当前位置:首页>铸造工艺

铝合金压铸件X射线成像典型缺陷特征提取算法与实现

傅可清 等 发表于2022/3/30 22:55:38 铝铸件X射线图像缺陷特征特征提取

摘要:为解决铝合金压铸件X射线图像典型缺陷的特征提取维度缺乏、大量人工干预影响特征提取效率的问题,提出一种铝合金压铸件X射线成像典型缺陷特征提取算法。该方法对铝合金压铸件中的气孔、欠铸和变形等典型缺陷建立多个特征分析维度,利用滤波去噪、阈值分割等手段进行压铸件图像预处理,并通过提取缺陷周长和面积等多维度特征,实现气孔、夹渣缺陷的特征自动化提取。在部分企业实际生产的铝合金压铸件上的应用表明,该方法可有效地提取铝合金压铸件典型缺陷特征,可为后续缺陷检测识别工作提供参考。

随着社会科技的发展,铝合金压铸件在制造业中的应用越来越多。随着铝合金压铸件的需求日益增长,在大批量生产时对质量要求也越来越高,因此对铝合金压铸件的质量检测十分重要。国内传统的是通过人工检测,过程繁琐、效率低下、结果不易存储并且人工经验依赖性强。而通过对铝合金压铸件X射线图像进行一系列的图像处理来辅助质量检测的过程能够明显地改善以上的问题,特别是通过阈值分割来处理图像。铝合金压铸件常见的缺陷有气孔、欠铸、夹杂和变形等。如果对识别好的缺陷进行多维度的分析,并自动提取到这些维度的数据,能够更好地帮助后续铸件缺陷的识别工作。

Gianni D’Angelo等研究了信号处理以及数据在航天材料中用来诊断材料缺陷的有效性。张臻通过对ADC12铝合金铸件的研究,分析了气孔、缩孔以及气缩孔的圆整度、体积以及表面积等。杨勇等通过使用中值滤波器和线性滤波器来研究X射线图识别焊接缺陷。楼国红等利用动态阈值分割算法针对车轮轮毂计算缺陷面积和最长缺陷长度。动态阈值分割算法可以很大程度地保留轮毂中的缺陷并且同时去除掉很多不是缺陷的干扰噪声。XU等对Otsu阈值分割算法进行了分析,能够通过理论计算得到最好的阈值。KAVITHA等提出了一种分水岭算法用来阈值分割,计算方法更为简洁,可以在聚类图像实现较好的效果。JOHN CANNY则提出了一种关于边缘检测的算法。DANIEL WEIMEr等采用了深度卷积神经网络来对缺陷进行特征提取。

为了更好地识别汽车铝合金压铸件中的典型缺陷,主要考虑气孔、夹渣等缺陷在X射线图中的周长以及面积。而为了实现铸件缺陷特征的自动提取,对铝合金压铸件X射线图进行了一系列的缺陷图像处理,包括滤波去噪、图像增强处理以及阈值分割处理。最后对处理完好的图像进行特征提取并自动给出相关参数。

1、缺陷图像处理

铝合金压铸件X射线图的采集过程会卷入大量的电磁脉冲噪音信号。没有经过处理的图像包含着很多干扰噪声,直接进行特征提取会造成很多噪声也被误认为缺陷,降低缺陷特征提取的准确度。因此主要对铝合金压铸件X射线图像进行三步处理:滤波去噪、图像增强处理以及图像阈值分割处理。

1.1 滤波去噪处理

一般来说图像会有一些噪音干扰。因而计算机处理图像的第一个步骤都是滤波去噪,以减少后面处理的出错概率。选择了中值滤波器、均值滤波器、高斯低通滤波器以及巴特沃斯低通滤波器。通过对比这些滤波器的滤波效果,选择最有的方法。

(1)中值滤波器

中值滤波器是一种非线性滤波器,相比于线性滤波器,可以使一些图像中较为孤立的干扰信号去除,同时也能够有效地保留图像中的细节。但也易去除掉一些气孔、气泡等缺陷。
中值滤波器的计算公式如下所示:

式中,g(x,y)是经过中值滤波器后得到的灰度值;median是取矩阵中值的操作。

(2)均值滤波器

均值滤波器则是一种线性滤波器。相比于中值滤波器,均值滤波器可能会让图像中一些细节丢失,因为这些细节都被周围像素的平均值取代。
均值滤波器的运行公式为:

式中,g(x,y)为指定像素点在处理之后的灰度值;M是周围相邻像素点的个数;f(x,y)为周围像素点的灰度值;s为周围像素点的集合。

(3)高斯低通滤波器

高斯低通滤波器一般可以分为两种。这里采用通过滑动窗口来进行卷积运算的一种,通常使用加权平均。而且高斯低通滤波器,可以得到图像的频谱,再利用传递函数,可以实现频域中心化。
选取的滤波函数H为:

式中,Do为截止频率;D(u,v)为各点与频率矩形中心的距离。其中D(u,v)的计算公式如下:

(4)巴特沃斯低通滤波器

巴特沃斯低通滤波器与高斯低通滤波器的不同,体现在于滤波函数H的不同。
巴特沃斯低通滤波器的滤波函数H为:

可以看出,D0截止频率是一个可以进行调节的参数。随着截止频率的增加,滤波器从中心往周围扩散的趋势变得越来越小,越来越多的高频信号将被保留,图像中的细节也将愈发的明显。而通过试验,初步选取D0=1200作为最佳数据。

(5)滤波器对比总结

将同一张图像用不同滤波器处理,效果见图1。

图1:不同滤波器下图像预处理效果

从图1可以看出,在经过中值滤波器之后,图片并没有发生很大的变化,见图1b。经过均值滤波器之后,图像的细节开始变少,对于图像的后续处理效果不明显,见图1c。经过高斯滤波器之后,图像的整体质量变得更好,铸件的细节没有丢失,相比于均值滤波器和中值滤波器,高斯滤波器处理出来的结果较好。经过巴特沃斯滤波处理之后的图像变得很模糊,见图1d。综上,针对汽车铝合金压铸件X射线图,高斯滤波器能够起到很好的作用。因而,采用高斯滤波器作为图像预处理的第一步。

1.2 图像增强处理

经过滤波去噪处理之后的图像,图像的质量已经得到改善,但图像中仍存在着缺陷与图像背景不能很好区分的问题。为使缺陷与背景能更易区分,需增强图像对比度。分析了灰度变换、直方图修正处理的效果。

(1)灰度变换

灰度变换是直接对图像像素点的灰度进行变换。映射函数式为

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

 

式中,f(x,y)是特定像素点的灰度值,而g(x,y)则是经过线性变化之后得到相应像素点的灰度值。经过一系列的尝试,初步选定参数a=1.4,b=0。

也可以选用非线性的变换来进行灰度变换。选用实际效果会更好的指数变换来进行尝试。指数变换的映射表达式为

g=ω0 (μ0-μ)^2+ω₁ (μ₁-μ)² (10)

结合ω₁μ₁以及μ的关系,进行化简

ω₁²(x₁,y₁)作为起点,以顺时针或者逆时针的方向找到下一个边缘上的像素点(x₂,y₂),两个像素点之间的距离可以被定义为:

再找到下一个邻近的边缘像素点(x_3,y_3),并且计算第2个点与第3个点之间的距离,最后将所有点的距离进行求和,得到的总和即为缺陷区域的周长。

3、试验和结果分析

3.1 提取数据

实验所用到的数据图像,都是实际生产的一些汽车铝合金压铸件X射线图像,见图5.

图5:汽车铝合金压铸件X射线图像

这些缺陷包括欠铸、变形、气孔等等。

3.2 缺陷部位图像处理之后得到的图像

经过缺陷区域的提取之后,得到主体是缺陷部分的图像,采用图像预处理方法以及图像阈值分割的方法,对图像进行处理。第一步是使用高斯滤波对图像处理,然后通过线性增强,最后通过Otsu阈值分割方法对图像进行处理。图像预处理后的结果见图6。

图6:图像预处理之后气孔缺陷

可以看到,光线对于提取到的图像质量有一定影响,图6a图像和图6c图像受强光源影响较大,形成了大片的白色区域,对气孔缺陷的面积提取较为不利,并且前期的预处理过程难以解决这个问题,可能需对光源进行一定的处理。但总体来说通过预处理和阈值处理,能够很好的将汽车铝合金压铸件X射线图像处理成能够轻易分辨气孔缺陷的二值图像。

图7是夹渣缺陷的图像处理。夹渣缺陷在X射线图像中表现为表面的白色斑迹,并且可能会伴随着铸件表面的一些突起。因此在对夹渣缺陷进行图像处理的时候,Otsu阈值算法效果一般,相比之下,局部阈值的分割方法得到的效果要好很多,因此夹渣缺陷的阈值分割方法是采用局部阈值进行分割得到的。

图7:图像预处理后的夹渣缺陷

整体来看,铸件表面的白色斑迹都被阈值分割给处理出来的,整体比较明显,效果较好。

3.3 图像缺陷特征的提取

在得到清晰含有缺陷的二值图像后,可以对图像中缺陷的面积和周长进行提取。采用的是MATLAB来实现面积和周长的提取。首先是通过MATLAB对气孔缺陷的特征提取,见图8。

图8:气孔缺陷的特征提取效果

其中,缺少了阈值处理后得到的第三张图片(气孔缺陷c),见图8c,因为图像被光源污染,导致最后只能提取出来一大片的白色区域,所以最后没有展示出来。图像中气孔的面积和周长特征提取到的具体值见表1。

表1:缺陷面积以及周长

图8a中有一连串的气孔,普遍面积较小,并且有一部分气孔被白色光源污染导致无法被提取。其他气孔的面积和周长都被很好的提取出来了,如果在拍摄图像的时候对像素点的长度进行标度,也就能直接得到气孔缺陷的面积和周长了,对后续的工艺分析能够提供帮助。

然后展示对夹渣缺陷面积和周长的特征提取,同样首先先对图像中的缺陷部位进行捕获,见图9。

图9:夹渣缺陷的特征提取效果

从图9可以看出,提取效果整体较好,但会出现一些过度提取的情况,这个时候需要人工来帮助判断具体哪一个部分才是真正的夹渣缺陷。表2为提取到的缺陷的周长和面积。

表2:夹渣缺陷的面积和周长

4、结论

针对铝合金压铸件典型缺陷的特征进行提取,通过使用高斯滤波处理、线性增强、Otsu阈值分割法及局部阈值法对图像进行处理,得到经过处理的二值图像,最后对二值图像直接进行特征提取。整个过程基于MATLAB实现了对缺陷的面积和周长特征的自动化快速提取,解决了铝合金压铸件X射线图像典型缺陷的特征提取维度缺乏、人工干预影响特征提取效率的问题。由于铝合金压铸件X射线图主要呈现二维图像,本次试验的铝合金压铸件缺陷特征提取主要集中于二维数据的提取,希望以后能出现很好的三维铝合金压铸件X射线图并且便于进行缺陷特征的提取。

文章作者

傅可清 马源 伍缘杰 孙晓龙 计效园 周建新
华中科技大学材料成形与模具技术国家重点实验室

杨廷旺
西安交通大学
浙江合达铝业有限公司

 

本文来自:《特种铸造及有色合金》杂志2021年第41卷第12期

评论
文明上网,登录评论   评论仅供网友表达个人看法,并不表明本站同意其观点或证实其描述
验证码:*
还可以再输入500
  
回页顶部