基于射线检测的焊缝缺陷自动识别技术研究

孙文斐

（济南市计量检定测试院，山东济南，250101）

0 前言

现代无损检测技术在产品质量控制和生产效率提升方面发挥着重要作用，常规无损检测技术包括射线检测、超声检测、涡流检测、磁粉检测等类型[1]，这些检测技术各有优势，适用于不同的应用场合。其中，以X射线检测为代表的射线无损检测技术具有高效、便捷、可定量判定等特点而受到广泛应用[2]。传统的射线检测主要通过胶片成像并判别缺陷，这种方法虽然技术简单、分辨力强，但操作比较复杂、成像过程不好操作、检测效率不高、难以实现自动化。

近年来，数字化的射线成像系统应用日益普遍，数字成像的最大优点是便于缺陷的自动化识别，有效提高了检测效率和自动化水平[3]。基于此，本文以焊缝缺陷检测为例，对射线检测的自动识别技术进行了深入的探讨。

1 射线检测基本原理

X射线是一种穿透能力极强的电磁波，通过穿透被测工件并检测透射强度分布来反映工件内部结构信息，通过人工或自动分析，可以识别出缺陷的大小、尺寸和分布等情况。当工件内部存在缺陷时，由于缺陷与工件本身的材料往往不一致，因此对X射线的衰减程度是不一样的，通过成像介质在工作的另一侧接收X射线的透射光并记录下来，即可将缺陷的投影尺寸和形状反射成像介质上。

射线检测技术常常使用底片作为成像介质，可以取得很高的分辨率，对气孔、夹渣等缺陷有很高的检出率，而且能够准确识别缺陷的性质、数量、尺寸和分布情况。但对于具有方向性的缺陷，例如裂纹、分层，其检出率则与射线穿透的方向有关，如果缺陷方向与射线穿透方向一致，则可能出现漏检。

随着现代生产工艺水平的提高，各应用场合都对检测效率提出了更高的要求，例如生产流水线，要求实现自动化实时检测，传统的胶片成像技术显著不再满足需求。在此背景下，数字成像技术应运而生，为射线检测缺陷的自动识别奠定了基础。

2 焊缝自动检测的难点

焊缝检测是无损检测的重要应用场景，也是无损检测技术的优势应用领域之一。材料在焊接时，由于工艺技术、设备条件、应力变化、材料结构、尺寸形状等因素的影响，在焊缝中出现热裂缝是十分常见的，而裂缝作为一种极度危险的缺陷类型，一旦在焊缝中发现则要求必须返修。在产品使用过程中，焊接件在高温、高压、腐蚀、疲劳、冲击等恶劣环境下，也很容易出现冷裂缝。考虑到焊接件的生产规模通常很大，要求实时在线检测，因此缺陷的识别过程也必须是自动化的。

但是焊缝缺陷的自动识别有一定的难度，这主要是因为自动化识别涉及到图像处理、信号分析、模式识别、人工智能等一系列技术，是一门综合性的交叉技术。在射线检测中，成像介质上接收到的除了透射部分之外，还会包含许多杂乱的散射射线，使图像信噪比降低，图像对比度往往不高，这对于不规则线头缺陷的识别造成了很大的不便。另外，由于焊缝缺陷类型较多，而不同的缺陷类型需要不同的识别算法和特征库，不便于实际应用。

3 焊缝检测图像的预处理

检测图像的预处理是指在正式进行自动判别之前，对质量不高的图像进行初步的处理，提高图像质量的过程。X射线检测图像信噪比低、分辨率低、对比度低、灰度不均匀、边缘不清晰，缺陷信息很有可能会湮灭在噪声之中，缺陷判别难度很大。因此在焊缝检测中，通常要对图像进行去噪等预处理。图像降噪包括空间域和频率域两种方法，空间域方法包括领域平均法、中值滤波等；频率域方法包括FFT、小波变换、低通滤波器等。

3.1 小波去噪技术

小波去噪技术是基于小波变换理论的，它的数学本质就是对一个母小波进行伸缩和平稳，对特定函数进行最佳逼近。小波变换具有低熵性、多分辨率、去相关性和选基灵活性等优势，因而比传统的FFT具有更好的时频特性，在图像信号处理领域得到广泛的应用。对于射线图像来说，不同尺寸的缺陷在不同尺度中的小波系数也会有不同的体现，因此可以通过小波变换的方法对焊缝图像进行降噪处理。

3.2 图像增强技术

图像降噪处理后，虽然噪声得到了一定程度的消除，但原本的图像在边缘区域往往会变得模糊，这将对后续的特征提取带来不良影响。因此可以采用图像增强技术来锐化图像边缘，进一步提高图像的对比度。所谓图像增强，就是根据实际需要，突出图像中的特定信息，同时削弱图像中无用的成分的一种处理过程。目前可以实现图像增强的技术主要包括修整灰度、去模糊、平滑或消除噪声等等方法，这些方法操作简单、效果显著，但在实际的使用中，为了提高图像增强的效果，往往会采用几种方法的组合。

3.3 焊道识别

焊缝检测主要针对焊缝区域的缺陷，对其它部位的缺陷不感兴趣。但焊缝射线检测的图像区域往往较大，而区域中绝大部分是背景，焊缝只占了很小的一部分，因此在识别之前必须将识别区域准确地锁定在焊道区域上，这样不仅可以减少其它区域的信号干扰，而且有效减少了处理的数据量，显著提高处理效率。

为了快速地在图像中提取出焊道区域，本文采用了基于线灰度曲线的双峰特性提取法，其基本思路是先计算出焊缝区域的大致中心线位置，然后再以这条中心线作为基准，向两边各延伸一定的像素范围作为焊道区域。由于图像会在焊道边缘区域产生突变，在像素曲线中表现为两个峰值，因此在向基准两边延伸的过程中，只要检测到峰值的存在，就可以将该峰值所在的位置作为焊道的边界，从而完成了焊道区域的自动识别。

4 焊缝缺陷的特征提取

在一幅检测图像中会有大量的信息，但为了抓住图像最本质的特征，就需要对其进行特征识别。在焊缝检测中，就是要有效地提取出检测图像中的缺陷特征，但重要的特征往往很难识别，因此必须先掌握各种缺陷类型的基本特点。

4.1 常见焊缝缺陷的分类

焊缝是一种特殊的材料和区域，它位于两个待焊接件之间，通过高温熔化焊接材料使两个工件连接在一起。由于焊接过程中工艺技术、设备条件、应力变化、材料结构、尺寸形状等因素均不相同，因此可能会出现各种不同的缺陷。根据不同的标准，可以将这些缺陷分为不同的种类，本文按照缺陷的性质不同，将其大致分为裂纹、未焊透、未熔合、气孔、夹渣等五大类。

（1）裂纹。裂纹是受到焊接应力和其它致脆因素的影响，在焊接区域的局部地区金属原子结合力遇到破坏而出现的新界面。该界面将原本是一体的材料一分为二，宏观上表现为焊接裂缝。根据裂缝的走势不同，裂缝还可以进一步划分为纵向裂纹、横向裂纹、弧坑裂纹等等。裂纹多出现于焊道上或热影响区附近，在底片上表现为两端尖状的不规则黑色细线条。焊缝中是不允许任何形式的裂纹存在的。

（2）未焊透。按照出现部分的不同，未焊透又可以分成根部未焊透、层间未焊透和边缘未焊透三种。在焊缝中出现未焊透的问题不仅会严重降低焊缝强度和延伸率，还会大大提高裂缝的概率。未焊透在X射线检测焊缝图像上一般表现为规则的黑色线条，多位于焊缝中间，其走向沿焊道方向，边界通常较平直且规则。焊缝中是不允许任何形式的未焊透缺陷存在的。

（3）未熔合。未熔合是在焊缝材料与母材之间，或者焊道材料与焊道材料之间未完全熔化并结合的部分。按照出现部分的不同，未熔合又可以分成边缘未熔合、根部未熔合和层间未熔合。未熔合在X射线检测焊缝图像中表现为宽度不一、黑度不均匀、断续分布的条状。靠母材一侧的黑度较高且成直线，另一侧较模糊且轮廓不规则。焊缝中是不允许任何形式的未熔合缺陷存在的。

（4）气孔。气孔是熔池中的气泡在凝固过程中未能及时逸出而残留在材料内部而形成的空穴。气孔在X射线检测焊缝图像表现为个圆形或者椭圆形的黑色影像，影像边缘光滑，外形规则，有清晰的周界，在圆形区域中，越往中间位置其黑度越大，越往边缘其黑度越小。气孔分布情况各不相同，既有密集的、也单个的，既有大个的、也有小个的，既有圆形的、也有椭圆形的。

（5）夹渣。夹渣是残留在焊缝中的熔渣，根据其形状不同，夹渣可以分为条状夹渣和球状夹渣两种。当图像中夹渣的长宽比大于3时认为是条状夹渣；反之，当长宽比小于或等于3时认为是球状夹渣。夹渣在X 射线检测焊缝图像表现为长条状或圆状的、边界有不规则棱角的，黑度均匀且清晰的影像。条状夹渣的延伸方向一般与焊缝走向相同。

4.2 焊缝缺陷特征分析

对于不同类型的焊缝缺陷，其X射线检测图像的差异和变化都比较大，这主要是由于不同的焊缝缺陷成像结果不仅与缺陷自身形态有关，而且与射线强度、材料厚度、焊接工艺、焊接位置、发射角度等大量因素有关。焊缝缺陷图像主要有两种，分别为：由缺陷造成的缺陷影像，以及由试件外观造成表面几何影像。焊缝缺陷特征分析，就是要对缺陷图像的形状、尺寸、黑度、分布等信息进行识别，为缺陷类型的判断提供基本的条件。

5 基于神经网络方法的焊缝图像识别技术

5.1 神经网络概述

人工神经网络（Artificial Neural Network, ANN）是由大量处理单元相互连接而成的一种网络，它可以对人脑进行抽象、简化和模拟，从而复制人脑的基本特性。因此ANN属于人工智能技术的范围。ANN可以看成是一台简单的处理单元所组成的大量并行分布的处理机，该处理机不仅具有存储和应用经验知识的自然特性，而且可以通过对历史数据的学习快速从外部环境中获取所需信息，因此是是一个大规模的非线性自适应系统。

5.2 BP网络的结构设计

在图像处理领域，BP神经网络通常是特征提取和特征识别的过程。网络共有3层，分别是输入层、中间层和输出层。如果将BP 神经网络用于识别分类，那么输入节点数则可以根据数据源的维数来确定。对于焊缝检测来说，经过一系列的前期处理之后，得到6维的缺陷特征向量，所以将输入层节点定为6。网络的输出取前文介绍的5类缺陷，因此输出节点数据为5。隐含层的神经元数目与问题的要求、输入/输出单元的数目均直接相关，如果数量过大，会造成学习训练时间过长且误差未必最小，严重时还会出现错误；如果隐含层神经元节点过少，又会导致模型精确性不高。因此本文采用了具有7个节点的隐含层设计方案。神经元上的激活函数采用经典的S型函数，该函数在（0，1）内连续单调可微，满足激活函数的选择要求。

使用实际检测到的100个缺陷图像为样本，其中80个用于网络的训练，20个用于网络的验证。试验表明，该模型可以实现对典型缺陷80%的检出率，基本上可以满足生产需求。BP神经网络的参数可以进行调优，经过调优后的网络，其对典型缺陷检出率接近90%，完全满足焊缝缺陷的自动化识别需求。

6 结语

无损检测技术是现代检测技术的重要组成部分，而射线检测技术作为无损检测中的常规检测技术之一，在当前和未来一段时期内仍然占据着重要地位。在电子技术和图像处理技术迅速发展的背景下，射线检测缺陷的自动化识别成为一种必然的趋势。借助于各种先进的图像处理算法和人工智能算法，射线检测技术的检测能力将得到进一步的提升，也将成为一种不可替代的重要无损检测手段。本文对射线检测的焊缝缺陷自动识别技术进行了深入的分析，无论是对于射线检测技术的进步还是对于焊接领域的发展都有着重要的现实意义。