TOFD圖像中焊縫埋藏缺陷的智能評定與分級

余煥偉 任緒凱 廖曉平 歐陽星峰 杜錫勇

（1.紹興市特種設備檢測院 紹興 312071）

（2.紹興市特種設備智能檢測與評價重點實驗室 紹興 312071）

（3.浙江德力裝備有限公司 紹興 312599）

1 引言

TOFD(衍射時差超聲檢測)具有可靠性好、檢測效率高、可記錄等優點，其測量精度能夠控制在±1 mm[1]，對焊縫中裂紋類缺陷檢出效果明顯，在大型承壓設備的無損檢測中發揮著不可替代的作用。隨著TOFD 成像技術的迅速發展和普遍應用，其正逐步替代射線檢測成為焊縫質量評價的主要手段[2]，得益于爬行機器人的不斷成熟，高度自動化的TOFD 掃查成像已在推廣應用，但是在對TOFD 圖像的自動判讀和釋義方面仍存在巨大技術障礙，成為制約全自動化TOFD 檢測技術發展的瓶頸。雖然現在的商業化TOFD 設備一般會提供離線分析軟件，但這類軟件自動化程度低，大多需要檢測人員手動確定直通波和底波位置來校準圖像，再通過拉線的方法進行缺陷測量，最后再結合人工經驗進行缺陷評定與質量分級，整個過程要消耗檢測人員大量的精力和時間，而且還存在誤判的可能。

針對上述問題，國內外學者也進行了一些研究，如Zhu H J 等[3]將TOFD 圖像分為多個圖像塊，采用基于大律法（OTSU 法）的局部最優閾檢測圖像中的裂紋邊緣；王燕等[4]采用圖像形態學處理和Hough 變換相結合的方法對TOFD 圖像進行自動快速標定；Merazi-Meksen T 等[5]利用分水嶺方法實現對TOFD圖像的區域分割和缺陷輪廓提取；陳欣[6]在直通波峰值捕捉前引入改進的霍夫搜索算法，提高了標定結果的準確性和處理效率。在TOFD 缺陷分類與定性識別方面，一般是先提取缺陷圖像特征再進行模式識別或模式分類，常見的TOFD 圖像特征參數有圖像紋理特征[7]、缺陷區域圖像統計參數[8]、小波能量特征[9]、傅里葉頻譜系數[10]等，模式識別方法有主成分分析[11，12]、支持向量機、深度學習[13]等。上述研究中，TOFD 圖像標定和缺陷分割等方面的相關算法的自適應能力、自動化較弱，不適合在工程上推廣應用，雖然缺陷定性識別方法對特定缺陷信號具有較好的識別率，但受制于缺陷訓練樣本數量及標注準確性的影響，對復雜場景下缺陷的識別率還較低。

2 TOFD 圖像的自動分區與標定

2.1 TOFD 圖像結構特點

典型的TOFD 圖像如圖1 所示，直通波、底波和底面反射橫波這3 條近似水平線將圖像分割縱波衍射區域、波形轉換區域，而對缺陷的定位和分析主要集中在縱波衍射區域。在TOFD 掃查時，由于探頭延時誤差、耦合面力度不均、探頭中心間距PCS波動等的影響，上述區域位置可能產生變化，影響后續缺陷定量精度，因此在圖像分析前需要先進行標定。傳統標定方法是借助TOFD 儀器自帶的離線分析軟件進行的，首先觀察確定圖1 所示的幾個區域，然后再手動對直通波第一個波峰及底波第一個波谷進行定位標記，基本原理如下：假設直通波到達時刻為t1，底波到達時刻為t2，探頭延時為t0，縱波聲速為c，工件厚度為D，如圖2 所示，直通波和底波之間的時間差Δt=t2-t1，S為探頭中心間距PCS的1/2，聲程差cΔt可由式（1）得到，只要給出?t、D、PCS中任意兩個就可以求解第三個。

圖1 典型TOFD 圖像分解

圖2 直通波與底波之間的聲程差示意圖

2.2 TOFD 圖像自動分區算法

TOFD 圖像中直通波、底波與背景在灰度上存在較大差異，本文采用OTSU 閾值分割算法對TOFD 圖像進行二值化處理。OTSU 閾值分割算法采用的是最大類間方差圖像分割方法，圖像前景和背景之間的類間方差如果越大，就說明構成圖像的兩個部分之間的差別越大，當所取閾值的分割使類間方差最大時就意味著圖像錯分概率最小，具體步驟如下：假設圖像的總像素數為A，初始灰度閾值為k，灰度k及以下的像素數為Bk，大于灰度k的像素數為Ck=A-Bk，圖像的全局灰度均值為μ，i為灰度級數(0 ≤i≤255)，pi為處于灰度級i上的像素數。

閾值k把圖像分為Bk和Ck兩部分，其灰度平均值bk和ck分別為：

令ω1=Bk/A和1-ω1，由式（2）、式（3）可得Bk與Ck的類間方差σ2為：

閾值k遍歷0 ～255 灰度級可得使σ2最大時的最佳分割閾值kmax，對圖3 所示的TOFD 圖像進行OTSU閾值分割，最優閾值kmax=176，結果如圖4 所示。

圖3 TOFD 原始圖像

圖4 OTSU 閾值分割后的二值化圖像

圖4中直通波、底波、底面橫波回波已與背景分離，對圖4 進行形態學開運算，選擇像素長度為100的水平直線作為結構元素，消除細小不連續的線條，如圖5 所示，選擇相同的結構元素，再對圖5 進行形態學閉運算，連接斷開的直線，如圖6 所示，至此只需要檢測出直線位置即可確定TOFD 圖像的幾個關鍵區域。Hough 變換的原理是利用笛卡爾坐標系中的直線與Hough 參數空間中的點的對應關系，將直線或曲線從圖像空間中轉換到Hough 參數空間，轉換后的直線在參數空間映射成為一個峰值點，直線檢測的問題就轉換成在Hough 參數空間中求共線點的累加峰值的問題[14]?利用Hough 變換直線檢測算法在圖6 中進行直線檢測，并根據TOFD 圖像的特點進行以下限制：1)舍棄長度小于100 像素的短線段；2)當線段之間的距離小于100 像素時，這些線段合并為一條線段；3)直線的水平度在±1°之內?直線檢測結果如圖7 所示，根據這些直線的行像素坐標即可大致定位TOFD圖像的直通波、縱波衍射區和底面反射波。

圖5 形態學開運算結果

圖6 形態學閉運算結果

圖7 Hough 變換直線檢測結果

2.3 TOFD 圖像自動標定算法

TOFD圖像標定需要精確定位A掃信號中的波峰、波谷位置，本文采用“局部極值-閾值”搜索算法在直線附近進一步定位直通波和底波中波峰、波谷的位置，即先搜索A 掃信號的波峰和波谷，并判斷后續搜索點是否達到一定閾值，只有滿足設定的閾值條件，先前確定的極值點才能被認定為波峰或波谷，經過實驗以灰度平均值的4/5 作為截止閾值。假設TOFD 圖像大小為M×N，行數M代表A 掃信號采樣長度，列數N代表A 掃信號數個數，與TOFD 掃查長度相關。通過上述“局部極值-閾值”搜索算法對第j個A 掃信號中與Hough 直線相對應的位置附近搜索，得到直通波第1 個波峰LPj和底波上第1 個波谷BTj，記直通波與底波之間的像素差LBj=LPj-BTj。由于TOFD 掃查時的表面耦合情況變化以及TOFD 數據采集時的隨機誤差影響，得到的N個LB并不都相等，本文以LB重復次數最多、概率最大時的值作為TOFD 圖像直通波與底波之間的行像素差，以此時直通波波峰位置平均值LPM作為校正缺陷深度的基準值。根據TOFD 成像原理，可得圖3 中相鄰像素行之間的聲程差ΔRL見式（5）。

cΔt可由式(1)或者由直通波與底波的時差Δt得到。假設縱波衍射區任一點的行像素行號為i，則此點的深度Di可由式(6)得到，最終的TOFD 深度標定曲線如圖8 所示。

圖8 TOFD 深度標定曲線

2.4 TOFD 圖像有效性評價

TOFD 檢測時比較關鍵的一步是設定合適的檢測靈敏度，一般可通過在被檢工件上將直通波的波幅調到滿屏高的40%～80%進行設置，靈敏度過大或過小都將直接影響圖像的質量及后續缺陷檢出率，如圖9 所示的3 條A 掃信號分別代表不同的靈敏度，圖10為靈敏度過大的不合格圖像。當前TOFD 圖像有效性評價是由分析人員目視進行的，對圖像靈敏度的檢查存在較大的主觀性，而且對于提高TOFD 圖像分析的自動化程度來說，也需要尋找一種便捷、客觀的圖像靈敏度評價方法。自然圖像質量評估方法（NIQE）不需要與參考圖像進行比較，僅利用圖像自身的統計特征來評估圖像質量，可以對多種類型的失真圖像進行準確評估[15]?具體來說，NIQE 算法先將原始圖像分解成多個子帶圖像，再選取其中的圖像顯著特征區域建立多元高斯特征模型，最終得到原始圖像的無參考圖像質量指標，指標越小表示圖像感知質量越好。

圖9 不同靈敏度下TOFD 圖像中提取的A 掃信號

圖10 靈敏度過高時的TOFD 圖像

對圖3 中的TOFD 圖像分別進行-12 dB、-6 dB、0 dB，6 db、12 dB 的額外增益，其NIQE 指標分別如圖11 中虛線所示，隨著額外增益的增大而增大，這是因為直通波、底面反射波等的存在掩蓋了縱波衍射區的微弱圖像信息差異。提取TOFD 圖像的縱波衍射區，如圖12 所示，再計算圖像在-12 dB 至12 dB 額外增益下的NIQE 指標，如圖11 中實線所示，可看出NIQE 指標對TOFD 圖像的過增益比較敏感，可用來對TOFD 圖像質量進行評價，合格的TOFD 圖像的NIQE 指標一般不超過25。

圖11 不同靈敏度下TOFD 圖像的NIQE 指標

圖12 額外增益下的TOFD 縱波衍射區圖像

2.5 TOFD 埋藏缺陷自動評定與質量分級

采用基于局部圖像均值的自適應圖像閾值分割法對圖12（a）進行二值化，如圖13（a）所示，選擇像素長度為8 的水平直線作為結構元素進行形態學開運算和閉運算，消除不同缺陷圖像之間的勾連和輪廓上的不平整，得到的缺陷區域圖像如圖13（b）所示。采用缺陷區域面積和圓度2 個幾何特征對點狀與非點狀缺陷進行判斷，點狀缺陷需滿足面積和圓度同時小于某一閾值。假設二值化圖像中非點狀缺陷的集合為NP，單一非點狀缺陷的集合為SNP，需要合并顯示的非點狀缺陷集合為CNP，其中任意兩個缺陷編號記為i、j，缺陷深度為Di、Dj，缺陷長度為Li、Lj，缺陷長度方向的間距記為LXij，高度方向的間距記為HZij，?ij為缺陷i、j之間的行像素差，?Peak為直通波中相鄰波峰與波谷的像素差。對于相鄰兩個或多個非點狀缺陷，按照NB/T 47013.10—2015《承壓設備無損檢測第10 部分：衍射時差法超聲檢測》的缺陷評定與質量分級規則要求，需根據其區域特征以及相互之間的幾何位置關系判斷是否作為一條缺陷處理。

圖13 TOFD 圖像中缺陷區域提取

根據式（7）和式（8），缺陷i、缺陷j遍歷非點狀缺陷集合NP，可得到單一的非點狀缺陷集合SNP和需要當作一條缺陷顯示的缺陷對集合CNP，然后再對兩個以上缺陷的合并顯示情況進行判定，具體方法為：在缺陷對集合CNP中，對任意n個缺陷對c1，c2，…，cn進行比較，若c1∩c2…∩cn≠0，則該n個缺陷對合并進同一條缺陷進行顯示?對于任意兩個需要合并顯示的缺陷i、缺陷j，假設缺陷高度為Hi、Hj，缺陷深度為Di、Dj，其在X方向上兩端點的坐標分別為(xi1，xi2)、(xj1，xj2)，則合并顯示缺陷的深度D、長度L及自身高度H按以下規則進行計算：

1)合并顯示缺陷的深度D=min(Di，Dj)；

3)合并顯示缺陷的高度H：L≥L1+L2時，H=max(Hi,Hj)；L

依據NB/T 47013.10—2015 中焊接接頭的質量分級規則，編制程序化的邏輯語言對自動檢出焊接埋藏缺陷按點狀和非點狀缺陷進行分級，以質量級別最低的分級作為最終的質量分級。在點狀缺陷分級時，需要劃定100 mm 長度的評定區域，劃定區域不同可能導致不同的評定結果，為減少人為因素的影響，本文采用“正逆滑動窗口”的方法來尋找包含點狀缺陷最多的評定區域?假設焊縫上的點狀缺陷X方向坐標依次為x1，x2，…，xN，N為點狀缺陷總數，窗口寬度為100 mm，正向窗口從x1開始向X正向滑動，逆向則從xN開始反方向滑動，分別得到窗口正、逆向滑動時的點狀缺陷數最大值PNum、NNum，則max(PNum，NNum)即為評定區域中最多可能包含的點狀缺陷數NumMax。

3 實驗結果及分析

TOFD 掃查實驗圖像1 和圖像2 分別來自大型球罐上極板和人工焊接試塊，板厚分別為47.0 mm、30 mm，PCS為115 mm、78.5 mm，檢測靈敏度為67.0 dB、82.0 dB，采用單通道非平行掃查，掃查精度為0.75 mm、1 mm，掃查長度約為1 100 mm、270 mm，TOFD 探頭中心頻率均為5 MHz。利用前文提出的軟件算法對TOFD 圖像進行自動評定與質量分級，本文軟件自動分析結果分別如圖14、圖15 和圖16 所示，其中綠色標記點處為點狀缺陷，紅色方框內為單一缺陷，黃色方框內為合并顯示缺陷。自動分析軟件在圖像1 中共評定出53 個點狀埋藏缺陷、3 個非點狀缺陷和6 個合并顯示的非點狀缺陷，在圖像2 中共評定出13 個點狀埋藏缺陷和2 個合并顯示的非點狀缺陷，自動質量分級結果見表1 和表2。

表1 TOFD 圖像1 中的缺陷自動測量與分級

表2 TOFD 圖像2 中的缺陷自動測量與分級

圖14 TOFD 圖像1 中的缺陷自動分割

圖16 TOFD 圖像2 中的缺陷自動評定

表3 為TOFD 圖像的離線測量分析結果與本文軟件自動分析結果的對比情況：對于TOFD 實驗圖像1，人工離線測量分析評出1 個3 級缺陷，而本文軟件自動評定出3 個3 級缺陷。在最長的3 級缺陷（50，56，57）的起點位置、長度、深度、自身高度測量上，本文軟件自動測量結果與人工離線測量的偏差分別為（-0.2%，-2.7%，9.8%，-9.8%），基本一致；對于TOFD 實驗圖像2 中的缺陷（5，6）和缺陷（11，12，14，15），2 種方法得到的缺陷信息與試塊證書記載的缺陷信息符合較好，其中本文軟件自動測量結果與試塊證書記載的缺陷起點位置、長度、深度的偏差分別為（0.0%，2.8%，10.5%）和（-1.3%，7.0%，5.4%），與人工離線測量的缺陷自身高度偏差分別為11.5%、8.1%。上述偏差主要是由自動分析軟件算法在缺陷分割環節對缺陷邊緣像素增減造成的，但基本都在12%以內，而且不影響最終的焊接接頭質量分級結果。

表3 TOFD 圖像離線測量分析結果與本文軟件自動分析結果對比

4 結論

1）提出一套不依賴人工干預的埋藏缺陷自動評定與質量分級方法，包括TOFD圖像智能分區、自動標定、圖像靈敏度無參考評價、缺陷區域自適應分割、缺陷自動評定與質量分級等功能算法，具有不依賴人工干預、效率高等優點；

2）采用OTSU 閾值分割算法、Hough 直線檢測方法，結合局部閾值峰值搜索算法和最大概率統計方法，可以智能識別直通波、縱波衍射區和底面反射波在圖像中的準確位置，實現了對TOFD 圖像的自動區域劃分和自動標定；

3）結合TOFD 圖像的形態學特點，采用自適應閾值分割技術和形態學運算方法對缺陷前景圖像與背景圖像進行分割和特征提取，并依據NB/T 47013.10—2015 實現了對焊縫中埋藏的點狀缺陷和非點狀缺陷進行自動評定與質量分級。