基于射線檢測的焊縫缺陷自動識別技術(shù)研究

孫文斐

（濟(jì)南市計(jì)量檢定測試院，山東濟(jì)南，250101）

0 前言

現(xiàn)代無損檢測技術(shù)在產(chǎn)品質(zhì)量控制和生產(chǎn)效率提升方面發(fā)揮著重要作用，常規(guī)無損檢測技術(shù)包括射線檢測、超聲檢測、渦流檢測、磁粉檢測等類型[1]，這些檢測技術(shù)各有優(yōu)勢，適用于不同的應(yīng)用場合。其中，以X射線檢測為代表的射線無損檢測技術(shù)具有高效、便捷、可定量判定等特點(diǎn)而受到廣泛應(yīng)用[2]。傳統(tǒng)的射線檢測主要通過膠片成像并判別缺陷，這種方法雖然技術(shù)簡單、分辨力強(qiáng)，但操作比較復(fù)雜、成像過程不好操作、檢測效率不高、難以實(shí)現(xiàn)自動化。

近年來，數(shù)字化的射線成像系統(tǒng)應(yīng)用日益普遍，數(shù)字成像的最大優(yōu)點(diǎn)是便于缺陷的自動化識別，有效提高了檢測效率和自動化水平[3]。基于此，本文以焊縫缺陷檢測為例，對射線檢測的自動識別技術(shù)進(jìn)行了深入的探討。

1 射線檢測基本原理

X射線是一種穿透能力極強(qiáng)的電磁波，通過穿透被測工件并檢測透射強(qiáng)度分布來反映工件內(nèi)部結(jié)構(gòu)信息，通過人工或自動分析，可以識別出缺陷的大小、尺寸和分布等情況。當(dāng)工件內(nèi)部存在缺陷時(shí)，由于缺陷與工件本身的材料往往不一致，因此對X射線的衰減程度是不一樣的，通過成像介質(zhì)在工作的另一側(cè)接收X射線的透射光并記錄下來，即可將缺陷的投影尺寸和形狀反射成像介質(zhì)上。

射線檢測技術(shù)常常使用底片作為成像介質(zhì)，可以取得很高的分辨率，對氣孔、夾渣等缺陷有很高的檢出率，而且能夠準(zhǔn)確識別缺陷的性質(zhì)、數(shù)量、尺寸和分布情況。但對于具有方向性的缺陷，例如裂紋、分層，其檢出率則與射線穿透的方向有關(guān)，如果缺陷方向與射線穿透方向一致，則可能出現(xiàn)漏檢。

隨著現(xiàn)代生產(chǎn)工藝水平的提高，各應(yīng)用場合都對檢測效率提出了更高的要求，例如生產(chǎn)流水線，要求實(shí)現(xiàn)自動化實(shí)時(shí)檢測，傳統(tǒng)的膠片成像技術(shù)顯著不再滿足需求。在此背景下，數(shù)字成像技術(shù)應(yīng)運(yùn)而生，為射線檢測缺陷的自動識別奠定了基礎(chǔ)。

2 焊縫自動檢測的難點(diǎn)

焊縫檢測是無損檢測的重要應(yīng)用場景，也是無損檢測技術(shù)的優(yōu)勢應(yīng)用領(lǐng)域之一。材料在焊接時(shí)，由于工藝技術(shù)、設(shè)備條件、應(yīng)力變化、材料結(jié)構(gòu)、尺寸形狀等因素的影響，在焊縫中出現(xiàn)熱裂縫是十分常見的，而裂縫作為一種極度危險(xiǎn)的缺陷類型，一旦在焊縫中發(fā)現(xiàn)則要求必須返修。在產(chǎn)品使用過程中，焊接件在高溫、高壓、腐蝕、疲勞、沖擊等惡劣環(huán)境下，也很容易出現(xiàn)冷裂縫。考慮到焊接件的生產(chǎn)規(guī)模通常很大，要求實(shí)時(shí)在線檢測，因此缺陷的識別過程也必須是自動化的。

但是焊縫缺陷的自動識別有一定的難度，這主要是因?yàn)樽詣踊R別涉及到圖像處理、信號分析、模式識別、人工智能等一系列技術(shù)，是一門綜合性的交叉技術(shù)。在射線檢測中，成像介質(zhì)上接收到的除了透射部分之外，還會包含許多雜亂的散射射線，使圖像信噪比降低，圖像對比度往往不高，這對于不規(guī)則線頭缺陷的識別造成了很大的不便。另外，由于焊縫缺陷類型較多，而不同的缺陷類型需要不同的識別算法和特征庫，不便于實(shí)際應(yīng)用。

3 焊縫檢測圖像的預(yù)處理

檢測圖像的預(yù)處理是指在正式進(jìn)行自動判別之前，對質(zhì)量不高的圖像進(jìn)行初步的處理，提高圖像質(zhì)量的過程。X射線檢測圖像信噪比低、分辨率低、對比度低、灰度不均勻、邊緣不清晰，缺陷信息很有可能會湮滅在噪聲之中，缺陷判別難度很大。因此在焊縫檢測中，通常要對圖像進(jìn)行去噪等預(yù)處理。圖像降噪包括空間域和頻率域兩種方法，空間域方法包括領(lǐng)域平均法、中值濾波等；頻率域方法包括FFT、小波變換、低通濾波器等。

3.1 小波去噪技術(shù)

小波去噪技術(shù)是基于小波變換理論的，它的數(shù)學(xué)本質(zhì)就是對一個(gè)母小波進(jìn)行伸縮和平穩(wěn)，對特定函數(shù)進(jìn)行最佳逼近。小波變換具有低熵性、多分辨率、去相關(guān)性和選基靈活性等優(yōu)勢，因而比傳統(tǒng)的FFT具有更好的時(shí)頻特性，在圖像信號處理領(lǐng)域得到廣泛的應(yīng)用。對于射線圖像來說，不同尺寸的缺陷在不同尺度中的小波系數(shù)也會有不同的體現(xiàn)，因此可以通過小波變換的方法對焊縫圖像進(jìn)行降噪處理。

3.2 圖像增強(qiáng)技術(shù)

圖像降噪處理后，雖然噪聲得到了一定程度的消除，但原本的圖像在邊緣區(qū)域往往會變得模糊，這將對后續(xù)的特征提取帶來不良影響。因此可以采用圖像增強(qiáng)技術(shù)來銳化圖像邊緣，進(jìn)一步提高圖像的對比度。所謂圖像增強(qiáng)，就是根據(jù)實(shí)際需要，突出圖像中的特定信息，同時(shí)削弱圖像中無用的成分的一種處理過程。目前可以實(shí)現(xiàn)圖像增強(qiáng)的技術(shù)主要包括修整灰度、去模糊、平滑或消除噪聲等等方法，這些方法操作簡單、效果顯著，但在實(shí)際的使用中，為了提高圖像增強(qiáng)的效果，往往會采用幾種方法的組合。

3.3 焊道識別

焊縫檢測主要針對焊縫區(qū)域的缺陷，對其它部位的缺陷不感興趣。但焊縫射線檢測的圖像區(qū)域往往較大，而區(qū)域中絕大部分是背景，焊縫只占了很小的一部分，因此在識別之前必須將識別區(qū)域準(zhǔn)確地鎖定在焊道區(qū)域上，這樣不僅可以減少其它區(qū)域的信號干擾，而且有效減少了處理的數(shù)據(jù)量，顯著提高處理效率。

為了快速地在圖像中提取出焊道區(qū)域，本文采用了基于線灰度曲線的雙峰特性提取法，其基本思路是先計(jì)算出焊縫區(qū)域的大致中心線位置，然后再以這條中心線作為基準(zhǔn)，向兩邊各延伸一定的像素范圍作為焊道區(qū)域。由于圖像會在焊道邊緣區(qū)域產(chǎn)生突變，在像素曲線中表現(xiàn)為兩個(gè)峰值，因此在向基準(zhǔn)兩邊延伸的過程中，只要檢測到峰值的存在，就可以將該峰值所在的位置作為焊道的邊界，從而完成了焊道區(qū)域的自動識別。

4 焊縫缺陷的特征提取

在一幅檢測圖像中會有大量的信息，但為了抓住圖像最本質(zhì)的特征，就需要對其進(jìn)行特征識別。在焊縫檢測中，就是要有效地提取出檢測圖像中的缺陷特征，但重要的特征往往很難識別，因此必須先掌握各種缺陷類型的基本特點(diǎn)。

4.1 常見焊縫缺陷的分類

焊縫是一種特殊的材料和區(qū)域，它位于兩個(gè)待焊接件之間，通過高溫熔化焊接材料使兩個(gè)工件連接在一起。由于焊接過程中工藝技術(shù)、設(shè)備條件、應(yīng)力變化、材料結(jié)構(gòu)、尺寸形狀等因素均不相同，因此可能會出現(xiàn)各種不同的缺陷。根據(jù)不同的標(biāo)準(zhǔn)，可以將這些缺陷分為不同的種類，本文按照缺陷的性質(zhì)不同，將其大致分為裂紋、未焊透、未熔合、氣孔、夾渣等五大類。

（1）裂紋。裂紋是受到焊接應(yīng)力和其它致脆因素的影響，在焊接區(qū)域的局部地區(qū)金屬原子結(jié)合力遇到破壞而出現(xiàn)的新界面。該界面將原本是一體的材料一分為二，宏觀上表現(xiàn)為焊接裂縫。根據(jù)裂縫的走勢不同，裂縫還可以進(jìn)一步劃分為縱向裂紋、橫向裂紋、弧坑裂紋等等。裂紋多出現(xiàn)于焊道上或熱影響區(qū)附近，在底片上表現(xiàn)為兩端尖狀的不規(guī)則黑色細(xì)線條。焊縫中是不允許任何形式的裂紋存在的。

（2）未焊透。按照出現(xiàn)部分的不同，未焊透又可以分成根部未焊透、層間未焊透和邊緣未焊透三種。在焊縫中出現(xiàn)未焊透的問題不僅會嚴(yán)重降低焊縫強(qiáng)度和延伸率，還會大大提高裂縫的概率。未焊透在X射線檢測焊縫圖像上一般表現(xiàn)為規(guī)則的黑色線條，多位于焊縫中間，其走向沿焊道方向，邊界通常較平直且規(guī)則。焊縫中是不允許任何形式的未焊透缺陷存在的。

（3）未熔合。未熔合是在焊縫材料與母材之間，或者焊道材料與焊道材料之間未完全熔化并結(jié)合的部分。按照出現(xiàn)部分的不同，未熔合又可以分成邊緣未熔合、根部未熔合和層間未熔合。未熔合在X射線檢測焊縫圖像中表現(xiàn)為寬度不一、黑度不均勻、斷續(xù)分布的條狀。靠母材一側(cè)的黑度較高且成直線，另一側(cè)較模糊且輪廓不規(guī)則。焊縫中是不允許任何形式的未熔合缺陷存在的。

（4）氣孔。氣孔是熔池中的氣泡在凝固過程中未能及時(shí)逸出而殘留在材料內(nèi)部而形成的空穴。氣孔在X射線檢測焊縫圖像表現(xiàn)為個(gè)圓形或者橢圓形的黑色影像，影像邊緣光滑，外形規(guī)則，有清晰的周界，在圓形區(qū)域中，越往中間位置其黑度越大，越往邊緣其黑度越小。氣孔分布情況各不相同，既有密集的、也單個(gè)的，既有大個(gè)的、也有小個(gè)的，既有圓形的、也有橢圓形的。

（5）夾渣。夾渣是殘留在焊縫中的熔渣，根據(jù)其形狀不同，夾渣可以分為條狀夾渣和球狀夾渣兩種。當(dāng)圖像中夾渣的長寬比大于3時(shí)認(rèn)為是條狀夾渣；反之，當(dāng)長寬比小于或等于3時(shí)認(rèn)為是球狀夾渣。夾渣在X 射線檢測焊縫圖像表現(xiàn)為長條狀或圓狀的、邊界有不規(guī)則棱角的，黑度均勻且清晰的影像。條狀夾渣的延伸方向一般與焊縫走向相同。

4.2 焊縫缺陷特征分析

對于不同類型的焊縫缺陷，其X射線檢測圖像的差異和變化都比較大，這主要是由于不同的焊縫缺陷成像結(jié)果不僅與缺陷自身形態(tài)有關(guān)，而且與射線強(qiáng)度、材料厚度、焊接工藝、焊接位置、發(fā)射角度等大量因素有關(guān)。焊縫缺陷圖像主要有兩種，分別為：由缺陷造成的缺陷影像，以及由試件外觀造成表面幾何影像。焊縫缺陷特征分析，就是要對缺陷圖像的形狀、尺寸、黑度、分布等信息進(jìn)行識別，為缺陷類型的判斷提供基本的條件。

5 基于神經(jīng)網(wǎng)絡(luò)方法的焊縫圖像識別技術(shù)

5.1 神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN）是由大量處理單元相互連接而成的一種網(wǎng)絡(luò)，它可以對人腦進(jìn)行抽象、簡化和模擬，從而復(fù)制人腦的基本特性。因此ANN屬于人工智能技術(shù)的范圍。ANN可以看成是一臺簡單的處理單元所組成的大量并行分布的處理機(jī)，該處理機(jī)不僅具有存儲和應(yīng)用經(jīng)驗(yàn)知識的自然特性，而且可以通過對歷史數(shù)據(jù)的學(xué)習(xí)快速從外部環(huán)境中獲取所需信息，因此是是一個(gè)大規(guī)模的非線性自適應(yīng)系統(tǒng)。

5.2 BP網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

在圖像處理領(lǐng)域，BP神經(jīng)網(wǎng)絡(luò)通常是特征提取和特征識別的過程。網(wǎng)絡(luò)共有3層，分別是輸入層、中間層和輸出層。如果將BP 神經(jīng)網(wǎng)絡(luò)用于識別分類，那么輸入節(jié)點(diǎn)數(shù)則可以根據(jù)數(shù)據(jù)源的維數(shù)來確定。對于焊縫檢測來說，經(jīng)過一系列的前期處理之后，得到6維的缺陷特征向量，所以將輸入層節(jié)點(diǎn)定為6。網(wǎng)絡(luò)的輸出取前文介紹的5類缺陷，因此輸出節(jié)點(diǎn)數(shù)據(jù)為5。隱含層的神經(jīng)元數(shù)目與問題的要求、輸入/輸出單元的數(shù)目均直接相關(guān)，如果數(shù)量過大，會造成學(xué)習(xí)訓(xùn)練時(shí)間過長且誤差未必最小，嚴(yán)重時(shí)還會出現(xiàn)錯(cuò)誤；如果隱含層神經(jīng)元節(jié)點(diǎn)過少，又會導(dǎo)致模型精確性不高。因此本文采用了具有7個(gè)節(jié)點(diǎn)的隱含層設(shè)計(jì)方案。神經(jīng)元上的激活函數(shù)采用經(jīng)典的S型函數(shù)，該函數(shù)在（0，1）內(nèi)連續(xù)單調(diào)可微，滿足激活函數(shù)的選擇要求。

使用實(shí)際檢測到的100個(gè)缺陷圖像為樣本，其中80個(gè)用于網(wǎng)絡(luò)的訓(xùn)練，20個(gè)用于網(wǎng)絡(luò)的驗(yàn)證。試驗(yàn)表明，該模型可以實(shí)現(xiàn)對典型缺陷80%的檢出率，基本上可以滿足生產(chǎn)需求。BP神經(jīng)網(wǎng)絡(luò)的參數(shù)可以進(jìn)行調(diào)優(yōu)，經(jīng)過調(diào)優(yōu)后的網(wǎng)絡(luò)，其對典型缺陷檢出率接近90%，完全滿足焊縫缺陷的自動化識別需求。

6 結(jié)語

無損檢測技術(shù)是現(xiàn)代檢測技術(shù)的重要組成部分，而射線檢測技術(shù)作為無損檢測中的常規(guī)檢測技術(shù)之一，在當(dāng)前和未來一段時(shí)期內(nèi)仍然占據(jù)著重要地位。在電子技術(shù)和圖像處理技術(shù)迅速發(fā)展的背景下，射線檢測缺陷的自動化識別成為一種必然的趨勢。借助于各種先進(jìn)的圖像處理算法和人工智能算法，射線檢測技術(shù)的檢測能力將得到進(jìn)一步的提升，也將成為一種不可替代的重要無損檢測手段。本文對射線檢測的焊縫缺陷自動識別技術(shù)進(jìn)行了深入的分析，無論是對于射線檢測技術(shù)的進(jìn)步還是對于焊接領(lǐng)域的發(fā)展都有著重要的現(xiàn)實(shí)意義。