CN104036495A - 一种焊接缺陷提取方法及焊接缺陷检测方法 - Google Patents

Abstract

本发明公开了一种焊接缺陷提取方法，属于焊接技术与数字图像处理技术相交叉的技术领域。该方法利用NSST对原始焊接图像进行分解，对体现缺陷粗略逼近的低频分量采用PCNN提取缺陷的大致区域；然后，对背景抑制后的低频分量和高频分量作逆NSST，得到高频特征图像，对其进行粗分割后利用改进的CV模型优化缺陷的轮廓，得到缺陷的精细边缘；最后，融合提取的结果，得到最终提取的缺陷。本发明还公开了一种使用上述焊接缺陷提取方法的焊接缺陷检测方法。本发明方法所得到的焊接缺陷结构更完整，细节和轮廓更清晰，可为进一步对缺陷进行处理提供更合理准确的参考。

Description

一种焊接缺陷提取方法及焊接缺陷检测方法

技术领域

本发明涉及一种焊接缺陷提取方法，用于对数字焊接图像进行缺陷的结构和轮廓检测，属于焊接技术与数字图像处理技术相交叉的技术领域。

背景技术

传统的焊接缺陷检测方法主要依靠人工对数字焊接图像(例如X射线焊接图像或者超声波焊接图像等)进行评判，存在效率低、误检率高的问题。随着图像处理技术的发展，对数字焊接图像进行缺陷检测已成为焊接产品质量评判的重要手段。作为缺陷检测的关键步骤，焊接缺陷提取的准确性直接影响缺陷特征参数的计算，决定了缺陷检测的性能。

焊接缺陷图像通常对比度较低、背景起伏大，且伴有少量的噪声，易淹没了如气孔、细裂纹之类细小缺陷。而缺陷提取就是要从不稳定的背景和噪声中将缺陷的全部信息尽可能的分离出来，焊接缺陷的提取包括缺陷的分割及其轮廓的提取。现有的缺陷提取方法主要有阈值分割法、模型法和多尺度几何分析法。其中基于阈值分割的缺陷提取法较为简单，应用也较广，此类方法通常是考虑图像灰度分布，选取一个最佳阈值分离出背景与目标，但阈值选取难以自适应选取，易丢失细小目标。有学者提出了选用对称Tsallis交叉熵作为分割质量的评价指标(吴一全,沈毅,刚铁,等.基于二维对称Tsallis交叉熵的小目标图像阈值分割[J].仪器仪表学报,2011,32(10):2161-2167.)，克服了传统阈值选取方法对弱小目标的失效，但此方法在图像受噪声干扰时，易产生错分现象，适应性仍不强。模型法主要有脉冲耦合神经网络(Pulse Coupled Neural Network，PCNN)和Chan-Vese(CV)模型。其中PCNN是一种新型的神经网络，其图像处理结果更符合人类的视觉神经系统，但由于难以确定PCNN最佳迭代次数，其获得的缺陷的边缘往往较为粗糙，且结果易受噪声干扰。CV模型可有效利用图像的先验信息知识，对于弱边缘图像有较好的分割效果，已成功应用于焊接图像的识别(陈希章,陈华斌,陈善本,等.基于改进C-V方法的焊接图像识别[J].焊接学报,2007,28(9):9-12,107.)。但CV模型对于初始条件较为敏感，计算效率较低。多尺度几何分析具有局部性、各向异性、多方向性等特性，对于图像的边缘细节信息有较好的捕捉能力。该方法将图像分解为高低频分量，并采取不同策略分别进行缺陷提取，最后融合二者的结果得到最终的缺陷区域。周新星等人研究了一种基于非下采样Contourlet变换(Non-Subsampled ContourletTransform,NSCT)和PCNN的缺陷提取方法(周新星,王典洪,王洪亮,等.非下采样Contourlet变换和PCNN的表面缺陷自动识别方法[J].应用基础与工程科学学报,2013,21(1):174-183.)，取得了较好的效果，然而该方法采用的NSCT高频方向数受到分解层数的制约，未能最优表达图像方向信息，且用于高频分量缺陷提取的PCNN难以分辨噪声和缺陷的细小边缘。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种焊接缺陷提取方法，所得到的焊接缺陷结构更完整，细节和轮廓更清晰，可为进一步对缺陷进行处理提供更合理准确的参考。

本发明采用以下技术方案解决上述技术问题：

一种焊接缺陷提取方法，用于从原始焊接图像中提取出缺陷图像，包括以下步骤：

步骤1、对原始焊接图像进行非下采样Shearlet变换，得到一幅低频焊接图像和一组高频焊接图像；

步骤2、利用PCNN方法对所述低频焊接图像进行缺陷分割，得到第一焊接缺陷图像；步骤3、利用逆非下采样Shearlet变换将背景抑制后的第一焊接缺陷图像与所述高频焊接图像进行重构，得到高频特征图像；

步骤4、对所述高频特征图像进行粗分割，然后以粗分割得到的图像作为初始条件，利用基于CV模型的图像分割方法对其进行精细分割，得到第二焊接缺陷图像；

步骤5、将第一焊接缺陷图像和第二焊接缺陷图像进行融合，得到最终的缺陷图像，并提取缺陷图像中的缺陷轮廓。

上述技术方案中，所述原始焊接图像可以是X射线焊接图像或超声波焊接图像，也可以是利用其它方法获得的数字焊接图像。

优选地，步骤1中所述非下采样Shearlet变换为单层非下采样Shearlet变换。

优选地，步骤4所述基于CV模型的图像分割方法使用以下轮廓演化方程：

$\frac{\∂\mathrm{\φ}}{\∂t}=\mathrm{\δ}\left(\mathrm{\φ}\right)\{\mathrm{\μ}\▿\left(\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\right)-{\mathrm{\λ}}_1\mathrm{\ω}\left(x\right){[z-c_1]}^2+{\mathrm{\λ}}_2\mathrm{\ω}\left(x\right){[z-c_2]}^2\}$

式中，φ为水平集函数，δ为Dirac函数，为梯度算子，z表示图像灰度值，c₁和c₂为分别为图像边缘曲线内部和外部区域的图像灰度均值；μ、ν、λ₁和λ₂为权重参数，ω(x)为权值调整函数。

优选地，所述背景抑制按照以下方法：作出第一焊接缺陷图像的灰度分布直方图，并对其进行曲线拟合，得到灰度分布直方图曲线，该曲线中存在一个谷底拐点，以该谷底拐点处的灰度值作为分割阈值，将灰度值小于分割阈值的像素灰度置零，即得到背景抑制后的第一焊接缺陷图像。

根据本发明的发明思路还可以得到以下技术方案：

一种焊接缺陷检测方法，包括焊接缺陷提取的步骤，所述焊接缺陷提取使用以上任一技术方案所述焊接缺陷提取方法。

相比现有技术，本发明方法所提取的缺陷更为完整，其轮廓更为精细，也更接近于缺陷的实际轮廓。

附图说明

图1是PCNN神经元模型；

图2是夹钨缺陷低频焊接图像经曲线拟合后的灰度分布直方图曲线；

图3是本发明焊接缺陷提取方法的流程示意图；

图4是利用本发明方法对夹钨缺陷进行缺陷提取的过程示意图，其中(a)～(f)依次为：夹钨缺陷的原始焊接图像、低频焊接图像的缺陷分割结果、高频特征图像、高频特征图像的缺陷分割结果、最终的缺陷图像、缺陷图像的缺陷轮廓；

图5是本发明的方案与其它方案对烧穿缺陷提取的结果的对比；其中(a)～(f)依次为：带有噪声的烧穿缺陷的原始焊接图像、STCE方法得到的缺陷图像、PCNN方法得到的缺陷图像、NSCT+PCNN方法得到的缺陷图像、本发明方法得到的缺陷图像，以及本发明方法所得到缺陷图像的缺陷轮廓；

图6是本发明的方案与其它方案对焊缝余温过高缺陷提取的结果的对比；其中(a)～(f)依次为：带有噪声的焊缝余温过高的原始焊接图像、STCE方法得到的缺陷图像、PCNN方法得到的缺陷图像、NSCT+PCNN方法得到的缺陷图像、本发明方法得到的缺陷图像，以及本发明方法所得到缺陷图像的缺陷轮廓。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

本发明针对现有技术的不足，采用非下采样Shearlet变换(Non-Subsampled ShearletTransform,NSST)代替NSCT，克服Shearlet产生的伪Gibbs效应，更为有效地捕捉缺陷的细节信息；利用PCNN提取低频分量的缺陷主要区域；利用加入移动因子的改进CV模型提取高频分量中的缺陷，避免细节的丢失，改善边缘的逼近效果。使用本发明提出焊接缺陷提取方法，将会使得缺陷和轮廓检测效果更加明显，从而为进一步对缺陷进行处理提供更合理、准确的参考。

为了使公众能更好地理解本发明的技术方案，在对技术方案进行详细描述之前，先简要介绍其中所涉及的几处关键技术。

(1)非下采样Shearlet变换

Shearlet变换是在合成小波理论基础上发展而来，通过仿射系统结合几何和多尺度构造得到，当维数为2时，仿射系统为：

表达式1式中，分别为尺度、剪切和平移参数。当M_AB(ψ)满足Parseval框架，其元素称为合成小波。A为各向异性膨胀矩阵，B为剪切矩阵，若 $A=A_0=\left(\begin{array}{cc}4& 0\\ 0& 2\end{array}\right),$ $B_0\left(\begin{array}{cc}1& 1\\ 0& 1\end{array}\right),$ M_AB(ψ)称为Shearlet。

同NSCT类似，NSST分为多尺度分解和方向分析两部分，即图像首先经过非下采样拉普拉斯金字塔(Non-Subsampled Laplacian pyramid,NSLP)分解，得到一个低频分量和一个高频分量，得到的低频分量再经过非下采样拉普拉斯金字塔分解完成下一级分解，以此类推完成多尺度分解；方向分析是通过改进的剪切滤波器完成的，即图像经n层NSST分解，可得到2n+2个与源图像同尺度的高频子带图像。

(2)脉冲耦合神经网络(PCNN)

PCNN是受哺乳动物神经元模型启发而提出的一种新型人工神经网络。PCNN的每一个神经元都是由接收、非线性连接调制和脉冲产生3部分组成，可用离散方程表示为

F_ij[n]＝exp(-α_F)F_ij[n-1]+V_F∑M_ijk1Y_kl[n-1]+S_ij 表达式2

L_ij[n]＝exp(-α_L)L_ij[n-1]+V_L∑W_ijk1Y_kl[n-1] 表达式3

U_ij[n]＝F_ij[n](1+βL_ij[n]) 表达式4

$Y_{\mathrm{ij}}\left[n\right]=\left\{\begin{array}{cc}1& U_{\mathrm{ij}}\left[n\right]>{\mathrm{\θ}}_{\mathrm{ij}}[n-1]\\ 0& U_{\mathrm{ij}}\left[n\right]\≤{\mathrm{\θ}}_{\mathrm{ij}}[n-1]\end{array}\right.$ 表达式5

θ_ij[n]＝exp(-α_θ)θ_ij[n-1]+V_θY_ij[n-1] 表达式6式中，i,j表示神经元的标号，对应图像中像素点的位置，k,l为当前像素点与周围连接的范围；n为当前的迭代次数，S表示神经元的外部刺激，也就是图像f中像素矩阵的i行j列的像素灰度值。F,L,U,θ分别为神经元的反馈输入、连接输入、内部活动项和动态阈值。M和W为连接权矩阵；V_F,V_L,V_θ分别为F,L,θ的幅度常数，α_F,α_L,α_θ为对应的衰减系数。β为连接系数。Y_ij[n]为PCNN的二值输出。PCNN的神经元模型如图1所示。

PCNN的工作流程为：神经元的接收部分反馈输入F_ij[n]和L_i,j[n]，经过调制产生U_ij[n]，再与按指数衰减后的阈值门限θ_ij比较，来确定是否产生脉冲，若U_ij[n]>θ_ij[n-1]，则脉冲产生，PCNN被点火。焊接缺陷处的像素值一般与周围的焊道部分有明显的区别，当缺陷处的某一神经元发脉冲点火，脉冲信号便会通过连接输入L传递给邻近的神经元，造成与该神经元像素值相似的邻近像素点趋于同步点火，即提取出缺陷所在的区域。

(3)基于CV模型的图像分割

基于CV模型的图像分割方法为现有技术，具有对初始曲线位置不敏感、能自然处理曲线的拓扑变化等优点，适合于弱边缘或感知边缘的定位。该技术的详细信息可参考文献[Chan T F,Vese L A.Active contours without edges[J].IEEE transactions on Imageprocessing,2001,10(2):266-277.]。

传统CV模型未考虑图像的局部信息，仅考虑了图像各均匀区域的均匀信息，虽可得到图像的渐进型边缘，但分割结果存在误差。针对这一问题，可考虑加入移动因子，以减小分割误差，提高计算效率。若O(C)和I(C)分别为可变曲线C的内部和外部，则CV模型可表示为：

F₁(C)+F₂(C)＝∫_I(C)|z(x)-c₁|²dx+∫_O(C)|z(x)-c₂|²dx 表达式7式中，z表示图像灰度值，c₁和c₂为曲线C内部和外部区域的图像灰度均值。CV模型原始能量泛函可以表示为：

F(c₁,c₂,C)＝μL_e(C)+νA(I(C))+λ₁∫_I(C)|z(x)-c₁|²dx+λ₂∫_O(C)|z(x)-c₂|²dx 表达式8式中，μ、ν、λ₁和λ₂为权重参数，L_e(C)和A(I(C))分别为曲线C的长度和内部面积。将式(8)映射为水平集的形式为：

$F(c_1,c_2,\mathrm{\φ})=\mathrm{\μ}{\∫}_{\mathrm{\Ω}}\mathrm{\δ}\left(\mathrm{\φ}\right)|\▿\mathrm{\φ}|\mathrm{dx}+\mathrm{\ν}{\∫}_{\mathrm{\Ω}}H\left(\mathrm{\φ}\right)\mathrm{dx}+{\mathrm{\λ}}_1{\∫}_{\mathrm{\Ω}}{|z\left(x\right)-c_1|}^{2}H\left(\mathrm{\φ}\right)\mathrm{dx}$ 表达式9

$+{\mathrm{\λ}}_2{\∫}_{\mathrm{\Ω}}{|z\left(x\right)-c_2|}^2(1-H\left(\mathrm{\φ}\right))\mathrm{dx}$

式中，δ和H分别为Dirac函数和Heaviside函数。Ω为定义域，φ为水平集函数。通过极小化上述泛函得到相应的Euler-Larange方程：

$\mathrm{\δ}\left(\mathrm{\φ}\right)[\mathrm{\μ}\▿\left(\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\right)-v-{\mathrm{\λ}}_1{(z-c_1)}^2+{\mathrm{\λ}}_2{(z-c_2)}^2]=0$ 表达式10式中， $c_1=\frac{\∫z\left(x\right)H\left(\mathrm{\φ}\right)\mathrm{dx}}{\∫H\left(\mathrm{\φ}\right)\mathrm{dx}},c_2=\frac{\∫z\left(x\right)(1-H\left(\mathrm{\φ}\right))\mathrm{dx}}{\∫H\left(\mathrm{\φ}\right)\mathrm{dx}}.$

引入局部凸凹性给出移动因子的定义：

局部凸(凹)性：其邻域集 $N\left(x\right)=\{y\&Element;\mathrm{\&Omega;}|\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}|y_i-x_i|=1\},$ 在i轴上的点x的子邻域集为N_i(x)＝{y∈N(x)||y_i-x_i|＝1}。当(或<0)时，则x在i轴上局部凸(凹)，其中|·|为集合中元素的个数。

对引入移动因子其中s₁≥1时，x在i轴上局部凹的；当0<s₂≤1时，x在i轴上局部凸的，因此，可通过调整s₁和s₂的值实现因子的移动。

对于CV模型，可改变0-水平线内外部的区域均值(式(7)的最优解(c₁+c₂)/2)来调整0-水平集平面所在高度，为此引入权值ω调整0-水平集高度，即：

$c_1=\frac{\&Integral;\mathrm{\&omega;}\left(x\right)z\left(x\right)H\left(\mathrm{\&phi;}\right)\mathrm{dx}}{\&Integral;H\left(\mathrm{\&phi;}\right)\mathrm{dx}},c_2=\frac{\&Integral;\mathrm{\&omega;}\left(x\right)z\left(x\right)(1-H\left(\mathrm{\&phi;}\right))\mathrm{dx}}{\&Integral;(1-H\left(\mathrm{\&phi;}\right))\mathrm{dx}}$ 表达式11式中， $\mathrm{\&omega;}\left(x\right)=\left\{\begin{array}{c}{\mathrm{\&omega;}}_1,\mathrm{\&phi;}\left(x\right)>0\\ {\mathrm{\&omega;}}_2,\mathrm{\&phi;}\left(x\right)<0\end{array}\right.,$ 其中ω₁提高0-水平集平面高度，使得边界向灰度值较大的方向移动，ω₂则用于降低0-水平集平面高度，使得边界向灰度值较小的方向移动。经改进后的CV模型原始能量泛函为：

F₁(C)+F₂(C)＝∫_I(C)[ω(x)z(x)-c₁]²dx+∫_O(C)[ω(x)z(x)-c₂]²dx 表达式12在上式中加入正则项L_e(C)，并求关于φ的极小值，得到相应的Euler-Larange方程：

表达式13由于表达式13与表达式11所导致的0-水平集平面演化方向相反，可将表达式13作如下改进解决此问题。

$\frac{\&PartialD;\mathrm{\&phi;}}{\&PartialD;t}=\mathrm{\&delta;}\left(\mathrm{\&phi;}\right)\{\mathrm{\&mu;}\&dtri;\left(\frac{\&dtri;\mathrm{\&phi;}}{|\&dtri;\mathrm{\&phi;}|}\right)-{\mathrm{\&lambda;}}_1\mathrm{\&omega;}\left(x\right){[z-c_1]}^2+{\mathrm{\&lambda;}}_2\mathrm{\&omega;}\left(x\right){[z-c_2]}^2\}$ 表达式14可见表达式14在0-水平集平面上与表达式11有相同的驱动效果。

采用移动因子s作为权值，一方面可调整曲线内外区域的灰度均值，使得目标的总体灰度值能保持大致不变，促使0-水平集平面接近于目标平面。另一方面，移动因子可根据边界周围的凹凸性调整相应点的灰度值，以不断逼近最优的边界。

本发明的焊接缺陷提取方法，利用NSST对原始焊接图像进行分解，对体现缺陷粗略逼近的低频分量采用PCNN提取缺陷的大致区域；然后，对背景抑制后的低频分量和高频分量作逆NSST，得到高频特征图像，对其进行粗分割后利用传统或改进的CV模型优化缺陷的轮廓，得到缺陷的精细边缘；最后，融合提取的结果，得到最终提取的缺陷；该方法具体包括以下步骤：

步骤1、对原始焊接图像进行进行非下采样Shearlet变换，得到一幅低频焊接图像和一组高频焊接图像：

本发明优选采用单层非下采样Shearlet变换，将原始焊接图像分解为1个低频分量图像和6个高频分量图像，其中用于非下采样拉普拉斯塔式分解的滤波器选择“maxflat”，进行方向分析的窗函数为“Meyer”。

步骤2、利用PCNN方法对所述低频焊接图像进行缺陷分割，得到第一焊接缺陷图像：

经NSST分解得到低频分量噪声含量较少，但其缺陷轮廓较为模糊，因此可利用其提取缺陷主要区域信息，减少噪声干扰。本发明将NSST分解得到的低频图像作为PCNN的输入源图像，利用香农熵作为判断PCNN的最佳迭代次数标准，经PCNN处理得到粗分割后的焊接缺陷图像(第一焊接缺陷图像)，PCNN的迭代方程为表达式2～表达式6，其中V_L＝S_max，β＝0.4，α_θ＝0.3，V_θ＝0.2，连接权矩阵M和W设置如下：

$\text{M=}\left[\begin{array}{ccc}-0.03& -0.03& -0.03\\ -0.03& 0& -0.03\\ -0.03& -0.03& -0.03\end{array}\right],W=\left[\begin{array}{ccc}0.07& 0.1& 0.07\\ 0.1& 0& 0.1\\ 0.07& 0.1& 0.07\end{array}\right].$

步骤3、利用逆非下采样Shearlet变换将背景抑制后的第一焊接缺陷图像与所述高频焊接图像进行重构，得到高频特征图像：

在利用逆NSST进行图像重构时，为了减少背景对于缺陷提取的干扰，有必要对粗分割后的焊接缺陷图像进行背景抑制。此处可采用现有的各种背景抑制方法。通过分析发现，焊接缺陷图像通常对比度较低，背景起伏较大，而焊道部分灰度值一般偏大，通过图像直方图曲线来观察图像的灰度分布情况，可以发现直方图中存在一个谷底拐点，该点左边的谷峰幅度较大，反映图像背景的灰度分布，而右边的谷峰幅度较小，包含了焊道及缺陷的灰度分布情况。因此，可选择此点的灰度值为分割阈值，将起伏的背景部分(即第一焊接缺陷图像中灰度值小于分割阈值的像素)直接置零，以减少背景对于缺陷提取的干扰。为了防止由于直方图曲线局部起伏导致的阈值误选，本发明还进一步对灰度分布直方图进行曲线拟合，优选采用B样条曲线拟合方法。图2显示了夹钨缺陷低频图像经曲线拟合后的灰度分布直方图曲线，图中的谷底拐点已用“*”标注。将背景抑制后的低频粗分割图像与步骤1中NSST分解得到的6幅高频分量图像进行逆NSST变换，构造出高频特征图像。

步骤4、对所述高频特征图像进行粗分割，然后以粗分割得到的图像作为初始条件，利用基于CV模型的图像分割方法对其进行精细分割，得到第二焊接缺陷图像：

本发明利用高频特征图像进行缺陷精分割，先利用阈值分割方法或其它分割方法对高频特征图像进行粗分割，将得到的图像作为CV模型的初始条件，不断逼近缺陷的最优边缘，得到高频部分的分割结果。此处可采用传统CV模型或者各种改进CV模型，本发明优选采用加入移动因子的改进CV模型，其轮廓演化方程为表达式14。其中的各项参数的优选取值如下：μ＝0.01×255²，λ₁＝λ₂＝1。s₁＝1.65，s₂＝1，ν＝0。

步骤5、将第一焊接缺陷图像和第二焊接缺陷图像进行融合，得到最终的缺陷图像，并提取缺陷图像中的缺陷轮廓：

对步骤4得到的高频特征图像的缺陷分割图像(第二焊接缺陷图像)和步骤2得到的低频图像的缺陷分割图像(第一焊接缺陷图像)进行逻辑与操作，或者逻辑或操作，即得到最终的焊接缺陷图像，最后提取出最终的焊接图像中的缺陷轮廓(优选采用Soble算子)。

本发明焊接缺陷提取方法的流程如图3所示。图4显示了利用本发明方法对夹钨缺陷进行缺陷提取的过程示意图，其中(a)～(f)依次为：夹钨缺陷的原始焊接图像、低频焊接图像的缺陷分割结果、高频特征图像、高频特征图像的缺陷分割结果、最终的缺陷图像、缺陷图像的缺陷轮廓。根据图4可看出本发明方法一方面可以提取缺陷的精细边缘，另一方面可有效地去除背景噪声。

为了验证本发明方法的效果，进行了以下对比实验：同时使用本发明方法和近年来提出的基于二维对称Tsallis交叉熵的缺陷提取法(Symmetric Tsallis CrossEntropy，简称STCE)(吴一全,沈毅,刚铁,等.基于二维对称Tsallis交叉熵的小目标图像阈值分割[J].仪器仪表学报,2011,32(10):2161-2167.)、PCNN缺陷提取法(简称PCNN)(马义德,戴若兰,李廉.一种基于脉冲耦合神经网络和图像熵的自动图像分割方法[J].通信学报,2002,23(1):46-51.)、基于NSCT域特征的PCNN的缺陷提取法的结果(简称NSCT+PCNN)(吴军政,严卫东,边辉,等.基于NSCT域特征和PCNN的SAR图像目标分割[J].光电工程,2012,39(9):86-92.)对夹钨、烧穿、焊缝余温过高这三种常见X射线焊接缺陷图像进行缺陷提取，并依据主观视觉和对数归一化似然比对上述方法进行评价和分析。所对比的焊接缺陷方法参数设置如下：STCE方法中背景与缺陷面积差因子中的可调指数γ＝0.003；PCNN方法中衰减系数α_F,α_L,α_θ分别为0.1，2.0，1.0，幅度常数V_F、V_L、V_T分别取为0.5、0.2和20，链接权矩阵W取两个神经元的欧式距离的平方倒数，链接系数β＝1，最大迭代次数为10；NSCT+PCNN方法中采用3层NSCT对缺陷图像分解，高频特征图像由多尺度能量得到，低频粗分割图像和高频特征图像的分割均由PCNN得到，其设置与PCNN方法相同。上述焊接缺陷提取实验均是在Intel(R)Core(TM)2，主频2.0GH，内存2GB，处理程序为Matlab R2009a的环境下进行的。

图5、图6分别显示了烧穿、焊缝余温过高这两种焊接缺陷图像的缺陷提取效果的对比结果，其中，(a)～(f)依次为：带有噪声的烧穿缺陷/焊缝余温过高缺陷的原始焊接图像、STCE方法得到的缺陷图像、PCNN方法得到的缺陷图像、NSCT+PCNN方法得到的缺陷图像、本发明方法得到的缺陷图像，以及本发明方法所得到缺陷图像的缺陷轮廓。

从图5、图6可以看出，STCE方法仅对烧穿缺陷有效，对焊缝余温过高缺陷仅能分割出焊道部分，且残留了大部分噪声；由于噪声对于神经元点火机制的影响，PCNN方法虽能提取缺陷的主要区域，但缺陷的轮廓较为粗糙，然而对于目标较小的缺陷，PCNN方法提取的缺陷易淹没在噪声中；NSCT+PCNN方法提取的缺陷轮廓比PCNN方法提取的缺陷轮廓更为精细，但对于区域性的缺陷，如图6中的焊缝余温过高缺陷，其缺陷提取的区域偏大。本发明方法提取的缺陷更为完整，其轮廓更为精细，也更接近于缺陷的实际轮廓，这是因为本发明采用的NSST变换更好地捕捉了缺陷的边缘细节，用于高频特征图像分割的改进CV模型对于缺陷轮廓的逼近也更加准确。

为了进一步地说明本发明提出的焊接缺陷提取方法效果，以原始焊接图像与提取出的缺陷图像相除的比率图像对缺陷提取效果进行定量评价，具体为比率图像的对数归一化似然比D及方差RIvar两个指标。其中D描述了提取的缺陷图像中各区域的异质性，RIvar表征了图像的对比度起伏程度。D和RIvar的值越小说明比率图像中残留的缺陷结构越少，缺陷提取的效果也就越好。表1给出了3种缺陷图像应用上述4种方法缺陷提取的评价指标。

表1.四种缺陷提取方法性能比较

从表1可以看出，本发明方法提取的缺陷比率图像D和RIvar是4种方法最低的，说明本发明方法提取的缺陷最接近于真实缺陷，缺陷的结构也是最为完整的。由此可知，本发明提出的焊接缺陷提取方法性能优于其他3种算法。

Claims (11)

1.一种焊接缺陷提取方法，用于从原始焊接图像中提取出缺陷图像，其特征在于，包括以下步骤：

步骤1、对原始焊接图像进行进行非下采样Shearlet变换，得到一幅低频焊接图像和一组高频焊接图像；

步骤2、利用PCNN方法对所述低频焊接图像进行缺陷分割，得到第一焊接缺陷图像；

步骤3、利用逆非下采样Shearlet变换将背景抑制后的第一焊接缺陷图像与所述高频焊接图像进行重构，得到高频特征图像；

步骤4、对所述高频特征图像进行粗分割，然后以粗分割得到的图像作为初始条件，利用基于CV模型的图像分割方法对其进行精细分割，得到第二焊接缺陷图像；

步骤5、将第一焊接缺陷图像和第二焊接缺陷图像进行融合，得到最终的缺陷图像，并提取缺陷图像中的缺陷轮廓。

2.如权利要求1所述焊接缺陷提取方法，其特征在于，步骤1中所述非下采样Shearlet变换为单层非下采样Shearlet变换。

3.如权利要求2所述焊接缺陷提取方法，其特征在于，所述单层非下采样Shearlet变换中用于非下采样拉普拉斯塔式分解的滤波器选择“maxflat”，用于进行方向分析的窗函数为“Meyer”。

4.如权利要求1所述焊接缺陷提取方法，其特征在于，利用PCNN方法对低频焊接图像进行缺陷分割时，利用香农熵作为判断PCNN的最佳迭代次数标准，神经元连接输入L的幅度常数 、连接系数、动态阈值的衰减系数、动态阈值的度常数的取值如下：，，，，表示神经元的外部刺激的最大值；连接权矩阵和设置如下：

， 。

5.如权利要求1所述焊接缺陷提取方法，其特征在于，步骤4所述基于CV模型的图像分割方法使用以下轮廓演化方程：

式中，为水平集函数，为Dirac函数，为梯度算子，表示图像灰度值，和为分别为图像边缘曲线内部和外部区域的图像灰度均值；、、和为权重参数，为权值调整函数。

6.如权利要求1所述焊接缺陷提取方法，其特征在于，所述背景抑制按照以下方法：作出第一焊接缺陷图像的灰度分布直方图，并对其进行曲线拟合，得到灰度分布直方图曲线，该曲线中存在一个谷底拐点，以该谷底拐点处的灰度值作为分割阈值，将灰度值小于分割阈值的像素灰度置零，即得到背景抑制后的第一焊接缺陷图像。

7.如权利要求6所述焊接缺陷提取方法，其特征在于，使用B样条曲线拟合方法进行曲线拟合。

8.如权利要求1所述焊接缺陷提取方法，其特征在于，步骤5中所述融合，是指将第一焊接缺陷图像和第二焊接缺陷图像进行与操作或者或操作。

9.如权利要求1所述焊接缺陷提取方法，其特征在于，使用Soble算子提取缺陷图像中的缺陷轮廓。

10.如权利要求1～9任一项所述焊接缺陷提取方法，其特征在于，所述原始焊接图像为X射线焊接图像或超声波焊接图像。

11.一种焊接缺陷检测方法，包括焊接缺陷提取的步骤，其特征在于，所述焊接缺陷提取使用如权利要求1～9任一项所述焊接缺陷提取方法。