準(zhǔn)確率不太理想。針對(duì)這一問題，提出了一種基于ButterWorth濾波的鋼管焊縫缺陷檢測(cè)方法。首先利用傅里葉變換將圖像的時(shí)域信息變換到頻域，之后對(duì)圖像的頻域信息進(jìn)行高通濾波，提取出圖像中的高頻缺陷信息，再對(duì)其進(jìn)行傅里葉反變換，從而將缺陷信息凸出，最后利用閾值分割成功提取出缺陷，并對(duì)提取出的缺陷結(jié)果進(jìn)行處理，有效地降低了漏檢率和誤檢率。與其他傳統(tǒng)檢測(cè)算法相比，它對(duì)缺陷類型不敏感，具有較好的適應(yīng)性和通用性。

焊縫缺陷；自動(dòng)檢測(cè)；高通濾波；圖像處理

0 引言

隨著科學(xué)技術(shù)的飛速發(fā)展，焊接作為先進(jìn)制造業(yè)中的一種基本工藝方法，已被廣泛應(yīng)用于航空、航天、核工業(yè)、能源交通、石油化工及建筑和機(jī)械等各個(gè)工業(yè)部門。對(duì)于焊接結(jié)構(gòu)件來說，焊縫質(zhì)量很大程度上決定了結(jié)構(gòu)件的使用壽命。但是在焊接過程中，往往由于焊接工藝參數(shù)的不穩(wěn)定，或者結(jié)構(gòu)件焊接應(yīng)力變形等諸多不良因素的存在，使得焊縫中不可避免地出現(xiàn)諸如氣孔、裂紋、夾渣、未融合、咬邊、未焊透及燒穿等缺陷，這些焊縫缺陷的存在，不僅影響了焊縫的美觀，而且更嚴(yán)重的是直接導(dǎo)致焊接結(jié)構(gòu)件的失效，甚至引起危險(xiǎn)的脆斷，帶來極大的經(jīng)濟(jì)損失。因此，為了保證焊接結(jié)構(gòu)件的質(zhì)量以及各行業(yè)使用過程中的安全，防止事故的發(fā)生，焊后對(duì)焊縫缺陷的準(zhǔn)確檢測(cè)就變得尤為重要。

為了確保在焊接過程中結(jié)構(gòu)件產(chǎn)品不出現(xiàn)問題，就必須要對(duì)其中的焊縫進(jìn)行無損檢測(cè)。X射線檢測(cè)作為無損檢測(cè)的一種常用技術(shù)，已經(jīng)成為檢測(cè)焊接缺陷的重要手段。目前大多數(shù)企業(yè)的X射線探傷檢測(cè)仍以人工評(píng)定方式為主，人工評(píng)定本身易受個(gè)人自身經(jīng)驗(yàn)和主觀標(biāo)準(zhǔn)不一致的影響，并且人工評(píng)定勞動(dòng)強(qiáng)度大，工作效率低。因此，迫切需要提高焊縫X射線檢測(cè)的自動(dòng)化水平，降低漏檢率和誤檢率。本文根據(jù)某石油鋼管廠的實(shí)際需求，提出了一種基于高通濾波的焊縫缺陷檢測(cè)方法。

1 系統(tǒng)結(jié)構(gòu)

獲取焊縫X射線圖像的器件主要分為X射線成像、圖像采集和計(jì)算機(jī)處理三個(gè)部分。具體的X射線焊縫缺陷自動(dòng)檢測(cè)硬件系統(tǒng)如圖1所示。

圖1 X射線焊縫缺陷自動(dòng)檢測(cè)硬件系統(tǒng)示意圖

其中，計(jì)算機(jī)處理部分是焊縫缺陷自動(dòng)檢測(cè)的核心部分，它主要分為三個(gè)環(huán)節(jié)：(1)焊縫圖像預(yù)處理；(2)焊縫區(qū)域提?。?3)缺陷檢測(cè)分割。

2 圖像預(yù)處理

由于實(shí)際工作現(xiàn)場(chǎng)諸多因素的影響，導(dǎo)致采集到的X射線焊縫圖像均存在信噪比低、背景起伏大、對(duì)比度低等缺點(diǎn)，給后續(xù)的缺陷提取工作造成了很大的困難，所以圖像預(yù)處理是非常必要的。通過對(duì)實(shí)際X射線焊縫圖像噪聲類型的研究，筆者采用了均值濾波進(jìn)行降噪[1-2]，并取得了很好的效果。

均值濾波是指在圖像上對(duì)目標(biāo)像素設(shè)定一個(gè)模板，該模板包括了其周圍的臨近像素，再用模板中的全體像素的平均值來代替原來像素值。設(shè)原圖像為f(i,j)，窗口大小為(2k+1)×(2l+1)，則均值濾波處理后的輸出圖像g(i,j)可表示為：

(1)

經(jīng)過大量實(shí)驗(yàn)表明，采用3×3的模板進(jìn)行均值濾波后，噪聲信號(hào)的干擾得以有效的抑制。

3 焊縫邊界提取

為減少在圖像處理時(shí)計(jì)算機(jī)的運(yùn)算量，提高運(yùn)算效率，首先需要將焊縫圖像中焊縫邊界提取出來，這樣，在后續(xù)的缺陷檢測(cè)過程中只需檢測(cè)焊縫邊界內(nèi)的圖像即可，如此可避免進(jìn)行全圖檢測(cè)，大大提高檢測(cè)效率。

邊緣檢測(cè)的基本原理是將圖像中灰度值(梯度)變化較大的點(diǎn)檢測(cè)出來，然后再將這些點(diǎn)連接起來，構(gòu)成若干線條，進(jìn)而得到圖像的邊緣信息。常用的邊緣檢測(cè)算子有Sobel算子、Roberts算子、Canny算子等。Sobel算子具有很好的邊緣檢測(cè)特性，但易檢測(cè)出偽邊緣；Roberts算子在檢測(cè)水平和垂直邊緣時(shí)具有很好的效果，但對(duì)噪聲敏感；Canny算子具有很好的邊緣檢測(cè)性能，故本文采用Canny算子[3-4]進(jìn)行邊緣信息提取。如圖2(a)是一個(gè)典型的焊縫圖像，從中可以看到焊縫邊緣整體上是規(guī)則的，因此可用兩條直線近似地表示焊縫邊界，基于此，本文采取了如下的解決方案：首先采用Canny算子提取出邊緣信息，然后利用霍夫變換在檢測(cè)直線中具有較好效果的這一特性，以此來檢測(cè)焊縫邊緣處的直線，并且把垂直和水平的直線過濾掉，最后將檢測(cè)到的直線經(jīng)過最小二乘擬合，最終得到焊縫邊界如圖2(b)所示。具體的算法步驟如下：

(1)對(duì)原始焊縫圖像F進(jìn)行平滑濾波處理，得到圖像F1；

(2)利用Canny算子對(duì)圖像F1進(jìn)行邊緣檢測(cè)，得到圖像F2；

(3)對(duì)圖像F2利用霍夫變換檢測(cè)直線，將檢測(cè)結(jié)果存放在集合S1中；

(4)對(duì)集合S1中的直線進(jìn)行過濾，濾除長(zhǎng)度太短、接近平行或垂直的直線，將過濾后的結(jié)果存放在集合S2中；

(5)在集合S2中找到最左邊的直線LL和最右邊的直線RL，由此可估計(jì)得到近似中線ML，以近似中線ML為界，對(duì)集合S2中的直線進(jìn)行二次過濾，此次過濾需要過濾掉與中線ML相交或距離中線ML太近的直線，將過濾后的結(jié)果存放在集合S3中；

(6)將集合S3中的直線以中線ML為基準(zhǔn)分為左右兩部分，分別為集合SL和集合SR；

(7)分別對(duì)集合SL和集合SR中的直線進(jìn)行最小二乘擬合，左邊的集合SL經(jīng)過擬合最終得到焊縫的左邊界EL，右邊的集合SR經(jīng)過擬合最終得到焊縫的右邊界ER。

圖2 邊緣檢測(cè)前后圖像

4 缺陷檢測(cè)

4.1 高通濾波

如前文所述，如果把鋼管焊縫X射線圖像信號(hào)從空間域變換到頻域，就可以從頻域角度來分析圖像信號(hào)的特征。從頻域角度來看，焊縫圖像上的邊緣、缺陷等細(xì)節(jié)信息均屬于高頻成分，分布在頻譜的邊緣，因此可以通過高通濾波[5]的方法，使所感興趣的邊緣、缺陷等細(xì)節(jié)高頻成分通過，而使圖像的背景等低頻成分得到抑制，以此來提取出缺陷信息。目前已經(jīng)提出的高通濾波方法有很多種，例如理想高通濾波法、ButterWorth高通濾波法、高斯高通濾波法、指數(shù)高通濾波法等。

4.2 ButterWorth高通濾波

本文采用了ButterWorth高通濾波法將高頻成分信息提取出來。

ButterWorth濾波器是模擬濾波器的一種，具有單調(diào)下降的幅頻特性，而且具有通頻帶內(nèi)的頻率響應(yīng)曲線為最大限度平坦，而在阻頻帶處則逐漸下降為零的特點(diǎn)。

ButterWorth低通濾波器的幅度平方函數(shù)為：

(2)

其中N為濾波器階數(shù)，Ωc為截止頻率。下面給出高通濾波處理步驟及處理結(jié)果,如圖3所示。具體的處理步驟為：

(1)用(-1)x+y乘以輸入圖像各像素值，以將圖像頻譜原點(diǎn)移動(dòng)到頻譜圖中心；

(2)計(jì)算圖像的DFT，得到F(u,v)；

(3)用ButterWorth高通濾波函數(shù)H(u,v)乘以F(u,v)，得到處理結(jié)果G(u,v)；

(4)計(jì)算濾波后的IDFT；

(5)取IDFT變換結(jié)果中的實(shí)部；

(6)用(-1)x+y乘以IDFT變換結(jié)果的實(shí)部，得到處理后的結(jié)果。

圖3 高通濾波前后圖像

4.3 剔除邊界干擾

經(jīng)過上述高通濾波之后，缺陷信息已經(jīng)被完整地凸顯出來，如果將此結(jié)果直接用于后續(xù)的缺陷分割中，這顯然是不可取的。因?yàn)閺念l域角度來看，焊縫圖像上的邊緣、缺陷等細(xì)節(jié)信息均屬于高頻成分，雖然缺陷信息被完整地凸顯出來，但是邊緣信息同樣作為高頻成分也一并被凸顯出來(如圖3(b)所示)，而實(shí)際中焊縫邊緣并不屬于缺陷，因此若直接將高通濾波后的結(jié)果用于后續(xù)的缺陷分割中必然會(huì)引起較多的誤檢。所以，需要在高通濾波后的基礎(chǔ)之上采取相應(yīng)的措施以剔除焊縫邊界帶來的干擾。

由于在實(shí)際生產(chǎn)中，缺陷信息大部分都存在于焊縫的內(nèi)部位置，因此可以將焊縫邊界部分視為背景信息，對(duì)其不予檢測(cè)?；诖耍P者設(shè)計(jì)了如下的解決方案：首先以上文中提取出的焊縫左右邊界為基準(zhǔn)，分別將左右邊界沿水平方向向內(nèi)部縮進(jìn)3～5個(gè)像素(即左邊界向右縮進(jìn)，右邊界向左縮進(jìn))，形成兩條新的左右焊縫邊界，然后在新的左右邊界內(nèi)進(jìn)行缺陷分割提取，如此便可剔除真實(shí)邊界所帶來的干擾。

4.4 缺陷分割

焊縫圖像經(jīng)過高通濾波后，邊緣和缺陷等細(xì)節(jié)信息已經(jīng)完全凸顯出來，接下來，只需在焊縫邊界內(nèi)將缺陷分割提取出來即可。

4.4.1分割方法介紹

圖像分割[6]經(jīng)常用在數(shù)字灰度圖像中提取目標(biāo)物體，它主要分為兩大類：一是基于空間灰度閾值的分割方法；二是空間域增長(zhǎng)分割方法。本文采用了第一類灰度閾值分割方法[7]，灰度閾值分割就是先確定一個(gè)處于圖像灰度取值范圍之中的灰度閾值,然后將圖像中各個(gè)像素的灰度值都與這個(gè)閾值相比較,并根據(jù)比較結(jié)果將對(duì)應(yīng)的像素劃為兩類，像素的灰度值大于閾值的劃為一類,像素的灰度值小于閾值的劃為另一類(灰度值等于閾值的像素可歸入這兩類之一)。

要想把焊縫圖像中的缺陷信息從背景中完整地分割出來，確定一個(gè)合適的閾值就顯得尤為關(guān)鍵。若閾值選得過高，這勢(shì)必會(huì)影響分割出來的缺陷的大小和形狀，甚至有些不明顯的缺陷點(diǎn)容易被誤歸為背景，造成漏檢。反之若閾值選得過低，則容易引起誤檢。目前已經(jīng)提出的閾值選取方法有很多種，例如最大類間方差法、最大熵值法、最小誤差法和簡(jiǎn)單統(tǒng)計(jì)法等。

4.4.2缺陷分割

經(jīng)過對(duì)各種閾值選取方法的試驗(yàn)，本文采取了迭代閾值分割法對(duì)圖像進(jìn)行閾值分割，從而成功有效地將缺陷分割出來。

迭代閾值分割[8]的原理是首先選擇一個(gè)近似的閾值作為估計(jì)計(jì)算的初始閾值,然后進(jìn)行閾值分割,產(chǎn)生子圖像,并根據(jù)子圖像的灰度特性選取新的閾值,經(jīng)過多次迭代之后,平均灰度值將趨向于真值。迭代閾值分割的具體算法步驟如下：

(1)選取一個(gè)初始閾值

(3)

其中，Zmin、Zmax分別表示圖像中灰度值的最小值和最大值。

(2)利用Tk將圖像分成小于Tk和大于Tk的兩組：R1和R2，并計(jì)算它們的灰度均值Z1和Z2：

(4)

(5)

其中，f(i,j)是圖像中點(diǎn)(i,j)的灰度值，N1、N2分別為R1和R2中的像素個(gè)數(shù)。

(3)計(jì)算新的閾值Tk+1

(6)

(4)如果Tk+1=Tk則結(jié)束，否則k=k+1，轉(zhuǎn)步驟(2)。

4.4.3分割結(jié)果進(jìn)一步處理

經(jīng)過上述閾值分割方法，即可得到缺陷與背景的二值化圖像，其中缺陷信息灰度值為255，背景信息灰度值為0。但是經(jīng)過仿真可以發(fā)現(xiàn)，由于采集過程中某些不確定性因素或者成像面板上的壞點(diǎn)造成了采集到的焊縫圖像上有些許灰度值極高的離散斑點(diǎn)，這些斑點(diǎn)在經(jīng)過閾值分割后同樣被分割出來，從而會(huì)引起誤檢，因此需要將閾值分割后的結(jié)果進(jìn)行進(jìn)一步處理，消除這些斑點(diǎn)引起的誤檢。

通過大量仿真研究，本文設(shè)計(jì)了如下的解決方案：將閾值分割后的缺陷結(jié)果視為一個(gè)個(gè)的連通域，然后計(jì)算每個(gè)連通域內(nèi)包含的像素個(gè)數(shù)。已知容易引起誤檢的離散斑點(diǎn)所包含的像素相比于真實(shí)的缺陷所包含的像素是非常少的，因此，可以確定一個(gè)像素閾值，如果某個(gè)連通域內(nèi)所包含像素個(gè)數(shù)低于此像素閾值，那么就認(rèn)為該連通域?yàn)椤皞巍比毕?，反之則認(rèn)為是真實(shí)缺陷。最后將“偽”缺陷過濾，保留真實(shí)缺陷。

下面給出最終的各種缺陷類型提取分割結(jié)果圖，如圖4所示。

圖4 各種缺陷分割結(jié)果

5 結(jié)論

本文算法首先采用均值濾波的方法，消除了系統(tǒng)的隨機(jī)噪聲，提高了圖像的清晰度，改善了圖像質(zhì)量。隨后，采用Canny邊緣檢測(cè)算子與霍夫變換相結(jié)合的算法有效并準(zhǔn)確地提取出了焊縫邊緣，進(jìn)而提取了檢測(cè)的有效區(qū)域，提高了檢測(cè)效率。最后采用ButterWorth高通濾波的方法凸顯出了缺陷信息，并且采用迭代閾值的方法將缺陷分割出來。為了使最終分割結(jié)果更加精確化，降低誤報(bào)率和漏報(bào)率，對(duì)閾值分割結(jié)果做了進(jìn)一步處理。

在兩年多的時(shí)間里，在實(shí)驗(yàn)室和工廠現(xiàn)場(chǎng)應(yīng)用本文提出的算法進(jìn)行了上百次實(shí)驗(yàn),結(jié)果證明該算法的重復(fù)性和可靠性較好，尤其針對(duì)焊縫內(nèi)部的缺陷效果更佳。同時(shí)，筆者針對(duì)某石油鋼管廠的實(shí)際需求，開發(fā)了一套焊縫缺陷自動(dòng)檢測(cè)系統(tǒng)，并將該方法運(yùn)用到檢測(cè)系統(tǒng)中去，通過大量測(cè)試后已在實(shí)際生產(chǎn)過程應(yīng)用。

當(dāng)然，該算法還有些許不足之處：雖然本文算法對(duì)焊縫內(nèi)部的缺陷檢測(cè)效果較好，但是由于在缺陷分割過程中剔除了焊縫邊緣，使得有些靠近焊縫邊緣處的缺陷不容易被檢測(cè)到，在這方面還有待深入研究。

[1] 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),2010,31(11):21-24.

[2] 林果, 劉桂華. 基于主成分分析的熒光磁粉檢測(cè)缺陷識(shí)別技術(shù)[J]. 微型機(jī)與應(yīng)用, 2016, 35(1):85-87.

[3] 張震, 馬駟良, 張忠波,等. 一種改進(jìn)的基于Canny算子的圖像邊緣提取算法[J]. 吉林大學(xué)學(xué)報(bào)(理學(xué)版),2007, 45(2):244-248.

[4] 黃劍玲, 鄭雪梅. 一種改進(jìn)的基于Canny算子的圖像邊緣提取算法[J]. 計(jì)算機(jī)工程與應(yīng)用,2008, 44(25):170-172.

[5] 王蓉.圖像增強(qiáng)算法實(shí)現(xiàn)[D].武漢:長(zhǎng)江大學(xué), 2014.

[6] 李余錢, 蘇光大. 基于鄰域處理器自適應(yīng)圖像分割高速實(shí)現(xiàn)[J]. 電子技術(shù)應(yīng)用, 2016, 42(2): 99-101.

[7] 孫怡, 孫洪雨, 白鵬,等. X射線焊縫圖像中缺陷的實(shí)時(shí)檢測(cè)方法[J]. 焊接學(xué)報(bào), 2004, 25(2):115-118.

[8] 張果,李曉娟,張憲.基于迭代閾值和形態(tài)學(xué)的圖像邊緣檢測(cè)[J].微計(jì)算機(jī)信息,2007，23(27):298-299,137.

Automatic detection of weld defects in X-ray based on ButterWorth filtering

Wang Jiachen, Wang Xinfang

(College of Automation and Information Engineering, Xi’an University of Technology,Xi’an 710048, China)

Weld defect detection is a key link to ensure the quality of welding. With the rapid development of industry and urgent demand, the automatic detection technology of weld defects based on X-ray has been widely studied. However, because of the imaging methods, and the influence of casting material and other objective factors, X-ray image has many problems, such as noise background, low contrast, brightness uneven, and weld edge blur, which make the automatic detection accuracy of weld defects is not very ideal. For this problem, a new method , the weld defect detection algorithm based on ButterWorth filter, is proposed in this paper. Firstly ,it uses the Fourier transform to transform the time domain information of the image into the frequency domain, then carries on the high-pass filtering to the frequency domain information of the image, and extracts the high frequency information of defects in the image, then transforms it in inverse Fourier transform, and highlights the defect information. Finally, using the method of threshold segmentation to extract the defects successfully, and further processing on the extracted results to reduce the false detection rate. Compared with other traditional detection algorithms, it is not sensitive to defect types, so it has better adaptability and versatility.

weld defects; automatic detection; high pass filtering; image processing

TP274.51

A

10.19358/j.issn.1674- 7720.2017.23.006

王家晨，王新房.基于ButterWorth濾波的X射線鋼管焊縫缺陷檢測(cè)方法[J].微型機(jī)與應(yīng)用，2017,36(23)：21-24.

2017-05-14)

王家晨(1993-)，通信作者，男，碩士研究生，主要研究方向：控制工程。E-mail:414961362@qq.com。

王新房(1952-)，男，博士，教授，主要研究方向：系統(tǒng)工程，控制理論。