基于X射線圖像的金屬腐蝕深度估計方法

趙曉梅，李洪港

（山東建筑大學信息與電氣工程學院，山東 濟南 250101）

1 前 言

近年來，現代工業正迅速向自動化、智能化方向發展，自動缺陷及問題檢測是其中重要的一環。金屬材料在服役過程中不可避免與水、空氣等介質進行接觸，進而發生腐蝕。腐蝕會顯著降低材料強度，縮短使用壽命，甚至造成重大安全事故。及時有效地腐蝕檢測是降低金屬材料因腐蝕帶來的安全隱患及經濟損失的重要措施之一。

當前，常用的腐蝕檢測方法有：渦流檢測法、熱成像檢測法、漏磁檢測法、超聲檢測法等等。然而以上方法不適用于覆蓋防腐涂層的器件，且不能直觀顯示缺陷的形狀和大小。X 射線檢測法利用材料密度或厚度不同對于射線吸收程度不同的原理，獲得反映被檢器件內部結構的射線圖像，可以直觀顯示缺陷位置、形狀、大小等重要腐蝕信息，從而進行缺陷檢測。綜上，X射線檢測法具有良好的穿透性和直觀性，因此適用于金屬腐蝕缺陷精確檢測。

目前，基于X射線的缺陷自動檢測方法已成功應用于檢測鑄件缺陷［1-2］、焊縫缺陷［3］、農產品缺陷［4］等多個領域。然而，以往算法主要以圖像分類、目標檢測或圖像分割形式處理缺陷檢測問題，無法計算腐蝕深度。為此，本研究提出一種基于X射線圖像的金屬腐蝕缺陷深度估計方法。

2 深度估計方法

本研究提出的基于X 射線圖像的金屬腐蝕深度估計方法分為7 個主要部分，包括管道位置分割、腐蝕缺陷分割、管道邊緣檢測、邊緣法向求取、法向曲線繪制、曲線擬合修復和腐蝕深度估計，方法流程如圖1 所示。其中管道位置分割及缺陷分割基于實時實例分割方法YOLOv8［5］進行，腐蝕深度計算基于Beer-Lambert 定律進行。本研究算法步驟如下：

圖1 腐蝕缺陷深度估計方法流程

（1）將帶腐蝕缺陷的金屬X射線圖像輸入管道位置分割模塊，得到管道位置分割結果；

（2）將帶腐蝕缺陷的金屬X射線圖像輸入腐蝕缺陷分割模塊，得到腐蝕缺陷分割結果；

（3）對管道位置分割結果進行管道邊緣檢測；

（4）計算每個邊緣像素點的法向量；

（5）沿著法向量繪制一條直線，并將這條直線上每個點的灰度值繪制成曲線圖；

（6）基于未腐蝕位置的像素灰度進行灰度曲線擬合，以獲取法向上未發生腐蝕時的灰度曲線圖，并將該圖的灰度值還原至圖像中，對每個邊緣點依次執行以上操作，最終得到修復后的圖像；

（7）使用腐蝕深度計算模塊根據修復前后的X射線圖像計算每個像素的腐蝕深度。

2.1 管道位置及腐蝕缺陷分割模塊

當前，YOLOv8 在實時目標檢測和實例分割方面的性能處于世界領先地位。因此，在管道位置及腐蝕缺陷分割模塊中使用了YOLOv8。首先對管道位置分割模塊進行訓練，隨機分配管道位置真值標注圖像數據集的80%作為訓練集，20%作為驗證集，訓練1 000個epoch。管道位置分割模塊訓練完成后，將待分割管道圖像輸入到訓練好的管道位置分割模塊中進行測試。

接下來對腐蝕缺陷分割模塊進行訓練，隨機分配腐蝕缺陷真值標注圖像數據集的約80%作為訓練集，約20%作為驗證集，訓練50 個epoch。腐蝕缺陷分割模塊訓練完成后，將待分割管道圖像輸入到訓練好的腐蝕缺陷分割模塊中進行測試。

表1統計了兩個分割模塊訓練、驗證及測試所使用數據集的具體圖像數量。圖2 分別展示了管道位置分割模塊和腐蝕缺陷分割模塊在訓練過程中的損失函數下降曲線。可見，管道位置分割模塊訓練至1 000個epoch時出現過擬合，因此該模塊選用訓練至1 000個epoch的模型進行測試；腐蝕缺陷分割模塊訓練至50個epoch時出現過擬合，因此該模塊選用訓練至50個epoch的模型進行測試。圖3展示了管道位置分割模塊和腐蝕缺陷分割模塊在測試集上的分割效果。

表1 訓練、驗證及測試數據統計

圖2 訓練過程損失函數下降曲線

圖3 分割效果示例

2.2 邊緣檢測和法向求取

在邊緣檢測步驟中，研究使用圖像處理技術進行管道邊緣檢測，這些邊緣即管道位置分割模塊分割出二值圖像中前景和背景的交界處。常見的邊緣檢測算法包括Sobel算子、Canny邊緣檢測等。本研究使用Canny邊緣檢測算法。

法向求取是通過分析邊緣上的像素點進行每個點的法向估計。法向是一個指示邊緣方向的矢量，它垂直于邊緣。常見的法向求取方法有Sobel濾波器法向估計、曲線擬合法向估計、邊緣點聚類法向估計等等。在本研究中采用曲線擬合法向估計方法，即對于每個邊緣點，結合在其周圍的像素，然后擬合一個局部曲線進行法向估計。這樣做的優點是可以提高法向的準確性，特別適用于不規則邊緣。

2.3 法向曲線繪制及擬合修復

在上一小節中得到了法向向量，在此基礎上，沿著法向方向繪制一條直線。這條直線將通過邊緣點，可以看作是在管道的表面上沿著法向方向的線段。在這條直線上，對每個點的灰度值進行采樣。然后將這些灰度值作為縱坐標，像素點在法向上的位置作為橫坐標繪制灰度值曲線。這個灰度值曲線反映了法向方向上的灰度變化情況。

為了修復腐蝕缺陷，獲得腐蝕位置在未腐蝕時的灰度值，將依據法向曲線未腐蝕位置的灰度值進行曲線函數的擬合，然后用擬合函數在腐蝕位置的灰度值去替代原來腐蝕位置的灰度值，最終得到修復后的金屬管道X射線圖像，這個圖像接近管道在未腐蝕時拍攝的X射線圖像的狀態。圖4展示了擬合前的灰度值曲線和擬合后灰度曲線的效果示例，可以看到，擬合后的曲線更加平滑且突變更小，實現了腐蝕位置的修復。

圖4 擬合效果示例

2.4 腐蝕深度估計

基于腐蝕金屬的原始X 射線圖像與通過以上方法修復后的金屬X射線圖像，利用灰度值與透射材料厚度的指數關系，可以計算每個腐蝕區域像素的腐蝕深度［6］。計算公式見公式（1）：

3 實驗結果

本研究提出了一種基于X 射線圖像的金屬腐蝕深度估計方法。該方法能夠自動估計腐蝕金屬的腐蝕深度。為了驗證該方法的可行性和準確性，使用一張腐蝕金屬X射線圖像（見圖5）來計算其中像素點的腐蝕深度。

圖5 腐蝕選點位置

在圖5中，選取①、②、③、④、⑤5個腐蝕點，使用本研究方法的深度估計結果與NOVO 公司的便攜式數字射線成像系統中DWT的缺陷深度估計結果進行比較。圖5為一張真實的腐蝕金屬X射線圖像，雖無法獲取該圖中的腐蝕深度真值，然而，DWT是一種可靠的手動估計缺陷深度的方法，該方法輸出的結果可以近似用作腐蝕缺陷深度真值。表2顯示，本研究算法的腐蝕深度估計結果與DWT 算法的缺陷深度估計結果基本一致，這表明了本研究腐蝕深度估計算法的可靠性。

表2 本研究方法與DWT結果量化對比 mm

4 結 論

本研究提出了一種基于金屬X 射線圖像的腐蝕缺陷深度估計方法。該方法主要由管道位置分割、腐蝕缺陷分割、管道邊緣檢測、邊緣法向求取、法向曲線繪制、曲線擬合修復和腐蝕深度估計7部分組成。實驗結果表明，利用該腐蝕缺陷深度估計方法能夠自動準確地估計金屬腐蝕深度。