x射线自动检测和识别技术的研究

x射线自动检测和识别技术的研究

0x射线检测中对检测技术的要求更高近年来，尽管出现了几种新的破坏检测技术，但传统的x射线检测技术仍受到了重视。因为它信息丰富、直观、易于量化。现代生产技术的发展,无论是在检测的数量上,还是在检测的质量上,都对这种检测技术提出了更高的要求。传统的依靠人工进行缺陷检测和评判的方法已很难适应现代生产的需求,迫切需要人们进行X射线的自动化检测和识别方面的研究和探索工作。但由于实际X射线检测本身的一些特点,使得产生的X射线检测图象具有对比度不高、缺陷边缘模糊、图象噪声多、存在较大的背景起伏等特点,这使得如何进行缺陷信息的正确提取和分割成为这种技术中的一大难题。国内外很多学者都在这方面进行了有意义的探索和研究,并取得了一定的成果。1x射线检测构图的提取从目前国内外这方面的相关文献来看,将缺陷信息从X射线检测图象中自动提取和分割出来,大致有两种方法。方法一是针对X射线检测图象中存在较大的背景起伏这一特点,先进行图象中的背景去除,在其基础上再选取合适的阈值进行缺陷的分割;方法二则针对X射线检测图象对比度低的特点,先对图象进行某些增强处理,而后运用一些检测方法提取并分割出缺陷信息。1.1基于阈值分割的方法实际X射线检测图象,尤其是焊缝的检测图象,都存在一定的背景,且图象中缺陷的某些灰度值和背景的灰度值发生交叉,因而运用简单的阈值分割方法进行缺陷的提取效果显然不佳,这便促使人们尝试着先去除背景而后进行缺陷提取方面的研究工作。1.1.1对比次样条曲线拟合的焊缝检测表象日本的藤田勉等基于X射线图象的线灰度分布特点,提出可用最小二乘法首先对线灰度进行曲线拟合,而后将原图象与曲线拟合的图象相减,从而达到去除背景、获取缺陷信息的目的。从文中的结果来看,该文提出的方法效果较好,但处理速度较慢。W.Daum等针对X射线焊缝检测图象中存在的较大背景,提出用三次样条曲线拟合进行焊缝图象的背景模拟,将所得到的背景模拟图象与原图象相减,从而得到背景较为均匀、信噪比较高的细节缺陷图象,选用合适的阈值即可完成对缺陷的提取和分割,该方法不依赖于缺陷的具体形状,但在保持缺陷的真实尺寸方面存在欠缺。相似的方法在文献中也得到了很好的体现,所不同的是该文用多项式拟合的方法去除背景中由系统引起的大的灰度变化,而将灰度变化相对较小的缺陷信息留下,从而达到校平灰度场、提取并分割缺陷的目的。但该方法很难实现硬件化。文献则针对焊缝检测图象中存在的体积型和面型两类缺陷,提出了不同的缺陷提取方法。对于体积型缺陷,直接用基于线灰度曲线拟合的背景去除方法来提取,而对于面型缺陷,针对线灰度曲线拟合背景后提取出的缺陷呈断续状,而先用梯度模板进行焊缝灰度增强,而后用灰度统计分析法提取的缺陷,又将本应断开的缺陷相连的特点,提出将上述两种方法分别运用于原始的灰度图象,然后对所提取的缺陷结果进行综合考虑,从而完成对面型缺陷的正确定位和提取。1.1.2拉氏表象的滤波EcheltB.等设计了一组不同的低通滤波器组去除图象中的高频分量,保留图象中的低频分量,从而达到模拟背景图象,进而提取并分割缺陷的目的。文献在对点焊图象的处理中也秉承了这种思想,提出首先运用离散傅立叶变换(FFT)将原灰度图象变换到频域,而后在频域设计的低通滤波器进行滤波如图1所示,使得图象中的低频分量尽量通过而将高频分量尽可能进行抑制,从而达到模拟点焊焊点检测图象背景、提取缺陷信息的目的,但从文中的算法来看,该方法在处理速度上存在不足。运用基于“高斯金字塔”(GaussPyramid)和“拉普拉斯金字塔”(LaplacePyramid)的多尺度滤波方法(Multiscalefitering)也可进行背景的去除,由于高尺度的拉氏图象比低尺度的拉氏图象含有更精细的细节信息,因而可运用式(1)将低尺度拉氏图象减去高尺度拉氏图象,最终达到去除背景的目的,在其基础上,运用双阈值法即可完成缺陷的提取和分割。L6=B5·G0-B6·G0(1)式中L6——6尺度上的拉氏图象,即最终图象G0——0尺度上的高斯图象,即原始图象Bn——经多项式平滑滤波器B的n次滤波(n=5,6)。1.1.3基于添加相关码的背景表象提取法周伟等则提出先用边界增强算子对焊缝图象中的缺陷轮廓和焊道边界进行增强处理,在其基础上利用32×32的大窗口平滑算子进行平滑滤波,模拟出背景图象,而后将原图象减去背景图象得到减影图象,再选用合适阈值完成对缺陷的二值化提取,但该方法很难应用于对处理速度要求较高的X射线检测图象的处理中去。1.2缺乏象的中介的是不清除表象背景,一个针对X射线检测图象中对比度不高的特点,很多学者也进行了不去除图象背景,而直接对图象先进行某些增强处理,而后便直接进行缺陷提取和分割方面的研究。1.2.1基于特征模式矢量的学习设置KatsunoriINOUE等针对X射线图象的灰度分布不均衡,无法用常规方法进行缺陷的增强和分割,提出缺陷矢量模式相似性的概念,其定义可用公式(2)表示。基于这个概念,采用二维缺陷模板匹配滤波的方法来进行缺陷的提取和分割。为了获得缺陷的特征模式矢量,文献中创建了一个典型缺陷学习数据库,训练出待检测缺陷类型的特征模式矢量,并将其作为匹配模板用于匹配滤波,成功实现了孔坑状缺陷的提取和分割。该方法缺陷提取准确且能推广至其他缺陷类型。1.2.2基于粒度梯度法的缺陷检测T.WarrenLiao等针对实际焊缝缺陷检测图象中线灰度分布可能出现的三种异常如图2所示,提出运用紧样条曲线拟合(Tight-Fitting)进行噪声去除,用松样条曲线拟合(Loose-Fitting),并结合峰值搜索进行线灰度斜凹型异常图2d缺陷的提取,而对峰值异常图2b和槽状异常图2c,则采用基于线灰度的峰值和谷底值搜索的直接提取方法。式中f——典型缺陷图象按行堆叠成的缺陷模式矢量g——未知缺陷类型图象按行堆叠成的待定模式矢量S(f,g)——矢量f和g间模式矢量相似性度量。GrayA.等提出了用于X射线实时焊缝图象缺陷提取的两步法,指出首先基于缺陷灰度的不规则性,通过快速搜索定出缺陷存在的大致区域,而后运用序列相似形算法或阈值算法完成对缺陷的精确定位和提取。作为相似的方法,先进行一维线灰度的二次曲线分段拟合,导出了用于焊缝缺陷检测和提取的梯度模板,并将该模板作用于焊缝的X射线检测图象,将缺陷可能存在的区域分割出来,然后用基于视觉特性的轮廓边缘跟踪检测算法实现对缺陷的有效分割。根据图象的灰度特性,在对焊缝图象信息先进行压缩的基础上,也可以采用梯度模板寻求初始跟踪点,用跟踪算法提取出缺陷区域。甘肃工业大学的孙忠诚等在对图象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象对比度的S-T非线性灰度变换方法,其变化式见公式(3)。在其基础上,将该变换用于图象增强,而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。式中z——灰度变换后的灰度值x——灰度变换前的灰度值b——某列最低灰度值a——某列最高灰度值1.2.3u3000形态重建数学形态学理论也能运用于X射线图象的缺陷提取,公式(4)即为基于数学形态学理论的所谓M滤波算法,该法在消除正负脉冲噪声的同时较好地保留了缺陷的轮廓信息。从其检测结果来看,该方法能将缺陷的轮廓信息直接提取出来,但该方法在处理速度上存在不足。式中U(FM)——滚球滤波后的图象灰度值U(F)——原灰度图象的灰度值U(FB)——对U(F)的形态学开运算U(FB)——对U(F)的形态学闭运算。在铝铸锭的X射线检测图象的处理中,数学形态学理论也得到了运用。该方法首先用形态学中的高帽变换(Top-HatTransition)提取缺陷区域,针对所提取出的图象(文中称为ReferenceImage)噪声大的特点,提出用中值滤波法或形态学中的腐蚀对其进行去噪处理,而后用形态学中的膨胀(Dialation)运算对处理完的图象进行形态学重建(MorphologicalReconstruction),从而获得缺陷的分割图象。文中指出,小的高帽变换能提取如裂纹等的缺陷,而大的高帽变换则能提取象孔洞和微缩孔等缺陷,故应采用一个折中的高帽变换参数进行缺陷的提取和分割。1.2.4模糊优化方法在文中的应用用3×3的平滑算子对X射线焊缝图象去除噪声,增强对比度后,采用4个不同方向的SOBEL边缘检测算子(0。,45。,90。,135。)进行多方向的缺陷边缘提取。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。文献尝试着将模糊理论运用于图象的增强上,提出可利用一类广义模糊函数,先将灰度图象进行模糊增强变换,而后再配合可靠的阈值划分方法进行缺陷的有效提取和分割,从文中结果来看,效果较好。日本的石井明等针对传统的方法对检测微小缺陷效果不佳的情况,提出了一种称之为辐射状投影检测方法,该方法使用了辐射框架如图3所示。在检测微小缺陷时,首先以一中心点向外辐射同心圆环,并计算相邻两圆环夹在相邻两辐射直线间弧形领域的均值之差,当均值之差满足一定条件时,即认为该处存在缺陷,否则,继续向外辐射同心圆,直至找到缺陷或满足辐射停止条件。该方法所选用的辐射框架的大小和形状均可随着所检测缺陷的大小和形状发生变化,从而有效检测出了各种类型和大小的微小缺陷。2现有的问题还只是存在于小缺陷从以上的文献及其他相关资料来看,在X射线检测图象中缺陷的自动提取和分割方法上,有些方法在效果上较好,但在处理速度上存在欠缺,而有些方法在速度和效果上均较好,但却只针对某些特定的缺陷类型。因而,在今后的研