金屬管道焊接缺陷的X射線數字圖像處理及檢測方法研究

王亮

（甘肅能源化工職業學院，甘肅 蘭州 730207）

0 前言

金屬管道焊接過程由于受各種參數和隨機因素的影響，焊接構件中不可避免地會產生裂紋、未焊透、氣孔、夾渣等缺陷，為了保證焊接質量，必須對焊縫進行有效的無損檢測。本文利用Matlab仿真軟件對線陣列探測器實時成像的金屬管道焊縫X射線數字圖像進行處理和分析，能夠準確快速地識別和提取焊接缺陷。

1 焊接缺陷提取流程

本文所設計的焊接缺陷的提取流程主要包括以下三個環節：

1）圖像預處理。由于焊縫X射線數字原始圖像具有灰度區間比較窄、缺陷邊緣模糊、圖像噪聲多和缺陷特征不明顯等特點，增大了缺陷提取的難度，所以在提取之前必須先對焊縫原始圖像進行預處理，包括灰度拉伸、圖像增強及圖像的平滑降噪等。

2）焊縫邊緣的檢測及提取。在焊縫圖像處理中真正有用的是中間的一部分圖像信息，而焊縫兩側圖像中的背景信息對焊縫缺陷的識別和提取并無作用，所以要采用逐級細化的方式確定焊縫邊緣，去除無用的背景信息。

3）焊接缺陷提取。分析各種焊接缺陷的特征，采取合理的處理方法確定焊接缺陷的種類。

2 焊縫缺陷圖像預處理

針對線陣實時成像中金屬管道對接焊縫進行處理，其線掃描數字成像器的像素尺寸為90μm，空間分辨率達到5.5Lp/mm。以9mm板厚的焊縫X射線原始圖像為例，利用Matlab仿真軟件進行各種變換處理并進行對比分析。

2.1 焊縫圖像的增強

圖像增強是通過將畫面上重要的內容增強突出，同時將不重要的內容進行抑制以達到改善畫面質量的方法，本文利用直接灰度變換、直方圖均衡化和直方圖規定化對焊縫原始圖像進行增強處理。

圖1為灰度級非線性拉伸圖像及其變換前后直方圖，其中取c＝1，γ＝0.5，從圖1的原始圖像直方圖可以看出原始圖像的對比度較低，動態范圍比較窄。經過非線性拉伸后，圖像亮度明顯得到了增強。圖2為直方圖均衡化后的圖像及其直方圖，與圖1中的原始圖像直方圖相比，圖2的動態范圍和對比度明顯得到了改變，并且圖2能比較明顯地看出圖像內部特征。

2.2 焊縫圖像的平滑降噪

圖像降噪處理的目的在于濾除干擾突出目標特征，由于X射線檢測的對象是細微結構，利用線性濾波處理必將引起信息的損失，很難達到既降噪又保邊緣又不破壞細節的效果。選用自適應中值濾波降噪，除了具有傳統中值濾波的去除隨機和脈沖噪聲以及減少諸如物體邊界細化或粗化等失真優點外，還具有平滑非沖激噪聲時保護焊縫和缺陷邊緣細節的作用。以原始圖像和濾波降噪后的圖像矩陣的第32行的灰度分布曲線為例，其降噪效果如圖3所示，對比看出垂直焊縫方向的行灰度鐘形曲線的頂部和底部明顯平坦光滑了許多，中間部位的凹陷形狀是該行穿過缺陷所形成的并且仍保持了基本形狀特點。

圖1 灰度級非線性拉伸圖像與前后直方圖對比

圖2 直方圖均衡化圖像及其直方圖

圖3 原始圖像與濾波后圖像中第32行灰度曲線對比

3 焊縫邊緣的檢測及提取

圖像的邊緣檢測的算法有Roberts算子、Sobel算子、Prewitt算子和Canny算子等，這些算子基于梯度或一階微分在圖像邊緣附近的區域產生較寬的響應，故采用上述算子檢測的邊緣圖像需要細化處理，這就影響了邊緣的定位精度。利用二階導數零交叉所提取的邊緣寬度為一個像素，所得到的邊緣無需細化，有利于邊緣的精確定位。

圖4 自動閾值的Roberts算子、Sobel算子、Prewitt算子、零交叉、Canny算子邊緣檢測

應用以上算子對經3次5×5窗口的自適應中值濾波后的圖像進行邊緣檢測，其中閾值的選取選擇自動檢測。通過分析比較處理后的圖像（見圖4）發現使用自動閾值檢測時Roberts算子、Sobel算子和Prewitt算子均能檢測出焊縫圖像的大致形狀，并能檢測出焊縫中比較明顯的缺陷，但是邊緣較寬并且存在斷續的情況，這主要是由于邊緣的模糊和一階導數對噪聲的敏感性造成的；Canny算子檢測出圖像的邊緣紋理明顯偏多，并且強弱邊緣不是很明顯。

使用自適應閾值分割方法，即最大類間、類內方差比法來提取焊縫邊緣。先對9mm板厚原始焊縫圖像進行二值化分割處理，處理后的圖像焊縫邊緣輪廓完整清晰，再對二值化后的圖像進行邊界跟蹤并提取焊縫（如圖5），從圖中可以看出最大類間、類內方差比法能夠較準確的從原始圖像中提取出焊縫圖像，得出的邊界基本光滑。

圖5 邊界跟蹤輪廓與提取的焊縫圖像

圖6 高頻加強變換降噪后的圖像

4 焊縫缺陷的提取

4.1 高頻加強變換

選用二階D0＝5的高通濾波器焊縫圖像進行高頻加強變換，只要濾波器的半徑不太小，頻率接近變換后的原點時，高通濾波就不會對參數過度敏感。對高頻加強后的圖像進行直方圖均衡，增強的圖像不可避免地存在一些噪聲，但這是在灰度范圍擴大時射線圖像的典型現象。

從圖6可以看出在焊縫邊緣與缺陷之間有個灰度值明顯偏高的區域，對整個圖像的矩陣觀察發現每行缺陷區域的灰度值與這一行灰度值的最小值相等，利用這一特征對焊縫內部進行行掃描尋找符合這一特征的像素值并令其為255，提取到最終缺陷（如圖7），根據未焊透的位置及形狀判斷此缺陷為未焊透缺陷。

圖7 提取的未焊透缺陷

圖8 提取的氣孔缺陷

4.2 形態學低帽變換

低帽變換是一種有效的形態學變換，利用尋找一幅圖像的谷值來表現圖像的特征。由于焊縫的氣孔在焊縫內部圖像上顯示的灰度值明顯比其周圍低，處于圖像灰度的極小值點。故使用低帽變換突出圖像的特征進而提取缺陷。經過低帽變換后圖像缺陷處的特征比較明顯，在圖像中的亮度最高。根據這個特點對變換后的灰度圖像進行直方圖增強處理使得圖像的特征更加明顯，然后對焊縫內部進行行掃描，對焊縫內部與最高亮度相等的灰度設為255，即置為白色，如圖8所示，根據氣孔缺陷的特征判斷此缺陷為氣孔。

5 結語

針對金屬管道焊縫檢驗中線陣列探測器實時成像的X射線數字圖像，采用上述研究的圖像增強、降噪以及焊縫邊緣和焊接缺陷的提取方法，利用Matlab仿真軟件進行處理和分析，比較處理效果和適應性，選取有效的方法對焊接缺陷進行識別和檢測，在焊接質量檢驗中得到了較好的應用。