CN105510364A - 基于x射线的工业部件缺陷的无损检测系统及其检测方法 - Google Patents

Abstract

本发明公开了一种基于X射线的工业部件缺陷的无损检测系统，包括：X射线成像设备，其接收穿透待检工业部件的X射线，所述X射线成像设备设置有相互连接的信号探测部件和成像部件；图像增强部件，其实时接收所述X射线成像设备生成的原始图像信号，并对所述原始图像信号进行信号加强处理后得到增强图像信号；图像采集卡，其与所述图像增强部件连接；以及图像工作站，其设置有相互连接的缓冲部和缺陷识别部，所述图像采集卡将采集到的所述增强图像信号传送到所述缓冲部。本发明解决了现有技术中缺陷探测效率低下、可重复性差、且极易出现差错的技术问题。

Description

基于X射线的工业部件缺陷的无损检测系统及其检测方法

技术领域

本发明涉及工业品检测技术领域，特别是一种基于X射线的工业部件缺陷的无损检测系统及其检测方法。

背景技术

射线检测是常规无损检测的重要方法之一，广泛应用于航空、航天、核电、国防以及其它工业部门，在工业生产和国民经济中发挥了重要作用。目前，在生产实际中，射线检测普遍使用胶片照相法。X射线胶片照相的成像质量较高，能正确提供被测试件缺陷真实情况的可靠信息，但是，它具有操作过程复杂、运行成本高、结果不易保存且查询携带不便以及评片人员眼睛易受强光损伤等缺点。

为了解决上述问题，20世纪90年代末出现了X射线数字照相(DigitalRadiography，DR)检测技术。X射线数字照相系统中使用了平板探测器(flatpaneldetector)，其像元尺寸可小于0.1mm，因而其成像质量及分辨率几乎可与胶片照相媲美，同时还克服了胶片照相中表现出来的缺点，也为图像的计算机处理提供了方便。因此，基于平板探测器的X射线数字成像系统在无损检测和评价(NDT/NDE)、集装箱扫描、电路板检查以及医疗应用等方面具有广阔的应用前景。

然而，由于射线源、工件、成像系统、成像工艺等多因素的影响，得到的图像的质量有时会达不到规定的质量标准，导致图像细节信息被掩盖，影响对结果的判断。同时，现有的基于X射线的工业部件缺陷的无损检测系统及其检测方法通过X射线对被检测的工业部件进行成像，成像后的图像通常不经过任何处理步骤，直接在显示终端进行显示，通过纯人工读图的方式进行工业部件的缺陷筛选和判定，效率低下，可重复性差，且极易出现差错。

目前，针对于X射线的工业部件缺陷无损检测系统的检测方法一般基于图像梯度或Hessian矩阵来检测工业部件中缺陷的位置和形貌，这种检测方法检测结果检测结果易受图像噪点和图像灰度分布不均的影响，导致探测效率和正确率不高，且稳定性较差。

发明内容

针对上述技术问题，本发明中提出了一种基于X射线的工业部件缺陷的无损检测系统及其检测方法，该方法基于X射线成像技术，使用X射线图像智能处理技术，用于无损检测工业器件的内部缺陷，解决了现有技术中缺陷探测效率低下、可重复性差、且极易出现差错的技术问题。

为了实现根据本发明的这些目的和其它优点，提供了一种基于X射线的工业部件缺陷的无损检测系统，包括：

X射线成像设备，其接收穿透待检工业部件的X射线，所述X射线成像设备设置有相互连接的信号探测部件和成像部件；

图像增强部件，其实时接收所述X射线成像设备生成的原始图像信号，并对所述原始图像信号进行信号加强处理后得到增强图像信号；

图像采集卡，其与所述图像增强部件连接；以及

图像工作站，其设置有相互连接的缓冲部和缺陷识别部，所述图像采集卡将采集到的所述增强图像信号传送到所述缓冲部。

优选的，所述信号探测器部件对准X射线发射器的发射面。

优选的，基于X射线的工业部件缺陷的无损检测系统还包括预信号预处理单元，其连接在所述成像部件和所述图像增强部件之间。

优选的，所述图像工作站还包括储存器、服务器以及显示器，所述储存器、服务器以及显示器分别与所述缺陷识别部连接。

一种基于X射线的工业部件缺陷的无损检测系统的检测方法，包括以下步骤：

步骤1)用X射线发射器探照待检工业部件，信号探测部件实时接收穿透待检工业部件的X射线，在成像部件中生成原始图像信号；

步骤2)图像增强部件实时接收所述原始图像信号，得到灰度图像，并进行图像预处理；对预处理后的图像进行多尺度处理，得到原始图像在不同尺度下的下采样图像，构造灰度图像中每个像素位置的多尺度相似函数，计算每个像素对应的相似函数在多尺度因子中的最大输出响应，得到增强图像信号；

步骤3)图像采集卡实时采集所述增强图像信号，并传送到图像工作站的缓冲部，由图像工作站将增强图像信号显示在显示器上；

步骤4)根据增强图像信号构造待检工业部件中缺陷在灰度图像中的轮廓曲线，进行缺陷区域的初定位；根据所述轮廓曲线构造带符号的距离函数，求解每个像素对缺陷轮廓曲线的最近距离；

步骤5)根据所述距离函数，构造图像中缺陷的混合能量函数，最大化已构造的混合能量函数，并计算所述距离函数对时间的偏微分方程，得到缺陷所在区域在图像中的分割曲线C_f，完成区域识别；

步骤6)图像融合和缺陷位置判定。

优选的，步骤2)中，图像增强器件的具体工作流程包括：

步骤A)实时接收原始图像信号；

步骤B)将接收到的原始图像信号进行图像预处理，其中，至少包括图像直方图均衡、去噪两个处理步骤；

步骤C)在灰度图像上进行多次下采样，下采样次数与多尺度因子成正比，计算采集到的灰度图像任意像素的Hessian矩阵，并进一步计算Hessian矩阵的两个值λ₁和λ₂，其中，|λ₁|≥|λ₂|；

通过Hessian矩阵的特征值，计算灰度图像上任意像素位置x的Hessian矩阵的各向异性分数 $FA=\sqrt{\frac{{({\mathrm{\λ}}_1-{\mathrm{\λ}}_2)}^2}{{\mathrm{\λ}}_1^2+{\mathrm{\λ}}_2^2}};$

步骤D)通过Hessian矩阵的特征值，构造灰度图像在任意像素位置x的二阶结构：并且构造灰度图像中缺陷在位置x的多尺度相似函数：

$V(\mathrm{\σ},x)=\left\{\begin{array}{cc}0& {\mathrm{\λ}}_1>0\\ \exp (-FA-1)(1-\exp (-\frac{S^2}{2c^2}\left)\right)& {\mathrm{\λ}}_1\≤0\end{array}\right.$

其中，σ是多尺度因子，c是缺陷宽度量化因子，将S应用于缺陷的多尺度相似函数，以进一步去除背景和弱信号对Hessian矩阵的影响；

步骤E)选择多尺度下的最大输出响应V(x)：其中，σ_min和σ_max是目标区域中缺陷的最小尺度和最大尺度，其中，最大尺度和最小尺度由使用者设定。

优选的，所述步骤4)和步骤5)中，缺陷区域初定位具体包括以下步骤：

步骤I)设定初始缺陷轮廓曲线C_shape＝{x|V(x)＝τ}，其中，τ是设定的阈值，τ在0～1之间；

步骤II)构造带符号的距离函数：

$\mathrm{\Φ}(x,C_{shape})=\left\{\begin{array}{cc}0,& x\∈C_{shape}\\ d(x,C_{shape}),& x\∈\mathrm{\Ω}\\ -d(x,C_{shape}),& x\∉\mathrm{\Ω}\end{array}\right.$

其表示每个像素对缺陷轮廓曲线的最近距离，其中Ω表示轮廓曲线C_shape的内部区域；

步骤III)构造图像中缺陷的混合能量函数E_vessel＝ξE_FLUX-E_cv-γE_shape，其中，

E_cv＝∫H(-Φ)(I_x-c_out)²dx+∫H(Φ)(I_x-c_in)²dx；

$E_{shape}={{\∫}_{\mathrm{\Ω}}\[H\left(\mathrm{\Φ}\right)-H\left({\mathrm{\Φ}}_{t_0}\right)\]}^{2}dx;$

其中，ds表示面积元，I_x为所在像素位置处的灰度，c_in为图像缺陷轮廓曲线内的灰度均值，c_out为图像缺陷轮廓曲线外的灰度均值，H(Φ)是Heaviside连续的水平集函数，表示阶跃函数，t₀是初始时刻，且若Φ(x)≥0，则H(Φ)＝1，否则H(Φ)＝0，Φ是Lipschitz函数，ξ和γ分别是权重因子。

优选的，所述缺陷区域识别中，先最大化已构造的混合能量函数，计算距离函数对时间的偏微分：

$\frac{\&part;\mathrm{\&Phi;}}{\&part;t}=\mathrm{\&xi;}\mathrm{\&delta;}\left(\mathrm{\&Phi;}\right)sign(<\&dtri;I(x),\&dtri;\mathrm{\&Phi;}>)\mathrm{\&Delta;}I+\mathrm{\&delta;}\left(\mathrm{\&Phi;}\right)({\left(I-c_{out}\right)}^2+{\left(I-c_{in}\right)}^2)+\mathrm{\&gamma;}\left(H\right(\mathrm{\&Phi;})-H({\mathrm{\&Phi;}}_{t_0}\left)\right)$

其中，δ(x)＝dH(Φ)/dΦ是Diracdelta函数，sign(·)是符号函数，并且当在轮廓曲线上时，N为轮廓曲线的法向量；

计算距离函数对时间的偏微分即得出的缺陷所在区域的分割曲线C_f。

优选的，所述步骤6)中，将增强图像F₀’和原始图像F₀融合，得到缺陷先验图像F₁；计算增强图像F₂，F₂＝F₀+α(F₀-F₀’)，其中，α∈(0，1)是增强系数；将分割曲线C_f叠加到原始图像F₀上，得到图像F₃，即完成图像融合；

当选择缺陷类型为条形缺陷或圆形缺陷或裂纹后，根据选择的缺陷类型和各分割曲线C_f所在区域的各项异性分数，将筛选符合条件的分割曲线，并叠加到原始图像上，得到图像F₃’。

优选的，在显示器上切换显示或同时全部显示F₀’、F₀、F₁、F₂、F₃和F₃’；并将处理的最终结果信息以及中间结果信息备份到服务器。

本发明至少包括以下有益效果：

1、本发明的基于X射线的工业部件缺陷的无损检测系统及其检测方法实现了在线连续检测采集到的图像，提高了检测速度和智能化程度；

2、自动检测图像中显示的缺陷，减少工作人员的工作量，提高检测效率和正确率；

3、检测过程中的生成的处理中间结果实时输出，通过图像处理的多个结果同时输出到显示端，利于观察分析和及时进行人工干预，提高检测的正确率；

4、将处理的最终结果信息以及中间结果信息备份到服务器，方便保存和调取；

5、本发明中，对X射线源成像和探测器获取图像的参数进行控制调整，并可以对实时采集的图像进行优化处理，有效提高图像的清晰度和对比度，突出了缺陷，便于后续对图像中缺陷细节的分析；

6、本发明解决了现有检测方法中检测结果检测结果易受图像噪点和图像灰度分布不均的影响，造成检测结果稳定性差的问题，提高了检测稳定性和正确率。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明的基于X射线的工业部件缺陷的无损检测系统的框架示意图；

图2为所述图像工作站的框架示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

应当理解，本发明所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。

如图1-2所示，本发明提供了一种基于X射线的工业部件缺陷的无损检测系统，包括：

X射线成像设备，其接收穿透待检工业部件的X射线，所述X射线成像设备设置有相互连接的信号探测部件和成像部件，X射线源的出射线穿过待检工业部件后，信号探测部件实时捕获穿过待检工业部件后的X射线信号，成像部件接收该X射线信号后产生图像流数据，并生成原始图像信号；

图像增强部件，其实时接收所述X射线成像设备生成的原始图像信号，并对所述原始图像信号进行信号加强处理后得到增强图像信号，图像增强部件可对X射线成像设备采集到的图像进行实时增强，且依据目标对象的不同具备多种可选图像增强算法，可依据需求进行不同算法的组合增强，使用者可实时得到增强后的X射线图像对加快对象缺陷检测速度具有重要作用；

图像采集卡，其与所述图像增强部件连接，用于采集所述增强图像信号；以及

图像工作站，其设置有相互连接的缓冲部和缺陷识别部，所述图像采集卡将采集到的所述增强图像信号传送到所述缓冲部，增强图像信号经过缓冲部缓冲后，进入缺陷识别部，缺陷识别部中装有分析软件，其根据所述增强图像信号分析出待检工业部件的缺陷位置及形貌，并显示出来。

上述技术方案中，所述信号探测器部件对准X射线发射器的发射面，从而便于信号探测部件实时接收穿过待检工业部件的X射线。

另一种实施例中，所述基于X射线的工业部件缺陷的无损检测系统还包括预信号预处理单元，其连接在所述成像部件和所述图像增强部件之间，用于对原始图像信号进行预处理，取出噪声和干扰。

另一种实施例中，所述基于X射线的工业部件缺陷的无损检测系统中，所述图像工作站还包括储存器、服务器以及显示器，所述储存器、服务器以及显示器分别与所述缺陷识别部连接，原始图像信号、增强图像信号、最后处理后的图像信号以及其他中间图像信号被储存在所述储存器中，以及备份在所述服务其中，显示器可显示上述原始图像信号、增强图像信号、最后处理后的图像信号以及其他中间图像信号。

最后，将处理的最终结果以及中间结果备份到服务器，方便保存和调取。

一种基于X射线的工业部件缺陷的无损检测系统的检测方法，包括以下步骤：

步骤1)用X射线发射器探照待检工业部件，信号探测部件实时接收穿透待检工业部件的X射线，该X射线中携带有待检工业部件缺陷位置及形貌的信息，成像部件接收到该X射线后，生成原始图像信号；

步骤2)图像增强部件实时接收所述原始图像信号，得到灰度图像，并进行图像预处理；对预处理后的图像进行多尺度处理，得到原始图像在不同尺度下的下采样图像，构造灰度图像中每个像素位置的多尺度相似函数，计算每个像素对应的相似函数在多尺度因子中的最大输出响应，得到增强图像信号；

步骤3)图像采集卡实时采集所述增强图像信号，并传送到图像工作站的缓冲部，由图像工作站将增强图像信号显示在显示器上；

步骤4)根据增强图像信号构造待检工业部件中缺陷在灰度图像中的轮廓曲线，进行缺陷区域的初定位；根据所述轮廓曲线构造带符号的距离函数，求解每个像素对缺陷轮廓曲线的最近距离；

步骤5)根据所述距离函数，构造图像中缺陷的混合能量函数，最大化已构造的混合能量函数，并计算所述距离函数对时间的偏微分方程，得到缺陷所在区域在图像中的分割曲线C_f，完成区域识别；

步骤6)图像融合和缺陷位置判定，即可分析出缺陷的位置及形貌，实现了在线连续检测采集到的图像，在工业应用中，可以通过流水线的模式，快速的检测中每个待检工业部件内部的缺陷，实现无损探伤，提高了检测速度和智能化程度；同时，该检测系统自动检测图像中显示的缺陷，实时将图像信息显示出来，便于分析对比，减少工作人员的工作量，提高检测效率和正确率。

一种实施例中，所述步骤2)中，图像增强器件的具体工作流程包括：

步骤A)实时接收原始图像信号，得到灰度图像；

步骤B)将接收到的原始图像信号进行图像预处理，其中，预处理步骤至少包括图像直方图均衡、去噪两个处理步骤；

步骤C)在灰度图像上进行多次下采样，下采样次数与多尺度因子成正比，计算采集到的灰度图像任意像素的Hessian矩阵，并进一步计算Hessian矩阵的两个值λ₁和λ₂，其中，|λ₁|≥|λ₂|；

通过Hessian矩阵的特征值，计算灰度图像上任意像素位置x的Hessian矩阵的各向异性分数 $FA=\sqrt{\frac{{({\mathrm{\&lambda;}}_1-{\mathrm{\&lambda;}}_2)}^2}{{\mathrm{\&lambda;}}_1^2+{\mathrm{\&lambda;}}_2^2}};$

步骤D)通过Hessian矩阵的特征值，构造灰度图像在任意像素位置x的二阶结构：并且构造灰度图像中缺陷在位置x的多尺度相似函数：

$V(\mathrm{\&sigma;},x)=\left\{\begin{array}{cc}0& {\mathrm{\&lambda;}}_1>0\\ \exp (-FA-1)(1-\exp (-\frac{S^2}{2c^2}\left)\right)& {\mathrm{\&lambda;}}_1\&le;0\end{array}\right.$

其中，σ是多尺度因子，c是缺陷宽度量化因子，将S应用于缺陷的多尺度相似函数，以进一步去除背景和弱信号对Hessian矩阵的影响；

步骤E)选择多尺度下的最大输出响应V(x)：其中，σ_min和σ_max是目标区域中缺陷的最小尺度和最大尺度，其中，最大尺度和最小尺度由使用者设定。

本发明中，可以根据待检工业部件的具体参数，使用这可以对X射线源成像和探测器获取图像的参数进行控制调整，并可以对实时采集的图像进行优化处理，有效提高图像的清晰度和对比度，突出了缺陷，便于后续对图像中缺陷细节的分析。

另一种实施例中，所述步骤4)和步骤5)中，缺陷区域初定位具体包括以下步骤：

步骤I)设定初始缺陷轮廓曲线C_shape＝{x|V(x)＝τ}，其中，τ是设定的阈值，τ在0～1之间；

步骤II)构造带符号的距离函数：

$\mathrm{\&Phi;}(x,C_{shape})=\left\{\begin{array}{cc}0,& x\&Element;C_{shape}\\ d(x,C_{shape}),& x\&Element;\mathrm{\&Omega;}\\ -d(x,C_{shape}),& x\&NotElement;\mathrm{\&Omega;}\end{array}\right.$

其表示每个像素对缺陷轮廓曲线的最近距离，其中Ω表示轮廓曲线C_shape的内部区域；

步骤III)构造图像中缺陷的混合能量函数E_vessel＝ξE_FLUX-E_cv-γE_shape，其中，

E_cv＝∫H(-Φ)(I_x-c_out)²dx+∫H(Φ)(I_x-c_in)²dx；

$E_{shape}={{\&Integral;}_{\mathrm{\&Omega;}}\&lsqb;H\left(\mathrm{\&Phi;}\right)-H\left({\mathrm{\&Phi;}}_{t_0}\right)\&rsqb;}^{2}dx;$

其中，ds表示面积元，I_x为所在像素位置处的灰度，c_in为图像缺陷轮廓曲线内的灰度均值，c_out为图像缺陷轮廓曲线外的灰度均值，H(Φ)是Heaviside连续的水平集函数，表示阶跃函数，t₀是初始时刻，且若Φ(x)≥0，则H(Φ)＝1，否则H(Φ)＝0，Φ是Lipschitz函数，ξ和γ分别是权重因子。

上述技术方案中，所述缺陷区域识别中，先最大化已构造的混合能量函数，计算距离函数对时间的偏微分：

$\frac{\&part;\mathrm{\&Phi;}}{\&part;t}=\mathrm{\&xi;}\mathrm{\&delta;}\left(\mathrm{\&Phi;}\right)sign(<\&dtri;I(x),\&dtri;\mathrm{\&Phi;}>)\mathrm{\&Delta;}I+\mathrm{\&delta;}\left(\mathrm{\&Phi;}\right)({\left(I-c_{out}\right)}^2+{\left(I-c_{in}\right)}^2)+\mathrm{\&gamma;}\left(H\right(\mathrm{\&Phi;})-H({\mathrm{\&Phi;}}_{t_0}\left)\right)$

其中，δ(x)＝dH(Φ)/dΦ是Diracdelta函数，sign(·)是符号函数，并且当在轮廓曲线上时，N为轮廓曲线的法向量；

计算距离函数对时间的偏微分即得出的缺陷所在区域的分割曲线C_f。

通过一系列的对中间信息的处理，解决了现有检测方法中检测结果检测结果易受图像噪点和图像灰度分布不均的影响，造成检测结果稳定性差的问题，提高了检测稳定性和正确率。

上述技术方案中，所述步骤6)中，将增强图像F₀’和原始图像F₀融合，得到缺陷先验图像F₁；计算增强图像F₂，F₂＝F₀+α(F₀-F₀’)，其中，α∈(0，1)是增强系数；将分割曲线C_f叠加到原始图像F₀上，得到图像F₃，即完成图像融合；

当选择缺陷类型为条形缺陷或圆形缺陷或裂纹后，根据选择的缺陷类型和各分割曲线C_f所在区域的各项异性分数，将筛选符合条件的分割曲线，并叠加到原始图像上，得到图像F₃’。

上述技术方案中，在显示器上切换显示或同时全部显示F₀’、F₀、F₁、F₂、F₃和F₃’；并将处理的最终结果信息以及中间结果信息备份到服务器，在检测过程中的生成的处理中间结果实时输出，通过图像处理的多个结果同时输出到显示端，利于观察分析和及时进行人工干预，提高检测的正确率。

由上所述，现有的基于X射线的工业部件缺陷的无损检测系统及其检测方法通过X射线对被检测的工业部件进行成像，成像后的图像通常不经过任何处理步骤，直接在显示终端进行显示，通过纯人工读图的方式进行工业部件的缺陷筛选和判定，效率低下，可重复性差，且极易出现差错。并且，目前针对于X射线的工业部件缺陷无损检测系统的检测方法一般基于图像梯度或Hessian矩阵，检测结果检测结果易受图像噪点和图像灰度分布不均的影响，稳定性较差。

为此，本发明的检测方法基于X射线成像技术，使用X射线图像智能处理技术，用于无损检测工业器件的内部缺陷，解决了现有技术中缺陷探测效率低下、可重复性差、且极易出现差错的技术问题。

具体，本发明的基于X射线的工业部件缺陷的无损检测系统及其检测方法实现了在线连续检测采集到的图像，提高了检测速度和智能化程度；同时，本发明的检测系统自动检测图像中显示的缺陷，减少工作人员的工作量，提高检测效率和正确率；

进一步的，在检测过程中的生成的处理中间结果实时输出，通过图像处理的多个结果同时输出到显示端，利于观察分析和及时进行人工干预，提高检测的正确率；

进一步的，将处理的最终结果以及中间结果备份到服务器，方便保存和调取；

进一步的，本发明中，对X射线源成像和探测器获取图像的参数进行控制调整，并可以对实时采集的图像进行优化处理，有效提高图像的清晰度和对比度，突出了缺陷，便于后续对图像中缺陷细节的分析；

进一步的，本发明解决了现有检测方法中检测结果检测结果易受图像噪点和图像灰度分布不均的影响，造成检测结果稳定性差的问题，提高了检测稳定性和正确率。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种基于X射线的工业部件缺陷的无损检测系统，其特征在于，包括：

X射线成像设备，其接收穿透待检工业部件的X射线，所述X射线成像设备设置有相互连接的信号探测部件和成像部件；

图像增强部件，其实时接收所述X射线成像设备生成的原始图像信号，并对所述原始图像信号进行信号加强处理后得到增强图像信号；

图像采集卡，其与所述图像增强部件连接；以及

图像工作站，其设置有相互连接的缓冲部和缺陷识别部，所述图像采集卡将采集到的所述增强图像信号传送到所述缓冲部。

2.如权利要求1所述的基于X射线的工业部件缺陷的无损检测系统，其特征在于，所述信号探测器部件对准X射线发射器的发射面。

3.如权利要求2所述的基于X射线的工业部件缺陷的无损检测系统，其特征在于，还包括预信号预处理单元，其连接在所述成像部件和所述图像增强部件之间。

4.如权利要求3所述的基于X射线的工业部件缺陷的无损检测系统，其特征在于，所述图像工作站还包括储存器、服务器以及显示器，所述储存器、服务器以及显示器分别与所述缺陷识别部连接。

5.如权利要求4所述的基于X射线的工业部件缺陷的无损检测系统的检测方法，其特征在于，包括以下步骤：

步骤1)用X射线发射器探照待检工业部件，信号探测部件实时接收穿透待检工业部件的X射线，在成像部件中生成原始图像信号；

步骤2)图像增强部件实时接收所述原始图像信号，得到灰度图像，并进行图像预处理；对预处理后的图像进行多尺度处理，得到原始图像在不同尺度下的下采样图像，构造灰度图像中每个像素位置的多尺度相似函数，计算每个像素对应的相似函数在多尺度因子中的最大输出响应，得到增强图像信号；

步骤3)图像采集卡实时采集所述增强图像信号，并传送到图像工作站的缓冲部，由图像工作站将增强图像信号显示在显示器上；

步骤4)根据增强图像信号构造待检工业部件中缺陷在灰度图像中的轮廓曲线，进行缺陷区域的初定位；根据所述轮廓曲线构造带符号的距离函数，求解每个像素对缺陷轮廓曲线的最近距离；

步骤5)根据所述距离函数，构造图像中缺陷的混合能量函数，最大化已构造的混合能量函数，并计算所述距离函数对时间的偏微分方程，得到缺陷所在区域在图像中的分割曲线C_f，完成区域识别；

步骤6)图像融合和缺陷位置判定。

6.如权利要求5所述的基于X射线的工业部件缺陷的无损检测系统的检测方法，其特征在于，步骤2)中，图像增强器件的具体工作流程包括：

步骤A)实时接收原始图像信号；

步骤B)将接收到的原始图像信号进行图像预处理，其中，至少包括图像直方图均衡、去噪两个处理步骤；

步骤C)在灰度图像上进行多次下采样，下采样次数与多尺度因子成正比，计算采集到的灰度图像任意像素的Hessian矩阵，并进一步计算Hessian矩阵的两个值λ₁和λ₂，其中，|λ₁|≥|λ₂|；

通过Hessian矩阵的特征值，计算灰度图像上任意像素位置x的Hessian矩阵的各向异性分数 $FA=\sqrt{\frac{{({\mathrm{\&lambda;}}_1-{\mathrm{\&lambda;}}_2)}^2}{{\mathrm{\&lambda;}}_1^2+{\mathrm{\&lambda;}}_2^2}};$

步骤D)通过Hessian矩阵的特征值，构造灰度图像在任意像素位置x的二阶结构：并且构造灰度图像中缺陷在位置x的多尺度相似函数：

$V(\mathrm{\&sigma;},x)=\left\{\begin{array}{cc}0& {\mathrm{\&lambda;}}_1>0\\ \exp (-FA-1)(1-\exp (-\frac{S^2}{2c^2}))& {\mathrm{\&lambda;}}_1\&le;0\end{array}\right.$

其中，σ是多尺度因子，c是缺陷宽度量化因子，将S应用于缺陷的多尺度相似函数，以进一步去除背景和弱信号对Hessian矩阵的影响；

步骤E)选择多尺度下的最大输出响应V(x)：其中，σ_min和σ_max是目标区域中缺陷的最小尺度和最大尺度，其中，最大尺度和最小尺度由使用者设定。

7.如权利要求6所述的基于X射线的工业部件缺陷的无损检测系统的检测方法，其特征在于，所述步骤4)和步骤5)中，缺陷区域初定位具体包括以下步骤：

步骤I)设定初始缺陷轮廓曲线C_shape＝{x|V(x)＝τ}，其中，τ是设定的阈值，τ在0～1之间；

步骤II)构造带符号的距离函数：

$\mathrm{\&Phi;}(x,C_{shape})=\left\{\begin{array}{cc}0,& x\&Element;C_{shape}\\ d(x,C_{shape}),& x\&Element;\mathrm{\&Omega;}\\ -d(x,C_{shape}),& x\&NotElement;\mathrm{\&Omega;}\end{array}\right.$

其表示每个像素对缺陷轮廓曲线的最近距离，其中Ω表示轮廓曲线C_shape的内部区域；

步骤III)构造图像中缺陷的混合能量函数E_vessel＝ξE_FLUX-E_cv-γE_shape，其中，

E_cv＝∫H(-Φ)(I_x-c_out)²dx+∫H(Φ)(I_x-c_in)²dx；

$E_{shape}={\&Integral;}_{\mathrm{\&Omega;}}{\&lsqb;H\left(\mathrm{\&Phi;}\right)-H\left({\mathrm{\&Phi;}}_{t_0}\right)\&rsqb;}^{2}dx;$

其中，ds表示面积元，I_x为所在像素位置处的灰度，c_in为图像缺陷轮廓曲线内的灰度均值，c_out为图像缺陷轮廓曲线外的灰度均值，H(Φ)是Heaviside连续的水平集函数，表示阶跃函数，t₀是初始时刻，且若Φ(x)≥0，则H(Φ)＝1，否则H(Φ)＝0，Φ是Lipschitz函数，ξ和γ分别是权重因子。

8.如权利要求7所述的基于X射线的工业部件缺陷的无损检测系统的检测方法，其特征在于，所述缺陷区域识别中，先最大化已构造的混合能量函数，计算距离函数对时间的偏微分：

$\frac{\&part;\mathrm{\&Phi;}}{\&part;t}=\mathrm{\&xi;}\mathrm{\&delta;}\left(\mathrm{\&Phi;}\right)sign(<\&dtri;I(x),\&dtri;\mathrm{\&Phi;}>)\mathrm{\&Delta;}I+\mathrm{\&delta;}\left(\mathrm{\&Phi;}\right)({\left(I-c_{out}\right)}^2+{\left(I-c_{in}\right)}^2)+\mathrm{\&gamma;}\left(H\right(\mathrm{\&Phi;})-H({\mathrm{\&Phi;}}_{t_0}\left)\right)$

其中，δ(x)＝dH(Φ)/dΦ是Diracdelta函数，sign(·)是符号函数，并且当在轮廓曲线上时，N为轮廓曲线的法向量；

计算距离函数对时间的偏微分即得出的缺陷所在区域的分割曲线C_f。

9.如权利要求8所述的基于X射线的工业部件缺陷的无损检测系统的检测方法，其特征在于，所述步骤6)中，将增强图像F₀’和原始图像F₀融合，得到缺陷先验图像F₁；计算增强图像F₂，F₂＝F₀+α(F₀-F₀’)，其中，α∈(0，1)是增强系数；将分割曲线C_f叠加到原始图像F₀上，得到图像F₃，即完成图像融合；

当选择缺陷类型为条形缺陷或圆形缺陷或裂纹后，根据选择的缺陷类型和各分割曲线C_f所在区域的各项异性分数，将筛选符合条件的分割曲线，并叠加到原始图像上，得到图像F₃’。

10.如权利要求9所述的基于X射线的工业部件缺陷的无损检测系统的检测方法，其特征在于，在显示器上切换显示或同时全部显示F₀’、F₀、F₁、F₂、F₃和F₃’；并将处理的最终结果信息以及中间结果信息备份到服务器。