自適應(yīng)聚乙烯管道超聲信號(hào)線檢測(cè)算法

李禮彬， 顧 震， 周家樂(lè)， 顏秉勇， 王慧鋒（華東理工大學(xué)信息科學(xué)與工程學(xué)院，上海 200237）

相比傳統(tǒng)的金屬管道，聚乙烯（PE）管道具有絕緣、耐磨損、抗腐蝕、易彎曲、性價(jià)比高的優(yōu)勢(shì)[1]，正逐漸成為運(yùn)輸管道的主流。電熔焊接是PE 管道接頭最主要的焊接方式之一[2]。現(xiàn)階段對(duì)焊接質(zhì)量較為有效的無(wú)損檢測(cè)手段是利用超聲相控陣成像技術(shù)進(jìn)行人工測(cè)定[3]，而人工檢測(cè)成本高、效率低，因此依靠機(jī)器視覺(jué)進(jìn)行自動(dòng)化焊接缺陷識(shí)別是當(dāng)前的發(fā)展趨勢(shì)。

由焊接缺陷的定義[4-6]可知，缺陷識(shí)別的依據(jù)是超聲成像中特征線、電阻絲線（也稱熔合面）、管材內(nèi)壁回波信號(hào)線之間的相對(duì)距離和各自的形狀特性，因此，完整地檢測(cè)特征線、電阻絲線和管材內(nèi)壁回波信號(hào)線是實(shí)現(xiàn)自動(dòng)化缺陷識(shí)別的關(guān)鍵。

目前學(xué)界和工業(yè)界針對(duì)PE 管道電熔焊接接頭的超聲信號(hào)線檢測(cè)研究還處于起步階段。黃躍鑫[7]通過(guò)缺陷檢測(cè)仿真實(shí)驗(yàn)，分析了不同缺陷的信號(hào)特征，提出了Otsu 閾值分割和形態(tài)學(xué)運(yùn)算相結(jié)合的分割方法，可以在仿真圖中有效檢測(cè)特征線和電阻絲線，具有一定的理論參考價(jià)值。郭偉燦等[8]分析了電阻絲的成像機(jī)理，提出了針對(duì)電阻絲線的檢測(cè)方法，但并未檢測(cè)特征線和管材內(nèi)壁回波信號(hào)線，不利于全部類型的缺陷識(shí)別。黃躍鑫等[3]提出了將Kmeans 聚類與形態(tài)學(xué)運(yùn)算相結(jié)合的處理方法，先將RGB 色彩空間中的B 分量圖像整體聚為3 簇，對(duì)其中一簇進(jìn)行形態(tài)學(xué)運(yùn)算得到相對(duì)完整的電阻絲線，再對(duì)灰度圖像聚類來(lái)檢測(cè)特征線。該方法同樣沒(méi)有考慮管材內(nèi)壁回波信號(hào)線，處理過(guò)程中的多次去噪和膨脹操作會(huì)丟失電阻絲信息，而且需要耗時(shí)地在全局空間進(jìn)行兩次聚類。

相比這些無(wú)監(jiān)督算法，近年來(lái)有監(jiān)督的深度學(xué)習(xí)算法在計(jì)算機(jī)視覺(jué)領(lǐng)域有了突破性發(fā)展，國(guó)內(nèi)外學(xué)者在分割檢測(cè)方向提出了諸多模型，如FCN、SegNet、Unet、DFANet[9]等。實(shí)驗(yàn)顯示，這類卷積神經(jīng)網(wǎng)絡(luò)模型通過(guò)特征學(xué)習(xí)同樣適用于超聲信號(hào)線檢測(cè)，但是其本質(zhì)是像素級(jí)分類模型，分割輪廓往往比較粗糙，并且需要大量的訓(xùn)練樣本和標(biāo)記圖像。

針對(duì)上述算法的不足，考慮到超聲成像在空間上具有縱向分層顯著、全局干擾較多的特點(diǎn)，本文提出了一種用于聚乙烯管道焊接接頭超聲信號(hào)線的自適應(yīng)檢測(cè)算法。該算法具有如下特性：(1) 自適應(yīng)模糊灰度圖像的內(nèi)部細(xì)節(jié)，根據(jù)水平投影曲線在縱向上實(shí)現(xiàn)了圖像分層；(2) 改進(jìn)了自適應(yīng)閾值分割算法，能夠識(shí)別明暗變化不一的特征線；(3) 引入條件隨機(jī)場(chǎng)理論，提出了Otsu-CRF 算法，在HSV 色彩空間實(shí)現(xiàn)了電阻絲線的檢測(cè)，并改善了電阻絲粘連問(wèn)題；(4)進(jìn)一步檢測(cè)了管材內(nèi)壁的信號(hào)線。

1 檢測(cè)原理

圖1 示出了PE 管道超聲成像圖，其中電熔套管區(qū)域內(nèi)的暗色線條即為特征線。本文算法分為兩個(gè)階段：(1) 基于自適應(yīng)模糊算法保留區(qū)域邊緣，去除灰度圖像的內(nèi)部細(xì)節(jié)，按水平投影曲線自動(dòng)完成區(qū)域分層；(2) 在對(duì)應(yīng)分層中選擇合適算法獨(dú)立檢測(cè)3 條信號(hào)線。

圖1 超聲相控陣檢測(cè)成像Fig. 1 Image of ultrasonic phased array inspection

1.1 區(qū)域分層

實(shí)現(xiàn)檢測(cè)圖像自動(dòng)分層的關(guān)鍵在于能夠充分模糊各區(qū)域的內(nèi)部細(xì)節(jié)，而保留輪廓信息，使得水平投影曲線的“峰-谷”特性能正確反映分層信息。

如圖2(a)所示，由于存在特征線以及電阻絲的回聲信號(hào)，灰度圖像的水平投影曲線噪聲較大，各區(qū)域的極值并不唯一，難以根據(jù)峰值或谷值劃定區(qū)域的分界線，因此需要進(jìn)行模糊處理。圖2(b)示出了高斯模糊后的灰度圖及其水平投影曲線，其中高斯核尺寸為5×5 像素。從結(jié)果來(lái)看，具有一定的模糊效果，但并不能完全消除區(qū)域內(nèi)部細(xì)節(jié)(特征線、電阻絲回聲信號(hào)等)的影響，如投影曲線在第150 行附近仍存在較大坡度，此處對(duì)應(yīng)電阻絲區(qū)域和PE 管材區(qū)域的分界，但并沒(méi)有發(fā)生標(biāo)志性的像素值跳變現(xiàn)象，因此，需要進(jìn)一步模糊處理。

圖2 模糊算法的對(duì)比結(jié)果Fig. 2 Comparison results of blur algorithms

形態(tài)學(xué)運(yùn)算是數(shù)字圖像處理的常用手段，圖像膨脹和腐蝕是所有形態(tài)學(xué)運(yùn)算的基礎(chǔ)。圖像f(x,y)的膨脹和腐蝕定義[10]分別如式(1)和式(2)所示：

其中： ⊕ 和 ⊕ 分別表示形態(tài)學(xué)的膨脹與腐蝕運(yùn)算；b表示索引為 (s,t) 的結(jié)構(gòu)單元。若b是3×3 的矩形結(jié)構(gòu)，則圖像f在(x0,y0)處的膨脹定義為：以(x0,y0)作為b的原點(diǎn)，將f(x0,y0) 賦值為此3×3 區(qū)域中的最大值；類似地，圖像f在(x0,y0)處的腐蝕定義就是將f(x0,y0) 賦值為此區(qū)域的最小值。通過(guò)組合膨脹和腐蝕運(yùn)算可以得到模糊能力更優(yōu)的開(kāi)運(yùn)算和閉運(yùn)算[10]，分別表示為式(3)和式(4)：

其中， ? 和 ? 分別表示形態(tài)學(xué)的開(kāi)運(yùn)算與閉運(yùn)算。開(kāi)運(yùn)算是先用結(jié)構(gòu)單元b腐蝕f，再對(duì)結(jié)果進(jìn)行膨脹；閉運(yùn)算則相反。通常，開(kāi)運(yùn)算操作用于去除較小的亮細(xì)節(jié)，閉運(yùn)算操作則是去除較小的暗細(xì)節(jié)，具體效果與結(jié)構(gòu)單元的形狀和尺寸有關(guān)。

針對(duì)灰度圖中的特征線、電阻絲回聲信號(hào)等暗紋，本文采用5×5 尺寸的矩形結(jié)構(gòu)進(jìn)行形態(tài)學(xué)閉運(yùn)算處理，結(jié)果如圖2(c)所示。其模糊效果類似于高斯模糊，在邊緣處理上存在優(yōu)勢(shì)，但仍未達(dá)到模糊細(xì)節(jié)的預(yù)期。雖然隨著結(jié)構(gòu)單元尺寸的加大，特征線的模糊效果得到改善，但同時(shí)會(huì)減淡管材內(nèi)壁回波信號(hào)線，而且固定尺寸并不適用于所有圖像。

為了解決這一問(wèn)題，本文基于形態(tài)學(xué)運(yùn)算結(jié)合內(nèi)部細(xì)節(jié)的空間信息提出了一種自適應(yīng)模糊算法，如式(5)所示：

其中，Δ 是形態(tài)學(xué)運(yùn)算結(jié)果的補(bǔ)償量，由每幅圖像的灰度分布決定，因而具有自適應(yīng)性。理想情況下，應(yīng)使得mean(f′)+Δ≥255 在電熔套筒區(qū)域和管材區(qū)域成立，以完全消除特征線和電阻絲回聲信號(hào)，但由于區(qū)域分界并不固定，只能選定區(qū)域求得近似的補(bǔ)償量。根據(jù)空間信息可知，回聲信號(hào)的灰度值正相關(guān)于其上側(cè)電阻絲的灰度值。在超聲成像中，電阻絲越亮則其回聲信號(hào)越明顯，因此選定區(qū)域除了包含存在特征線的電熔套筒區(qū)域和存在回聲信號(hào)的管材區(qū)域之外，還應(yīng)當(dāng)包含電阻絲。為了方便計(jì)算，本文取整幅圖像的下2/3 區(qū)域，則

自適應(yīng)模糊效果及其水平均值投影曲線如圖2(d)所示。可以看出，自適應(yīng)模糊算法消除了特征線和大部分的回聲信號(hào)，投影曲線具有穩(wěn)定峰值且在分界處存在標(biāo)志性的轉(zhuǎn)折點(diǎn)，可以據(jù)此實(shí)現(xiàn)自動(dòng)分層。

選取固定閾值T=255×95%作為區(qū)域劃分的標(biāo)準(zhǔn)，以遍歷法確定區(qū)域間的分界線（如圖3 所示），并按特征線、電阻絲線和管材內(nèi)壁的所處位置確定感興趣區(qū)域(Region of Interest, ROI)，分別記作ROI-1、ROI-2 和ROI-3。

圖3 區(qū)域分層結(jié)果Fig. 3 Areas layered result

1.2 信號(hào)線檢測(cè)

1.2.1 特征線檢測(cè) 閾值分割是常用的圖像分割方法[11]，適用于檢測(cè)相比背景具有明顯色彩或亮度差異的目標(biāo)，主要有固定閾值分割[12]、Otsu 閾值分割[13]和自適應(yīng)閾值分割[14]。

在圖4(a)所示的ROI-1 灰度圖中，特征線與背景存在一定差異，可以選擇閾值分割。根據(jù)統(tǒng)計(jì)的灰度直方圖的峰值分布，本文選取固定閾值T=240進(jìn)行二值化分割，結(jié)果如圖4(b)所示。可以看出固定閾值分割的結(jié)果中存在大量的誤分割，且特征線形狀發(fā)生改變。Otsu 閾值分割是根據(jù)類間方差最大原則，在灰度直方圖的基礎(chǔ)上自動(dòng)選擇閾值進(jìn)行分割，因此對(duì)每幅圖像具有自適應(yīng)性，結(jié)果如圖4(c)所示。其特征線的分割結(jié)果優(yōu)于固定閾值分割，但在上下兩側(cè)的分界區(qū)域同樣存在誤分割，而且在特征線的右側(cè)存在欠分割，這是由于特征線的明暗程度不一致造成的。明暗變化在超聲成像中比較常見(jiàn)，因此基于全局灰度特征選定的閾值并不適用。

自適應(yīng)閾值分割通過(guò)將圖像劃分為m×n個(gè)相鄰網(wǎng)格，不再考慮全局特征，而是在每個(gè)網(wǎng)格中獨(dú)立計(jì)算閾值，再進(jìn)行二值化分割，因此可以自適應(yīng)于明暗程度不一致的目標(biāo)。由均值法計(jì)算各網(wǎng)格的閾值，如式(7)所示：

其中：M(i,j) 是第i行第j列網(wǎng)格的灰度均值；T0是固定補(bǔ)償量。取T0=0，分割結(jié)果如圖4(d)所示。結(jié)果顯示，自適應(yīng)閾值分割能夠完整分割特征線，但在不存在特征線的局部區(qū)域中誤分割了較多的噪聲。雖然通過(guò)增大網(wǎng)格的劃分尺寸或者選擇合適的T0能夠抑制部分噪聲，但同時(shí)也會(huì)影響特征線的分割形狀，仍然存在較多誤分割，需要進(jìn)一步處理。本文嘗試了文獻(xiàn)[3]中的去噪手段，如刪除與邊界相連區(qū)域、形態(tài)學(xué)腐蝕等，再通過(guò)檢測(cè)擬合橢圓的二階矩來(lái)過(guò)濾，這對(duì)部分圖像是有效的，但增大了計(jì)算量。腐蝕改變了目標(biāo)形態(tài)，分割結(jié)果對(duì)參數(shù)設(shè)置有較強(qiáng)依賴。

圖4 ROI-1 的分割結(jié)果對(duì)比Fig. 4 Comparison of ROI-1 segmentation results

為了解決信號(hào)線分割困難的問(wèn)題，本文基于目標(biāo)特征和空間信息提出了一種改進(jìn)的自適應(yīng)閾值分割算法。基本的自適應(yīng)閾值分割算法由于未考慮空間信息，在不存在目標(biāo)的區(qū)域仍然進(jìn)行閾值分割，因而當(dāng)噪聲較多時(shí)會(huì)導(dǎo)致誤分割。改進(jìn)算法的思路是通過(guò)目標(biāo)特征和空間信息對(duì)目標(biāo)所在區(qū)域進(jìn)行判定，只在目標(biāo)可能存在的區(qū)域中進(jìn)行自適應(yīng)分割，進(jìn)而提升分割的針對(duì)性，改善分割效果。

首先，將圖像劃分為m×n個(gè)相鄰網(wǎng)格，并求出每個(gè)網(wǎng)格的灰度均值M(i,j)；然后按目標(biāo)特征設(shè)定規(guī)則，把必然存在目標(biāo)的網(wǎng)格區(qū)域設(shè)定為“強(qiáng)區(qū)”，可能存在目標(biāo)的網(wǎng)格區(qū)域設(shè)定為“弱區(qū)”，不可能存在目標(biāo)的網(wǎng)格區(qū)域則為背景；其次，按空間位置將與強(qiáng)區(qū)相接觸的弱區(qū)也設(shè)定為強(qiáng)區(qū)；最后，在所有強(qiáng)區(qū)中進(jìn)行自適應(yīng)閾值分割。

針對(duì)特征線檢測(cè)問(wèn)題，設(shè)定如下規(guī)則：考慮到特征線在水平方向上是暗色的棒狀結(jié)構(gòu)，因而將滿足式(8)的網(wǎng)格區(qū)域設(shè)置為強(qiáng)區(qū)；將平均灰度低于全局灰度均值的區(qū)域設(shè)置為弱區(qū)；其他區(qū)域設(shè)置為背景。

改進(jìn)算法的檢測(cè)結(jié)果如圖4(e)所示。可以看出，改進(jìn)算法不僅完整地提取了特征線，還保持了與人眼視覺(jué)一致的目標(biāo)形態(tài)，不需要進(jìn)行額外的噪聲處理，具有明顯的優(yōu)勢(shì)。

改進(jìn)的自適應(yīng)閾值分割算法流程如圖5 所示。

圖5 改進(jìn)算法的流程Fig. 5 Flow chart of improved algorithm

1.2.2 電阻絲線檢測(cè) 如圖6(a)所示，在RGB 色彩空間中ROI-2 區(qū)域中的電阻絲顏色并不統(tǒng)一，但電阻絲與其所在背景區(qū)域存在明顯色差，因此選取一個(gè)合適的色彩模型將有利于目標(biāo)檢測(cè)。

RGB 模型是一個(gè)通用模型，但該模型并不能提供均勻的色彩空間，且每個(gè)分量都帶有亮度信息會(huì)造成色彩分割不良。LUV 色彩空間[15]是國(guó)際照明委員會(huì)為了統(tǒng)一評(píng)價(jià)顏色差別而提出的，其中L 分量代表亮度信息，U、V 分量代表色度信息。該空間更具均勻性，符合人的視覺(jué)心理，在圖像處理中有著廣泛應(yīng)用。圖6（b）～(d)示出了ROI-2 區(qū)域在LUV 色彩空間中3 個(gè)分量對(duì)應(yīng)的單通道圖像。

圖6 ROI-2 圖像及其LUV 分量Fig. 6 Images of ROI-2 and its components in LUV color space

圖6(c)中U 分量的色度信息和電阻絲的前景背景信息相吻合，前景和背景有明顯差異。經(jīng)過(guò)多次實(shí)驗(yàn)，這一特征在不同圖像中保持穩(wěn)定，因此可通過(guò)Otsu 閾值分割檢測(cè)電阻絲線。隨后進(jìn)行反色和形態(tài)學(xué)腐蝕處理，結(jié)果如圖7 所示，實(shí)現(xiàn)了電阻絲線的檢測(cè)，但存在粘連現(xiàn)象。

圖7 電阻絲線的檢測(cè)結(jié)果Fig. 7 Detection result of resistance wire signal line

1.2.3 管材內(nèi)壁回波檢測(cè) 與電阻絲線的檢測(cè)方法類似，先將RGB 色彩空間的綠色分量(G)和藍(lán)色分量(B)按式(9)進(jìn)行線性組合以增強(qiáng)目標(biāo)和背景的對(duì)比度，再對(duì)計(jì)算得到的Q值進(jìn)行Otsu 閾值分割。結(jié)果如圖8 所示，實(shí)現(xiàn)了管材內(nèi)壁回波信號(hào)線的檢測(cè)。

圖8 管材內(nèi)壁回波信號(hào)線的檢測(cè)結(jié)果Fig. 8 Detection result of pipewrie in wall echo signal line

1.2.4 Otsu-CRF 算法 在RGB 色彩空間中難以分割的電阻絲線可以在LUV 色彩空間中通過(guò)Otsu 閾值分割實(shí)現(xiàn)檢測(cè)，但結(jié)果比較粗糙，而且存在粘連問(wèn)題。引入全連接條件隨機(jī)場(chǎng)理論(Conditional Random Field, CRF)[15]，用灰度值方差為特征，結(jié)合空間信息進(jìn)行二次分割以細(xì)化目標(biāo)邊緣，則可以得到更精細(xì)的檢測(cè)結(jié)果。

設(shè)X={X1,X2, ···,XN}為定義在整幅圖像上的觀測(cè)向量，Y={Y1,Y2, ···,YN}為所有觀測(cè)向量對(duì)應(yīng)的類別標(biāo)簽向量，構(gòu)建條件概率模型P(Y|X)，并用無(wú)向圖G=(V,E) 來(lái)表示，則結(jié)點(diǎn)v對(duì)應(yīng)的特征向量為Xv，對(duì)應(yīng)的類別標(biāo)簽為Yv，每個(gè)結(jié)點(diǎn)都滿足馬爾可夫性[16]：

其中：w≠v表示v以外的所有結(jié)點(diǎn)；w～v表示與v相鄰的結(jié)點(diǎn)。因此(Y,X)構(gòu)成一個(gè)條件隨機(jī)場(chǎng)，其Gibbs 分布[17]表示為

其中：Z(X)為規(guī)范化因子；E(Y|X)為Gibbs 能量函數(shù)[18]，簡(jiǎn)寫(xiě)為E(Y)。在全連接條件隨機(jī)場(chǎng)中，

其中：Ψc(Yc)是基團(tuán)c上的勢(shì)函數(shù)，由兩部分組成：一元?jiǎng)莺瘮?shù)Ψu(Yi)用來(lái)衡量在給定整幅圖像的觀測(cè)向量X的條件下，結(jié)點(diǎn)i被標(biāo)記為Yi的可能性；二元?jiǎng)莺瘮?shù)Ψp(Yi,Yj)用來(lái)描述相鄰結(jié)點(diǎn)i和j的空間關(guān)系，結(jié)點(diǎn)i的標(biāo)記相關(guān)于相鄰結(jié)點(diǎn)j的標(biāo)記。

勢(shì)函數(shù)的選取決定了CRF 模型的準(zhǔn)確性和速度，本文采用的一元?jiǎng)莺瘮?shù)為

其中，Xi為第i個(gè)像素對(duì)應(yīng)的特征向量，取該像素所在類別的灰度值方差；采用的二元?jiǎng)莺瘮?shù)為

其中β為權(quán)重。可以看出，結(jié)點(diǎn)的類別不僅由自身灰度決定，還取決于臨近結(jié)點(diǎn)。

最后通過(guò)模擬退火算法[19]最小化式(12)所示的能量函數(shù)，得到最優(yōu)的像素點(diǎn)分類結(jié)果。

Otsu-CRF 算法的完整流程如下：

(1) 對(duì)目標(biāo)圖像用Otsu 算法進(jìn)行粗分割得到f0；

(2) 通過(guò)形態(tài)學(xué)腐蝕f0得到Marker 圖像，膨脹f0得到Mask 圖像，二者的差分區(qū)域U=Mask?Marker即為需要細(xì)化的邊緣范圍；

(3) 隨機(jī)初始化像素點(diǎn)(x,y)∈U的標(biāo)簽，在整幅圖像中計(jì)算初始能量；

(4) 模擬退火算法：依概率隨機(jī)更改某像素點(diǎn)的標(biāo)簽，重新計(jì)算能量。若能量減小則保留更改，否則以一定概率接受更改；

(5) 重復(fù)執(zhí)行步驟(4)直至收斂或達(dá)到最大迭代次數(shù)。

2 實(shí)驗(yàn)結(jié)果與分析

除了檢測(cè)原理中聲明的常量參數(shù)外，Otsu-CRF 算法不依賴其他參數(shù)。為了驗(yàn)證算法的有效性，在筆記本電腦上進(jìn)行了實(shí)驗(yàn)，配置為Intel i5-9300H CPU@2.40 GHz 處理器，NVIDIA GeForce GTX 1650 顯卡，Python3.7 編程環(huán)境。

2.1 評(píng)價(jià)基準(zhǔn)和指標(biāo)

為了客觀分析和量化信號(hào)線的檢測(cè)結(jié)果，以人工檢測(cè)結(jié)果作為評(píng)價(jià)基準(zhǔn)，圖9(a)示出了人工在LabelMe[20]中對(duì)圖1 的標(biāo)注結(jié)果。可以看出，由于選用多邊形框定目標(biāo)，人工檢測(cè)結(jié)果帶有明顯的邊角特征，并不符合實(shí)際的目標(biāo)形態(tài)。為了得到更加合理、準(zhǔn)確的評(píng)價(jià)基準(zhǔn)，采用Otsu-CRF 算法對(duì)人工檢測(cè)結(jié)果的邊緣進(jìn)行細(xì)化，結(jié)果如圖9(b)所示。對(duì)比原始圖像，所得信號(hào)線的形態(tài)更加自然飽滿，與人眼視覺(jué)相一致，后續(xù)實(shí)驗(yàn)將以此作為人工檢測(cè)結(jié)果進(jìn)行分析和評(píng)估。

圖9 人工檢測(cè)及其細(xì)化結(jié)果Fig. 9 Results of manual detection and refinement

選用準(zhǔn)確率（Accuracy）和精確度（Precision）作為評(píng)價(jià)指標(biāo)，計(jì)算公式見(jiàn)式（15）。準(zhǔn)確率表示正確識(shí)別的正例樣本占總樣本數(shù)的比值，用來(lái)衡量背景像素和信號(hào)線像素的分類準(zhǔn)確性。但由于正例目標(biāo)是狹長(zhǎng)的信號(hào)線，在整幅圖像中占比不足10%，導(dǎo)致該指標(biāo)無(wú)法突出算法差異。而精確度表示正確識(shí)別的正例樣本占所有識(shí)別的正例樣本的比值，即只關(guān)注信號(hào)線的檢測(cè)結(jié)果，因此選用其作為有效補(bǔ)充。準(zhǔn)確率和精確度的數(shù)值越高表明算法的性能越好，另外，將算法的運(yùn)行時(shí)間作為另一項(xiàng)指標(biāo)。

式中：TP (True Positive) 是正確識(shí)別為正例/目標(biāo)像素點(diǎn)的像素?cái)?shù)量；FP (False Positive) 是錯(cuò)誤識(shí)別為正例/目標(biāo)像素點(diǎn)的數(shù)量；TN (True Negative) 是正確識(shí)別為負(fù)例/背景像素點(diǎn)的數(shù)量；FN (False Negative) 是錯(cuò)誤識(shí)別為負(fù)例/背景像素點(diǎn)的數(shù)量。

2.2 實(shí)驗(yàn)結(jié)果與分析

將本文算法分別與文獻(xiàn)[3]和文獻(xiàn)[9]的算法進(jìn)行了對(duì)比。文獻(xiàn)[3]通過(guò)兩次聚類分別檢測(cè)特征線和電阻絲線，再采用清除邊界區(qū)域、形態(tài)學(xué)腐蝕等方法去除噪聲，沒(méi)有檢測(cè)管材內(nèi)壁回波信號(hào)，且特征線和電阻絲線分割粗糙，電阻絲甚至?xí)霈F(xiàn)漏檢問(wèn)題，結(jié)果如圖10(a)所示。

圖10(b)示出了文獻(xiàn)[9]的檢測(cè)結(jié)果，其中特征線存在誤分割且相對(duì)較粗，電阻絲存在粘連問(wèn)題，并且數(shù)據(jù)集標(biāo)記耗費(fèi)了大量時(shí)間，檢測(cè)結(jié)果依賴于訓(xùn)練方法和標(biāo)記精度。

而本文算法完整地檢測(cè)了3 條信號(hào)線，結(jié)果如圖10(c)所示，其中電阻絲粘連問(wèn)題可以應(yīng)用Otsu-CRF 算法進(jìn)行改善，最終結(jié)果如圖10(d)所示。

圖10 不同檢測(cè)算法的結(jié)果對(duì)比Fig. 10 Comparison of different detection algorithms

對(duì)10 幅含有不同缺陷類型的超聲圖像進(jìn)行檢測(cè)，表1 給出了不同算法的對(duì)比結(jié)果。其中文獻(xiàn)[3]的聚類算法耗時(shí)最久，且準(zhǔn)確度不高；文獻(xiàn)[9]的算法雖然精度和速度有所提高，但依賴GPU 加速，部署環(huán)境存在限制；本文算法基本實(shí)現(xiàn)了實(shí)時(shí)檢測(cè)，且準(zhǔn)確率高。應(yīng)用Otsu-CRF 算法后，需要對(duì)式(12)所示的Gibbs 能量函數(shù)進(jìn)行迭代尋優(yōu)，因此計(jì)算量增加，損失了部分速度性能，但進(jìn)一步提高了檢測(cè)精度，改善了電阻絲粘連問(wèn)題。

表1 不同算法的檢測(cè)結(jié)果對(duì)比Table 1 Comparison results of different algorithms

值得說(shuō)明的是，自適應(yīng)檢測(cè)算法可以完成超聲信號(hào)線檢測(cè)任務(wù)，計(jì)算量小、速度最快，因此適用于大多數(shù)的應(yīng)用場(chǎng)景，尤其適合實(shí)時(shí)檢測(cè)或部署在嵌入式設(shè)備上。而增加了細(xì)化處理的自適應(yīng)檢測(cè)算法則適用于對(duì)精度要求較高或離線檢測(cè)的場(chǎng)景，例如需要對(duì)焊接缺陷進(jìn)行分級(jí)時(shí)，可以對(duì)3 條信號(hào)線進(jìn)行細(xì)化以進(jìn)一步提升檢測(cè)結(jié)果。

圖11 示出了本文算法對(duì)不同缺陷類型圖像的實(shí)際檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文算法能夠適用于不同的焊接缺陷，增加了細(xì)化處理后對(duì)信號(hào)線的檢測(cè)結(jié)果，具有一定的改善作用。

圖11 不同類型圖像的檢測(cè)結(jié)果Fig. 11 Detection results of different types of images

為了分析自適應(yīng)模糊處理對(duì)算法整體性能的影響，移除自適應(yīng)模糊處理步驟，直接對(duì)灰度圖像進(jìn)行水平投影，并更新區(qū)域劃分策略，實(shí)驗(yàn)結(jié)果如表2 所示，其中括號(hào)內(nèi)數(shù)值為完整算法的指標(biāo)得分。可以看出，移除了自適應(yīng)模糊處理后，檢測(cè)算法的準(zhǔn)確率下降約2%，精確度下降約8%～10%，處理時(shí)間幾乎成倍增加。這是因?yàn)榛叶葓D像的水平均值投影曲線存在較多波動(dòng)，不能嚴(yán)格反映分層信息，使得區(qū)域分層出現(xiàn)誤差，具體表現(xiàn)為：信號(hào)線所在區(qū)域變寬，導(dǎo)致信號(hào)線檢測(cè)存在誤分割；直接增加了計(jì)算量，導(dǎo)致算法速度變慢。由此可以得出結(jié)論，自適應(yīng)模糊處理提高了分層準(zhǔn)確性，保障了算法的整體性能。

表2 移除自適應(yīng)模糊處理后的算法性能Table 2 Performance of algorithms without adaptive blur processing

3 結(jié) 論

本文針對(duì)聚乙烯管道焊接接頭的超聲成像提出了一種自適應(yīng)信號(hào)線檢測(cè)算法。在形態(tài)學(xué)運(yùn)算的基礎(chǔ)上實(shí)現(xiàn)了灰度圖像的自適應(yīng)模糊以便對(duì)圖像縱向分層；改進(jìn)了自適應(yīng)閾值分割算法用于檢測(cè)特征線；提出的Otsu-CRF 算法能夠細(xì)化電阻絲的檢測(cè)結(jié)果，改善電阻絲粘連問(wèn)題，能夠完整、準(zhǔn)確、快速地實(shí)現(xiàn)超聲信號(hào)線的檢測(cè)。后續(xù)將在此基礎(chǔ)上研究焊接缺陷類型的自動(dòng)化識(shí)別。