摘要：為解決鋁合金壓鑄件X射線圖像典型缺陷的特征提取維度缺乏、大量人工干預影響特征提取效率的問題，提出一種鋁合金壓鑄件X射線成像典型缺陷特征提取算法。該方法對鋁合金壓鑄件中的氣孔、欠鑄和變形等典型缺陷建立多個特征分析維度，利用濾波去噪、閾值分割等手段進行壓鑄件圖像預處理，并通過提取缺陷周長和面積等多維度特征，實現(xiàn)氣孔、夾渣缺陷的特征自動化提取。在部分企業(yè)實際生產(chǎn)的鋁合金壓鑄件上的應(yīng)用表明，該方法可有效地提取鋁合金壓鑄件典型缺陷特征，可為后續(xù)缺陷檢測識別工作提供參考。

隨著社會科技的發(fā)展，鋁合金壓鑄件在制造業(yè)中的應(yīng)用越來越多。隨著鋁合金壓鑄件的需求日益增長，在大批量生產(chǎn)時對質(zhì)量要求也越來越高，因此對鋁合金壓鑄件的質(zhì)量檢測十分重要。國內(nèi)傳統(tǒng)的是通過人工檢測，過程繁瑣、效率低下、結(jié)果不易存儲并且人工經(jīng)驗依賴性強。而通過對鋁合金壓鑄件X射線圖像進行一系列的圖像處理來輔助質(zhì)量檢測的過程能夠明顯地改善以上的問題，特別是通過閾值分割來處理圖像。鋁合金壓鑄件常見的缺陷有氣孔、欠鑄、夾雜和變形等。如果對識別好的缺陷進行多維度的分析，并自動提取到這些維度的數(shù)據(jù)，能夠更好地幫助后續(xù)鑄件缺陷的識別工作。

Gianni D’Angelo等研究了信號處理以及數(shù)據(jù)在航天材料中用來診斷材料缺陷的有效性。張臻通過對ADC12鋁合金鑄件的研究，分析了氣孔、縮孔以及氣縮孔的圓整度、體積以及表面積等。楊勇等通過使用中值濾波器和線性濾波器來研究X射線圖識別焊接缺陷。樓國紅等利用動態(tài)閾值分割算法針對車輪輪轂計算缺陷面積和最長缺陷長度。動態(tài)閾值分割算法可以很大程度地保留輪轂中的缺陷并且同時去除掉很多不是缺陷的干擾噪聲。XU等對Otsu閾值分割算法進行了分析，能夠通過理論計算得到最好的閾值。KAVITHA等提出了一種分水嶺算法用來閾值分割，計算方法更為簡潔，可以在聚類圖像實現(xiàn)較好的效果。JOHN CANNY則提出了一種關(guān)于邊緣檢測的算法。DANIEL WEIMEr等采用了深度卷積神經(jīng)網(wǎng)絡(luò)來對缺陷進行特征提取。

為了更好地識別汽車鋁合金壓鑄件中的典型缺陷，主要考慮氣孔、夾渣等缺陷在X射線圖中的周長以及面積。而為了實現(xiàn)鑄件缺陷特征的自動提取，對鋁合金壓鑄件X射線圖進行了一系列的缺陷圖像處理，包括濾波去噪、圖像增強處理以及閾值分割處理。最后對處理完好的圖像進行特征提取并自動給出相關(guān)參數(shù)。

1、缺陷圖像處理

鋁合金壓鑄件X射線圖的采集過程會卷入大量的電磁脈沖噪音信號。沒有經(jīng)過處理的圖像包含著很多干擾噪聲，直接進行特征提取會造成很多噪聲也被誤認為缺陷，降低缺陷特征提取的準確度。因此主要對鋁合金壓鑄件X射線圖像進行三步處理：濾波去噪、圖像增強處理以及圖像閾值分割處理。

1.1 濾波去噪處理

一般來說圖像會有一些噪音干擾。因而計算機處理圖像的第一個步驟都是濾波去噪，以減少后面處理的出錯概率。選擇了中值濾波器、均值濾波器、高斯低通濾波器以及巴特沃斯低通濾波器。通過對比這些濾波器的濾波效果，選擇最有的方法。

（1）中值濾波器

中值濾波器是一種非線性濾波器，相比于線性濾波器，可以使一些圖像中較為孤立的干擾信號去除，同時也能夠有效地保留圖像中的細節(jié)。但也易去除掉一些氣孔、氣泡等缺陷。
中值濾波器的計算公式如下所示：

式中，g(x,y)是經(jīng)過中值濾波器后得到的灰度值；median是取矩陣中值的操作。

（2）均值濾波器

均值濾波器則是一種線性濾波器。相比于中值濾波器，均值濾波器可能會讓圖像中一些細節(jié)丟失，因為這些細節(jié)都被周圍像素的平均值取代。
均值濾波器的運行公式為：

式中，g(x,y)為指定像素點在處理之后的灰度值；M是周圍相鄰像素點的個數(shù)；f(x,y)為周圍像素點的灰度值；s為周圍像素點的集合。

（3）高斯低通濾波器

高斯低通濾波器一般可以分為兩種。這里采用通過滑動窗口來進行卷積運算的一種，通常使用加權(quán)平均。而且高斯低通濾波器，可以得到圖像的頻譜，再利用傳遞函數(shù)，可以實現(xiàn)頻域中心化。
選取的濾波函數(shù)H為：

式中，Do為截止頻率；D(u,v)為各點與頻率矩形中心的距離。其中D(u,v)的計算公式如下：

（4）巴特沃斯低通濾波器

巴特沃斯低通濾波器與高斯低通濾波器的不同，體現(xiàn)在于濾波函數(shù)H的不同。
巴特沃斯低通濾波器的濾波函數(shù)H為：

可以看出，D0截止頻率是一個可以進行調(diào)節(jié)的參數(shù)。隨著截止頻率的增加，濾波器從中心往周圍擴散的趨勢變得越來越小，越來越多的高頻信號將被保留，圖像中的細節(jié)也將愈發(fā)的明顯。而通過試驗，初步選取D0=1200作為最佳數(shù)據(jù)。

（5）濾波器對比總結(jié)

將同一張圖像用不同濾波器處理，效果見圖1。

圖1:不同濾波器下圖像預處理效果

從圖1可以看出，在經(jīng)過中值濾波器之后，圖片并沒有發(fā)生很大的變化，見圖1b。經(jīng)過均值濾波器之后，圖像的細節(jié)開始變少，對于圖像的后續(xù)處理效果不明顯，見圖1c。經(jīng)過高斯濾波器之后，圖像的整體質(zhì)量變得更好，鑄件的細節(jié)沒有丟失，相比于均值濾波器和中值濾波器，高斯濾波器處理出來的結(jié)果較好。經(jīng)過巴特沃斯濾波處理之后的圖像變得很模糊，見圖1d。綜上，針對汽車鋁合金壓鑄件X射線圖，高斯濾波器能夠起到很好的作用。因而，采用高斯濾波器作為圖像預處理的第一步。

1.2 圖像增強處理

經(jīng)過濾波去噪處理之后的圖像，圖像的質(zhì)量已經(jīng)得到改善，但圖像中仍存在著缺陷與圖像背景不能很好區(qū)分的問題。為使缺陷與背景能更易區(qū)分，需增強圖像對比度。分析了灰度變換、直方圖修正處理的效果。

（1）灰度變換

灰度變換是直接對圖像像素點的灰度進行變換。映射函數(shù)式為

g(x,y)=af(x,y)+b(7)

式中，f(x,y)是特定像素點的灰度值，而g(x,y)則是經(jīng)過線性變化之后得到相應(yīng)像素點的灰度值。經(jīng)過一系列的嘗試，初步選定參數(shù)a=1.4，b=0。

也可以選用非線性的變換來進行灰度變換。選用實際效果會更好的指數(shù)變換來進行嘗試。指數(shù)變換的映射表達式為

g=ω0 (μ0-μ)^2+ω? (μ?-μ)² (10)

結(jié)合ω?μ?以及μ的關(guān)系，進行化簡

ω?²(x?,y?)作為起點，以順時針或者逆時針的方向找到下一個邊緣上的像素點(x?,y?)，兩個像素點之間的距離可以被定義為：

再找到下一個鄰近的邊緣像素點(x_3,y_3)，并且計算第2個點與第3個點之間的距離，最后將所有點的距離進行求和，得到的總和即為缺陷區(qū)域的周長。

3、試驗和結(jié)果分析

3.1 提取數(shù)據(jù)

實驗所用到的數(shù)據(jù)圖像，都是實際生產(chǎn)的一些汽車鋁合金壓鑄件X射線圖像，見圖5.

圖5:汽車鋁合金壓鑄件X射線圖像

這些缺陷包括欠鑄、變形、氣孔等等。

3.2 缺陷部位圖像處理之后得到的圖像

經(jīng)過缺陷區(qū)域的提取之后，得到主體是缺陷部分的圖像，采用圖像預處理方法以及圖像閾值分割的方法，對圖像進行處理。第一步是使用高斯濾波對圖像處理，然后通過線性增強，最后通過Otsu閾值分割方法對圖像進行處理。圖像預處理后的結(jié)果見圖6。

圖6:圖像預處理之后氣孔缺陷

可以看到，光線對于提取到的圖像質(zhì)量有一定影響，圖6a圖像和圖6c圖像受強光源影響較大，形成了大片的白色區(qū)域，對氣孔缺陷的面積提取較為不利，并且前期的預處理過程難以解決這個問題，可能需對光源進行一定的處理。但總體來說通過預處理和閾值處理，能夠很好的將汽車鋁合金壓鑄件X射線圖像處理成能夠輕易分辨氣孔缺陷的二值圖像。

圖7是夾渣缺陷的圖像處理。夾渣缺陷在X射線圖像中表現(xiàn)為表面的白色斑跡，并且可能會伴隨著鑄件表面的一些突起。因此在對夾渣缺陷進行圖像處理的時候，Otsu閾值算法效果一般，相比之下，局部閾值的分割方法得到的效果要好很多，因此夾渣缺陷的閾值分割方法是采用局部閾值進行分割得到的。

圖7:圖像預處理后的夾渣缺陷

整體來看，鑄件表面的白色斑跡都被閾值分割給處理出來的，整體比較明顯，效果較好。

3.3 圖像缺陷特征的提取

在得到清晰含有缺陷的二值圖像后，可以對圖像中缺陷的面積和周長進行提取。采用的是MATLAB來實現(xiàn)面積和周長的提取。首先是通過MATLAB對氣孔缺陷的特征提取，見圖8。

圖8:氣孔缺陷的特征提取效果

其中，缺少了閾值處理后得到的第三張圖片(氣孔缺陷c)，見圖8c，因為圖像被光源污染，導致最后只能提取出來一大片的白色區(qū)域，所以最后沒有展示出來。圖像中氣孔的面積和周長特征提取到的具體值見表1。

表1:缺陷面積以及周長

圖8a中有一連串的氣孔，普遍面積較小，并且有一部分氣孔被白色光源污染導致無法被提取。其他氣孔的面積和周長都被很好的提取出來了，如果在拍攝圖像的時候?qū)ο袼攸c的長度進行標度，也就能直接得到氣孔缺陷的面積和周長了，對后續(xù)的工藝分析能夠提供幫助。

然后展示對夾渣缺陷面積和周長的特征提取，同樣首先先對圖像中的缺陷部位進行捕獲，見圖9。

圖9:夾渣缺陷的特征提取效果

從圖9可以看出，提取效果整體較好，但會出現(xiàn)一些過度提取的情況，這個時候需要人工來幫助判斷具體哪一個部分才是真正的夾渣缺陷。表2為提取到的缺陷的周長和面積。

表2:夾渣缺陷的面積和周長

4、結(jié)論

針對鋁合金壓鑄件典型缺陷的特征進行提取，通過使用高斯濾波處理、線性增強、Otsu閾值分割法及局部閾值法對圖像進行處理，得到經(jīng)過處理的二值圖像，最后對二值圖像直接進行特征提取。整個過程基于MATLAB實現(xiàn)了對缺陷的面積和周長特征的自動化快速提取，解決了鋁合金壓鑄件X射線圖像典型缺陷的特征提取維度缺乏、人工干預影響特征提取效率的問題。由于鋁合金壓鑄件X射線圖主要呈現(xiàn)二維圖像，本次試驗的鋁合金壓鑄件缺陷特征提取主要集中于二維數(shù)據(jù)的提取，希望以后能出現(xiàn)很好的三維鋁合金壓鑄件X射線圖并且便于進行缺陷特征的提取。

文章作者

傅可清 馬源 伍緣杰 孫曉龍 計效園 周建新
華中科技大學材料成形與模具技術(shù)國家重點實驗室

楊廷旺
西安交通大學
浙江合達鋁業(yè)有限公司

本文來自:《特種鑄造及有色合金》雜志2021年第41卷第12期