核燃料元件是核反應(yīng)堆中的核心組成部分,是實(shí)現(xiàn)核能轉(zhuǎn)換的關(guān)鍵結(jié)構(gòu)[1]。但在核燃料元件焊接時(shí),受工藝或操作等因素影響,焊縫可能會(huì)出現(xiàn)氣孔缺陷,缺陷的存在會(huì)嚴(yán)重影響到產(chǎn)品的質(zhì)量和安全性,因此需要對(duì)其實(shí)施檢測(cè)。 

目前,射線檢測(cè)是檢測(cè)焊縫缺陷的主要方法之一,但射線檢測(cè)數(shù)字圖像通常包含大量的噪聲和無(wú)關(guān)信息,這些信息會(huì)干擾缺陷的識(shí)別,而且在實(shí)際的應(yīng)用中,由于射線檢測(cè)成像的復(fù)雜性,感興趣區(qū)域往往只占圖像中的一部分,因此需要一種能夠有效且準(zhǔn)確提取感興趣區(qū)域位置并識(shí)別氣孔缺陷的方法。 

胡巍等[2]提出了一種基于頻域特征和支持向量機(jī)的檢測(cè)方法,首先進(jìn)行圖像裁剪和尺寸歸一化等預(yù)處理,提取圖像的頻域特征,再利用所得的特征數(shù)據(jù)訓(xùn)練支持向量機(jī),最后利用訓(xùn)練的支持向量機(jī)對(duì)待檢測(cè)圖像進(jìn)行分類。張小琳[3]提出了一種基于主成分分析和二叉樹支持向量機(jī)的分類算法,采用主成分分析進(jìn)行主元分析,刪除冗余數(shù)據(jù),降低維度,再將優(yōu)化后的特征向量作為焊縫圖像二叉樹支持向量機(jī)識(shí)別模型的特征參數(shù),實(shí)現(xiàn)焊縫缺陷的識(shí)別。王丹等[4]提出基于稀疏描述的缺陷識(shí)別,運(yùn)用從海量數(shù)據(jù)中提取典型樣本、構(gòu)建非參數(shù)化模型以及基于最優(yōu)方向法的稀疏解求解等方法進(jìn)行缺陷識(shí)別。以上研究未對(duì)核燃料元件焊縫中的缺陷進(jìn)行檢測(cè),相關(guān)的圖像處理方面的研究也較少,為此筆者設(shè)計(jì)了一種氣孔缺陷檢測(cè)方法,采用高斯濾波、形態(tài)學(xué)操作、邊緣檢測(cè)、輪廓擬合等方法提取了感興趣區(qū)域,然后采用對(duì)比度拉伸、灰度值補(bǔ)償、雙邊濾波、自適應(yīng)閾值二值化等方法對(duì)檢測(cè)圖像進(jìn)行識(shí)別。 

1.   圖像預(yù)處理

1.1   高斯濾波

在射線圖像采集時(shí),圖像傳感器、電路和其他相關(guān)組件可能受到各種內(nèi)部和外部因素的干擾,如溫度變化、電磁干擾等,從而產(chǎn)生噪聲,這些噪聲信號(hào)往往具有高斯分布的特性,因此表現(xiàn)為高斯噪聲。 

高斯濾波通過加權(quán)平均每個(gè)像素及其鄰域內(nèi)的其他像素值來(lái)實(shí)現(xiàn)濾波,而使得整個(gè)灰度圖像更加平滑,有助于減少圖像中的噪聲,因此高斯濾波可以為后續(xù)的圖像處理提供更有利的條件。 

原始焊縫圖像及其高斯濾波后的圖像如圖1所示。 

圖  1  原始焊縫圖像及其高斯濾波后的圖像

1.2   圖像銳化

高斯濾波后的圖像邊緣比較模糊,不易于進(jìn)行感興趣區(qū)域提取,而銳化操作的效果主要體現(xiàn)在增強(qiáng)圖像的細(xì)節(jié)和邊緣上,可使圖像中的輪廓更加清晰。 

圖像處理中最常見的銳化方法是拉普拉斯銳化,拉普拉斯銳化是一種基于二階導(dǎo)數(shù)算子的圖像處理技術(shù)。該技術(shù)通過二階導(dǎo)數(shù)邊緣提取方法,計(jì)算圖像中每個(gè)像素點(diǎn)與周圍像素值的差異來(lái)增強(qiáng)邊緣信息,并計(jì)算圖像二階導(dǎo)數(shù)和拉普拉斯算子與圖像的卷積[5],圖像的拉普拉斯算子可表示為 

式中：f為圖像函數(shù),即圖像中每個(gè)像素坐標(biāo)點(diǎn)對(duì)應(yīng)的灰度值；x為圖像中水平方向的像素坐標(biāo)；y為圖像中豎直方向的像素坐標(biāo)。 

圖像銳化之前不濾波與濾波的效果對(duì)比如圖2所示,圖2（a）為直接對(duì)原始焊縫圖像進(jìn)行銳化后的圖像,可見圖像噪聲很明顯,圖2（b）為高斯濾波后再進(jìn)行銳化后的圖像。 

圖  2  圖像銳化之前不濾波與濾波的效果對(duì)比

1.3   開運(yùn)算

銳化后的圖像邊緣細(xì)節(jié)過多,為了達(dá)到平滑效果,應(yīng)對(duì)灰度圖像進(jìn)行開運(yùn)算處理?；叶葓D像的開運(yùn)算處理時(shí)先進(jìn)行腐蝕操作,消除圖像中的細(xì)小毛刺以平滑圖像輪廓,接著對(duì)腐蝕后的圖像進(jìn)行膨脹操作,以補(bǔ)償腐蝕操作引起的面積變化。 

對(duì)灰度圖像進(jìn)行開運(yùn)算可以平滑較大物體的邊界,同時(shí)不會(huì)改變其面積,還可以去除相對(duì)于結(jié)構(gòu)元素較小的明亮細(xì)節(jié),優(yōu)化圖像質(zhì)量[6]。開運(yùn)算操作后的圖像如圖3所示。 

圖  3  開運(yùn)算操作后的圖像

1.4   二值化

采用二值化方法對(duì)感興趣區(qū)域進(jìn)行初步提取,自適應(yīng)閾值分割方法根據(jù)圖像的不同區(qū)域動(dòng)態(tài)計(jì)算出不同的閾值來(lái)進(jìn)行二值化,尤其適用于明暗分布不均的圖像,可以有效改善全局閾值分割效果[7]。在自適應(yīng)閾值分割中,每次只取圖像中的一個(gè)小區(qū)域計(jì)算閾值,當(dāng)小區(qū)域內(nèi)目標(biāo)與背景間的灰度值存在差異時(shí),自適應(yīng)閾值法能夠計(jì)算局部區(qū)域內(nèi)所有像素點(diǎn)的灰度均值和方差,根據(jù)這些統(tǒng)計(jì)特性,計(jì)算出當(dāng)前像素點(diǎn)的閾值,遍歷圖像中的每個(gè)像素點(diǎn),直到整個(gè)圖像完成二值化。自適應(yīng)二值化操作后的圖像如圖4所示。 

圖  4  自適應(yīng)二值化操作后的圖像

1.5   腐蝕、膨脹處理

由于中間部分的感興趣區(qū)域與外邊緣輪廓的灰度值相近,故可能會(huì)產(chǎn)生輪廓黏連現(xiàn)象,而腐蝕操作可斷開輪廓之間的細(xì)小連接。腐蝕操作的基本思想是如果結(jié)構(gòu)元素所覆蓋的像素區(qū)域中的最小值滿足特定條件,則將該像素的值更新為最小值或根據(jù)條件設(shè)定的其他值。 

進(jìn)行腐蝕操作后,中間區(qū)域的面積進(jìn)行了縮放,因此需要進(jìn)行腐蝕操作的反操作,即膨脹操作。膨脹操作會(huì)使圖像中的目標(biāo)區(qū)域向外擴(kuò)張,對(duì)于每個(gè)像素,膨脹操作會(huì)檢查結(jié)構(gòu)元素覆蓋區(qū)域內(nèi)的像素值,并找到該區(qū)域內(nèi)的最大值,然后該點(diǎn)的像素值會(huì)被更新為這個(gè)最大值。這樣,通過不斷遍歷圖像中的每個(gè)像素,進(jìn)行膨脹操作,目標(biāo)區(qū)域會(huì)向外擴(kuò)張以補(bǔ)償縮小的部分,膨脹操作的效果同樣取決于結(jié)構(gòu)元素的大小、形狀以及膨脹操作的迭代次數(shù)[8]。腐蝕、膨脹操作處理后的圖像如圖5所示,其中圖5（a）為對(duì)二值化后的圖像進(jìn)行腐蝕后的圖像,圖5（b）為對(duì)腐蝕后的圖像進(jìn)行膨脹操作后的圖像。 

圖  5  腐蝕、膨脹操作處理后的圖像

1.6   裁剪區(qū)域

通常感興趣區(qū)域底部到頂部的寬度距離是固定的,因此可以引入寬度的限制條件對(duì)區(qū)域進(jìn)行裁剪,先獲取圖像每行像素值的和,從下向上遍歷,找到輪廓底部邊緣的坐標(biāo),再向上進(jìn)行固定寬度的裁剪,最后將裁剪后的輪廓與原圖混合疊加,并進(jìn)行對(duì)比,觀察感興趣區(qū)域提取效果。裁剪后的掩膜圖像及對(duì)應(yīng)的原圖感興趣區(qū)域初步提取的圖像如圖6所示。 

圖  6  裁剪后的掩膜圖像及對(duì)應(yīng)的原圖感興趣區(qū)域初步提取的圖像

2.   感興趣區(qū)域修正

2.1   引腳延伸過長(zhǎng)

焊縫感興趣區(qū)域的上方會(huì)存在類似引腳的細(xì)長(zhǎng)型區(qū)域,該區(qū)域受工藝影響可能會(huì)向下延伸,如果引腳延伸過長(zhǎng),會(huì)把引腳也算入1.6節(jié)所述的初步提取的感興趣區(qū)域內(nèi),而可能導(dǎo)致缺陷識(shí)別不準(zhǔn)確。引腳延伸過長(zhǎng)的圖像如圖7中標(biāo)注出的區(qū)域所示。 

圖  7  引腳延伸過長(zhǎng)的圖像

判斷引腳最底端的位置是否位于初步提取的感興趣區(qū)域內(nèi),如果位于感興趣區(qū)域內(nèi),則把引腳區(qū)域排除掉。引腳最底端的坐標(biāo)位置可通過邊緣檢測(cè)得到。 

邊緣檢測(cè)的主要目的是識(shí)別并提取圖像中亮度變化劇烈的像素點(diǎn)集合,這些像素點(diǎn)集合構(gòu)成了圖像的邊緣,這些邊緣通常代表圖像中不同物體或區(qū)域的邊界。邊緣檢測(cè)常用的有Sobel算子、Scharr算子和Canny算子[9]。 

Sobel算子是一種基于圖像空域卷積的圖像梯度提取算子,主要用于獲得圖像的一階梯度[10],Sobel算子提供了水平和垂直兩個(gè)方向的濾波模板,可以檢測(cè)圖像在這兩個(gè)方向上的邊緣變化,然而該算子對(duì)邊緣的定位可能不夠準(zhǔn)確,有時(shí)會(huì)出現(xiàn)邊緣較粗的情況。 

Sobel算子兩個(gè)方向的模板分別為 

式中：Gx為Sobel算子在x方向的模版,Gx為3×3的矩陣；Gy為Sobel算子在y方向的模版,Gy為3×3的矩陣。 

Scharr算子是基于圖像梯度的二階導(dǎo)數(shù)來(lái)進(jìn)行邊緣檢測(cè)的,其使用兩個(gè)3×3的卷積核對(duì)圖像進(jìn)行濾波,分別計(jì)算水平和垂直方向上的梯度,通過計(jì)算這些梯度,可以得到圖像中每個(gè)像素點(diǎn)處的邊緣強(qiáng)度和方向。與Sobel算子相比,Scharr算子在計(jì)算梯度時(shí)使用了不同的系數(shù),從而對(duì)邊緣的響應(yīng)更加強(qiáng)烈。 

Scharr算子兩個(gè)方向的模板分別為 

式中：Hx為Scharr算子在x方向的模版,Hx為3×3的矩陣；Hy為Scharr算子在y方向的模版,Hy為3×3的矩陣。 

Canny算子使用一階偏導(dǎo)算子計(jì)算梯度的大小和方向來(lái)確定邊緣的方向和強(qiáng)度,然后在梯度圖像上進(jìn)行非極大值抑制[11]；再進(jìn)行雙閾值處理,根據(jù)設(shè)定的高閾值和低閾值,將像素分類為強(qiáng)邊緣、弱邊緣和非邊緣,如果像素的梯度大于高閾值,則被視為強(qiáng)邊緣,如果梯度低于低閾值,則被排除,對(duì)于位于高閾值和低閾值之間的像素,只有當(dāng)其與強(qiáng)邊緣像素相連時(shí),才被視為弱邊緣,最后,通過迭代連接弱邊緣像素來(lái)完善邊緣,形成完整的邊緣圖像,則有 

式中：C（x,y）為輸出圖像中像素點(diǎn)坐標(biāo)為（x,y）的像素值；M（x,y）為像素點(diǎn)的梯度值；MH為梯度值的高閾值；ML為梯度值的低閾值。 

Sobel算子、Scharr算子及Canny算子的邊緣檢測(cè)結(jié)果如圖8所示。 

圖  8  Sobel算子、Scharr算子及Canny算子的邊緣檢測(cè)結(jié)果

在實(shí)際應(yīng)用中,引腳目標(biāo)具有固定的坐標(biāo)位置,可以通過獲取各個(gè)輪廓的長(zhǎng)度,將長(zhǎng)度過短或過長(zhǎng)的輪廓排除在外,并結(jié)合已知的輪廓橫縱坐標(biāo)位置信息篩選出表示引腳的輪廓,在遍歷圖像過程中,可以計(jì)算每一行像素值的總和,并記錄和最小的那一行來(lái)找到輪廓向下延伸的最低點(diǎn)坐標(biāo)。 

通過分別獲取左右兩個(gè)引腳輪廓向下延伸的最低點(diǎn)坐標(biāo),計(jì)算其到感興趣區(qū)域底邊的距離,如果該距離小于之前設(shè)定的初步提取感興趣區(qū)域的固定寬度,則對(duì)初步提取的感興趣區(qū)域進(jìn)行裁剪,結(jié)果如圖9所示。 

圖  9  篩選后的引腳輪廓圖像及修正后的感興趣區(qū)域提取圖像

2.2   缺陷位于邊緣

若缺陷與感興趣區(qū)域輪廓的邊緣相連,缺陷與邊緣的灰度值相近,可能會(huì)導(dǎo)致二值化操作時(shí)將缺陷劃分至感興趣區(qū)域外,這樣提取的感興趣區(qū)域結(jié)果的邊緣會(huì)存在較明顯的突變線條（見圖10）,而可能造成檢測(cè)時(shí)的缺陷遺漏。 

圖  10  缺陷位于邊緣的圖像

由于缺陷被劃分到感興趣區(qū)域之外,感興趣區(qū)域的邊緣輪廓會(huì)出現(xiàn)線條的突變,先分別提取輪廓的邊緣,統(tǒng)計(jì)輪廓橫坐標(biāo),計(jì)算均值和標(biāo)準(zhǔn)差,如果有數(shù)據(jù)偏離均值過多,則將該坐標(biāo)點(diǎn)舍棄,對(duì)剩下的輪廓曲線使用最小二乘法進(jìn)行擬合,找到最優(yōu)的擬合函數(shù),即最適合描述給定數(shù)據(jù)點(diǎn)集合的曲線。筆者以擬合出的輪廓曲線作為左右兩端,修正感興趣區(qū)域的二值圖像掩膜,然后將擬合修正后的輪廓與原圖進(jìn)行混合疊加,觀察感興趣區(qū)域的提取效果,其結(jié)果如圖11所示。 

圖  11  兩側(cè)豎直方向的輪廓及擬合后的輪廓曲線

擬合修正前后的二值圖像掩膜及感興趣區(qū)域提取圖像如圖12所示。 

圖  12  擬合修正前后的二值圖像及感興趣區(qū)域提取圖像

3.   氣孔缺陷檢測(cè)

3.1   氣孔缺陷特征

氣孔缺陷對(duì)焊縫的性能會(huì)產(chǎn)生影響,導(dǎo)致焊縫的有效工作面積減小[12]。在射線圖像中,氣孔缺陷一般表現(xiàn)為白色的圓形或近圓形形狀,這些形狀的區(qū)域邊界通常比較清晰,與周圍焊縫組織的灰度值有所差異,而噪聲則表現(xiàn)為圖像中隨機(jī)的、不規(guī)則分布的小點(diǎn)或斑點(diǎn),通常沒有特定的形狀或結(jié)構(gòu),同時(shí)噪聲的面積過小,可以通過圖像濾波進(jìn)行消除。氣孔在焊縫中的分布通常比較集中,而噪聲則在整個(gè)圖像中均勻分布,沒有明顯的聚集或分散規(guī)律。 

3.2   對(duì)比度拉伸

為了使圖像更清晰,采用對(duì)比度拉伸操作。對(duì)比度拉伸是一種圖像增強(qiáng)技術(shù),能夠改善圖像的對(duì)比度,使圖像更清晰,更適合后續(xù)處理。 

對(duì)比度拉伸能擴(kuò)展圖像中像素灰度值的范圍,將一個(gè)較窄的灰度范圍映射到一個(gè)更寬的灰度范圍,即,能使得原本灰度值比較集中的像素點(diǎn)更均衡地分布在一個(gè)很大的范圍。對(duì)比度拉伸時(shí),首先確定圖像中的最小和最大灰度值,然后根據(jù)這兩個(gè)值對(duì)圖像的每個(gè)像素進(jìn)行重新映射,從而提高對(duì)比度。氣孔缺陷焊縫圖像及其對(duì)比度拉伸后的圖像如圖13所示。 

圖  13  氣孔缺陷焊縫圖像及其對(duì)比度拉伸后的圖像

3.3   兩側(cè)灰度補(bǔ)償

在射線成像時(shí),焊縫左右兩端的灰度較高,這主要是由于射線在穿透物質(zhì)時(shí)會(huì)發(fā)生衰減,衰減的程度取決于射線的能量、物質(zhì)的密度和厚度。對(duì)于圓柱體,射線在穿過圓柱體邊緣時(shí),所經(jīng)過的物質(zhì)厚度較小,因此衰減較少,探測(cè)器接收到的射線強(qiáng)度較高,從而在圖像上表現(xiàn)為較高的灰度值或亮度[13]。此外,圓柱體的邊緣可能由于散射效應(yīng)而產(chǎn)生額外的射線強(qiáng)度,這也會(huì)增加邊緣部分的灰度值。 

為了減輕這一現(xiàn)象的影響,可以根據(jù)坐標(biāo)的位置對(duì)應(yīng)調(diào)整其灰度值,當(dāng)像素點(diǎn)的橫坐標(biāo)位于圖像兩端時(shí),降低其像素灰度值,且對(duì)越靠近左右兩端部分的灰度值,調(diào)低得越多,調(diào)整后的圖像缺陷則更明顯、更清晰。 

3.4   雙邊濾波

對(duì)比度拉伸操作可能會(huì)放大圖像中的噪聲,而雙邊濾波可以有效地抑制這些噪聲。雙邊濾波在對(duì)每個(gè)像素進(jìn)行濾波時(shí),不僅考慮到了像素間的空間位置關(guān)系,還考慮了像素值之間的相似性,具體來(lái)說,雙邊濾波由兩個(gè)函數(shù)組成,核函數(shù)用于計(jì)算像素值之間的相似度,距離函數(shù)用于計(jì)算像素之間的空間距離；在濾波過程中,每個(gè)像素雙邊濾波器會(huì)計(jì)算其周圍像素的權(quán)重,然后根據(jù)這些權(quán)重對(duì)像素值進(jìn)行加權(quán)平均,得到濾波后的像素值。雙邊濾波能在平滑噪聲的同時(shí),較好地保留圖像的邊緣和細(xì)節(jié)信息。兩側(cè)灰度補(bǔ)償后的圖像及雙邊濾波后的圖像如圖14所示。 

圖  14  兩側(cè)灰度補(bǔ)償后的圖像及雙邊濾波后的圖像

3.5   自適應(yīng)閾值二值化

另外,可以通過二值化操作將圖像中的目標(biāo)從背景中分離出來(lái),傳統(tǒng)的固定閾值分割方法在處理明暗不均的圖像時(shí)可能不夠靈活,難以達(dá)到理想的分割效果。自適應(yīng)閾值分割法利用圖像的局部特征來(lái)自動(dòng)調(diào)整閾值,實(shí)現(xiàn)對(duì)圖像中不同區(qū)域的有效分割（見圖15）,該方法在處理復(fù)雜背景和明暗不均條件下的圖像時(shí)具有較高的準(zhǔn)確性。 

圖  15  自適應(yīng)閾值二值化后的圖像

3.6   篩選目標(biāo)區(qū)域

由于氣孔缺陷的形狀是圓形或近圓形,且面積明顯大于噪聲的,因此考慮引入輪廓的長(zhǎng)寬比和面積作為進(jìn)一步的篩選條件,輪廓的長(zhǎng)寬比可以控制輪廓的形狀,設(shè)定面積上限去除面積大的異常輪廓區(qū)域,設(shè)定面積下限去除面積過小的噪聲。經(jīng)過觀察發(fā)現(xiàn),當(dāng)氣孔缺陷的灰度值臨近區(qū)域的面積（長(zhǎng)×寬）小于4×4個(gè)像素點(diǎn)時(shí),人眼已無(wú)法判斷是否存在缺陷,因此設(shè)定氣孔缺陷的面積需大于16個(gè)像素點(diǎn)。 

將篩選后的二值圖像中剩余輪廓的外接矩形繪制到原始的圖像中,即可完成氣孔缺陷的識(shí)別與定位。 

篩選后的氣孔缺陷掩膜及氣孔缺陷識(shí)別結(jié)果如圖16所示,其中圖16（a）為根據(jù)面積和長(zhǎng)寬比等信息篩選出的氣孔缺陷掩膜,圖16（b）為根據(jù)掩膜得到的氣孔缺陷識(shí)別結(jié)果。 

圖  16  篩選后的氣孔缺陷掩膜及氣孔缺陷識(shí)別結(jié)果

3.7   驗(yàn)證效果

更多的氣孔缺陷圖像的檢測(cè)效果如圖17所示。通過測(cè)試,氣孔缺陷識(shí)別準(zhǔn)確率達(dá)100%。 

圖  17  不同氣孔缺陷圖像的檢測(cè)效果

4.   結(jié)語(yǔ)

針對(duì)焊縫的射線圖像,設(shè)計(jì)了一種氣孔缺陷檢測(cè)方法,采用了高斯濾波、形態(tài)學(xué)操作、邊緣檢測(cè)、輪廓擬合及一些后處理方法,提取了感興趣區(qū)域,然后采用對(duì)比度拉伸、灰度值補(bǔ)償、雙邊濾波、自適應(yīng)閾值二值化等方法對(duì)氣孔缺陷進(jìn)行識(shí)別。試驗(yàn)結(jié)果表明,所提方法提高了缺陷圖像識(shí)別的穩(wěn)定性和準(zhǔn)確性,同時(shí)也為處于明暗不均環(huán)境的射線圖像中的小尺寸近圓形等類似目標(biāo)的檢測(cè)提供了有效思路。

文章來(lái)源——材料與測(cè)試網(wǎng)