缺陷檢測中的標簽噪聲形態恢復方法及其應用

張富照，蘇 林，陳元昊，易建軍，盛 濤，鄭金華

（1.華東理工大學 機械與動力工程學院，上海 200237；2.上海復合材料科技有限公司，上海 201112）

0 引言

碳纖維復合材料是一種前沿的新型復合材料。由于其優異的性能，廣泛應用于核工業設備、航空航天、船舶等一些重要設備的生產和加工［1］。復合材料工件的質量受鑄造工藝和生產條件等因素的影響，在生產過程中，工件表面或內部可能存在制造缺陷［2］，主要包括：夾雜物、裂紋和松動等，嚴重影響設備的使用壽命和性能。大多數鑄件在正式投入使用之前都會進行無損檢測，因為它們不需要破壞待檢測工件的結構。目前，行業內碳纖維復合材料的缺陷識別主要是手工完成的。操作員觀察通過拉伸局部對比度獲得的射線照相圖像，以對缺陷進行分類和標記［3］。然而，這種方法受到操作員經驗和主觀因素的限制，獲得的圖像往往存在對比度低、其他噪聲干擾、缺陷邊緣信息模糊、形狀和大小不同等問題［4］，導致識別效率低。

近年來，智能圖像識別算法為缺陷檢測提供了新的方向，眾多專家學者對上述圖像分析難題進行了相關研究。針對前景圖像與背景圖像高度相似的問題，蘭葉深等［5］建立了低階矩陣分解模型，將軸承表面缺陷檢測分解為低階背景圖像和稀疏前景圖像，減少了背景因素在缺陷檢測過程中的影響；馮明等［6］改進了一種自適應圖像增強算法，基于非銳化掩模技術，可快速高效地完成圓柱形鋁合金鑄件內部缺陷檢測；張曉光等［7］選擇分段正弦函數作為模糊隸屬度，提出了一種適用于射線檢測焊接圖像的廣義模糊增強算法；孫績婷等［8］對竹塑復合材料進行了閾值分割處理，并選取部分原始圖像進行圖像融合處理，其中采用加權平均融合法、金字塔融合法和小波變換融合法。大多數文獻中提到的處理算法和缺陷檢測方法可以實現對拍攝得到的X 射線圖像的缺陷檢測和分割任務。

上述提到的算法往往專注于缺陷識別任務本身，獲得的圖像相對簡單和清晰。然而，在拍攝和掃描工業場景時，由于產品通常標有相關信息，因此標簽噪聲是不可避免的。這些標簽混淆在檢測圖像中，傳統的識別算法很容易導致識別錯誤。針對這一問題，本文提出了一種基于圖像特征的產品表面標簽形態恢復方法，可以大大提高標簽噪聲下基于圖像的碳纖維復合材料缺陷檢測的準確性。

1 基于灰度掃描分析的可疑標簽噪聲區域提取

附著在工件表面的這些標簽的類型和位置不是固定的，它們在X 射線掃描過程中與產品特征一起成像，因此很難區分。標簽噪聲的存在常常導致兩種非理想狀態，即漏檢或錯誤識別缺陷。

通過分析，當標簽噪聲信號出現時，往往會在小范圍內引起較大的灰度值波動。當標簽噪聲消失時，平行方向上的灰色曲線將繼續原始曲率；當缺陷噪聲出現時，灰度值會在相對較大的范圍內有較小的波動。因此，可以將標簽噪聲定義為強信號，將缺陷特征定義為弱信號。針對標簽噪聲強信號的特點，采用并行方向自適應灰度掃描分析方法，可以快速鎖定標簽噪聲的位置。以下為可疑標簽噪聲區域提取的步驟：

第1 步對產品的X 射線圖像逐行進行水平線掃描，每一行像素可掃描得到一組灰度變換曲線。圖1 顯示了圖像第i行掃描結果的示意圖，其中i為X 射線圖像的高度，(i=1，2，…，m)。在大多數情況下，灰度值在0 到65 535 之間平滑變化。

圖1 第i 行像素線掃描灰度曲線信息分布Fig.1 Line scanning grayscale curve information distribution of the ith row

第2 步根據標簽噪聲的強信號特征，在每條線的灰度變換曲線中搜索定位。首先，由于標簽信號的X 射線成像部分的顏色較深，第i行灰度變換曲線中每個局部最小灰度值點的搜索標記為G(xij)，其中(j=1，2，…，n)，xij表示該點的像素坐標。

第3 步標簽信號的強信號特性往往伴隨著單峰波動面積小、峰值高的特性。因此，從選定的最小點開始，分別向左右兩側搜索梯度變換最近的最小點和最大點，表示為Hmin(xijl)Hmax(xijr)。在計算梯度值時，考慮到正常情況下灰度也會有輕微的波動，為了保證整體梯度的平滑性，通過xij左右兩側的10 個相鄰像素計算梯度變換。

局部最小灰度點左右兩側梯度變換的最小值點和最大值點是信號可能發生突變的位置。同時，突變位置與灰度最小點之間的距離記錄為：?dl和?dr。將每個局部灰度最小點到第i行左右梯度變化的最小點和最大點的信息合并，得到如下集合：

第4 步該集合被視為可能發生標簽噪聲的一組點，通過過濾集合中強信號特征的位置鎖定可疑標簽區域。選擇策略如下。

灰度值條件：

梯度條件：

距離條件：

當集合中的最小Gmin(xij)點滿足上述3 個條件時，它們被視為標簽噪聲，鄰域(j-?dl，j+?dr)被視為標簽噪聲區。其中，α、β、γ、ε是相應的閾值，在實驗中設置為1 000、650、425、200 和50，至此濾掉了標簽噪聲的區域。

2 基于工件特征的自適應形態恢復策略

通過灰度掃描分析后，確定標簽噪聲存在單個或多個連續峰值的位置。如何恢復受這些標簽噪聲影響的區域，本文以行業中常見的對稱型工件為研究對象，對于對稱型工件，對稱部分的水平灰色曲線也應當具有相應的對稱特征。根據該特征，將不受標簽噪聲影響的區域的灰度分布映射到選定的標簽區域，從而根據形狀特征實現特定區域的形態恢復。本文提出一種自適應中心查找策略，以查找圖像中可能偏離的對稱中心，根據中心點兩側曲線的匹配程度，進行自適應補償以消除標簽噪聲。具體的形態恢復步驟如下。

第1 步由于產品的中心位置不一定與成像位置一致，因此基于灰度曲線快速搜索對稱軸。對于從第i行提取的灰度曲線，曲線中心的外圍區域被視為對稱軸的假設域。遍歷區域中的所有值，計算位于中心軸的曲線左右兩側，將相似度最高的點作為對稱點。假設j是假設域中的一個值，相似性計算公式如下：

其中，針對本文的數據集，j值被設定為200。

第2 步通過上述步驟，得到標簽噪聲的可疑區域和每行在水平方向上的中心點位置及其相應的相似性。如果第i行有可疑噪聲區，當相似性Si≥440時，標簽噪波區域的值被映射到中心點的另一半以恢復形狀，并且每個連接的區域被向左和向右擴展圖像寬度的1/20。確保完整性；當400 ≤Si≤440且兩側曲線略有偏離，將對稱行的灰度值和相鄰兩行灰度值加權合并為可疑區域的新灰度值，權重分別為0.8 和0.2，最后將每個連接區域向左右擴展1/30，以確保完整性；當380 ≤Si≤400，兩側的偏差變大，進行加權組合，但相鄰兩行的權重增加，權重設置為0.6 和0.4，擴展為1/40 以確保完整性。在實驗中，發現相似性較低的零件集中在產品頂部和底部形狀多變、輪廓更復雜的零件上。數據集總共包括109 張X 射線圖像，所有這些圖像都包含標簽缺陷，對稱中心點兩端的相似性Si高于380。

第3 步在缺陷區域的初始恢復之后，所有線條都被重新組合成圖像。然而，即使對稱兩端之間的相似度很高，也會有一定的差異，將導致恢復圖像中相鄰行的灰度值突然變化，不符合正常規律。因此，通過中值過濾標簽的可疑區域以消除此類影響。

3 智能缺陷識別與分割算法

由以上步驟，圖像中的標簽噪聲得到了有效的消除，再利用傳統的數字圖像處理技術實現碳纖維復合材料工業射線缺陷的分割和提取。

第1 步對原始圖像進行對比度增強。將圖片中某個點的原始像素值定義為O，該點周圍3×3單元中像素點的平均值定義為M，對比度增強值定義為F，新像素值大小定義為(O–M)×F+O［9］。經過這個過程，圖像中的紋理和缺陷變得清晰。

第2 步使用Sobel 算子［10］獲得增強圖像的一階導數，作為邊緣檢測器檢測邊緣。卷積核的大小為3×3，濾波卷積因子為

使用遮罩對增強圖像執行卷積操作，然后根據計算方法提取邊緣信息：

第3 步對圖片進行二值化和反運算，使邊緣信息與背景不同，便于后續的閾值分割，然后對圖片進行均值濾波，去除圖片中一些不必要的噪聲。最后，根據缺陷像素值進行閾值分割和連通域，將未連通區域定義為單獨的實例。

第4 步使用區域實例的幾何特征，如面積、周長、圓度等，對上述步驟得到的區域實例進行進一步篩選和分類，最后對缺陷部分進行分割和提取。

4 實驗與分析

本文選擇碳纖維復合材料制成的尾管部件作為示例進行詳細的實驗驗證。如圖2 所示，顯示了不同尾管產品的X 射線探傷原始圖像，其中紅色圓圈部分是標簽的位置，且標簽位置隨機。

圖2 不同帶標簽尾管產品的X 射線探傷Fig.2 Detected X-ray images of different tagged tailpipe parts

根據標簽的強信號特征定位可疑區域。采集的X 射線圖像的分辨率為1 024×1 024 像素，經過逐行掃描得到1 024 組水平灰度分布數據，共得到1 024 組數據，據此繪制為一條灰度曲線，如圖3 中的綠色曲線所示，x為當前水平行中像素的橫坐標，G為灰度曲線中橫坐標為x像素的灰度值。發現在沒有標簽噪聲或遠離輪廓邊緣的區域，灰度曲線非常平滑。

圖3 灰度與梯度分布規律Fig.3 Distributions of the grayscale and gradient

對裂紋和夾雜物等缺陷存在處灰度曲線變化規律進行研究，通過對比發現，裂紋和夾雜物存在處的灰度波動較小，因此在較大范圍內仍相對平滑。圖中的藍色曲線是灰度值的漸變變換曲線。根據篩選策略可以準確識別標簽噪聲對應的區域，如紅色標簽區域所示。

根據之前所述確定每條線的對稱中心點，并記錄其相似性，如圖4 所示，x為當前水平行中像素的橫坐標，G為灰度曲線中橫坐標為x像素的灰度值。為了更生動地顯示相似性，以對稱點為中心，將無缺陷一側的灰度值映射到另一側。其中，圖4（a）是尾管產品頂部輪廓較多的部分?？梢钥闯?，圖4（a）中由于靠近頂部輪廓，灰度曲線的相似性很低；在圖4（b）、圖4（c）、圖4（d）中，盡管存在標簽噪聲，非輪廓周邊區域的灰度曲線相似性仍處于相對較高的水平。

圖4 工件不同區域的比較和映射補償策略Fig.4 Comparison of different areas of workpieces and the corresponding mapping compensation strategies

根據每行中獲得的相似值，對每行中的缺陷部分執行不同的策略來恢復形狀。最后，重新組織圖像進行中值濾波，得到的標簽區域的地形恢復圖像如圖5 所示，其中紅色框為原始標簽區域。與原始圖片相比，發現標簽噪聲得到了有效的消除，圖像中剩余的重要信息，如邊緣信息和缺陷信息，沒有受到任何影響。

圖5 檢測測試圖像樣例Fig.5 Image example of the detection test results

通過現有數據集進行實驗，在109 張尾管X 射線照片中，有87 張有缺陷，22 張無明顯缺陷。該算法正確識別了102 幅圖像。其中一組檢測測試樣本如圖5 所示，經標簽噪聲形態恢復、以及圖像增強后，檢測網絡正確地分類出標簽與其他類型缺陷。

5 結束語

針對圖像對比度低和標簽噪聲干擾問題，提出了一種基于產品形狀特征的標簽形狀恢復方法。提出了基于灰度掃描分析的可疑標簽噪聲區域提取方法和基于形狀對稱性的自適應恢復策略。有效地消除了圖像中的標簽噪聲信號，避免了直接使用原始圖像進行缺陷識別的可能性，保證了碳纖維材料產品質量的檢測可靠性。