刘 辉，万 文，熊震宇

（南昌航空大学，江西 南昌 330063）

X射线焊缝图像的缺陷检测与识别技术

刘 辉，万 文，熊震宇

（南昌航空大学，江西 南昌 330063）

针对目前无损检测主要采用人工方式存在的主观不一致、检测效率低、操作复杂等问题，设计了一套焊缝缺陷自动检测系统。提出基于Otsu双阈值分割的缺陷区域自动提取、图像的降噪和灰度增强的图像预处理方法；通过SUSAN算法检测焊缝缺陷目标，并结合形态学孔洞填充算法修正缺陷目标；计算焊缝缺陷目标特征参数，并结合所设计的深度为4的二叉树分类识别逻辑流程，实现了较好的焊缝缺陷的检测结果。

焊缝缺陷；图像处理；特征参数

0 前言

针对焊接过程中出现的各种质量问题，对其中的焊接构件进行有效的无损检测。工作人员通过评价结果及时提出相应的解决办法，避免不合格焊件流入市场，防止不必要的经济损失[1-2]。当前，无损检测方法很多，射线检测是无损检测的重要方法之一[3]。

射线检测的关键技术是图像处理技术。为了能够准确判定焊缝质量，需针对焊缝图像采用合理的图像处理算法，准确显示焊缝中存在的缺陷。当前，缺陷检测还停留在胶片成像阶段，虽然成像效果好，但检测效率低，检测过程繁琐，资料需要人为归档保存，不易实现自动化。因此，结合先进的图像处理技术和图像采集技术，采用X射线透射系统对焊接构件进行探伤，利用图像处理算法标定焊缝缺陷，可大大提高检测效率，有效克服因人工评定带来的漏判或误判[4]。

基于上述研究背景，在此结合先进的图像处理技术，实现对焊缝缺陷的自动提取、识别与分类。

1 X射线检测原理与成像系统

1.1 X射线检测原理

X射线检测是利用透射前后射线的透射强度发生改变而能够反映物质的内部结构信息以灰度信息的形式表现，而这些灰度信息是连续能谱X射线各种能量透射和散射的结果。一旦工件中存在缺陷，透射强度会发生改变，导致透射图像的灰度值相应改变，基于此原理而开展缺陷检测。

射线检测原理如图1所示，当一束强度为I0的射线垂直入射到厚度为T的焊接构件时，如果焊接构件内部存在厚度为ΔT的缺陷，透射强度将与没有缺陷X射线透射强度不一致。有无缺陷的透射强度分别为

式中I和I'分别为无缺陷和有缺陷部位透射强度；μ为衰减系数，它与被检测工件的密度、厚度及材质等物理和化学因素有关。

1.2 X射线在线检测系统组成

图1 射线检测原理

线阵探测器实时成像检测系统由射线室和控制室两部分构成，如图2所示。射线室主要包括射线源和检测工作台；控制室主要由一台计算机完成对图像数据的采集、机械系统的控制、射线源的开关闭以及图像处理工作。

图2 工业线阵探测器实时成像检测系统

2 X射线焊缝图像的预处理

2.1 基于Otsu双阈值分割方法的焊缝区域提取

Otsu双阈值分割方法是对Otsu阈值分割方法的扩展。该方法是在寻求类间方差最大情况下获取最佳阈值。而焊缝区域提取只需在寻求两个最佳阈值时取较小的即为所求阈值。设输入图像为f（x，y），输出图像为g（x，y）。那么Otsu双阈值分割算法如下：

（1）由式（3）计算输入图像f（x，y）的归一化直方图，用pi表示，i=0，1，2，…，255表示该直方图的各个分量。显然有

（2）假设选择二个阈值T1（k）=k1、T2（k）=k2，它们把图像分为C1、C2、C3，则像素被分到类C1、C2、C3的概率P1（k）、P2（k）、P3（k）分别为

（3）分别分配到类C1、C2、C3的像素的平均灰度值为

（4）整个图像的平均灰度值为

（5）对于由三个灰度间隔组成的三个类C1、C2、C3类间方差为

并且有如下关系成立

取k1的值从1开始，k2所有值在大于k1和小于L-1的范围内增加（即k2=k1+1，…，L-2）。然后k1= L-3为止。最后，在矩阵中寻找最大值。若中只有两个最大值，则这两个最大值k1、 k2就是最佳阈值如果存在多个最大值，则取k1和k2的平均值作为图像分割的最终阈值。

采集的焊缝缺陷图像如图3所示，图像中存在三个明显的灰度区域。焊缝区域的提取主要是将焊缝区域与其周围的背景区域（板材区域和焊缝区域）分离出来。最佳阈值k1*和k2*分别代表焊缝区域与板材区域的分割阈值及板材区域与背景区域的分割阈值。显然只需把k1*作为焊缝区域提取的二值化分割阈值，就能实现对焊缝区域的准确提取。二值化处理后的图像由式（10）给出

图像灰度直方图及其分割的阈值分别如图3、图4所示。由图4可知，Otsu双阈值分割方法能有效提取焊缝区域，在最佳阈值时焊缝边缘无失真现象。表明采用Otsu双阈值分割方法得出的阈值合理，能够有效提取焊缝区域。

图3 图像直方图及自适应Otsu双阈值

2.2 焊缝图像降噪与灰度值增强

由于系统内部设备电路电流不稳定、材料本身等因素会引起噪声，本研究利用中值滤波方法对图像进行降噪处理。中值滤波器是使用结构元素中值来替代中心像素值的一种常用滤波方法。

实验采用式（11）所示的3×3结构元素，并结合式（12）进行焊缝图像中值滤波。

图4 采用Otsu双阈值分割的结果（图像经过放大）

式中fi，j为需要替换的像素点（i，j）的灰度值。

滤波前后图像如图5所示。

图5 焊缝图像中值滤波

由图5b可知，经过中值滤波后，焊缝边缘及缺陷轮廓较为良好地保存下来，且大部分原始焊缝图像的噪声从图像中剔除。原始噪声像素点的灰度值用其对应结构元素的灰度中值代替，有效滤除了原始图像中的噪点。

经过图像降噪的X射线焊缝区域图像，存在对比度低、缺陷边缘模糊等特点，直接提取缺陷目标会给结果带来很大误差。采用伽马变换对图像灰度进行对比度拉伸，并基于灰度直方图计算焊缝图像的累积分布，从而确定灰度的拉伸极限，以达到最佳的对比度增强效果。

3 基于SUSAN的焊缝缺陷目标检测方法

3.1 SUSAN算法原理

SUSAN检测是一种基于图像几何特征的一种缺陷目标检测方法，它将图像中灰度分为角点、边缘和偏平区三类，直接利用图像的灰度特征进行检测。SUSAN原理如图6所示，图像中的每个像素点都代表SUSAN模板的核，模板可分为吸收核同值区和非吸收同值核区两个独立的区域。SUSAN算法的原理就是判断模板中相似灰度的比率。

判断以某点O为圆心，r为半径的模板内属于图中最小吸收同值核区区域的像素的判别函数为

图6 SUSAN原理

式中C（r0）是以r0为圆心的模板；C（r0，r）是以r0为模板中心，r为半径的模板；t为灰度差阈值，表示SUSAN所能检测的最小对比度，该值决定提取特征量的多少，t值越大，特征越少；t值越小，特征越多。

以某点O为圆心，r为半径的像素C（r0，r）的累加值被定义为USAN区域大小，其表达式为

利用式（14），使用半径为r的模板扫描整幅图像，可得每个像素的USAN区域，再由式（15）产生USAN的特征图像

式中g为几何阈值。文献[5]指出，在检测边缘时，g一般取3nmax/4。提取角点时，g取nmax/2。其中nmax为n（r）的最大值。g的取值与检测得到的特征有关，g值越小，检测得到的特征越尖锐。

SUSAN（最小吸收同值核区）算法可以一次性检测出边缘点、角点。由于模板为圆形，检测结果没有方向性，并能在特征图像中保持背景与目标的完整特征。由于SUSAN算法的计算过程中，在确定USAN区域大小时是对C（r0，r）的累加，这实际上是一个积分的过程，所以SUSAN算法能够很好地抑制高斯噪声的影响。同时，SUSAN算法避免了梯度的运算，计算量小，实现简单，运算速度快。

3.2 SUSAN算法的具体实现

根据SUSAN原理，对X射线焊缝图像进行检测，取g=3nmax/4（nmax=37），t=0.15ΔI，ΔI=Imax-Imin，模板采用susan_strel。具体实现过程如下：

（1）计算经过分割后提取出的焊缝区域的灰度最小值Imin和最大值Imax，然后利用t=0.15ΔI，自适应计算灰度差阈值t。

（2）为防止SUSAN模板对焊缝图像边缘3个像素漏检，分配一个长和宽均比待检测图像大7的图像矩阵A（该矩阵元素全部为0），对于矩阵A从坐标值（4，4）处开始，依次将待检测图像灰度值赋给矩阵A。并利用susan_strel模板在图像矩阵A中进行滑动，模板中心O每滑动到达一位置都由式（13）和式（14）计算模板内属于USAN区域的像素的判别函数C（r0，r）和USAN区域大小n（r0）。

（3）由公式（15）计算得到USAN区域的特征图像R（r0）。

（4）对得到的特征图像进行二值化处理，对于R（r0）＞1的像素点，令其灰度值为255，即亮灰度值显示，R（r0）≤1的像素点令其灰度值为0。

SUSAN检测结果如图7所示。

图7 SUSAN算法检测结果

3.3 目标内部的区域填充

当SUSAN算法中，模板susan_strel尺寸偏小，缺陷目标较大时，有时会出现只检测出边缘信息而内部点并未包含在检测标记中。这样会严重影响后续缺陷尺寸的计算准确性，造成缺陷分类错误等后果。所以务必对缺陷内部区域进行填充。

形态学孔洞填充是一种常用的区域填充方法[6]，它是一种基于形态学膨胀、求补和交集的算法。具体实现过程是：对图7d所示图像（为8位图像）进行灰度值归一化处理，即灰度值为255的像素点设置为1，其他灰度为0的点保持不变。并确定封闭轮廓线内某点作为种子点X0，然后开始搜索与种子点X0相邻且位于轮廓线内的点X1。若相邻点不在轮廓线内，则说明该种子点已经达到轮廓线的边界；若相邻点位于轮廓线之内，则该点将成为新的种子点，继续搜索，直到孔洞被完全填充。本研究结合MATALB中Image Processing Box函数库中函数imfill（）思想，实现以上孔洞填充，其填充效果如图8所示。

图8 孔洞填充后图像

4 焊缝缺陷目标的特征计算及识别

4.1 焊缝缺陷目标特征参数的计算

判断焊缝缺陷的依据主要有：缺陷的灰度值分布、缺陷在图像中的位置及缺陷的几何特征。通过分析以上缺陷类型的几何特征及在图像中的位置分布，选取长短径之比（d1/ds）、圆形度（e）、边界水平方向像素数（H）与边界总像素数（N）之比、灰度偏差（δ）、缺陷中心距焊缝中心位置的距离（d）及面积像素数（S）与边界总像素数（N）之比作为特征参数识别缺陷类型。

（1）缺陷周长。分别计算某个缺陷连通区域方向链码，统计方向链码中奇数数字个数和偶数数字个数。利用公式，求出C。

（2）缺陷面积，即为缺陷区域内像素点的个数。在二值图像中，令缺陷目标为1，则缺陷面积的计算公式为

（3）周长面积比。缺陷周长除以缺陷面积。

（4）圆形度。与缺陷周长和缺陷面积相关，直接利用公式e=4πS/C2计算得出。

（5）填充度。二次扫描法得到的向量gray_coord中，统计子向量存储坐标中横纵坐标最大和最小值点。横坐标最大值点减去横坐标最小值点得出lx，纵坐标最大值点减去纵坐标最小值点得出ly。结合公式ω=S/（lx·ly）计算得到圆形度。

（6）长短径之比，即长轴长度（dl）除以短轴（ds）长度。计算长轴dl的方法：遍历向量gray_coord中的子向量中任意两点间距离的最大值。短轴方向不一定是竖直或水平方向，需要做长轴的法线来确定短轴方向。然后比较垂直于长轴方向的边缘坐标数组，利用两点之间的距离公式得到短轴的长度ds。从而得到长短径之比。

（7）边缘水平方向像素数与边缘总像素数之比。边缘总像素数等于方向链码标记个数，边缘水平方向像素数等于参数lx。

（8）缺陷目标自身灰度偏差，通过二次扫描法提取各个缺陷目标的连通区域坐标，存储于向量gray_coord中，并以向量gray_coord中存储坐标值为索引，遍历分割图像中缺陷目标，提取缺陷区域每个像素点灰度值并求其灰度最大值。结合该缺陷方向链码个数求出缺陷目标自身灰度偏差。

4.2 焊缝缺陷识别

针对X射线焊缝图像中的各特征之间的联系，并提高分类算法的运行速率，降低求解的复杂度，采用树形分类器对缺陷目标的各种缺陷信息进行分类识别。识别参数流程如图9所示。

图9 识别逻辑流程结构

5 结论

（1）采用一种基于Otsu双阈值分割的缺陷区域自动分割方法，实现焊缝的自动提取。结果表明，该方法能够获得较好的分割结果，同时提高图像分割速率。

（2）采用SUSAN算法检测图像边缘，并提出SUSAN模板中自适应阈值的选取方法，提高边缘检测效果。结果表明，SUSAN算法具有良好的抗噪能力和边缘检测能力。

（3）对于焊缝缺陷分类，设计了深度为4的二叉树分类器及合理的识别逻辑流程。对于单幅图像，在图像尺寸为512×512、缺陷个数为5的X射线焊缝缺陷图像中，处理速度为0.3 s，能够满足缺陷检测与识别要求。

[1]Kochan A.Laser welding adapts to non-linear tailored blanks[J]．ASSEBLYAUTOM，2001，21（1）：48-50．

[2]李亚江，刘强，王娟，等．焊接质量控制与检验[M]．北京：化学工业出版社，2006.

[3]杨静，王明泉.基于X射线图像的焊缝缺陷检测与识别技术[D].山西：中北大学，2008.

[4]周正干，滕升华，江巍，等.焊缝X射线检测及其结果的评判方法综述[J].焊接学报，2002（3）：85-88.

[5]刘博，仲思东.一种基于自适应阈值的SUSAN角点提取方法[J].红外技术，2006（6）：331-333.

[6]孙兆林.MATLAB图像处理[M]．北京：清华大学出版社，2002.

Defect detection and recognition technology of X ray weld image

LIU Hui，WAN Wen，XIONG Zhenyu
（Nanchang Hangkong University，Nanchang 330063，China）

Aiming at the problems existing in the nondestructive testing using artificial methods，such as subjective inconsistency，low efficiency and complicated operation，a set of automatic inspection system for weld defects was designed.An image preprocessing method based on Otsu double threshold segmentation for automatic extraction of defective area，image noise reduction and grayscale enhancement was proposed；by SUSAN algorithm for detection of weld defect target，and combined with morphology hole filling algorithm to modify defect targets；through the calculation of the target characteristic parameters of the weld defects，and combined with the design depth of two of the 4 binary tree classification recognition logic process，to achieve a better detection results of the weld defects.

weld defect；image processing；characteristic parameters

TG456.7

A

1001－2303（2017）04－00

10.7512/j.issn.1001-2303.2017.04.

献

郭吉昌，朱志明，闫国瑞，等.基于UG的弧焊机器人离线编程系统开发[J].电焊机，2017，47（01）：1-6.

2016-09-09；

：2016-12-25

刘 辉（1991—），男，江西人，在读硕士，主要从事机器人自动焊接及焊缝跟踪检测的研究工作。