基于圖像的鑄造缺陷類型識別

劉晶

（華東理工大學機械與動力工程學院，上海 200237）

0 引言

鑄件質(zhì)量對產(chǎn)品的性能影響較大，因此對鑄件進行分析和檢測是非常必要的。鑄件缺陷包括孔洞類缺陷、裂紋類缺陷、表面缺陷類缺陷和鑄鐵形狀、尺寸和質(zhì)量不合格類缺陷，以及鑄件成分、組織及性能不合格類缺陷[1]。通常可以通過外觀和內(nèi)部檢查來檢測鑄件質(zhì)量，鑄件的表面形狀及尺寸偏差等可以通過外觀檢查檢測，內(nèi)部檢查主要用來檢查內(nèi)部孔洞和裂紋等缺陷。鑄件內(nèi)存在孔洞類缺陷，會減小有效承載面積，從而會影響鑄件的力學性能和抗疲勞性及抗沖擊性，也會對鑄件的耐腐蝕性和耐熱性有不良的影響[2]。當孔洞類缺陷受到局部應力較大時，就會產(chǎn)生裂紋，從而容易產(chǎn)生鑄件疲勞失效及斷裂。鑄件內(nèi)的裂紋類缺陷如果隱藏在鑄件內(nèi)部，會產(chǎn)生較大的危險，甚至會在使用過程中出現(xiàn)嚴重事故。孔洞和裂紋這類鑄件內(nèi)部缺陷，可以通過無損檢測技術(shù)進行檢測，目前一些學者結(jié)合圖像處理技術(shù)來提取缺陷[3-12]。

對于鑄件內(nèi)部缺陷的檢測，常用的無損檢測方法包括射線檢測和超聲檢測。射線檢測效果最好，它能夠直觀地反映出鑄件內(nèi)部缺陷種類、形狀、大小和分布情況。而超聲檢測尤其適用于大厚度的大型鑄件，它可以比較精確地測出內(nèi)部缺陷的位置和分布情況等。根據(jù)這兩種檢測方法的適用范圍，本文選用工業(yè)CT進行鑄件檢測，工業(yè)CT是一種比較先進的無損檢測方式，可以用來掃描非常復雜的鑄件。通過工業(yè)CT設備掃描鑄件后，可以得到一系列二維斷層圖像，通過這些圖像能夠看出鑄件內(nèi)部結(jié)構(gòu)及內(nèi)部缺陷的位置、形狀、尺寸、分布情況等。對鑄件進行工業(yè)CT檢測，可以在線檢測鑄件是否存在缺陷，存在哪一類缺陷，實現(xiàn)實時檢測，極大提高鑄件質(zhì)量，進而為改進鑄造工藝提供參考。工業(yè)CT這種無損檢測要比傳統(tǒng)的檢測方式更加先進，通過工業(yè)CT檢測鑄件，在改善鑄件質(zhì)量、識別鑄件廢品等方面起著重要作用。對鑄件定期進行無損檢測，監(jiān)測其是否出現(xiàn)危險性缺陷，在防止和杜絕事故方面起重要作用[13]。通過工業(yè)CT進行鑄件檢測，從圖像中可以直觀地觀察到大的缺陷，但是很多缺陷尺寸較小，因此必須通過圖像處理的方法進一步精確地確定全部缺陷的空間位置及大小。

1 缺陷輪廓提取

1.1 粗提取

為了更好地提取圖像輪廓，首先采用改進的中值濾波去除噪聲。具體的方法是：逐行掃描CT圖像，當處理每一個像素時，判斷這個像素是否是濾波窗口所覆蓋的鄰域像素極大值或極小值。如果是，則采用正常的中值濾波處理該像素；如果不是，則不進行處理。改進的中值濾波能有效地去除突發(fā)噪聲點，同時也能夠保護目標圖像的邊緣。

在去除圖像中的噪聲后，通過迭代法求閾值對圖像進行分割，其步驟如下：1）求出圖像的最大灰度值和最小灰度值，分別記為Gmax和Gmin，令初始閾值ti=(Gmax+Gmin)/2(i=0,1,…n)。2）根據(jù)閾值ti將圖象分割為目標和背景兩部分，分別求出兩者的平均灰度值G1和G2。3）計算新閾值ti+1=(G1+G2)/2。4）如果ti=ti+1，則ti就是閾值；如果不相等，則i=i+1,轉(zhuǎn)第2步。

通過迭代法確定閾值后，圖像分為目標和背景兩部分，可以更好地提取出圖像的邊緣輪廓，從而找到缺陷部分的輪廓。目標像素值用1表示，背景像素值用0表示。

輪廓追蹤分為粗提取和精提取兩步，粗提取圖像邊緣像素的步驟如下：從圖像左上角逐行掃描像素，以該像素和其相鄰右方像素，相鄰下方像素，相鄰右方像素的下方像素構(gòu)成一個2×2窗口，只要這個窗口屬于圖1中任何一種，則該像素就是圖像的邊緣像素，否則就不是圖像的邊緣像素。

圖1 2×2窗口

在確定好圖像的邊緣像素集合后，需要將這些像素點按照順時針或逆時針排序，以便確定出圖像的邊緣像素之間的鄰接關系，使得內(nèi)部缺陷輪廓的邊緣數(shù)據(jù)實現(xiàn)有序。在輪廓追蹤出圖像輪廓及內(nèi)部缺陷輪廓的邊緣后，為后續(xù)的缺陷類型識別做準備。輪廓追蹤首先在圖像中按從上到下、從左到右的順序搜索，找到的第1個像素值為1的點，這個點一定是最左上方的邊界點，記為Pa。該點的右、右下、下、左下4個鄰點中至少有1個是邊界點，記為Pb。從Pb開始找起，按照8連通區(qū)域沿逆時針順序找相鄰點中的邊界點Pc。如果Pc下一個頂點是Pa，則表明已經(jīng)轉(zhuǎn)了一圈，這個輪廓找到；否則從Pc點繼續(xù)找，直到找到Pa為止。在找到這個輪廓后，再從沒有搜索到的點開始繼續(xù)重復上述步驟，去找其他的輪廓，直至所有邊緣點都被搜索到，找到圖像中所有的內(nèi)外輪廓，搜索結(jié)束。

1.2 精提取

以粗提取得到的輪廓點作為控制點進行NURBS曲線擬合，然后將粗提取的輪廓點向NURBS曲線作投影，得到曲線上的投影點，這些投影點就是輪廓提取的亞像素坐標。輪廓提取過程中，粗提取得到像素級坐標，精提取得到亞像素級坐標。將精提取后的輪廓數(shù)據(jù)進行排序。

NURBS曲線的數(shù)學定義如下：

式中：ωi為權(quán)因子；Pi為控制點；Ni,k(t)是由節(jié)點矢量T=[t0,t1,…tn+k+1]按de Boor-Cox遞推公式確定的k次規(guī)范B樣條基函數(shù)。

通過粗提取和精提取可以提取出缺陷輪廓數(shù)據(jù)。

2 缺陷類型識別

在缺陷輪廓數(shù)據(jù)提取后，可以進行缺陷類型識別。孔洞類缺陷通常斷面形狀趨于圓形或橢圓形，深度有限。而裂紋類缺陷常常呈條紋狀，主要是用長度和深度來表現(xiàn)，寬度尺寸較小。根據(jù)孔洞類缺陷和裂紋類缺陷自身的形狀特征，引入圓形度和狹長度2個參數(shù)進行類型識別。對一個缺陷，需要通過計算圓形度和狹長度，確定其形狀是更傾向于圓形或長條紋形，圖2為缺陷類型識別流程圖。

圖2 缺陷類型識別流程圖

圓形度是圖像處理中很重要的一個參數(shù)，是表示物體圓形程度的指標，常常用于特征的提取與描述。圓形度能反映出孔洞類缺陷接近圓形的程度，圓形度C定義為

式中：A為缺陷的面積；P為缺陷的周長；C越接近1，缺陷越接近圓形。

設排序后的缺陷數(shù)據(jù)為(x0,y0), (x1,y1),…(xn,yn)，那么缺陷面積A可以用下式計算：

狹長度是表示物體長形程度的參數(shù)，能反映出裂紋類缺陷接近長條紋狀的程度，狹長度定義為

式中：a和b分別表示缺陷具有的最小面積外接矩形的長邊和短邊；e越接近1，缺陷形狀越狹長。

本文通過旋轉(zhuǎn)卡殼算法確定最小面積外接矩形，步驟如下：1）首先計算缺陷多邊形的4個端點，用Xmin、Xmax、Ymin、Ymax表示。2）通過這4個點構(gòu)造4條切線，確定2個“卡殼”集合。設置當前多邊形最小面積為無窮大。3）順時針旋轉(zhuǎn)線直到其中一條和多邊形的一條邊重合。計算新矩形的面積，并且和當前面積最小值比較。如果小于當前最小值，則此值作為最小值，并保存與最小值對應的矩形信息。 4）重復步驟3），直到線旋轉(zhuǎn)過的角度大于90°。5）得到外接矩形的最小面積，得到最小面積外接矩形的長邊a和短邊b。

3 實驗結(jié)果

為了更好地識別出鑄造零件內(nèi)部缺陷，本文通過工業(yè)CT設備對1個鑄造零件（如圖3）進行掃描，獲得多個斷層截面圖像。圖像掃描矩陣為1203×1270，像素間的距離為0.08 mm。

圖3 鑄件圖片

取其中一幅圖像進行研究，圖4為一幅工業(yè)CT仿真圖像，圖像中有孔洞類缺陷和裂紋類缺陷。采用改進的中值濾波對圖4的圖像去除噪聲，并進行閾值分割后的圖像如圖5所示，在預處理后，缺陷更明顯。圖6為輪廓提取后的結(jié)果，從圖中可以看到孔洞類缺陷和裂紋類缺陷共有11處缺陷。圖7為放大后的內(nèi)部缺陷。利用圓度和狹長度對圖像中的缺陷進行計算，圖8為該圖像中11處缺陷的圓度和狹長度的對比，從圖中可以看出第1到第10個缺陷圓度接近1，狹長度較小，形狀近似圓形，屬于孔洞類缺陷，第11個缺陷狹長度接近1，圓度較小，屬于裂紋類缺陷。為了更準確地識別缺陷是孔洞類缺陷還是裂紋類缺陷，可以對該層圖像相鄰的上下幾層圖像采用同樣的方法進行圖像輪廓提取及缺陷類型識別，計算相鄰幾層圖像缺陷的圓形度和狹長度，從而確定三維空間中缺陷是哪一類缺陷。

圖5 預處理后圖像

圖6 輪廓提取后圖像

圖7 放大后部分缺陷

圖8 圓度和狹長度對比

選擇鑄件同一方向的切片圖像進行研究，如圖4、圖9、圖10所示。3處切片圖像處的缺陷數(shù)量如表1所示，從表中可以看出不同位置的切片圖像處的缺陷數(shù)量不同，某些位置的缺陷數(shù)量要多于其他位置，這可以為技術(shù)人員改善鑄造質(zhì)量提供參考。

圖4 工業(yè)CT圖像

圖9 第二處切片

圖10 第三處切片

表1 3處不同位置的缺陷統(tǒng)計

4 結(jié)語

本文對工業(yè)CT圖像中的孔洞類缺陷和裂紋缺陷的類型識別進行了研究，通過Microsoft Visual Studio 2013編寫程序。此方法通過改進的中值濾波、閾值分割及通過2×2窗口首先提取出圖像邊緣輪廓，然后對內(nèi)部缺陷輪廓進行排序，再根據(jù)孔洞類缺陷和裂紋類缺陷自身的形狀特征，引入圓形度和狹長度2個參數(shù)進行缺陷類型識別。通過實驗表明此方法可以有效地提取孔洞類缺陷和裂紋缺陷。此方法不僅適用于工業(yè)CT圖像的缺陷類型檢測，也可用于其他類型圖像的缺陷類型檢測。