王 燕, 陈华斌， 朱宇宏, 姚 强

(1.江苏省产品质量监督检验研究院, 江苏 南京 210029)(2.上海交通大学 材料科学与工程学院， 上海 200240)

超声波衍射时差探伤法(time of flight diffraction,TOFD),是一种依靠从待检试件内部结构(主要是指缺陷)的“端角” 和“端点”处得到的衍射能量来检测缺陷的方法．该方法适合于大厚件焊缝检测,特别是超声TOFD检测技术对焊缝中裂纹类缺陷检出效果明显,是其它检测方法无法比拟的．目前欧洲、美国和日本已将该检测方法应用于长管道及压力容器的检测[1-4]．

超声TOFD技术与常规超声检测技术相比,具有缺陷测量精度高、定量化表征缺陷位置信息的特点,其测量精度能够控制在±1 mm[5]．然而,现有的超声TOFD设备及图谱离线分析软件,通过放置探头在无缺陷位置找出直通波,采用人工方式确定A扫描波幅负向最大或者正向最大的地方,然后借助仪器内部嵌入的离线分析软件进行TOFD校准(直通波为参考位置),读出深度方向显示标尺值．然而,上述方法在探头频率、角度和中心距改变需要重新校准,软件自动化功能尚欠缺．

基于现有商业产品存在的局限性,文中介绍了一种基于图像的全新自动标定方法:采用图形形态学方法对超声TOFD图谱进行二值化处理,通过霍夫变换精确定位直通波波峰,最终实现TOFD图谱的计算机标定．

1 试验

数字化超声TOFD采集系统主要由发射/接收探头、机械扫查装置、超声采集卡以及外围电路等几部分构成．软件系统是基于C++语言框架自主开发设计,具有显示设置、扫查设置、测量设置和校准设置,还包括离线分析功能．

文中试验系统采用南通友联开发的USB总线超声采集卡,基于“一发一收”模式,结合厂家开发的接口函数库,构建超声TOFD缺陷检测系统(图1),标准试块选取板厚150 mm奥氏体不锈钢焊接试样．参考特种设备行业标准JB/T 4730.10采用2/3T法则、依据角度和探测深度,确定探头间距．

图1 TOFD扫查系统与试块Fig.1 TOFD scan system and specimen

2 TOFD图谱特征分析及处理

图2为一段典型的TOFD图谱,灰度图显示了一段沿焊缝方向上的D扫图像,波形图是灰度图中某一条A扫波形图．

图2 典型TOFD A扫查图谱Fig.2 Typical A-scan image of TOFD

众所周知,TOFD系统施加在探头上的电压脉冲为单极性或双极性矩形脉冲,探头脉冲持续时间不大于2个周期．通常超声TOFD检验的深度测量的核心问题是选择A扫信号上的哪一点作为信号的到达时间:测量A扫信号起始点、测量信号的峰值点以及正负半轴变换点．然而,由于TOFD图像白色区域或黑色区域存在一定宽度,还有A扫信号前半周微弱等因素,导致无法精准找到直通波A扫信号的前沿．类似这样的问题,可通过TOFD图像与A扫信号的对比,以及改变信号测量位置等手段可解决上述问题．

基于这一思想,采用A扫缺陷信号和TOFD图像信息相结合的方式,借助计算机图像处理技术实现直通波的精准定位．

2.1 图像窗口设置及预处理

TOFD图谱是由射频信号灰度化而来,射频信号对应的灰度值范围是0～255．根据TOFD成像原理,直通波、底面回波、底面反射横波这3条近似水平线将图谱分割如下2个主要区域:纵波衍射区域、波形转换区域(图3)．

图3 TOFD图谱D扫窗口设置Fig.3 D-scan window setting of TOFD

为了提高图像计算机处理速度,选取图3所示的直通波-底面回波这部分区域作为待处理图像．由于纵波在固体介质中传播的速度是横波的2倍,波型转换区宽度和纵波衍射区的图像宽度近似相等．文中从图3中截取时间轴一半区域的图像来进行分析．

考虑到A扫信号除了目标信号之外,在图谱数据采集、量化、传输过程中还产生随机噪声信号,导致TOFD图谱合成图像质量降低,需对原始图像进行降噪处理和图像复原,以增强TOFD图谱特征信息．原始TOFD 图像中的直通波、缺陷信号与底面反射波相比,灰度值梯度较大,中值模糊对有大孤立点的图像非常敏感,采用高斯模糊算法,处理结果如图4．

2.2 图谱形态学处理及阈值分割

形态学处理采用具有一定几何形态的结构元素去度量和提取图像中对应形状从而识别和分析图像特征,通过形态学处理将直通波与底面回波的特征加以强化[6-7]．

图4 TOFD图谱高斯模糊处理Fig.4 Gauss smoothing of TOFD image

设f(x,y)是输入图像,b(x,y)为结构元素,运用b(x,y)对TOFD图像进行膨胀、腐蚀点运算,具体算法为:

(1)

(2)

图4所示的直通波在缺陷表面开口处中断使得直通波图像分布不连续,采用36*2的矩形核对图像进行膨胀处理,膨胀后直通波被重新连接(图5a))．然后对图像进行腐蚀处理,消除图像中的不需要细节,缺陷信号的尺寸被限制在较小的范围,同时增强了直通波与底面回波特征(图5b))．

a) 膨胀

b) 腐蚀

在图5形态学处理基础之上,选用7*7模板对上述图像进行自适应阈值分割处理,采用Sobel边缘检测算法对分割后的图像进行边缘提取,处理结果见图6．

图6 自适应阈值处理Fig.6 Adaptive threshold processing

2.3 直通波搜索

经典Hough变换计算量较大,在直通波和底面回波检测中,并不需对TOFD图谱中所有的点进行Hough变换,本文采用改进的概率Hough变换(PPHT)进行直通波搜索,其参数方程为:

(3)

(4)

图7 霍夫直线搜索的坐标位置Fig.7 Coordinate position obtained by Hough transformation

在获得直通波粗定位后,基于TOFD图谱背景灰度值,在待标定的A扫信号一定领域内进行峰值搜索,获取直通波的标定坐标．

2.4 自动标定算法验证与误差分析

为验证上述自动标定算法的准确性和可靠性,利用TOFD系统对厚度20 mm的标准试块进行16次随机D扫实验,并与手工标定结果进行了对比,如图8．

计算机标定值与试块厚度的标准差为0.404,试块厚度计算机测量的平均值为19.811 mm．考虑到声束传输时间、耦合剂厚度变化、检测表面平整度、声速变化等因素对TOFD图谱的影响,文中采用的厚度自动测量误差是合理的．

图8 TOFD图谱自动标定结果Fig.8 Auto calibration results of TOFD image

3 结论

1) 提出了一种超声TOFD图谱自动快速标定算法,采用高斯模糊降噪和形态学处理得到二值化的TOFD图谱,通过改进的概率Hough变换和峰值搜索方法对直通波进行精确定位,并获得了底面回波的精确位置信息．

2) 完成了自动标定底层代码的集成,利用该软件系统,对20 mm标准试块进行了16次随机D扫实验,TOFD图谱计算机标定标准差为0.404,均值为19.811 mm,试验结果表明该方法具有很高的精度和鲁棒性．

参考文献(References)

[1] 魏勤,卫婷,董师润,等.超声波法测量金属材料的杨氏模量和剪切模量[J].江苏科技大学学报：自然科学版，2012,26(1):27-30.

Wei Qin, Wei Ting, Dong Shirun, et al.Ultrasonic determination of Youngs and shear modulus of metal materials[J].JournalofJiangsuUniversityofScienceandTechnology:NaturalScienceEdition, 2012,26(1):27-30.(in Chinese)

[2] 刚铁,迟大钊,袁媛.基于合成孔径聚焦的超声TOFD检测技术及图像增强[J].焊接学报,2006,27(10):7-10.

Gang Tie, Chi Dazhao, Yuan Yuan.Ultrasonic TOFD technique and image enhancement based on synthetic aperture focusing technique[J].TransactionsoftheChinaWeldingInstitution, 2006, 27(10):7-10.(in Chinese)

[3] 李衍.超声TOFD检测读谱[J].无损探伤, 2010,34(5):1-8.

Li Yan.Recognition and interpretation of ultrasonic TOFD examination images [J].WuSunTanShang, 2010,34(5):1-8.(in Chinese)

[4] Meksen T M, Boudraa B, Drai R, et al.Automatic crack detection and characterization during ultrasonic Inspection[J].JournalofNondestructiveEvaluation, 2010,29 (3):169-174.

[5] Baby S, Balasubramanian T,Pardikar R J,et al.Time-of-flight diffraction (TOFD) technique for accurate sizing of surface-breaking cracks insight[J].Non-DestructiveTestingandConditionMonitoring,2003,45(6):426-430.

[6] Jain R, Kasturi R, Schunck B G.Machine Vision[M].USA：McGraw-Hill, Inc.,1995.

[7] Thiran J, Macq B.Morphological feature extraction for the classification of digital images of cancerous tissues[J].BiomedicalEngineeringIEEETransactionson, 2002, 43(10): 1011-1020.