基于射线照相的石墨电极缺陷检测与识别

2021-03-09张鹏林牛显明陈开旺张伟平

兰州理工大学学报 2021年1期

张鹏林, 姚吉, 牛显明, 陈开旺, 张伟平

(1. 兰州理工大学省部共建有色金属先进加工与再利用国家重点实验室, 甘肃兰州 730050; 2. 兰州理工大学材料科学与工程学院, 甘肃兰州 730050)

石墨电极作为重要的导电材料被广泛应用于电弧冶炼和电火花加工等领域,对石墨电极内在质量的无损检测技术国内外开展了大量的研究,目前主要应用的有敲击声音识别法[1]和超声波穿透音速测定法[2]等定性检测技术.其中,敲击法受操作者主观影响大,而超声波在电极内部衰减严重且复杂.另外,人们对石墨电极内部存在的气孔、裂纹和夹杂等缺陷的定量研究甚少,这些缺陷直接影响着石墨电极的强度、气孔率和导电性等技术指标,对电极的机械加工和使用质量造成了很大隐患.本文针对石墨电极材质的特性,利用射线检测具有穿透能力强、效果直观及检测精确高等优点,对石墨电极内部缺陷进行成像检测.并利用近年来图像处理和人工智能等领域快速发展的检测技术[3],在图像去噪、增强的基础上,采用一种改进的边缘检测方法将缺陷从背景中分割出来,计算出能够准确表达缺陷的特征参数,用深度信念网络实现缺陷的自动识别.

1 石墨电极射线检测实验

1.1 实验材料及设备

实验以用于电炉炼钢导电的石墨电极为检测对象,分别制备厚度为20～140 mm的阶梯试块和不同种类的缺陷模拟试块.阶梯试块每层厚度为20 mm,宽度为20 mm；缺陷试块在规格为40 mm×40 mm×40 mm、40 mm×40 mm×20 mm和40 mm×40 mm×10 mm的石墨电极试块上根据实际缺陷类型分别预制不同尺寸的模拟气孔和裂纹,夹杂为石墨电极样品本身自带缺陷.设备选用XXQ2005射线探伤机；胶片型号为IXQ100HD；观片灯和黑度计各一台.

1.2 曝光曲线制作

为合理选取检测工艺参数、获得高质量射线底片,制作石墨电极曝光曲线.选取5 mA·0.4 min、5 mA·0.8 min和5 mA·1.2 min三个曝光量,焦距为800 mm.根据影响底片质量的因素,在保证底片灵敏度的基础上以低的管电压为优选,逐次调整管电压对阶梯试块进行透照,管电压以每次10 kV递增.暗室处理后的图像如图1所示,不同厚度处用相应的数字做标识(如2代表厚度为20 mm).在底片不同黑度处(不同厚度)测定其黑度值(D),每个厚度处随机测得3个黑度值,取其平均值作为最终结果.根据射线检测灵敏度要求,选取黑度标准值为2.5,绘制出石墨电极管电压-厚度曝光曲线,如图2所示.

图1 阶梯试块底片图像Fig.1 Negative image taken in step test

图2 石墨电极管电压-厚度曝光曲线Fig.2 Voltage-thickness exposure curves of graphite electrode tube

1.3 电极缺陷检测

依据所制作的曝光曲线,为预制的模拟气孔、裂纹电极试块和夹杂试块选取检测工艺参数.经暗室处理后的缺陷检测结果如图3所示,其中气孔直径为0.5 mm,深度为2 mm,裂纹长度为10 mm,宽度为0.1～1 mm,深度为2 mm.

图3 电极缺陷检测图像Fig.3 Electrode defect detection image

实验共拍摄了98张电极缺陷射线底片,其中气孔缺陷35张,裂纹缺陷35张,夹杂缺陷28张,这些底片都将作为后续缺陷处理的原始图像.

2 电极缺陷特征提取

2.1 图像预处理

由于石墨电极结构和仪器噪声等因素的影响,采集到的射线图像灰度间隔窄、信噪比低、边缘模糊[4],无法直接获取缺陷区域特征,因此首先要对图像进行预处理.依据电极缺陷图像的特点,对图像进行了去噪和增强处理,其目的是提高图像质量,突出图像中带有缺陷的部分,为缺陷特征提取与识别打下基础.

通过对比不同的预处理方法,采用3×3中值滤波模板和3×3拉普拉斯算子分别对图像去噪和增强.中值滤波是一种非线性滤波器,在一定条件下能克服线性滤波的图像细节模糊的弊端,同时对降低图像扫描噪声很有效果.中值滤波是利用一个模板在图像上扫描,模板内的像素按灰度排序,用其中值代替窗口中心像素的灰度值,公式表示为[5]

g(x,y)=Median{f(x-k,y-l),(k,l)∈w}

(1)

其中:f(x,y)为原始图像,g(x,y)为窗口中心像素的灰度值,(k,l)∈w为中值滤波的范围.

经过去噪后的图像往往存在模糊等问题,直接提取缺陷区域会造成很大误差[6],故需要对其进行锐化处理.拉普拉斯算子是二阶差分算子,图像的拉普拉斯变换为[7]

(2)

其中:G(x,y)为滤波后的图像,▽2G(x,y)为拉普拉斯变换后的图像.将拉普拉斯图像和原滤波图像叠加在一起,可同时保持边缘和灰度信息,公式为[7]

(3)

选用的边缘提取模板为4领域,中心系数为正值.将公式(2)代入公式(3)模板中心系数为正的式子中,得到4邻域拉普拉斯锐化表达式：

(4)

经过滤波去噪和锐化增强后的图像,噪声被有效去除,缺陷边缘细节得到强化,轮廓更加清晰,石墨电极缺陷图像预处理前后对比如图4所示.

图4 预处理前后对比图Fig.4 Comparison before and after preprocessing

2.2 特征提取

2.2.1传统的Canny算子

图像边缘包含很多缺陷信息和特征,边缘检测滤除了无用的信息,保留了模式识别所需的特征,减小了图像存储空间,被广泛用于图像分割[8].综合比较各种检测算子,应采用Canny边缘检测法对缺陷图像进行分割.Canny算子是一种优化算子,采用双阈值检测和连接边缘,能真正实现弱边缘的检测.

Canny算子的具体算法分为4步：高斯滤波平滑图像、计算梯度幅值和方向、非极大值抑制和双阈值检测连接边缘[9].

传统的Canny算子还存在一些不足,如受噪声影响大、易造成误检和细节丢失、边缘连接性不好及阈值需要手动选取,不具有自适应性等[10].为此,采用改进的Canny算法处理电极图像,在最大程度上避免了上述问题.

2.2.2改进的Canny算子

传统的Canny算法使用的是2×2邻域来计算梯度幅值,而该研究采用3×3邻域,并且在8邻域像素内选取x方向、y方向、45°和 135°两个对角方向的一阶偏导的差分来计算梯度幅值,以此来改善边缘检测效果[11].设原图像为f(x,y),具体过程如下[12]：

1) 求x、y、45°、135°四个方向偏导数：

F135°(x,y)=f(x+1,y+1)-f(x-1,y-1)

(8)

2) 计算梯度幅值

M(x,y)=[Fx(x,y)2+Fy(x,y)2+

(9)

3) 梯度方向

(10)

此外,传统的 Canny 算子需要人为设置双阈值,而阈值的大小直接影响边缘检测的效果,阈值过大会漏检部分边缘点,过小则会产生伪边缘,故要经多次试验,缺乏自适应性.采用改进的迭代式阈值分割法能解决这一问题.具体步骤如下：

1) 设初始阈值T0=(H1+H2)/2,H1和H2分别为图像最大和最小灰度值；

2) 用T0将图像分为高灰度区S1和低灰度区S2(大于T0为高灰度区,小于等于T0为低灰度区)；

3) 设置T1为某一定值,求区域S1的灰度均值M1,令阈值T2=M1；

4) 根据T2将区域S1划分成两部分,计算这两部分的灰度均值Z1和Z2：

式中:f(i,j)是图像中(i,j)点的灰度值,N(i,j)是(i,j)点的权重系数.

5) 令阈值T3=(Z1+Z2)/2；

6) 若∣T3-T2∣

7) 同理按照步骤3)到6),求得最优低阈值.

图5为采用传统和改进的Canny算子得到的不同缺陷边缘检测对比图.由此可以看出,采用改进的算法,对缺陷边缘的检测更精准,受噪声影响大、漏检、伪边缘和连接性不好等问题得到了很好的解决.

图5 Canny算子边缘检测对比图Fig.5 Comparison of edge detection by Canny operator

2.2.3特征参数的选取与计算

特征是区分不同对象的本质特性,常用的图像特征主要有：形状特征、灰度特征和纹理特征等.气孔大都呈圆形,轮廓光滑,属于体积型缺陷；裂纹为细长的线条,沿任意方向扩展,属于平面型缺陷；夹杂是工件本身以外物质的混入,形状不规则,是体积型缺陷.基于这三种缺陷在几何形状上有明显的区别,故选取面积、周长、圆形度、长轴、短轴和偏心率六个常用的形状特征参数作为电极缺陷识别的样本特征向量.其具体计算方法如下[13-15]：

1) 像素计数面积(S)：区域内像素点的灰度级总数.

(13)

(14)

式中:Ne、N分别是8方向边界链码中偶数步与奇数步的数目.

3) 圆形度(e)：表征区域形状的常用量.e为1时,为圆形；e越小,形状越不规律,与圆形的差距越大.

(15)

4) 长短轴(a、b)：连接直径两个端点的直线称为长轴,表与长轴垂直方向上的宽度的线段即为短轴.

5) 偏心率(E)：描述区域形状的物理量,常用长轴与短轴的比值来计算,其值通常大于1,接近1时,则区域形状接近圆形.

根据给定的计算方法,在缺陷标记、跟踪和填充的基础上对每个缺陷的特征参数进行了计算,部分特征参数的计算结果见表1.

表1 部分特征参数值Tab.1 Partial characteristic parameter values

从表1可以看出,气孔的形状较规则,属于圆形缺陷,圆形度的值更靠近1,长短轴之比不大于3；裂纹属于条形缺陷,窄而长,长短轴之比大于3；夹杂的形状各异,圆形度数值分布不集中,通常情况下,夹杂不会像裂纹那样长宽相差较大,其长短轴之比也不大于3.

3 基于深度信念网络(DBN)的石墨电极缺陷识别

3.1 深度信念网络(DBN)

DBN由多个受限玻尔兹曼机(RBM)组成,如图6所示.RBM包含显层V和隐层H两部分,显层V用于输入训练数据,隐层H用于提取特征.RBM层内神经元之间无互连,层间神经元之间则为全连接.

图6 DBN组成图Fig.6 Constituent diagram for DBN

DBN采用逐层训练的方式,训练过程分为预训练和微调两步[16]：预训练是用非监督方式训练每一层RBM网络,通过不断拟合输入获得权重.训练完成后,将上一层隐层的输出作为下一层RBM的输入,循环此过程完成下一层RBM的训练,直至完成全部RBM的训练；为了获取最优参数,改善网络性能,在DBN网络的最后一层建立BP神经网络,将预训练获取的初始参数赋值给BP网络,利用反向传播算法进行微调.

3.2 网络参数设置

将提取的300组特征数据分成训练集和测试集,样本分配见表2,依据文献[17]并结合数据样本,将隐含层的激活函数选为sigmoid函数,根据样本特征向量的维度和电极缺陷分类数,将输入层和输出层的节点数分别置为6和3.隐含层设为两层,依据经验公式(16)[18]计算出隐层神经元数目是[4,13](其中N表示隐层神经元数目,n和m分别表示输入层和输出层神经元数目,k是区间[1,10]的整数).网络学习速率设为0.1.迭代次数分别设置为50、100、150和200.

表2 样本分配Tab.2 Sample allocation

(16)

3.3 识别结果分析

表3为不同迭代次数下不同缺陷的识别结果.随着迭代次数的增加,DBN模型的识别率表现为先增后减,这是因为迭代次数过多时,整个网络训练会发生过度拟合,致使模型泛化到测试样本的能力减弱.当迭代次数为100时,识别率最高,其中气孔和裂纹的识别均能达到100%正确,但部分夹杂缺陷误判成气孔和裂纹,在误判的4个夹杂缺陷中,有3个误判为裂纹,1个误判为气孔.经分析,造成夹杂缺陷识别率较低的原因,首先是缺陷样本数量较少,网络的训练能力受到限制,训练出来的网络精度和稳定性不够；其次是样本中的夹杂缺陷形状各异,使得样本向量的特征不够突出,易与其他缺陷类型混淆.此外,训练样本与测试样本的比例对最终的识别结果也有一定影响,当测试样本比例减少,训练样本比例增加时,经过训练的网络参数会与样本分布更加契合,应用到测试样本时泛化性能更好,从而使识别率得到提升.