摘要：核燃料元件是核反应堆中的核心组成部分,是实现核能转换的关键结构[1]。但在核燃料元件焊接时,受工艺或操作等因素影响,焊缝可能会出现气孔缺陷,缺陷的存在会严重影响到产品的质量和安全性,因此需要对其实施检测。

核燃料元件是核反应堆中的核心组成部分,是实现核能转换的关键结构[1]。但在核燃料元件焊接时,受工艺或操作等因素影响,焊缝可能会出现气孔缺陷,缺陷的存在会严重影响到产品的质量和安全性,因此需要对其实施检测。

目前,射线检测是检测焊缝缺陷的主要方法之一,但射线检测数字图像通常包含大量的噪声和无关信息,这些信息会干扰缺陷的识别,而且在实际的应用中,由于射线检测成像的复杂性,感兴趣区域往往只占图像中的一部分,因此需要一种能够有效且准确提取感兴趣区域位置并识别气孔缺陷的方法。

胡巍等[2]提出了一种基于频域特征和支持向量机的检测方法,首先进行图像裁剪和尺寸归一化等预处理,提取图像的频域特征,再利用所得的特征数据训练支持向量机,最后利用训练的支持向量机对待检测图像进行分类。张小琳[3]提出了一种基于主成分分析和二叉树支持向量机的分类算法,采用主成分分析进行主元分析,删除冗余数据,降低维度,再将优化后的特征向量作为焊缝图像二叉树支持向量机识别模型的特征参数,实现焊缝缺陷的识别。王丹等[4]提出基于稀疏描述的缺陷识别,运用从海量数据中提取典型样本、构建非参数化模型以及基于最优方向法的稀疏解求解等方法进行缺陷识别。以上研究未对核燃料元件焊缝中的缺陷进行检测,相关的图像处理方面的研究也较少,为此笔者设计了一种气孔缺陷检测方法,采用高斯滤波、形态学操作、边缘检测、轮廓拟合等方法提取了感兴趣区域,然后采用对比度拉伸、灰度值补偿、双边滤波、自适应阈值二值化等方法对检测图像进行识别。

在射线图像采集时,图像传感器、电路和其他相关组件可能受到各种内部和外部因素的干扰,如温度变化、电磁干扰等,从而产生噪声,这些噪声信号往往具有高斯分布的特性,因此表现为高斯噪声。

高斯滤波通过加权平均每个像素及其邻域内的其他像素值来实现滤波,而使得整个灰度图像更加平滑,有助于减少图像中的噪声,因此高斯滤波可以为后续的图像处理提供更有利的条件。

原始焊缝图像及其高斯滤波后的图像如图1所示。

图 1 原始焊缝图像及其高斯滤波后的图像

高斯滤波后的图像边缘比较模糊,不易于进行感兴趣区域提取,而锐化操作的效果主要体现在增强图像的细节和边缘上,可使图像中的轮廓更加清晰。

图像处理中最常见的锐化方法是拉普拉斯锐化,拉普拉斯锐化是一种基于二阶导数算子的图像处理技术。该技术通过二阶导数边缘提取方法,计算图像中每个像素点与周围像素值的差异来增强边缘信息,并计算图像二阶导数和拉普拉斯算子与图像的卷积[5],图像的拉普拉斯算子可表示为

式中：f为图像函数,即图像中每个像素坐标点对应的灰度值；x为图像中水平方向的像素坐标；y为图像中竖直方向的像素坐标。

图像锐化之前不滤波与滤波的效果对比如图2所示,图2（a）为直接对原始焊缝图像进行锐化后的图像,可见图像噪声很明显,图2（b）为高斯滤波后再进行锐化后的图像。

图 2 图像锐化之前不滤波与滤波的效果对比

锐化后的图像边缘细节过多,为了达到平滑效果,应对灰度图像进行开运算处理。灰度图像的开运算处理时先进行腐蚀操作,消除图像中的细小毛刺以平滑图像轮廓,接着对腐蚀后的图像进行膨胀操作,以补偿腐蚀操作引起的面积变化。

对灰度图像进行开运算可以平滑较大物体的边界,同时不会改变其面积,还可以去除相对于结构元素较小的明亮细节,优化图像质量[6]。开运算操作后的图像如图3所示。

图 3 开运算操作后的图像

采用二值化方法对感兴趣区域进行初步提取,自适应阈值分割方法根据图像的不同区域动态计算出不同的阈值来进行二值化,尤其适用于明暗分布不均的图像,可以有效改善全局阈值分割效果[7]。在自适应阈值分割中,每次只取图像中的一个小区域计算阈值,当小区域内目标与背景间的灰度值存在差异时,自适应阈值法能够计算局部区域内所有像素点的灰度均值和方差,根据这些统计特性,计算出当前像素点的阈值,遍历图像中的每个像素点,直到整个图像完成二值化。自适应二值化操作后的图像如图4所示。

图 4 自适应二值化操作后的图像

由于中间部分的感兴趣区域与外边缘轮廓的灰度值相近,故可能会产生轮廓黏连现象,而腐蚀操作可断开轮廓之间的细小连接。腐蚀操作的基本思想是如果结构元素所覆盖的像素区域中的最小值满足特定条件,则将该像素的值更新为最小值或根据条件设定的其他值。

进行腐蚀操作后,中间区域的面积进行了缩放,因此需要进行腐蚀操作的反操作,即膨胀操作。膨胀操作会使图像中的目标区域向外扩张,对于每个像素,膨胀操作会检查结构元素覆盖区域内的像素值,并找到该区域内的最大值,然后该点的像素值会被更新为这个最大值。这样,通过不断遍历图像中的每个像素,进行膨胀操作,目标区域会向外扩张以补偿缩小的部分,膨胀操作的效果同样取决于结构元素的大小、形状以及膨胀操作的迭代次数[8]。腐蚀、膨胀操作处理后的图像如图5所示,其中图5（a）为对二值化后的图像进行腐蚀后的图像,图5（b）为对腐蚀后的图像进行膨胀操作后的图像。

图 5 腐蚀、膨胀操作处理后的图像

通常感兴趣区域底部到顶部的宽度距离是固定的,因此可以引入宽度的限制条件对区域进行裁剪,先获取图像每行像素值的和,从下向上遍历,找到轮廓底部边缘的坐标,再向上进行固定宽度的裁剪,最后将裁剪后的轮廓与原图混合叠加,并进行对比,观察感兴趣区域提取效果。裁剪后的掩膜图像及对应的原图感兴趣区域初步提取的图像如图6所示。

图 6 裁剪后的掩膜图像及对应的原图感兴趣区域初步提取的图像

焊缝感兴趣区域的上方会存在类似引脚的细长型区域,该区域受工艺影响可能会向下延伸,如果引脚延伸过长,会把引脚也算入1.6节所述的初步提取的感兴趣区域内,而可能导致缺陷识别不准确。引脚延伸过长的图像如图7中标注出的区域所示。

图 7 引脚延伸过长的图像

判断引脚最底端的位置是否位于初步提取的感兴趣区域内,如果位于感兴趣区域内,则把引脚区域排除掉。引脚最底端的坐标位置可通过边缘检测得到。

边缘检测的主要目的是识别并提取图像中亮度变化剧烈的像素点集合,这些像素点集合构成了图像的边缘,这些边缘通常代表图像中不同物体或区域的边界。边缘检测常用的有Sobel算子、Scharr算子和Canny算子[9]。

Sobel算子是一种基于图像空域卷积的图像梯度提取算子,主要用于获得图像的一阶梯度[10],Sobel算子提供了水平和垂直两个方向的滤波模板,可以检测图像在这两个方向上的边缘变化,然而该算子对边缘的定位可能不够准确,有时会出现边缘较粗的情况。

Sobel算子两个方向的模板分别为

式中：Gx为Sobel算子在x方向的模版,Gx为3×3的矩阵；Gy为Sobel算子在y方向的模版,Gy为3×3的矩阵。

Scharr算子是基于图像梯度的二阶导数来进行边缘检测的,其使用两个3×3的卷积核对图像进行滤波,分别计算水平和垂直方向上的梯度,通过计算这些梯度,可以得到图像中每个像素点处的边缘强度和方向。与Sobel算子相比,Scharr算子在计算梯度时使用了不同的系数,从而对边缘的响应更加强烈。

Scharr算子两个方向的模板分别为

式中：Hx为Scharr算子在x方向的模版,Hx为3×3的矩阵；Hy为Scharr算子在y方向的模版,Hy为3×3的矩阵。

Canny算子使用一阶偏导算子计算梯度的大小和方向来确定边缘的方向和强度,然后在梯度图像上进行非极大值抑制[11]；再进行双阈值处理,根据设定的高阈值和低阈值,将像素分类为强边缘、弱边缘和非边缘,如果像素的梯度大于高阈值,则被视为强边缘,如果梯度低于低阈值,则被排除,对于位于高阈值和低阈值之间的像素,只有当其与强边缘像素相连时,才被视为弱边缘,最后,通过迭代连接弱边缘像素来完善边缘,形成完整的边缘图像,则有

式中：C（xy）为输出图像中像素点坐标为（xy）的像素值；M（xy）为像素点的梯度值；MH为梯度值的高阈值；ML为梯度值的低阈值。

Sobel算子、Scharr算子及Canny算子的边缘检测结果如图8所示。

图 8 Sobel算子、Scharr算子及Canny算子的边缘检测结果

在实际应用中,引脚目标具有固定的坐标位置,可以通过获取各个轮廓的长度,将长度过短或过长的轮廓排除在外,并结合已知的轮廓横纵坐标位置信息筛选出表示引脚的轮廓,在遍历图像过程中,可以计算每一行像素值的总和,并记录和最小的那一行来找到轮廓向下延伸的最低点坐标。

通过分别获取左右两个引脚轮廓向下延伸的最低点坐标,计算其到感兴趣区域底边的距离,如果该距离小于之前设定的初步提取感兴趣区域的固定宽度,则对初步提取的感兴趣区域进行裁剪,结果如图9所示。

图 9 筛选后的引脚轮廓图像及修正后的感兴趣区域提取图像

若缺陷与感兴趣区域轮廓的边缘相连,缺陷与边缘的灰度值相近,可能会导致二值化操作时将缺陷划分至感兴趣区域外,这样提取的感兴趣区域结果的边缘会存在较明显的突变线条（见图10）,而可能造成检测时的缺陷遗漏。

图 10 缺陷位于边缘的图像

由于缺陷被划分到感兴趣区域之外,感兴趣区域的边缘轮廓会出现线条的突变,先分别提取轮廓的边缘,统计轮廓横坐标,计算均值和标准差,如果有数据偏离均值过多,则将该坐标点舍弃,对剩下的轮廓曲线使用最小二乘法进行拟合,找到最优的拟合函数,即最适合描述给定数据点集合的曲线。笔者以拟合出的轮廓曲线作为左右两端,修正感兴趣区域的二值图像掩膜,然后将拟合修正后的轮廓与原图进行混合叠加,观察感兴趣区域的提取效果,其结果如图11所示。

图 11 两侧竖直方向的轮廓及拟合后的轮廓曲线

拟合修正前后的二值图像掩膜及感兴趣区域提取图像如图12所示。

图 12 拟合修正前后的二值图像及感兴趣区域提取图像

气孔缺陷对焊缝的性能会产生影响,导致焊缝的有效工作面积减小[12]。在射线图像中,气孔缺陷一般表现为白色的圆形或近圆形形状,这些形状的区域边界通常比较清晰,与周围焊缝组织的灰度值有所差异,而噪声则表现为图像中随机的、不规则分布的小点或斑点,通常没有特定的形状或结构,同时噪声的面积过小,可以通过图像滤波进行消除。气孔在焊缝中的分布通常比较集中,而噪声则在整个图像中均匀分布,没有明显的聚集或分散规律。

为了使图像更清晰,采用对比度拉伸操作。对比度拉伸是一种图像增强技术,能够改善图像的对比度,使图像更清晰,更适合后续处理。

对比度拉伸能扩展图像中像素灰度值的范围,将一个较窄的灰度范围映射到一个更宽的灰度范围,即,能使得原本灰度值比较集中的像素点更均衡地分布在一个很大的范围。对比度拉伸时,首先确定图像中的最小和最大灰度值,然后根据这两个值对图像的每个像素进行重新映射,从而提高对比度。气孔缺陷焊缝图像及其对比度拉伸后的图像如图13所示。

图 13 气孔缺陷焊缝图像及其对比度拉伸后的图像

在射线成像时,焊缝左右两端的灰度较高,这主要是由于射线在穿透物质时会发生衰减,衰减的程度取决于射线的能量、物质的密度和厚度。对于圆柱体,射线在穿过圆柱体边缘时,所经过的物质厚度较小,因此衰减较少,探测器接收到的射线强度较高,从而在图像上表现为较高的灰度值或亮度[13]。此外,圆柱体的边缘可能由于散射效应而产生额外的射线强度,这也会增加边缘部分的灰度值。

为了减轻这一现象的影响,可以根据坐标的位置对应调整其灰度值,当像素点的横坐标位于图像两端时,降低其像素灰度值,且对越靠近左右两端部分的灰度值,调低得越多,调整后的图像缺陷则更明显、更清晰。

对比度拉伸操作可能会放大图像中的噪声,而双边滤波可以有效地抑制这些噪声。双边滤波在对每个像素进行滤波时,不仅考虑到了像素间的空间位置关系,还考虑了像素值之间的相似性,具体来说,双边滤波由两个函数组成,核函数用于计算像素值之间的相似度,距离函数用于计算像素之间的空间距离；在滤波过程中,每个像素双边滤波器会计算其周围像素的权重,然后根据这些权重对像素值进行加权平均,得到滤波后的像素值。双边滤波能在平滑噪声的同时,较好地保留图像的边缘和细节信息。两侧灰度补偿后的图像及双边滤波后的图像如图14所示。

图 14 两侧灰度补偿后的图像及双边滤波后的图像

另外,可以通过二值化操作将图像中的目标从背景中分离出来,传统的固定阈值分割方法在处理明暗不均的图像时可能不够灵活,难以达到理想的分割效果。自适应阈值分割法利用图像的局部特征来自动调整阈值,实现对图像中不同区域的有效分割（见图15）,该方法在处理复杂背景和明暗不均条件下的图像时具有较高的准确性。

图 15 自适应阈值二值化后的图像

由于气孔缺陷的形状是圆形或近圆形,且面积明显大于噪声的,因此考虑引入轮廓的长宽比和面积作为进一步的筛选条件,轮廓的长宽比可以控制轮廓的形状,设定面积上限去除面积大的异常轮廓区域,设定面积下限去除面积过小的噪声。经过观察发现,当气孔缺陷的灰度值临近区域的面积（长×宽）小于4×4个像素点时,人眼已无法判断是否存在缺陷,因此设定气孔缺陷的面积需大于16个像素点。

将筛选后的二值图像中剩余轮廓的外接矩形绘制到原始的图像中,即可完成气孔缺陷的识别与定位。

筛选后的气孔缺陷掩膜及气孔缺陷识别结果如图16所示,其中图16（a）为根据面积和长宽比等信息筛选出的气孔缺陷掩膜,图16（b）为根据掩膜得到的气孔缺陷识别结果。

图 16 筛选后的气孔缺陷掩膜及气孔缺陷识别结果

更多的气孔缺陷图像的检测效果如图17所示。通过测试,气孔缺陷识别准确率达100%。

图 17 不同气孔缺陷图像的检测效果

针对焊缝的射线图像,设计了一种气孔缺陷检测方法,采用了高斯滤波、形态学操作、边缘检测、轮廓拟合及一些后处理方法,提取了感兴趣区域,然后采用对比度拉伸、灰度值补偿、双边滤波、自适应阈值二值化等方法对气孔缺陷进行识别。试验结果表明,所提方法提高了缺陷图像识别的稳定性和准确性,同时也为处于明暗不均环境的射线图像中的小尺寸近圆形等类似目标的检测提供了有效思路。

来源：王者级科技