CN109671056B - 一种基于x射线图像的复合轨枕孔隙缺陷检测方法 - Google Patents

Abstract

本发明公开了一种基于X射线的复合轨枕孔隙缺陷检测方法，首先，在复合轨枕横断面周向上布置若干个射线源与探测器，通过同时照射扫描获得轨枕不同角度的原始投影图像；然后，基于复合轨枕图像噪声特性，构建自适应全变分模型进行降噪，并对降噪后图像进行模糊增强处理；接着，基于FDK锥束重建算法，利用多幅不同角度的二维图像作为输入进行轨枕断面图像重建；最后，采用行列EMD方法对重建图像中的孔隙缺陷特征进行增强提取，并利用改进CV模型对缺陷区域进行分割，进而计算缺陷尺寸特征参数，实现复合轨枕孔隙缺陷的定量检测。

Description

一种基于X射线图像的复合轨枕孔隙缺陷检测方法

技术领域

本发明涉及复合材料缺陷检测方法，具体涉及一种基于X射线图像的复合轨枕孔隙缺陷检测方法。

背景技术

铁路复合轨枕是由硬质聚氨酯树脂发泡体经玻璃纤维纱束补强，采用拉挤成型法制成的一种新型复合材料结构，具有质量轻、耐腐蚀、耐疲劳、强减震性、寿命长等特点和优势，广泛应用于地铁、铁路车站、桥梁、涵洞和道岔等需要强减震和高可靠的场合。在生产过程中，受材料加工成型方式的影响，复合轨枕内部常会出现大量气孔而形成孔隙缺陷。孔隙缺陷会使复合轨枕的性能严重退化，造成断裂等结构失效，引发经济损失和安全事故。因此，在复合轨枕生产过程中，实现孔隙缺陷的在线、定量检测，是工程实际的迫切需要，对于保障轨枕质量和列车安全具有重要意义。

复合轨枕检测主要有以下两个难点：一是轨枕材料尺寸较大且密度分布不均，孔隙缺陷特征微弱并与噪声强耦合，识别难度大；二是轨枕在生产线上连续移动，检测方式的速度要求高。目前复合轨枕实际生产中，采用切割试样、剖面观测的破坏性抽检方法进行检测，存在成本高、效率低等不足。目前常用的振动响应分析、超声C扫描等结构缺陷无损检测方法，难以满足复合轨枕在线、定量检测的需要。

发明内容

本发明的目的在于提供一种基于X射线图像的复合轨枕孔隙缺陷检测方法，以克服现有技术的缺点，本发明方法速度快、精度高，能满足实际生产过程的检测需求。

为达到上述目的，本发明采用如下技术方案：

一种基于X射线图像的复合轨枕孔隙缺陷检测方法，包括以下步骤：

(1)原始投影图像的获取

在复合轨枕横断面周向上布置多组射线源与探测器，通过同时照射采样获得轨枕多个角度下的原始投影图像；

(2)基于自适应全变分模型的图像去噪处理及图像模糊增强处理

根据原始投影图像中噪声特性，构建自适应全变分模型对原始图像进行降噪，并对降噪后图像进行模糊增强；

(3)轨枕断面图像的快速重建

以多幅不同角度的降噪增强处理后投影图像为输入，利用离散化FDK锥束重建算法，优选参数进行轨枕断面图像快速重建，得到轨枕断面图像；

(4)基于行列EMD的缺陷特征提取

对重建后的轨枕断面图像，采用行列EMD方法对其中的孔隙缺陷特征进行增强提取，得到缺陷特征图像；

(5)基于改进CV模型的缺陷分割识别

根据缺陷特征图像，利用改进CV模型进行缺陷区域分割，进而计算缺陷尺寸参数，实现复合轨枕孔隙缺陷的定量检测。

进一步地，步骤(2)具体为：

首先，针对复合轨枕特有背景条纹噪声特点，构造自适应全变分模型为：

其中，TV表示全变分模型，p(x,y)为自适应参数，f为去噪后所得图像，f₀为原始投影图像，Ω表示图像空间，x,y为像素点空间坐标，且x,y∈Ω，λ为保真项系数，

表示梯度运算；

然后，引入四个边缘检测算子t_θ，确定各点处的自适应参数p(x,y)值：

其中，t_θ为边缘检测算子，共四个方向，Θ＝{0°,45°,90°,135°}，*为卷积运算，当θ＝0°时，

O₁＝[00]，

其他边缘检测算子t_θ由t₀旋转45°，90°和135°得到；

将求取的各点自适应参数p(x,y)值代入所构建模型，求取minTV_p(x,y)(f)实现原始图像中耦合背景噪声的去除；

最后，利用经典模糊增强方法对降噪后图像进行对比度增强。

进一步地，步骤(3)具体为：

首先，对经去噪增强后的不同角度照射所得投影数据

进行修正,得到修正后投影结果

其中，(u,v)表示以探测器中心原点O为基准，图像像素点的行标和列标，

表示照射扫描角度；

然后，构造滤波器h_new(u)，对修正后的投影数据进行逐行滤波，得到滤波后数据

最后，对所有各个角度的滤波后数据进行加权反投影，得到重建体数据f(x,y,z)；其中，(x,y,z)表示重建体数据的空间坐标。

进一步地，步骤(4)具体为：

首先，确定重建后体数据f(x,y,z)中的坐标z值，选取对应截面图像f(x,y,z₀)；然后，将该对应断面图像矩阵f(x,y)按行拆分为多个一维信号，依次提取各行数据进行五层EMD分解，筛选低频IMF分量重组得到图像I_r；接着，将矩阵f(x,y)按列拆分为多个一维信号，依次提取各列数据进行五层EMD分解，筛选低频IMF分量重组得到图像I_c；最后，将I_r与I_c进行加权融合得到缺陷特征图像I₀。

进一步地，步骤(5)具体为：

首先，构造改进CV模型如下：

其中，C是活动轮廓曲线，L(C),A(C)为约束项，μ,ν,λ₁,λ₂是权重系数，G_σ,k(x,y)表示标准差为σ、窗口大小为(2k+1)×(2k+1)的高斯核函数，f₁(x,y)和f₂(x,y)分别表示轮廓内外的局部邻域的拟合函数，I₀为上一步所得缺陷特征图像；

然后，利用模型求取minE(C)，实现缺陷区域的准确分割；最后，对分割后图像进行二值化转换并计算缺陷相关尺寸参数，实现缺陷的定量识别。

与现有技术相比，本发明具有以下有益的技术效果：

本发明采用的多点固定扫描快速重建的检测方法，克服了X射线实时成像技术难以检测重叠孔隙以及工业CT难以实时在线检测的不足，能够快速获取复合轨枕多个角度的原始投影图像信息，解决了现有方法难以实现在线检测的问题；此外，本发明针对复合轨枕材料特性，结合了自适应全变分图像降噪、EMD特征提取和CV模型区域分割等算法的优点，具有检测结果清晰直观、实时性强等特点，可以实现材料内部微小缺陷的准确检测，有助于提高企业生产质量和产品可靠性，同时为其他复合材料结构孔隙缺陷的无损、在线、定量检测提供了新思路和新方法，具有重要的工程应用价值。

附图说明

图1为本发明复合轨枕孔隙缺陷识别流程图。

图2为设计制作的复合轨枕试验样件。如图所示，其截面尺寸为40.0x35.0(mm)，在沿成型方向上人为加工了直径分别为5mm、4mm、3mm和2mm的圆孔。

图3为所设计的多点固定扫描快速重建检测方法的多组射线源与探测器布置示意图。

图4为复合轨枕在不同角度射线扫描下得到的原始投影图像。图中所示图像为3组等间隔布置的射线源和探测器扫描结果，(a)-(f)所示的6张原始图像的角度间隔为60°，分别为轨枕周向60°、120°、180°、240°、300°和360°的二维投影图像，每张图像尺寸为1000x1000。

图5为6张原始投影图像经过自适应全变分降噪及模糊增强处理后的对应图像，其中(a)-(f)与图4中(a)-(f)对应。由于原始图像包含较多空白区域，故只截取其中轨枕投影部分，图像尺寸为1000x500。

图6为后续图像断面重建及缺陷特征提取识别结果图。其中(a)为利用原始图像进行稀疏重建所得断面图像；(b)为断面图像经过行列EMD特征增强提取后所得图像；(c)为利用改进CV模型进行缺陷区域分割所得结果；(d)为最终二值化转换及面积滤波后的缺陷信息图像，缺陷内垂直直线为计算所得等面积圆的直径。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明：

参考图1所示，为复合轨枕孔隙缺陷识别流程图，首先，在复合轨枕横断面周向上布置若干个射线源与探测器，通过同时照射扫描获得轨枕不同角度的原始投影图像；然后，基于复合轨枕图像噪声特性，构建自适应全变分模型进行降噪，并对降噪后图像进行模糊增强处理；接着，基于FDK锥束重建算法，利用多幅不同角度的二维图像作为输入进行轨枕断面图像重建；最后，采用行列EMD方法对孔隙缺陷特征进行增强提取，并利用改进CV模型对缺陷区域进行分割，实现复合轨枕孔隙缺陷的定量识别。

本发明利用复合轨枕多角度的射线投影图像检测孔隙缺陷按以下具体步骤实施：

(1)原始投影图像的获取

在复合轨枕横断面周向上等间隔布置多组射线源与探测器，根据轨枕大小确定检测系统参数，通过同时照射采样获得轨枕多个角度下的原始投影图像。

(2)基于自适应全变分模型的图像去噪处理及图像模糊增强处理

首先，针对复合轨枕特有背景条纹噪声特点，构造自适应全变分模型为：

其中，TV表示全变分模型，p(x,y)为自适应参数，f为去噪后所得图像，f₀为原始投影图像，Ω表示图像空间，x,y为像素点空间坐标，且x,y∈Ω，λ为保真项系数，▽表示梯度运算；

然后，引入四个边缘检测算子t_θ，定义各点处的自适应参数p(x,y)为：

其中，t_θ为边缘检测算子(共四个方向)，Θ＝{0°,45°,90°,135°}，*为卷积运算。当θ＝0°时，

O₁＝[00]，

其他边缘检测算子t_θ由t₀旋转45°，90°和135°得到。

将求取的各点自适应参数p(x,y)值代入所构建模型，求取minTV_p(x,y)(f)实现原始图像中耦合背景噪声的去除；

最后，采用经典模糊增强方法对降噪后图像进行增强。具体步骤包括：首先，采用隶属度函数T(x_ij)得到图像的模糊特征矩阵μ_ij；然后，对图像在模糊域进行非线性变换，得到新的矩阵μ′_ij；最后，对矩阵进行逆变换x′_ij＝T^-1(μ′_ij)，实现图像增强。

其中，μ_ij和μ′_ij分别为变换前后图像的模糊特征，x_ij和x′_ij分别为增强前后图像像素点的灰度值，T表示所用隶属度函数。

(3)轨枕断面图像的快速重建

首先，对经去噪增强后的不同角度照射所得投影数据进行修正：

其中，(u,v)为投影图像像素点的行标和列标，以探测器中心原点O为基准，D_so表示射线源到轨枕中心的距离，

和

分别表示在照射角度

下的投影数据和修正后结果；

然后，构造适当滤波器并优选参数，对修正后的投影数据进行滤波：

其中，*表示卷积运算，h_new(u)为所设计滤波函数，h_R-L(u)和h_S-L(u)分别对应Ram-Lak滤波函数和Shepp-Logan滤波函数，α∈[0,1]为加权系数，

为滤波处理结果；

最后，对所有各个角度的滤波后数据进行加权反投影，采用下式得到重建体数据：

其中，(x,y,z)为重建体数据的空间坐标，f(x,y,z)表示重建后坐标点(x,y,z)处的元素，U表示投影点坐标(u,v)与对应重建体素点的位置修正关系，

表示各个照射扫描角度。

(4)基于行列EMD的缺陷特征提取

首先，确定重建后体数据f(x,y,z)中的坐标z值，选取对应截面图像f(x,y,z₀)；

然后，将该对应断面图像矩阵f(x,y)按行拆分为多个一维信号，依次提取各行数据进行五层EMD分解，筛选低频IMF分量重组得到图像I_r；

接着，将矩阵f(x,y)按列拆分为多个一维信号，依次提取各列数据进行五层EMD分解，筛选低频IMF分量重组得到图像I_c；

最后，将I_r与I_c进行加权融合得到缺陷特征增强图像I₀。

(5)基于改进CV模型的水平集缺陷分割识别

首先，构造改进CV模型如下：

其中，C是活动轮廓曲线，L(C),A(C)为约束项，μ≥0，ν≥0，λ₁,λ₂＞0是权重系数，G_σ,k(x,y)表示标准差为σ，窗口大小为(2k+1)×(2k+1)的高斯核函数，f₁(x,y)和f₂(x,y)分别表示轮廓内外的局部邻域的拟合函数，I₀为上一步所得缺陷特征图像；

然后，利用模型对上一步所得缺陷特征图像求取minE(C)，实现缺陷区域的准确分割；最后，将分割后图像进行二值化转换并计算缺陷等面积圆直径等尺寸参数，实现缺陷的定量识别。

基于X射线的多点固定扫描快速重建检测方法，为识别轨枕孔隙缺陷提供了便捷且有效的途径。首先，利用固定布置的多组射线源和探测器，能够快速获得复合轨枕多个角度的原始投影图像；接着，通过降噪增强、断面重建及特征提取分割等处理，能够准确、直观地从图像中提取孔隙缺陷信息，实现定量识别。因此，基于X射线图像进行复合轨枕孔隙缺陷检测是一种有效的技术途径。

以下给出一个具体应用实例过程，同时验证本发明在工程应用中的有效性：

设计制作复合轨枕试验样件，来对识别方法进行验证与说明。如图2所示，试件截面尺寸为40.0mm x 35.0mm，人为加工了直径分别为5mm、4mm、3mm和2mm的圆孔，用以验证识别方法的检测精度和准确性。

首先，对试验样件进行不同角度照射扫描(如图3所示)，获得多幅轨枕原始投影图像如图4所示。可以看出原始图像中缺陷特征微弱，且与背景条纹噪声相耦合，难以直观识别出孔隙缺陷。

利用本发明所提方法，首先利用自适应全变分降噪模型对原始投影图像进行降噪处理，并对降噪后图像进行模糊增强，结果如图5所示。可以看到，经过预处理后的图像对比度显著提高，原始图像中大部分背景条纹已被去除，而其中的圆柱形孔隙缺陷区域得到了凸显。

接着，利用所得图像进行快速断面重建，得到如图6中(a)所示断面图像。可以看出，由于原始输入数据很少，所得重建图像中缺陷特征微弱，边缘模糊，同时出现了杂乱条纹对孔隙缺陷的识别造成干扰。之后，对重建图像分别按行和列进行5层EMD分解，筛选提取低频IMF分量重组得到缺陷特征明显的图像，结果如图6中(b)所示。可以看出，经EMD特征提取后，背景干扰被明显消除，孔隙缺陷特征得到凸显。最后，利用改进CV模型进行缺陷的分割，并通过二值化转换和尺寸参数计算所得结果如图6中(c)、(d)所示。此外，分别以角度间隔为10°、20°、30°和60°的四组图像进行上述处理，得到的最终检测结果如下表1所示。可以看出，识别孔隙尺寸最小值为3mm，尺寸误差不超过10％，从而验证了本发明在复合轨枕孔隙检测方面的有效性。

表1试验件孔隙缺陷尺寸计算结果

Claims (5)

1.一种基于X射线图像的复合轨枕孔隙缺陷检测方法，其特征在于，包括以下步骤：

(1)原始投影图像的获取

在复合轨枕横断面周向上布置多组射线源与探测器，通过同时照射采样获得轨枕多个角度下的原始投影图像；

(2)基于自适应全变分模型的图像去噪处理及图像模糊增强处理

根据原始投影图像中噪声特性，构建自适应全变分模型对原始图像进行降噪，并对降噪后图像进行模糊增强；

(3)轨枕断面图像的快速重建

以多幅不同角度的降噪增强处理后投影图像为输入，利用离散化FDK锥束重建算法，优选参数进行轨枕断面图像快速重建，得到轨枕断面图像；

(4)基于行列EMD的缺陷特征提取

对重建后的轨枕断面图像，采用行列EMD方法对其中的孔隙缺陷特征进行增强提取，得到缺陷特征图像；

(5)基于改进CV模型的缺陷分割识别

根据缺陷特征图像，利用改进CV模型进行缺陷区域分割，进而计算缺陷尺寸参数，实现复合轨枕孔隙缺陷的定量检测。

2.根据权利要求1所述的一种基于X射线图像的复合轨枕孔隙缺陷检测方法，其特征在于，步骤(2)具体为：

首先，针对复合轨枕特有背景条纹噪声特点，构造自适应全变分模型为：

其中，TV表示全变分模型，p(x,y)为自适应参数，f为去噪后所得图像，f₀为原始投影图像，Ω表示图像空间，x,y为像素点空间坐标，且x,y∈Ω，λ为保真项系数，▽表示梯度运算；

然后，引入四个边缘检测算子t_θ，确定各点处的自适应参数p(x,y)值：

其中，t_θ为边缘检测算子，共四个方向，Θ＝{0°,45°,90°,135°}，*为卷积运算，当θ＝0°时，

O₁＝[00]，

其他边缘检测算子t_θ由t₀旋转45°，90°和135°得到；

将求取的各点自适应参数p(x,y)值代入所构建模型，求取minTV_p(x,y)(f)实现原始图像中耦合背景噪声的去除；

最后，利用经典模糊增强方法对降噪后图像进行对比度增强。

3.根据权利要求1所述的一种基于X射线图像的复合轨枕孔隙缺陷检测方法，其特征在于，步骤(3)具体为：

首先，对经去噪增强后的不同角度照射所得投影数据

进行修正,得到修正后投影结果

其中，(u,v)表示以探测器中心原点O为基准，图像像素点的行标和列标，

表示照射扫描角度；

然后，构造滤波器h_new(u)，对修正后的投影数据进行逐行滤波，得到滤波后数据

最后，对所有各个角度的滤波后数据进行加权反投影，得到重建体数据f(x,y,z)；其中，(x,y,z)表示重建体数据的空间坐标。

4.根据权利要求3所述的一种基于X射线图像的复合轨枕孔隙缺陷检测方法，其特征在于，步骤(4)具体为：

首先，确定重建后体数据f(x,y,z)中的坐标z值，选取对应截面图像f(x,y,z₀)；然后，将该对应断面图像矩阵f(x,y)按行拆分为多个一维信号，依次提取各行数据进行五层EMD分解，筛选低频IMF分量重组得到图像I_r；接着，将矩阵f(x,y)按列拆分为多个一维信号，依次提取各列数据进行五层EMD分解，筛选低频IMF分量重组得到图像I_c；最后，将I_r与I_c进行加权融合得到缺陷特征图像I₀。

5.根据权利要求4所述的一种基于X射线图像的复合轨枕孔隙缺陷检测方法，其特征在于，步骤(5)具体为：

首先，构造改进CV模型如下：

其中，C是活动轮廓曲线，L(C),A(C)为约束项，μ,ν,λ₁,λ₂是权重系数，G_σ,k(x,y)表示标准差为σ、窗口大小为(2k+1)×(2k+1)的高斯核函数，f₁(x,y)和f₂(x,y)分别表示轮廓内外的局部邻域的拟合函数，I₀为上一步所得缺陷特征图像；

然后，利用模型求取minE(C)，实现缺陷区域的准确分割；最后，对分割后图像进行二值化转换并计算缺陷相关尺寸参数，实现缺陷的定量识别。

Images