超聲相控陣圖像中的缺陷識別算法

,,,, , ,,

(1.甘肅藍科石化高新裝備股份有限公司， 蘭州 730070;2.國家知識產權局專利局 專利審查協作河南中心，鄭州 450002;3.北京交通大學 理學院物理系,北京 100044；4.國標(北京)檢驗認證有限公司，北京 100088)

由于其具有的獨特優勢，相控陣檢測技術一應用于工業無損檢測就得到了迅速的發展，廣泛應用于電力、鐵路、石化等多個行業。但是相控陣應用中對相控陣圖像的缺陷處理和分析，目前還停留在用肉眼觀察和人工標識的階段。另一方面，融合了圖像處理、模式識別、自動控制等技術的運動目標自動檢測和跟蹤技術在計算機視覺系統研究領域正在不斷發展[1]。

筆者將運動目標的自動檢測和跟蹤技術應用于相控陣檢測的圖像處理中，實現了超聲相控陣圖像中的缺陷識別與提取，以為超聲檢測自動化提供一種思路。

1 超聲相控陣S掃圖像

相控陣通過相位調制超聲波發射角的偏轉，同時記錄發射和接收時差來間接檢測目標深度。這種方法得到的原始數據是一個“角度-深度”坐標的回波強度矩陣。由于一般情況下角度的分辨率遠小于深度分辨率，這個矩陣的長寬比就變得非常大，不適合直接進行圖像處理。而扇形圖像能很好地表示相控陣的發射角度和深度，而且圖像比例合適，故可用于圖像處理中。因此筆者需要做適當的坐標變換，將原始矩陣數據變成扇形，得到S掃圖像。

文章使用雙線性插值算法使原始數據矩陣中的坐標位置(θ,ρ)變換為S掃圖像的每一個像素點(x,y)。如圖1所示，十字點為S掃圖像中的像素點，黑色點為原始數據中的點，P為需要被插值的點，A，B，C和D為P點對應的4個最相鄰的原始數據點。

圖1 雙線性插值算法示意圖

變換后最終得到的S掃圖像如圖2所示,可以看出相控陣S掃圖譜記錄的是特定角度上(扇形的不同母線)，不同聲程處(扇形母線的不同位置)的回波幅度(顏色)。

圖2 試塊S掃描示意與掃描圖像

2 缺陷識別與提取

超聲檢測中往往有大量的噪聲存在，如盲區白噪聲、背景噪聲、邊界回波噪聲、脈沖噪聲、缺陷多次反射回波等。這些噪聲信號通過數據轉換后也存在于S掃圖像中，是導致相控陣成像質量低、缺陷識別困難的主要因素。故只有對檢測圖像進行針對性地處理，使得缺陷圖像與實際缺陷成為一一對應的關系后，才能對缺陷進行準確地提取和量化。反過來說，就是只有提取出的缺陷信息(深度、大小等)與實際缺陷相同或是相差不多時，才能認為圖像處理及缺陷提取的過程是準確的。

噪聲去除是圖像處理的第一步，也是最重要的一步。一般來說，與缺陷信號特征相差較多的噪聲信號比較容易處理，但一些與缺陷信號特征差不多的噪聲，比如缺陷的二次回波、邊角反射波等較難去除，如果強行去除則可能會失去真實的缺陷信號。圖像處理過程中，特殊情況下有可能將一個缺陷劃分為兩個缺陷，也有可能把相近的兩個缺陷合為一個缺陷，這都會影響到后續缺陷特征信息的提取。同時，隨著圖像的進一步處理，軟件又能識別出新的噪聲，需要進行噪聲再處理。一般來說，計算機處理二值圖像比較方便，所以對得到S掃圖像進行二值化處理是其他高級處理方法的前提。

筆者依照去噪、二值化、濾波、多目標跟蹤、缺陷提取步驟實現了缺陷的自動識別和信息提取。其主要流程如圖3所示。

圖3 缺陷自動識別流程

3 去噪

3.1 背景差分去噪

背景差分去噪可以去除大部分的噪聲信號,特別是背景白噪聲。處理方式是原圖與背景進行矩陣減法運算得到新圖。定義圖像序列為pic(x,y,t)(其中x,y為空間坐標，t為第t幀數據)，背景圖像為background(x,y,t)。則背景差分可以表示為

pic′(x,y,t)=

|pic(x,y,t)-background(x,y,t)|

(1)

探頭在移動掃查的過程中，噪聲時刻都在發生變化，因此背景需要進行動態更新，文中選定權重p(0

background(x,y,t+1)=pic(x,y,t+1)×p+

background(x,y,t)×(1-p)

(2)

p的大小需要通過試驗來確定，一般來說，p越大背景圖像更新越快，但更新快容易導致前景目標融入背景。背景差分去噪的實際效果如圖4所示，可以看到頂部的盲區噪聲全部被濾除了，效果很好。

圖4 圖像背景差分去噪效果圖

3.2 圖像二值化

背景差分去噪后形成的圖像為灰度圖，不適合計算機軟件進一步的圖像處理，因此需要對圖像進行二值化。設二值化后的某點像素值為mask(x,y,t)，閾值為thresh(x,y,t)，則二值化的過程可用式(3)表示

mask(x,y,t)=

(3)

二值化過程中,閾值的選擇是關鍵[2]。最大類間方差法是力求得到盡可能大的背景和前景之間的類間方差，以增大圖像兩部分差別的方法[3]，文章采用該方法來選取閾值。考慮到相控陣檢測中超聲波衰減、偏轉角等因素的影響，文中二值化函數的閾值還和像素點所在的偏轉角位置有關，偏轉角越大閾值越小。這樣可以降低缺陷目標在兩側被誤認為背景的概率。圖5所示為二值化前后的效果對比，可以看到左下角強度較低的回波噪聲在二值化之后被濾除，產生了3個潛在目標。

圖5 圖像二值化前后效果對比

3.3 圖像濾波

超聲相控陣檢測時受構件幾何形狀、耦合狀況等因素的影響，缺陷存在不連續(即被分成兩個或更多的部分)問題，同時也存在缺陷虛假邊界等問題，而前期的背景去噪及二值化過程一般不能解決這些問題，所以需要進行進一步的濾波處理[4]。筆者采用了中值濾波加形態學處理的方法進行圖像濾波處理。

3.3.1 中值濾波

中值濾波是一種常見的統計排序空間濾波器。這種濾波器的響應以濾波器包圍的圖像區域中所含的像素排序為基礎，以統計排序的中值來代替中心像素的值[5]。

對于二值化后的圖像，中值濾波器的輸入圖像只有2種灰度值，即0和1，此時的中值濾波器的工作變成了統計模板W內的1的個數并和模板大小的一半進行比較，可用式(4)表示

mask′(x,y,t)=

(4)

式中：mask(x,y,t)和mask′(x,y,t)分別為原始圖像和處理后的圖像;W為中值濾波的模板；w為模板的大小。

中值濾波器可以消除一些孤立的噪聲點，填補一些缺陷目標中間的空隙。由圖6可以很明顯地看到，濾波后目標附近的孤立的像素點群被濾除了，同時目標中間的縫隙也被填補了，從而使目標變成了一個整體。

圖6 圖像中值濾波前后效果對比

3.3.2 形態學圖像處理

中值濾波后，缺陷目標在圖像上變為了一個整體，但是整體中，圖像還存在較窄的間斷、細長的溝壑、細小的孔洞、輪廓線不完整等一些問題。基于集合論思想，對二值圖像進行形態變換的數學形態學方法則可以很好地對圖像進行進一步的濾波。圖7為對圖像部分目標閉運算前后的效果對比圖，可以看出經過閉運算后，目標中的溝壑和孔洞得到了填補，邊緣也被平滑處理了。

圖7 圖像閉運算處理前后效果對比

經過中值濾波和形態學閉運算后，圖像中大部分的背景噪聲、回波噪聲以及脈沖噪聲均被去除。圖8所示為圖像濾波前后的效果對比圖，可看出圖像雖然清晰，目標缺陷形態完整，但圖像中還存在邊界回波噪聲以及缺陷的高次回波噪聲。文中前面也講過這些噪聲的靜態信息和真實的缺陷幾乎相同，如果強行去除有可能會失去真實的缺陷信號。

圖8 圖像濾波處理前后對比

4 缺陷目標跟蹤及識別

為了進一步優化圖像，去除邊界回波噪聲以及缺陷的高次回波噪聲，文章采用了動態的多目標跟蹤方法。多目標跟蹤的基礎是缺陷因為絕對位置的固定而在圖像序列中有相同模式的軌跡，而噪聲不具有這種特性。因此，可用軌跡的模式來區分缺陷目標和噪聲。

4.1 連通域標記及缺陷信息的提取

經過形態學處理后的二值化圖像，含有多個目標缺陷，這些缺陷雖然有的是噪聲，但在圖像上看，都是相互連通的實體，每一個實體都代表了一個可能的缺陷。這些實體在圖像中，被稱為連通域。為了更進一步地提取相關信息，需要對連通域進行標記。MATLAB中的bwlabel函數可以很好地實現連通域的標記[6]，達到區分各個不同的實體并賦于每個實體索引號的目的。并且，每個被標記的連通域都可通過blobAnlysis函數得到連通域的面積、中心、邊框等信息。得到目標缺陷的邊框信息后，在未處理原圖的對應范圍搜索，又可得到目標缺陷的最強點位置、強度等信息。

文章至此，基本完成了目標缺陷的面積、邊框、中心、最強點位置等主要信息的提取。但需要注意的是，至此步驟還有一些非缺陷信號沒有去除，以下將通過動態的跟蹤方法進行去除。

4.2 卡爾曼濾波及軌道分配多目標跟蹤

單幀超聲相控陣圖像包含了所有的目標信息，但是同時還有一些和實際缺陷外形完全一樣的噪聲信號。這些信號很難通過單幀圖像區分。采用動態的目標跟蹤方法，通過連續跟蹤多幀圖像來剔除這些噪聲是非常有用的方法。MATLAB附帶的卡爾曼濾波器是一種著名的目標跟蹤方法。原始的卡爾曼濾波器只能進行單目標跟蹤，本身無法在多個輸入中鑒別出唯一的正確坐標進行跟蹤。

多目標跟蹤方法最難的環節是幀間數據關聯問題，即每一幀的目標分別對應前一幀的哪些目標，而這需要進行軌道分配。軌道分配多目標跟蹤法要求建立多個軌道，在每一幀的開始階段進行參數分配，將探測到的m個目標分配給n個軌道，對每一個軌道內的目標跟蹤就是單目標跟蹤，完全可以用卡爾曼濾波器實現。

圖9 軌道分配距離定義示意

最簡單的軌道分配算法是計算每一個軌道與每一個探測目標的距離，形成一個m×n的距離分布矩陣，其中m是探測目標數，n是軌道數。這里的距離指的是每一個軌道的卡爾曼濾波器預測的中心和觀測值中心之間的幾何距離，如圖9所示。如果一個軌道只有一個候選目標，那么將目標分配給這個軌道；如果有多個候選目標，那么將距離最小的目標分配給這個軌道。

MATLAB中集成的軌道分配函數assign-DetectionsToTracks，可以高效地將探測目標分配給軌道[7]，但是這只適合于n×n矩陣。因此需要根據實際情況來補全矩陣至方陣，即將計算出來的m×n距離分布矩陣補全至大方陣，增加部分的數據可以填入無限大的數(大于探測閾值)。分配探測目標給軌道將產生3種結果：

(1) 探測目標被成功分配給已有的軌道：目標跟蹤正常,可以繼續跟蹤下去。

(2) 軌道沒有分配到探測目標：跟蹤目標和其他目標合并或是因為目標過弱、加速運動等原因而沒有被探測到，需要保留軌道；也可能目標是噪聲，此時已消失，需要刪除相應軌道。

(3) 探測目標沒有分配到已有軌道：新的目標或是噪聲進入探測范圍，需要交給后面幾幀去判斷，需建立新的軌道。

到此，文章完成了動態的噪聲處理，去除了與實際缺陷信號非常接近的噪聲信號。圖10所示為整個程序完成圖像處理前和處理后進行目標跟蹤的效果對比，圖中的編號為跟蹤目標的序號，其中第9，55號是缺陷目標，49號是底面回波噪聲，49號在軌道分配多目標跟蹤后被濾去。

圖10 某幀超聲圖像完成處理前和處理后目標跟蹤效果對比

5 試驗測試結果

根據上述理論，用C語言編寫了原始數據坐標變換程序，使用MATLAB編寫圖像處理及識別程序，并進行了試驗驗證。在試驗中，使用一個鋁制帶孔試塊進行測試。試驗所用試塊及探頭外觀如圖11所示，試塊上鉆有3個小孔作為缺陷。

試驗共進行了5組數據的測量，測試結果如表1所示(3個正面的檢測速度不同)。

由表1可以看出：識別結果中，除了第1組的89號目標由于軌跡不夠完整被刪除，以及第4組的30號由于剛好未觸發刪除閾值之外，程序都能很好地識別區分出正確的缺陷目標；在測量結果中誤差的絕對值最大為1.66 mm，誤差相對值最大為6.5%。考慮到超聲波的波長在鋁中有0.2 mm，以及孔洞大小直徑為1～3 mm，作為一個demo程序，識別的正確率以及測量精確度都達到了較好的效果。

圖11 測試所用的試塊以及探頭外觀

表1 驗證試驗結果

6 結語

在算法流程中，目標消失后判斷目標是噪聲還是缺陷的工作是算法的一個重要部分，文中程序只是以連續不可見幀數作為判定依據進行簡單判定的。在實際檢測中如果要進一步優化程序，可以使用程序支持向量機來實現，可將目標本身的面積、邊框、不變矩以及軌跡的最大深度、最高運動速度等信息組成一個n維向量作為支持向量機的輸入，然后獲取多組數據進行訓練，最終用于目標識別，這需要更進一步的研究。