基于X 射线数字成像系统的缆索检测

陈 慧,姚恩涛,田裕鹏

(南京航空航天大学 自动化学院,南京 210016)

桥梁缆索系统使用过程中,由于磨损、锈蚀等原因会产生断丝、腐蚀等各种缺陷。对大型桥梁缆索,采取有效的无损检测方法,既能够延长缆索的使用寿命,又能在其发生断裂之前及时更换。

目前国内外常用缆索检测方法是漏磁检测和超声检测,但这两种方法都存在检测灵敏度低、效率低和提离效应的问题。笔者采用了X 射线数字成像技术对以上两种方法的缺点进行补充,能获得缺陷的直观图像,对缺陷的面积、位置的定量比较准确。

目前桥梁缆索结构的材料大都是钢丝绳,因此采用钢丝绳作为被检对象,其表面上加工了腐蚀缺陷,外层用大约2mm 的热缩管包上。利用便携式X射线数字探伤仪沿缆索周向等分采集多幅图像。

1 图像预处理

X 射线检测图像具有灰度区间比较窄、缺陷边缘模糊、图像噪声多、缺陷特征有时被湮没等特点,这些不利因素影响了根据X 射线图像对被检对象进行分析的效果。为研究X 射线图像,正确提取缺陷特征,在计算机内对检测图像使用预处理是非常必要的,其主要目的是减少噪声和提高对比度。

1.1 图像滤波

射线检测图像中的噪声大多是高斯白噪声,所以采用高斯白噪声去噪方法。从本质上讲,各种消噪法都是低通滤波的方法,它在消除图像噪声的同时,也会消除图像部分有用的高频信息。因此各种消噪方法都是在消噪和保留有用高频信息之间进行权衡。非线性滤波中的中值滤波不仅算法简单、易于理解实现,而且具有平滑图像、增强边缘、抑制噪声等功能。该滤波法用一个含有奇数点的滑动窗口,窗口正中的那点灰度值由各点灰度的中间值代替。

计算以点(i,j)为中心的函数窗像素中值滤波步骤如下:

(1)按亮度值大小排列像素点。

(2)选择排序像素集的中间值作为点(i,j)的新值。

一般采用奇数点的领域来计算中值,但如果像素点数为偶数时,中值就取排序像素中间两点的平均值。采用中值滤波对比效果如图1 所示。

图1 中值滤波前后对比图

1.2 图像增强

图像增强作为基本的图像处理技术,常用的增强技术根据其处理进行的空间不同,分为空间域法和频率域法。X 射线图像函数f(x,y)的值受很多不确定性因素的影响,图像中对比度不明显,且边缘和一些部位模糊不清。笔者采用了图像的模糊增强方法,以增强边缘处,而使白色区域和黑色背景区域分别得到强化,边界变得黑白分明清晰。

依照模糊算法子集的概念,一幅灰度级为L的m×n的二维图像X,可作为一个模糊点集阵看待,记为:

式中pij/xij为图像中第(i,j)点像素的灰度xij相对于最大灰度(L-1)的某种亮度程度;pij为其模糊特征;在Pal 算法中,pij由下式取得:

式中Fp为模糊参数;Xmax=(L-1)表示最大灰度值为渡越点,即T(xc)=0.5;得到pij后,再对图像进行模糊增强处理,其处理方程为:

经过处理后,再对pij′进行逆变换,得到增强后的图像X′,X′中第(i,j)点像素的灰度xij′=T-1(pij′)。在模糊变换中采用幂函数作为隶属函数计算量大,速度比较慢。在原Pal 算法的基础上,笔者对pij作归一化处理,pij=x ij/Xmax,然后取上面两个函数段作为对比度增强算法进行模糊增强,产生一个新的模糊集。最后对pij′用x ij′=pij′×Xmax这个式子进行逆变换,从而得到经过模糊增强后的图像。

综上所述,其算法框图如图2 所示。

图2

采用模糊增强算法前后对比效果如图3 所示。

图3 模糊增强前后对比图

2 基于阈值选取的缺陷分割

阈值选取是X 射线检测图像识别中的关键技术。目前国内外学者从各种角度提出了很多种阈值选取的方法。笔者采用一种对X 射线检测图像分割效果较好的方法——最佳阈值分割。该方法通过不断迭代来获取比较恰当的阈值,大于阈值的则认为是目标,小于阈值的则认为是背景。通过这样处理,可以将图像转换为二值图像,以便后续处理。该算法步骤如下:

(1)求图像中的最小和最大灰度值z1 和z k,令阈值初值T0=(z1+z k)/2。

(2)根据阈值T k将图像分割成目标和背景两部分,求出两部分的平均灰度值zc和zb,两者按下式确定:

式中z(i,j)为图像上(i,j)上的灰度值;N(i,j)为(i,j)点的权重系数,一般取N(i,j)=1。

(3)求新的阈值Tk+1,Tk+1=(zc+zb)/2。

(4)如果T k+1=T k,则结束迭代,否则转第(2)步,K=K+1。

(5)大于阈值的则认为是目标,小于阈值的则认为是背景。

最佳阈值分割的效果如图4 所示。

图4 最佳阈值分割二值化图

3 缺陷识别

由于钢丝绳特殊的周期性绞状结构,根据采集到的图像,无法利用灰度值的不同识别出缺陷区域与非缺陷区域。笔者利用了钢丝绳结构的周期性,通过计算出各个白色区域的中心点坐标,得出相邻的两个中心点的坐标差,符合一定距离的即为非缺陷区域,反之则确定为缺陷区域。

首先将图像上的白色区域进行建模,将这些区域看成是一个个椭圆(图5),四个点坐标如下所示,则椭圆区域的中心点坐标为:R=mean([(Rmin+

Rmax)/2,(CminR+CmaxR)/2]);C=mean([(Cmin+Cmax)/2,(RminC+RmaxC)/2])。

按照如下步骤检测缺陷的中心位置:

(1)输入二值化图像。

图5 白色区域建模图像

(2)提取图像的各边界坐标,并保存到一元包数组中。

(3)搜索第一组边界坐标,记下最小的行坐标Rmin和最大的行坐标Rmax,并分别计算此时行坐标下所有列坐标的平均值RminC和RmaxC。

(4)搜索第一组边界坐标,记下最小的列坐标Cmin和最大的列坐标Cmax,并分别计算此时列坐标下所有行坐标的平均值CminR和CmaxR。

(5)重复循环至所有椭圆目标中心全部确定为止。

根据上述算法对二值化图像进行处理,结果如图6 所示。

图6 缺陷中心点识别

各个中心点坐标分别为:(32,126),(122,127),(151,128),(211,126),(300,126),(398,126)。根据缆索结构的周期性,可以判断出缺陷处于从左至右第三个空白区域。

4 缺陷定量计算

在缺陷的定量分析中,正确选择缺陷的特征参数尤为重要,比如面积等。准确识别出X 射线图像的缺陷,最简单的面积计算方法是统计缺陷内部(包括缺陷边界)像素的数目。不同的缺陷具有不同的像素值,通过对图像二值化处理后统计图中像素点等于1 的点,在实际编程时只要对图像扫描一次就可以计算出缺陷的面积。按照如下步骤计算缺陷面积大小:

(1)输入二值化图像。

(2)根据缺陷区域中心点坐标及选取一定大小的模板,对白色区域统计像素个数。

(3)根据图像像素尺寸和试件实际尺寸的比例关系,得出缺陷的实际面积大小。

根据像素统计得出缺陷区域的个数为67 个,而缆索图像总像素个数为12 990 个,缆索试件横截面的实际尺寸为2 150 mm2,则缺陷实际面积大小为11.089 mm2, 原人工加工的缺陷的实际大小为10 mm2,则相对误差为0.108%。

以上通过试验分析,采用X 射线数字成像系统来定量检测缆索的缺陷比较准确,并且能够达到比较高的精度。由于其具有投入成本低、检测效率高、自动存储、实时在线检测等优点,有着很广阔的应用前景。

[1] 阮炜, 郑明山.X 射线检测钢丝绳成像系统设计[J] .自动化技术与应用,2005,24(12):62-64.

[2] 张燕超, 徐桂云.基于X 射线数字成像技术的钢丝绳检测系统[J] .无损探伤,2007(1):23-24.

[3] 王华.X 射线数字成像系统及其应用[J] .计测技术,2005, 25(6):5-8.

[4] 刘俊敏, 王世耕.工业X 射线检测图像处理关键技术研究[D] .重庆:重庆大学,2006.

[5] 段悦, 袁昌明.火灾探测中动态火焰的数字图像处理[J] .中国计量学院学报,2009(1):55-58.

[6] 韩焱.射线数字成像检测技术[J] .无损检测, 2003,25(9):468-471.