核燃料元件是核反應堆中的核心組成部分,是實現核能轉換的關鍵結構[1]。但在核燃料元件焊接時,受工藝或操作等因素影響,焊縫可能會出現氣孔缺陷,缺陷的存在會嚴重影響到產品的質量和安全性,因此需要對其實施檢測。 

目前,射線檢測是檢測焊縫缺陷的主要方法之一,但射線檢測數字圖像通常包含大量的噪聲和無關信息,這些信息會干擾缺陷的識別,而且在實際的應用中,由于射線檢測成像的復雜性,感興趣區域往往只占圖像中的一部分,因此需要一種能夠有效且準確提取感興趣區域位置并識別氣孔缺陷的方法。 

胡巍等[2]提出了一種基于頻域特征和支持向量機的檢測方法,首先進行圖像裁剪和尺寸歸一化等預處理,提取圖像的頻域特征,再利用所得的特征數據訓練支持向量機,最后利用訓練的支持向量機對待檢測圖像進行分類。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的分類算法,采用主成分分析進行主元分析,刪除冗余數據,降低維度,再將優化后的特征向量作為焊縫圖像二叉樹支持向量機識別模型的特征參數,實現焊縫缺陷的識別。王丹等[4]提出基于稀疏描述的缺陷識別,運用從海量數據中提取典型樣本、構建非參數化模型以及基于最優方向法的稀疏解求解等方法進行缺陷識別。以上研究未對核燃料元件焊縫中的缺陷進行檢測,相關的圖像處理方面的研究也較少,為此筆者設計了一種氣孔缺陷檢測方法,采用高斯濾波、形態學操作、邊緣檢測、輪廓擬合等方法提取了感興趣區域,然后采用對比度拉伸、灰度值補償、雙邊濾波、自適應閾值二值化等方法對檢測圖像進行識別。 

1.   圖像預處理

1.1   高斯濾波

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

高斯濾波通過加權平均每個像素及其鄰域內的其他像素值來實現濾波,而使得整個灰度圖像更加平滑,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,不易于進行感興趣區域提取,而銳化操作的效果主要體現在增強圖像的細節和邊緣上,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數算子的圖像處理技術。該技術通過二階導數邊緣提取方法,計算圖像中每個像素點與周圍像素值的差異來增強邊緣信息,并計算圖像二階導數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,即圖像中每個像素坐標點對應的灰度值；x為圖像中水平方向的像素坐標；y為圖像中豎直方向的像素坐標。 

圖像銳化之前不濾波與濾波的效果對比如圖2所示,圖2（a）為直接對原始焊縫圖像進行銳化后的圖像,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比

1.3   開運算

銳化后的圖像邊緣細節過多,為了達到平滑效果,應對灰度圖像進行開運算處理。灰度圖像的開運算處理時先進行腐蝕操作,消除圖像中的細小毛刺以平滑圖像輪廓,接著對腐蝕后的圖像進行膨脹操作,以補償腐蝕操作引起的面積變化。 

對灰度圖像進行開運算可以平滑較大物體的邊界,同時不會改變其面積,還可以去除相對于結構元素較小的明亮細節,優化圖像質量[6]。開運算操作后的圖像如圖3所示。 

圖  3  開運算操作后的圖像

1.4   二值化

采用二值化方法對感興趣區域進行初步提取,自適應閾值分割方法根據圖像的不同區域動態計算出不同的閾值來進行二值化,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]。在自適應閾值分割中,每次只取圖像中的一個小區域計算閾值,當小區域內目標與背景間的灰度值存在差異時,自適應閾值法能夠計算局部區域內所有像素點的灰度均值和方差,根據這些統計特性,計算出當前像素點的閾值,遍歷圖像中的每個像素點,直到整個圖像完成二值化。自適應二值化操作后的圖像如圖4所示。 

圖  4  自適應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域與外邊緣輪廓的灰度值相近,故可能會產生輪廓黏連現象,而腐蝕操作可斷開輪廓之間的細小連接。腐蝕操作的基本思想是如果結構元素所覆蓋的像素區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條件設定的其他值。 

進行腐蝕操作后,中間區域的面積進行了縮放,因此需要進行腐蝕操作的反操作,即膨脹操作。膨脹操作會使圖像中的目標區域向外擴張,對于每個像素,膨脹操作會檢查結構元素覆蓋區域內的像素值,并找到該區域內的最大值,然后該點的像素值會被更新為這個最大值。這樣,通過不斷遍歷圖像中的每個像素,進行膨脹操作,目標區域會向外擴張以補償縮小的部分,膨脹操作的效果同樣取決于結構元素的大小、形狀以及膨脹操作的迭代次數[8]。腐蝕、膨脹操作處理后的圖像如圖5所示,其中圖5（a）為對二值化后的圖像進行腐蝕后的圖像,圖5（b）為對腐蝕后的圖像進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   裁剪區域

通常感興趣區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區域進行裁剪,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,再向上進行固定寬度的裁剪,最后將裁剪后的輪廓與原圖混合疊加,并進行對比,觀察感興趣區域提取效果。裁剪后的掩膜圖像及對應的原圖感興趣區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應的原圖感興趣區域初步提取的圖像

2.   感興趣區域修正

2.1   引腳延伸過長

焊縫感興趣區域的上方會存在類似引腳的細長型區域,該區域受工藝影響可能會向下延伸,如果引腳延伸過長,會把引腳也算入1.6節所述的初步提取的感興趣區域內,而可能導致缺陷識別不準確。引腳延伸過長的圖像如圖7中標注出的區域所示。 

圖  7  引腳延伸過長的圖像

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

邊緣檢測的主要目的是識別并提取圖像中亮度變化劇烈的像素點集合,這些像素點集合構成了圖像的邊緣,這些邊緣通常代表圖像中不同物體或區域的邊界。邊緣檢測常用的有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方向的濾波模板,可以檢測圖像在這兩個方向上的邊緣變化,然而該算子對邊緣的定位可能不夠準確,有時會出現邊緣較粗的情況。 

Sobel算子兩個方向的模板分別為 

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數來進行邊緣檢測的,其使用兩個3×3的卷積核對圖像進行濾波,分別計算水平和垂直方向上的梯度,通過計算這些梯度,可以得到圖像中每個像素點處的邊緣強度和方向。與Sobel算子相比,Scharr算子在計算梯度時使用了不同的系數,從而對邊緣的響應更加強烈。 

Scharr算子兩個方向的模板分別為 

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算子使用一階偏導算子計算梯度的大小和方向來確定邊緣的方向和強度,然后在梯度圖像上進行非極大值抑制[11]；再進行雙閾值處理,根據設定的高閾值和低閾值,將像素分類為強邊緣、弱邊緣和非邊緣,如果像素的梯度大于高閾值,則被視為強邊緣,如果梯度低于低閾值,則被排除,對于位于高閾值和低閾值之間的像素,只有當其與強邊緣像素相連時,才被視為弱邊緣,最后,通過迭代連接弱邊緣像素來完善邊緣,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坐標為（x,y）的像素值；M（x,y）為像素點的梯度值；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算子的邊緣檢測結果如圖8所示。 

圖  8  Sobel算子、Scharr算子及Canny算子的邊緣檢測結果

在實際應用中,引腳目標具有固定的坐標位置,可以通過獲取各個輪廓的長度,將長度過短或過長的輪廓排除在外,并結合已知的輪廓橫縱坐標位置信息篩選出表示引腳的輪廓,在遍歷圖像過程中,可以計算每一行像素值的總和,并記錄和最小的那一行來找到輪廓向下延伸的最低點坐標。 

通過分別獲取左右兩個引腳輪廓向下延伸的最低點坐標,計算其到感興趣區域底邊的距離,如果該距離小于之前設定的初步提取感興趣區域的固定寬度,則對初步提取的感興趣區域進行裁剪,結果如圖9所示。 

圖  9  篩選后的引腳輪廓圖像及修正后的感興趣區域提取圖像

2.2   缺陷位于邊緣

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

圖  10  缺陷位于邊緣的圖像

由于缺陷被劃分到感興趣區域之外,感興趣區域的邊緣輪廓會出現線條的突變,先分別提取輪廓的邊緣,統計輪廓橫坐標,計算均值和標準差,如果有數據偏離均值過多,則將該坐標點舍棄,對剩下的輪廓曲線使用最小二乘法進行擬合,找到最優的擬合函數,即最適合描述給定數據點集合的曲線。筆者以擬合出的輪廓曲線作為左右兩端,修正感興趣區域的二值圖像掩膜,然后將擬合修正后的輪廓與原圖進行混合疊加,觀察感興趣區域的提取效果,其結果如圖11所示。 

圖  11  兩側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域提取圖像

3.   氣孔缺陷檢測

3.1   氣孔缺陷特征

氣孔缺陷對焊縫的性能會產生影響,導致焊縫的有效工作面積減小[12]。在射線圖像中,氣孔缺陷一般表現為白色的圓形或近圓形形狀,這些形狀的區域邊界通常比較清晰,與周圍焊縫組織的灰度值有所差異,而噪聲則表現為圖像中隨機的、不規則分布的小點或斑點,通常沒有特定的形狀或結構,同時噪聲的面積過小,可以通過圖像濾波進行消除。氣孔在焊縫中的分布通常比較集中,而噪聲則在整個圖像中均勻分布,沒有明顯的聚集或分散規律。 

3.2   對比度拉伸

為了使圖像更清晰,采用對比度拉伸操作。對比度拉伸是一種圖像增強技術,能夠改善圖像的對比度,使圖像更清晰,更適合后續處理。 

對比度拉伸能擴展圖像中像素灰度值的范圍,將一個較窄的灰度范圍映射到一個更寬的灰度范圍,即,能使得原本灰度值比較集中的像素點更均衡地分布在一個很大的范圍。對比度拉伸時,首先確定圖像中的最小和最大灰度值,然后根據這兩個值對圖像的每個像素進行重新映射,從而提高對比度。氣孔缺陷焊縫圖像及其對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比度拉伸后的圖像

3.3   兩側灰度補償

在射線成像時,焊縫左右兩端的灰度較高,這主要是由于射線在穿透物質時會發生衰減,衰減的程度取決于射線的能量、物質的密度和厚度。對于圓柱體,射線在穿過圓柱體邊緣時,所經過的物質厚度較小,因此衰減較少,探測器接收到的射線強度較高,從而在圖像上表現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而產生額外的射線強度,這也會增加邊緣部分的灰度值。 

為了減輕這一現象的影響,可以根據坐標的位置對應調整其灰度值,當像素點的橫坐標位于圖像兩端時,降低其像素灰度值,且對越靠近左右兩端部分的灰度值,調低得越多,調整后的圖像缺陷則更明顯、更清晰。 

3.4   雙邊濾波

對比度拉伸操作可能會放大圖像中的噪聲,而雙邊濾波可以有效地抑制這些噪聲。雙邊濾波在對每個像素進行濾波時,不僅考慮到了像素間的空間位置關系,還考慮了像素值之間的相似性,具體來說,雙邊濾波由兩個函數組成,核函數用于計算像素值之間的相似度,距離函數用于計算像素之間的空間距離；在濾波過程中,每個像素雙邊濾波器會計算其周圍像素的權重,然后根據這些權重對像素值進行加權平均,得到濾波后的像素值。雙邊濾波能在平滑噪聲的同時,較好地保留圖像的邊緣和細節信息。兩側灰度補償后的圖像及雙邊濾波后的圖像如圖14所示。 

圖  14  兩側灰度補償后的圖像及雙邊濾波后的圖像

3.5   自適應閾值二值化

另外,可以通過二值化操作將圖像中的目標從背景中分離出來,傳統的固定閾值分割方法在處理明暗不均的圖像時可能不夠靈活,難以達到理想的分割效果。自適應閾值分割法利用圖像的局部特征來自動調整閾值,實現對圖像中不同區域的有效分割（見圖15）,該方法在處理復雜背景和明暗不均條件下的圖像時具有較高的準確性。 

圖  15  自適應閾值二值化后的圖像

3.6   篩選目標區域

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寬比和面積作為進一步的篩選條件,輪廓的長寬比可以控制輪廓的形狀,設定面積上限去除面積大的異常輪廓區域,設定面積下限去除面積過小的噪聲。經過觀察發現,當氣孔缺陷的灰度值臨近區域的面積（長×寬）小于4×4個像素點時,人眼已無法判斷是否存在缺陷,因此設定氣孔缺陷的面積需大于16個像素點。 

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別與定位。 

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

圖  16  篩選后的氣孔缺陷掩膜及氣孔缺陷識別結果

3.7   驗證效果

更多的氣孔缺陷圖像的檢測效果如圖17所示。通過測試,氣孔缺陷識別準確率達100%。 

圖  17  不同氣孔缺陷圖像的檢測效果

4.   結語

針對焊縫的射線圖像,設計了一種氣孔缺陷檢測方法,采用了高斯濾波、形態學操作、邊緣檢測、輪廓擬合及一些后處理方法,提取了感興趣區域,然后采用對比度拉伸、灰度值補償、雙邊濾波、自適應閾值二值化等方法對氣孔缺陷進行識別。試驗結果表明,所提方法提高了缺陷圖像識別的穩定性和準確性,同時也為處于明暗不均環境的射線圖像中的小尺寸近圓形等類似目標的檢測提供了有效思路。

文章來源——材料與測試網