铝合金焊缝X射线底片缺陷计算机辅助识别的若干关键技术

焊缝X 射线底片计算机辅助评定的若干关键技术宋永伦1闫志鸿1张万春2蒋立2周贵强2（1. 北京工业大学机电学院2. 中国航天科技集团长征机械厂）摘要：本文从X射线底片的数字化、焊缝提取与缺陷分类、全景信息评定等方面阐述了用于焊缝X 射线底片计算机辅助评定的几个关键技术的构成，以便使这一具有多学科特征的信息化技术能不断发展来满足工业界的需求。

关键词：焊缝X射线底片计算机辅助评定射线检测信息化是现代无损检测技术发展中的一个重要分支。

焊缝X 射线底片自动评定技术的研究在国内外一直受到高度重视，日本，英国，美国，加拿大等国家在这方面的研究较早[1、3、5]。

1968 年，日本东京大学的Y.Shirai 在日本无损检测协会的会议上提出了焊接X 射线底片的自动检测方法[2]。

其算法主要用于提取边界特性及其相关参数，用于检出焊道和焊接缺陷。

1979 年，日本井上胜敬研制了一个焊接图像的在线处理系统。

该系统的主要部件是一个二值图像处理器（BIP），配置相应的软件流程，取得了较好的效果[4]。

1982 年井上胜敬进一步提出了焊接缺陷自动识别与分类系统，该系统由学习系统和分类系统组成。

在识别系统中，采用统计方法计算缺陷的五个特征参数，然后通过与学习系统得到的特征参数进行比较，从而判别缺陷的性质[6]。

1987年，British Journal of NDT 杂志刊登了在X 射线实施检测中焊缝缺陷的自动识别，提出了三个实时处理系统。

焊缝缺陷的X 射线实时自动判别系统属于复杂的模式识别领域，需要较高的硬件支持和专门的图像分析算法[7]。

90 年代以来，在计算机技术和人工智能技术的方面取得了很大的发展，这大大加快了评片系统自动化进程[8－13]。

我国在80 年代初期，已研制出微型机焊接缺陷自动检测系统，该系统提出了“模块差分法”来加强模糊X 光片图像的锐化效果，运用加权Freeman 码以利某些几何图形的边缘轮廊跟踪及特征抽取；设计了多级识别系统（树状分类器），使识别系统简化、有效[14]；90年代以来，在X 射线实时成像系统的基础上，利用图像处理、缺陷分割、模式识别和图像数据库技术，按照GB3323-87 标准曾研制了一种自动评片系统。

该系统具有X 射线实时成像、探伤图像获取、缺陷检出、缺陷识别、几何尺寸测量和自动评片等功能，并自动生成探伤报告[15－17]。

1992 年孙忠诚在对图像进行了一系列的去噪处理后，提出了一种能显著提高检测图像对比度的S-T 非线性灰度变换方法。

在其基础上，将该变换用于图像增强，然后根据缺陷的灰度值较低，穿过缺陷的线灰度梯度会发生两次或多次从正到负变化的特点，运用灰度梯度法成功地提取和分割出了焊缝中的缺陷。

这种方法用于X 射线焊缝缺陷底片中的条状缺陷的提取和识别获得了较好的效果[18]。

周伟等提出了用边界增强算子对焊缝图像中的缺陷轮廓和焊道边界进行增强处理，在其基础上再利用32×32 的大窗口平滑算子进行平滑滤波、模拟出背景图像，而后将原图像减去背景图像得到减影图像，并选用合适阈值完成对缺陷的二值化提取[19]。

2001 年，刚铁等人对基于数学形态学的焊缝图像的缺陷提取与分割方法进行了研究并获得了进展[20、21]。

2003 年，孙怡等人针对图像增强器射线实时成像中螺旋焊管焊缝缺陷，提出了基于图像空间特性的模糊识别算法[22]。

张晓光等人提出了用于焊缝缺陷识别的神经网络模型，该方法能够提高介于模糊边界[23]。

另有许多研究人员对X 射线底片图像的预处理以及焊缝缺陷检测的算法等进行了比较研究，这些研究都从不同技术角度推动了焊缝X 射线底片自动评定技术的进步[24－30]。

在此背景下，近年来本文的工作在前人基础上作了进一步的研究和探索[25-31]。

1、X射线底片的数字化X 射线底片数字化一直是倍受关注关键技术之一。

这不仅是作为焊缝X 射线底片自动评定必须的第一步，而且也是底片数字化存储的现实需求。

对工业金属构件X 射线底片档案一般保存期限最低要求是七年，129130而传统的底片存储方式由于受时间、温度和湿度等外界因素的影响，易产生变黄、发霉、粘连、药膜脱落及氧化等现象。

同时，随着X 射线检测量的增加，大量的X 射线底片也需要足够的空间来存放；当需要进行结构状态重新评估时，要迅速找到某个部件的检测结果也不是一件易事；另外，底片数字化能同时提供多人、远程的信息共享。

这正是底片数字化技术具有的工业应用价值。

用于焊缝缺陷检测的工业X 射线底片的主要特点是：底片的片基较厚；底片的动态范围较大，一般在0.5D ～3.6D 之间，黑度绝对值相对较大；检测要求底片中颗粒度较小和局部对比度较高；底片规格一般为360×100，240×80，100×240，120×360(mm×mm)。

由此，对工业X 射线底片数字化的要求主要包括两个方面：（1）分辨率要求。

工业X 射线检测标准中对灵敏度要求为分辨出0.1mm 的金属丝，因而根据采样定理，像素尺寸须小于等于0.05mm 才满足对分辨率的最低要求。

数字图像分辨率单位以每英寸点数（DPI ）或每英寸像素数（PPI ）来描述，像素尺寸须小于等于0.05mm,则1mm 就应该至少包含20 个像素，1 英寸约等于25.4mm ，因此工业化数字图像的最低分辨率就是25.4×20=508DPI 。

（2）数字化速度要求。

在实际使用中，数字化设备要能将工业底片快速的转换到数字图像。

一般的工业底片评定人员用于一张底片上的时间大概是1 分钟，再加上出具评片结果，总体上约为2 分钟。

因此对于整个评片过程，在5 秒以内时间将底片数字化是可以接受。

X 射线底片数字化的基本要求是将X 射线底片里的特征信息尽量准确无误的输入到计算机里，通过透射扫描仪直接将底片数字化应该是X 射线底片数字化的最好方向。

然而至今为止，高端数字化市场提供的透射扫描仪主要应用在医学底片的扫描，工业X 射线底片片基较厚，黑度大，对比度很低，且扫描时间高达几分至十几分钟，成为工业X 射线底片数字化的扫描必须解决的一大瓶颈。

借助于新型的光电技术，本文自主研发并已工业化应用的扫描仪具有以下一些特点：（1）扫描速度快。

对于工业中标准的焊缝探伤底片，底片密度小于3.6的情况下，扫描速度少于5秒钟；（2）高灵敏度。

扫描仪采用了最新的光电传感器件和稳定的光源，可扫描底片的密度最大可达4.0；（3）高分辨率。

对于宽度为60mm 的焊缝底片，扫描仪的空间分辨率可达800DPI ，相当于0.03mm/像素；（4）高保真度。

经本扫描仪转化后的图像，能完整获取原底片的特征信息。

2、焊缝提取和缺陷分类焊缝提取作为焊缝缺陷自动检测过程的一个必要前期工作，确定了焊缝图像中的焊缝区域，将降低缺陷检测过程图像处理的计算耗时，并为缺陷的特征提取建立了基础。

针对焊缝边缘的特征，在本工作中提出了一种采用模糊推理的X 射线焊缝图像的焊缝识别方法[27]。

确定了能准确体现焊缝边缘特点的特征量—空间对比度与空间方差两个特征参数。

具体内容以空间对比度C 和空间方差V 作为输入，输出为焊缝边缘隶属度),(j i F ，构成一个典型的双输入单输出模糊推理系统[31]。

并应用LE 模糊规则生成方法，通过样本数据的学习自动生成模糊推理规则，结合专家经验构建综合模糊规则库，按照垂直于焊缝的方向对焊缝图像逐线进行模糊推理，计算出每个像素点的焊缝边缘隶属度，根据),(j i F 确定像素点),(j i 是否焊缝边缘。

应用该方法实现了焊缝的准确识别。

为铝合金X 射线焊缝自动评片系统的构建打下了良好的基础。

在确定了焊缝的位置后，将提取焊缝内部的焊接缺陷。

这是焊缝X 射线图像中缺陷的自动检测与分割的关键一步。

传统的背景相减算法对所选模板有较大的依赖性，且对细长缺陷的检测效果不明显。

通过对多种方法的效果对比，本文的工作采用了基于微分算子的缺陷检测算法应用于焊缝图像的缺陷检测[29]。

微分算子是借助空域微分算子进行的，两个具有不同灰度值的相邻区域之间总是存在灰度边缘，而且它是局部独立的，也就是说只要存在两个区域的灰度边缘，它就能够检测出这个边缘。

这一边缘检测算法对细小的缺陷也有好的响应。

另外，为了修正底片图像难以避免的断点和“毛剌”，采用数学形态学闭运算进行填补，这对于线型缺陷的特征保持尤为重要。

焊接缺陷的分类的特征参数从四个方面设计：缺陷的位置、缺陷的形状、缺陷间关联程度和缺陷内部的灰度变化。

为了描述这四个方面参数，在本文的工作中设计了相对灰度、形状、位置、线型、走向、尖锐度和缺陷间关联程度七个参数作为缺陷分类的标准[29、30]。

图1 焊接缺陷决策分类树基于决策树（如图1）的焊接缺陷分类的具体步骤如下：根据缺陷关联系数，将整张图像的缺陷分为离散单个缺陷和线型缺陷、聚集缺陷两个大类。

然后进入到2级节点。

右子树--采用形状参数区分线型缺陷和单个离散缺陷，然后进入3级节点分类，在这一级采用尖锐度和内部灰度参数将缺陷分离出裂纹、夹钨和离散气孔夹渣。

如果还存在未分类的缺陷，就继续进入4级节点。

在这个节点，最终到达决策树的顶部，使所有进入这个子树的缺陷得到分类。

左子树--使用线型隶属度参数区分聚集缺陷内部小缺陷的分布样式，如果分布在一条直线上就将缺陷标定为链状气孔夹渣，然后进入3级节点继续分类，这个3级节点用来区分夹钨缺陷（夹钨缺陷存在多个聚集在一起的情况）和聚集状的气孔夹渣。

决策树树的深度为4。

即在对缺陷进行分类时，为了得到最终的分类结果，最多进行四次的树搜索。

对于搜索2叉树，现在成熟的算法很多，而且效率也比较高。

在程序设计的时候选择合适的搜索算法就可以得到期望的结果。

对81 张来自实际生产的铝合金焊缝底片进行处理，这81 张底片共存在129 处缺陷，其中线型缺陷和聚集缺陷占50%，分类结果如表1所示。

表1 对焊缝图像的缺陷分类的实例1313、焊缝信息的综合评定大型金属构件的焊缝往往长达数米至数十米，一条焊缝就有数十张底片，尤其在两张底片的重合区域存在缺陷的情况下，用人工评定方式，需要通过比较两张底片焊缝波纹等背景信息来进行缺陷位置的判断，需要较高的专业水平；而在计算机辅助评片过程中如果两张底片重合区存在缺陷时，可能导致重复判断或误判；更重要的是为了全面掌握整条焊缝缺陷出现的功率和分布情况，有助于深入分析焊接生产过程的质量信息，快速准确对构件焊缝的缺陷定位，需要进行全景评定以解决这些问题[30]。

为此，本文开展了底片编号识别、底片排序、图像配准、图像融合、焊缝质量整体分析等系列工作。

图2是焊缝图像全景的一个示例。

对全景图施加与单张底片评定相同的缺陷检测操作即可得到焊缝的全景评定，得到整体焊缝缺陷分布的信息，十分有利于分析焊接缺陷成因及其规律性，有利于生产过程中找到缺陷的精确位置进行修复工作，并且也有利于数字化底片图像的存档和查询等信息管理。