劉源泂，馬榕澤，袁文新，湯 勃

（1.武漢科技大學冶金裝備及其控制教育部重點實驗室，湖北 武漢 430081；2.武漢科技大學機械傳動與制造工程湖北省重點實驗室，湖北 武漢 430081；3.宜興市九州封頭鍛造有限公司，江蘇 宜興 214212；4.瑞奇戈德測控技術有限公司無錫公司，江蘇 宜興 214212）

1 引言

封頭是石油、化工、天然氣、核工業(yè)等領域的重要承壓部件，封頭的質(zhì)量直接影響著分裝容器的安全運行和使用壽命［1］。在封頭焊接過程中，由于結(jié)構件成型誤差、應力變形及焊接工藝等因素的影響［2］，可能導致焊縫內(nèi)部產(chǎn)生缺陷，如氣孔、夾渣、裂紋、未融合、未焊透。因此封頭出廠前需要進行嚴格的質(zhì)量檢測［3］。目前常用的內(nèi)部探傷方法超聲檢測、射線檢測、磁粉檢測及渦流檢測等［4］技術，由于X射線檢測具有穿透性強、結(jié)果直觀全面、缺陷定性定量準確等特點，因此成為封頭焊縫檢測的主要手段［5］。傳統(tǒng)的X射線封頭焊縫檢測方法，需要在焊縫表面貼合膠片，逐步調(diào)整X 射線源使膠片感光成像，再通過人工分析膠片進行判定，其檢測效率低、結(jié)果受主觀影響大、膠片不易保存等缺點，已不能滿足機械及信息化大生產(chǎn)的需求［6］。改進后的X射線焊縫檢測采用磷光體成像技術，其方法通過IP板感光后形成潛影，再經(jīng)過掃描轉(zhuǎn)化成數(shù)字圖像進行圖像處理和識別［7］，其IP板經(jīng)過激光束的掃描處理后可重復使用，但仍存在操作繁瑣、感光程度差、數(shù)字化程度低等不足。因此采用X射線專用平板探測器對焊縫實時成像，并傳輸?shù)綀D像處理與識別系統(tǒng)進行在線檢測和分析，可實現(xiàn)全自動化、有效降低成本、且提高了檢測效率和準確率等，是目前封頭焊縫檢測技術的發(fā)展趨勢和熱點。

由于封頭材質(zhì)、結(jié)構及厚度等因素影響，一般焊縫的X射線圖像具有背景起伏較大、對比度不高、圖像噪聲干擾及邊緣缺陷模糊等特點［8］，開發(fā)適應能力強、高效準確的圖像處理算法是其研究重點。如利用多能譜X射線成像分析目標和背景的差異特點，提出將ICA 算法與多普X 射線成像結(jié)合實現(xiàn)目標的分離重建［9］；如基于直方圖窗口的自適應技術，比較和搜索圖像對比度的最大值，遍歷確定最合適的幀長度與幀偏移量，以改善對比度造成的問題［10］；如通過對圖像各向異性濾波后進行增強，提出了一種多步操作的圖像增強方法，以提高邊緣缺陷強度并保留圖像高分辨率［11］；如提出基于卡爾曼濾波的焊縫缺陷自動檢測方法，即將具有連續(xù)狀態(tài)軌跡的對象評判為缺陷，而將無連續(xù)狀態(tài)的軌跡對象進行剔除［12］等方法。都從具體對象的不同方面提高了焊縫圖像識別效果。而封頭焊縫尺寸大、檢測精度要求高，開發(fā)靈活的圖像采集裝置和高效圖像處理算法是關鍵。

針對X射線封頭焊縫檢測手段存在的不足，設計了基于X射線源、數(shù)字圖像平板探測器的非接觸式自動測量方案和一種自適應高效的焊縫圖像處理及缺陷檢測方法。采用固步灰度梯度法提取焊縫區(qū)域，去掉母材區(qū)域；采用雙邊濾波及高頻區(qū)域增強處理對缺陷細節(jié)信息進行凸顯；采Canny邊緣檢測算法組合樹形分類器實現(xiàn)缺陷的特征提取和識別。該方法提升了X射線封頭焊縫檢測的效率與適應性，同時有效節(jié)約了成本。提出了具有良好自適應能力且快速準確的封頭焊縫缺陷檢測方法。

2 系統(tǒng)的結(jié)構及原理

基于X射線源、數(shù)字圖像平板探測器的非接觸式自動測量裝置及焊縫檢測系統(tǒng)，如圖1所示。由X射線源、被檢測工件、平板探測器、輔助成像裝置、同步電路、檢測服務器、顯示器組成。

圖1 系統(tǒng)組成圖Fig.1 Components of System

按檢測距離要求，X射線源發(fā)射射線穿透被檢測工件后，射線光子被安裝于輔助裝置上的平板探測器接收，內(nèi)部閃爍晶體將射線光子轉(zhuǎn)換成可見光，通過非晶硅傳感器陣列轉(zhuǎn)換成電子從而形成數(shù)字圖像，傳輸至檢測服務器中進行自動處理和分析。系統(tǒng)圖像處理流程，如圖2所示。由圖像分割、圖像增強、檢測識別三部分組成。

圖2 圖像處理流程Fig.2 Image Processing System

3 固步灰度梯度法的焊縫圖像分割

如圖3（a）所示，平板探測器所采集圖像受到物體材料、探測器對比度以及物理擾動因素的影響［13］，造成母材區(qū)和焊縫區(qū)吸收的射線輻射量不同，引起封頭數(shù)字圖像中母材區(qū)和焊縫區(qū)灰度分布兩極化，且焊縫與其內(nèi)部的缺陷對比度很小。直接采用OSTU閾值分割及背景差分等方法很難直接分割，因此需要分步實現(xiàn)。考慮到焊縫區(qū)邊緣處灰度值的梯度變化信息明顯，故首先采用固步灰度梯度提取焊縫區(qū)域。

圖3 X射線封頭焊縫圖像Fig.3 X-Ray Head Weld Image

為降低不同焊縫區(qū)域灰度值波動的影響，以固定步長區(qū)域?qū)⒑缚p分為多個區(qū)域，如圖3（b）所示。將大小為（M×N）的一幀拍攝的圖像分成k份大小相同的區(qū)域，每個區(qū)域用Ak表示，則每一份圖像的長為l=，每個區(qū)域的角點可表達為：

式中：[ (k- 1)l，0 ]—第一角點；[kl，0 ]—第二角點；[kl，N]—第三角點；[ (k- 1)l，N]—第四角點。

進一步對每個子區(qū)域圖像沿列方向灰度值進行一階差分變化，找出列灰度曲線中梯度變化的最大點，即為焊縫的邊界信息，進而提取出焊縫區(qū)域，減少干擾。設每個子區(qū)域8位圖像大小為m×n，圖像的列灰度值一階差分計算式為：

式中：f(i，j+ 1)—圖像第i列j+1行點的灰度值；f(i，j)—圖像第i列j行點的灰度值；A[j]—第j+1行與第j行的差值，通過上述方法即可獲得某一列灰度值的一階差分數(shù)值。

令A表示某一列一階差分后灰度值集合，A[j]表示集合中元素的大小，Amax、Amin分別集合A中的最大值、最小值，設最大值、最小值的初始值為0，計算步驟如下：

（1）如果Amax＜A[j]，則Amax=A[j]，否則轉(zhuǎn)到（2）；

（2）如果Amax＞A[j]，則Amin=A[j]。

對其使用循環(huán)迭代計算找到最大值Amax和最小值Amin，進而對整幅圖像逐列分析。即可獲取整個焊縫邊界的信息，如圖4所示。將X 射線焊縫圖像灰度值反轉(zhuǎn)后，隨機提取序列號100 和200的列灰度曲線和一階差分變換后的波形分析圖。通過對封頭焊縫邊界信息的獲取，提取出的每個焊縫區(qū)域，如圖5所示。

圖4 列灰度波形分析圖Fig.4 Column Gray Waveform Analysis Chart

圖5 封頭焊縫區(qū)域的提取Fig.5 Extraction of Head Weld Area

4 圖像增強處理

在X射線檢測焊縫缺陷系統(tǒng)中，圖像從獲取、傳輸及存儲的每一個環(huán)節(jié)都會造成圖像信息失真和引入噪聲，從而使圖像降質(zhì)，即圖像退化［14］。退化后的圖像出現(xiàn)對比度差、邊緣模糊及信噪比低等特點，造成檢測精度的下降，因此需進行圖像增強。

4.1 圖像降噪處理

均值濾波和中值濾波等大多數(shù)算法，對圖像降噪的同時其細節(jié)信息、邊緣信息也會有所丟失，導致圖像再模糊現(xiàn)象，影響降噪后的圖像質(zhì)量。分析X射線平板探測器獲取的圖像中隨機噪聲較多，而在對圖像降噪的同時需保留細節(jié)信息，故采用非線性雙邊濾波法［15］，其定義為：

式中：p、q—像素點的空間位置；S—以p為中心的模板區(qū)域；Gσh—灰度相似關系的高斯核函數(shù)；Ip-Iq—兩像素點的灰度差；Gσs—幾何臨近關系的高斯核函數(shù)；‖p-q‖—兩像素點空間的歐幾里得距離；BF[I]p—替換后模板中心像素灰度值；Wp—歸一化系數(shù)。

以區(qū)域4為試樣，在中值濾波圖6（a）和雙邊濾波圖6（b）分別處理下的圖像灰度值的三維分布圖，如圖6所示。表明雙邊濾波可以在平滑噪聲的同時能夠更好的保護目標缺陷的邊緣細節(jié)，在對空間焊縫的數(shù)字圖像進行降噪處理時可以取得更好的結(jié)果。

圖6 不同濾波狀態(tài)下的對比圖Fig.6 Comparison Chart Under Different Filtering States

4.2 圖像對比度增強

常見的圖像增強方法可分為全局處理和自適應局部處理兩大類［16］，全局直方圖均衡增強及線性對比度拉升的方法，實現(xiàn)簡單，但容易丟失圖像細節(jié)信息?？紤]到X射線圖像經(jīng)透射而成，圖像細節(jié)的對比度低，因此這里提出一種自適應對比度增強方法。將圖像的信息分解為高頻與低頻部分，對包含缺陷目標的高頻細節(jié)部分做增強處理，然后重組得到增強后的圖像，從而避免若干低頻背景信息的干擾。其基本表達式為：

式中：h(i，j)—原圖像點的灰度值；( 2n+ 1)2—(i，j)為中心的窗口區(qū)域；mh(i，j)近似為背景部分；[h(i，j)-mh(i，j)]—高頻細節(jié)部分；σh2(i，j)—方差；f(i，j)—重構增強圖像；D—權值系數(shù)。

以試樣A為例，如圖7（a）、圖7（b）所示。經(jīng)過雙邊濾波后的圖像，焊縫的邊緣及缺陷輪廓都較好的保留，且大部分的噪聲從原始焊縫圖像中去除。而降噪后的焊縫區(qū)域圖像存在對比度低等缺陷，直接提取缺陷目標會存在較大的誤差，分別對其使用直方圖均衡化和設計自適應對比度增強的兩類方法，產(chǎn)生的結(jié)果，如圖7（c）、圖7（d）所示。對比結(jié)果圖可以看出這里提出的自適應對比度的增強方法，可以使X射線的封頭焊縫圖像達到較好的對比度增強效果。

圖7 圖像增強處理下的封頭焊縫結(jié)果對比Fig.7 Comparison of Head Weld Results with Image Enhancement

5 焊縫缺陷目標檢測及識別

5.1 缺陷目標檢測算法

對比經(jīng)典的邊緣檢測算法效果可知，Sobel、Robert等1階導數(shù)算子，可檢測圖像的梯度變化情況，但對邊緣細微缺陷的檢測效率不高且對噪聲比較敏感，如圖8所示。Canny、LOG等2階導數(shù)算子，既可以檢測圖像的梯度變化信息也可提取圖像的細節(jié)，對此采用Canny算子對增強后的焊縫區(qū)域進行邊緣檢測。

圖8 邊緣檢測算子處理結(jié)果對比Fig.8 Compared Result of Edge Detection Operators

對典型缺陷樣本圖像進行處理，分別進行整體區(qū)域分割（圖9）以提取感興趣的焊縫區(qū)域（圖10），對典型缺陷的焊縫區(qū)域進行雙邊濾波（圖11）和圖像增強（圖12），按設計的圖像處理算法進行特征提取后效果，如圖13所示?？煽闯鰧Φ湫腿毕葸吘壧崛〉男Ч^好，缺陷細節(jié)基本未丟失，滿足缺陷判級要求。

圖9 封頭焊縫缺陷整體分割圖像Fig.9 Image of Overall Segmentation of Head Weld Defects

圖10 封頭焊縫區(qū)域提取Fig.10 Head Weld Area Extraction

圖11 封頭焊縫區(qū)域雙邊濾波Fig.11 Bilateral Filtering of Head Weld Area

圖12 封頭焊縫區(qū)域?qū)Ρ榷仍鰪奆ig.12 Contrast Enhancement in Head Weld Area

圖13 設計的圖像處理算法檢測的結(jié)果Fig.13 Designed Image Processing Algorithm Detection Result

5.2 檢測結(jié)果識別與分析

缺陷的幾何形狀、灰度值的分布常常是焊縫缺陷判斷的主要依據(jù)［17-18］。分析封頭焊縫缺陷的位置以及幾何特征，選取圓形度、長短徑之比、面積像素與總像素之比、灰度偏差以及缺陷中心位置到焊縫中心的距離之比作為識別焊縫缺陷的特征參數(shù)。根據(jù)各特征參數(shù)之間的聯(lián)系，采用決策樹對缺陷的目標信息進行分類識別。識別結(jié)果，如圖14所示。（Ⅰ）為氣孔、（Ⅱ）為裂紋、（Ⅲ）為未融合、（Ⅳ）為夾雜、（Ⅴ）為未焊透。由分析可知，文章設計圖像分割與增強方法可有效避免焊縫區(qū)域的灰度波動以及背景部分的灰度差異的干擾，使圖像降噪增強的同時更多的保留了邊緣的細節(jié)信息，從而實現(xiàn)了對封頭焊縫缺陷的多樣性提取，其適應性能力強、檢測效率高，降低漏檢率與誤檢率。

圖14 檢測結(jié)果的識別Fig.14 Identification of Test Results

6 結(jié)論

X射線焊縫缺陷檢測是無損檢測的重要手段之一，考慮到封頭焊縫圖像特點，利用灰度梯度變換及圖像高頻和低頻信息特性，充分考慮兼顧圖像整體與局部細節(jié)信息的關系，設計了一種能夠應用于對比度較差、灰度波動較大的圖像處理算法。實驗結(jié)果表明，固步灰度梯度法提取焊縫區(qū)域可有效去除母材背景區(qū)域；結(jié)合雙邊濾波和高頻圖像增強的算法，實現(xiàn)了圖像降噪同時保留細節(jié)的目的，為大型封頭焊縫的缺陷檢測提供了解決思路。