封头焊缝的X射线图像分割与增强方法研究

刘源泂，马榕泽，袁文新，汤 勃

（1.武汉科技大学冶金装备及其控制教育部重点实验室，湖北 武汉 430081；2.武汉科技大学机械传动与制造工程湖北省重点实验室，湖北 武汉 430081；3.宜兴市九州封头锻造有限公司，江苏 宜兴 214212；4.瑞奇戈德测控技术有限公司无锡公司，江苏 宜兴 214212）

1 引言

封头是石油、化工、天然气、核工业等领域的重要承压部件，封头的质量直接影响着分装容器的安全运行和使用寿命［1］。在封头焊接过程中，由于结构件成型误差、应力变形及焊接工艺等因素的影响［2］，可能导致焊缝内部产生缺陷，如气孔、夹渣、裂纹、未融合、未焊透。因此封头出厂前需要进行严格的质量检测［3］。目前常用的内部探伤方法超声检测、射线检测、磁粉检测及涡流检测等［4］技术，由于X射线检测具有穿透性强、结果直观全面、缺陷定性定量准确等特点，因此成为封头焊缝检测的主要手段［5］。传统的X射线封头焊缝检测方法，需要在焊缝表面贴合胶片，逐步调整X 射线源使胶片感光成像，再通过人工分析胶片进行判定，其检测效率低、结果受主观影响大、胶片不易保存等缺点，已不能满足机械及信息化大生产的需求［6］。改进后的X射线焊缝检测采用磷光体成像技术，其方法通过IP板感光后形成潜影，再经过扫描转化成数字图像进行图像处理和识别［7］，其IP板经过激光束的扫描处理后可重复使用，但仍存在操作繁琐、感光程度差、数字化程度低等不足。因此采用X射线专用平板探测器对焊缝实时成像，并传输到图像处理与识别系统进行在线检测和分析，可实现全自动化、有效降低成本、且提高了检测效率和准确率等，是目前封头焊缝检测技术的发展趋势和热点。

由于封头材质、结构及厚度等因素影响，一般焊缝的X射线图像具有背景起伏较大、对比度不高、图像噪声干扰及边缘缺陷模糊等特点［8］，开发适应能力强、高效准确的图像处理算法是其研究重点。如利用多能谱X射线成像分析目标和背景的差异特点，提出将ICA 算法与多普X 射线成像结合实现目标的分离重建［9］；如基于直方图窗口的自适应技术，比较和搜索图像对比度的最大值，遍历确定最合适的帧长度与帧偏移量，以改善对比度造成的问题［10］；如通过对图像各向异性滤波后进行增强，提出了一种多步操作的图像增强方法，以提高边缘缺陷强度并保留图像高分辨率［11］；如提出基于卡尔曼滤波的焊缝缺陷自动检测方法，即将具有连续状态轨迹的对象评判为缺陷，而将无连续状态的轨迹对象进行剔除［12］等方法。都从具体对象的不同方面提高了焊缝图像识别效果。而封头焊缝尺寸大、检测精度要求高，开发灵活的图像采集装置和高效图像处理算法是关键。

针对X射线封头焊缝检测手段存在的不足，设计了基于X射线源、数字图像平板探测器的非接触式自动测量方案和一种自适应高效的焊缝图像处理及缺陷检测方法。采用固步灰度梯度法提取焊缝区域，去掉母材区域；采用双边滤波及高频区域增强处理对缺陷细节信息进行凸显；采Canny边缘检测算法组合树形分类器实现缺陷的特征提取和识别。该方法提升了X射线封头焊缝检测的效率与适应性，同时有效节约了成本。提出了具有良好自适应能力且快速准确的封头焊缝缺陷检测方法。

2 系统的结构及原理

基于X射线源、数字图像平板探测器的非接触式自动测量装置及焊缝检测系统，如图1所示。由X射线源、被检测工件、平板探测器、辅助成像装置、同步电路、检测服务器、显示器组成。

图1 系统组成图Fig.1 Components of System

按检测距离要求，X射线源发射射线穿透被检测工件后，射线光子被安装于辅助装置上的平板探测器接收，内部闪烁晶体将射线光子转换成可见光，通过非晶硅传感器阵列转换成电子从而形成数字图像，传输至检测服务器中进行自动处理和分析。系统图像处理流程，如图2所示。由图像分割、图像增强、检测识别三部分组成。

图2 图像处理流程Fig.2 Image Processing System

3 固步灰度梯度法的焊缝图像分割

如图3（a）所示，平板探测器所采集图像受到物体材料、探测器对比度以及物理扰动因素的影响［13］，造成母材区和焊缝区吸收的射线辐射量不同，引起封头数字图像中母材区和焊缝区灰度分布两极化，且焊缝与其内部的缺陷对比度很小。直接采用OSTU阈值分割及背景差分等方法很难直接分割，因此需要分步实现。考虑到焊缝区边缘处灰度值的梯度变化信息明显，故首先采用固步灰度梯度提取焊缝区域。

图3 X射线封头焊缝图像Fig.3 X-Ray Head Weld Image

为降低不同焊缝区域灰度值波动的影响，以固定步长区域将焊缝分为多个区域，如图3（b）所示。将大小为（M×N）的一帧拍摄的图像分成k份大小相同的区域，每个区域用Ak表示，则每一份图像的长为l=，每个区域的角点可表达为：

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

进一步对每个子区域图像沿列方向灰度值进行一阶差分变化，找出列灰度曲线中梯度变化的最大点，即为焊缝的边界信息，进而提取出焊缝区域，减少干扰。设每个子区域8位图像大小为m×n，图像的列灰度值一阶差分计算式为：

式中：f(i，j+ 1)—图像第i列j+1行点的灰度值；f(i，j)—图像第i列j行点的灰度值；A[j]—第j+1行与第j行的差值，通过上述方法即可获得某一列灰度值的一阶差分数值。

令A表示某一列一阶差分后灰度值集合，A[j]表示集合中元素的大小，Amax、Amin分别集合A中的最大值、最小值，设最大值、最小值的初始值为0，计算步骤如下：

（1）如果Amax＜A[j]，则Amax=A[j]，否则转到（2）；

（2）如果Amax＞A[j]，则Amin=A[j]。

对其使用循环迭代计算找到最大值Amax和最小值Amin，进而对整幅图像逐列分析。即可获取整个焊缝边界的信息，如图4所示。将X 射线焊缝图像灰度值反转后，随机提取序列号100 和200的列灰度曲线和一阶差分变换后的波形分析图。通过对封头焊缝边界信息的获取，提取出的每个焊缝区域，如图5所示。

图4 列灰度波形分析图Fig.4 Column Gray Waveform Analysis Chart

图5 封头焊缝区域的提取Fig.5 Extraction of Head Weld Area

4 图像增强处理

在X射线检测焊缝缺陷系统中，图像从获取、传输及存储的每一个环节都会造成图像信息失真和引入噪声，从而使图像降质，即图像退化［14］。退化后的图像出现对比度差、边缘模糊及信噪比低等特点，造成检测精度的下降，因此需进行图像增强。

4.1 图像降噪处理

均值滤波和中值滤波等大多数算法，对图像降噪的同时其细节信息、边缘信息也会有所丢失，导致图像再模糊现象，影响降噪后的图像质量。分析X射线平板探测器获取的图像中随机噪声较多，而在对图像降噪的同时需保留细节信息，故采用非线性双边滤波法［15］，其定义为：

式中：p、q—像素点的空间位置；S—以p为中心的模板区域；Gσh—灰度相似关系的高斯核函数；Ip-Iq—两像素点的灰度差；Gσs—几何临近关系的高斯核函数；‖p-q‖—两像素点空间的欧几里得距离；BF[I]p—替换后模板中心像素灰度值；Wp—归一化系数。

以区域4为试样，在中值滤波图6（a）和双边滤波图6（b）分别处理下的图像灰度值的三维分布图，如图6所示。表明双边滤波可以在平滑噪声的同时能够更好的保护目标缺陷的边缘细节，在对空间焊缝的数字图像进行降噪处理时可以取得更好的结果。

图6 不同滤波状态下的对比图Fig.6 Comparison Chart Under Different Filtering States

4.2 图像对比度增强

常见的图像增强方法可分为全局处理和自适应局部处理两大类［16］，全局直方图均衡增强及线性对比度拉升的方法，实现简单，但容易丢失图像细节信息。考虑到X射线图像经透射而成，图像细节的对比度低，因此这里提出一种自适应对比度增强方法。将图像的信息分解为高频与低频部分，对包含缺陷目标的高频细节部分做增强处理，然后重组得到增强后的图像，从而避免若干低频背景信息的干扰。其基本表达式为：

式中：h(i，j)—原图像点的灰度值；( 2n+ 1)2—(i，j)为中心的窗口区域；mh(i，j)近似为背景部分；[h(i，j)-mh(i，j)]—高频细节部分；σh2(i，j)—方差；f(i，j)—重构增强图像；D—权值系数。

以试样A为例，如图7（a）、图7（b）所示。经过双边滤波后的图像，焊缝的边缘及缺陷轮廓都较好的保留，且大部分的噪声从原始焊缝图像中去除。而降噪后的焊缝区域图像存在对比度低等缺陷，直接提取缺陷目标会存在较大的误差，分别对其使用直方图均衡化和设计自适应对比度增强的两类方法，产生的结果，如图7（c）、图7（d）所示。对比结果图可以看出这里提出的自适应对比度的增强方法，可以使X射线的封头焊缝图像达到较好的对比度增强效果。

图7 图像增强处理下的封头焊缝结果对比Fig.7 Comparison of Head Weld Results with Image Enhancement

5 焊缝缺陷目标检测及识别

5.1 缺陷目标检测算法

对比经典的边缘检测算法效果可知，Sobel、Robert等1阶导数算子，可检测图像的梯度变化情况，但对边缘细微缺陷的检测效率不高且对噪声比较敏感，如图8所示。Canny、LOG等2阶导数算子，既可以检测图像的梯度变化信息也可提取图像的细节，对此采用Canny算子对增强后的焊缝区域进行边缘检测。

图8 边缘检测算子处理结果对比Fig.8 Compared Result of Edge Detection Operators

对典型缺陷样本图像进行处理，分别进行整体区域分割（图9）以提取感兴趣的焊缝区域（图10），对典型缺陷的焊缝区域进行双边滤波（图11）和图像增强（图12），按设计的图像处理算法进行特征提取后效果，如图13所示。可看出对典型缺陷边缘提取的效果较好，缺陷细节基本未丢失，满足缺陷判级要求。

图9 封头焊缝缺陷整体分割图像Fig.9 Image of Overall Segmentation of Head Weld Defects

图10 封头焊缝区域提取Fig.10 Head Weld Area Extraction

图11 封头焊缝区域双边滤波Fig.11 Bilateral Filtering of Head Weld Area

图12 封头焊缝区域对比度增强Fig.12 Contrast Enhancement in Head Weld Area

图13 设计的图像处理算法检测的结果Fig.13 Designed Image Processing Algorithm Detection Result

5.2 检测结果识别与分析

缺陷的几何形状、灰度值的分布常常是焊缝缺陷判断的主要依据［17-18］。分析封头焊缝缺陷的位置以及几何特征，选取圆形度、长短径之比、面积像素与总像素之比、灰度偏差以及缺陷中心位置到焊缝中心的距离之比作为识别焊缝缺陷的特征参数。根据各特征参数之间的联系，采用决策树对缺陷的目标信息进行分类识别。识别结果，如图14所示。（Ⅰ）为气孔、（Ⅱ）为裂纹、（Ⅲ）为未融合、（Ⅳ）为夹杂、（Ⅴ）为未焊透。由分析可知，文章设计图像分割与增强方法可有效避免焊缝区域的灰度波动以及背景部分的灰度差异的干扰，使图像降噪增强的同时更多的保留了边缘的细节信息，从而实现了对封头焊缝缺陷的多样性提取，其适应性能力强、检测效率高，降低漏检率与误检率。

图14 检测结果的识别Fig.14 Identification of Test Results

6 结论

X射线焊缝缺陷检测是无损检测的重要手段之一，考虑到封头焊缝图像特点，利用灰度梯度变换及图像高频和低频信息特性，充分考虑兼顾图像整体与局部细节信息的关系，设计了一种能够应用于对比度较差、灰度波动较大的图像处理算法。实验结果表明，固步灰度梯度法提取焊缝区域可有效去除母材背景区域；结合双边滤波和高频图像增强的算法，实现了图像降噪同时保留细节的目的，为大型封头焊缝的缺陷检测提供了解决思路。