CC BY
55
Жизняков А.Л., Садыков С.С., Фомин А.А. ОЦЕНКА ДЕФЕКТНОСТИ СВАРНЫХ СОЕДИНЕНИЙ НА ОСНОВЕ МНОГОМАСШТАБНОЙ ОБРАБОТКИ РЕНТГЕНОГРАММ
Предлагается подход к обнаружению инородных включений в сварном шве, основанный на использовании непрерывного двумерного вейвлет-преобразования рентгенографических снимков и анализе вейвлет-образов.
Проводятся исследования алгоритма, реализующего предложенный подход, и приводятся результаты обнаружения дефектов.
Введение
Радиационной дефектоскопии сварных соединений отведено значительное место среди методов неразрушающего контроля качества сварки. Наибольшее развитие и применение среди методов радиационной дефектоскопии получила рентгенография, где в качестве детектора используется рентгеновская пленка [1]. Правильная расшифровка рентгенографических снимков, а также надежная идентификация дефектов сварных соединений в значительной степени зависят от качества анализируемых изображений. На качество изображений дефектов при регистрации методами рентгенографии могут влиять различные факторы, например, время экспозиции, размеры и глубина залегания дефектов, ориентация дефектов относительно направления излучения, зернистость рентгеновской пленки и другие. Влияние этих факторов может приводить к появлению шумов на рентгенограммах, слабому контрасту и снижению резкости снимков. Не смотря на это, используемые методы идентификации дефектов должны позволять оператору-дефектоскописту принимать решение о пригодности изделия к эксплуатации.
Методами радиографического контроля выявляются трещины, непровары, поры, шлаковые и другие включения в сварных соединениях [2, 3]. По результатам исследований, было установлено, что 90% от общего количества дефектов, выявленных в сварных соединениях газопроводов, составляют шлаковые включения - 55% и газовые поры - 35%, в связи с чем, задача обнаружения этих двух типов дефектов является актуальной.
Анализ и постановка задачи
Низкое качество рентгенограмм может приводить к некорректной идентификации, классификации и неверному определению характеристик дефектов сварных соединений. В связи с этим надежная фильтрация рентгенограмм является важной задачей. Под фильтрацией здесь понимается не только удаление или компенсация шумов и помех, но и непосредственно выделение из изображения информации о характеристиках локально неоднородных объектов, которыми являются газовые поры и шлаковые включения. Эта задача должна решаться в условиях слабой контрастности и низкой резкости изображений.
Следует учитывать, что методы улучшения изображений зачастую приводят к искажению информации об объектах, присутствующих на них. Так, например, подавление (сглаживание) шума может приводить к исчезновению мелких объектов изображения, повышение контраста и усиление краев - к искажению формы и размеров объектов. Под объектами интереса рентгенографических снимков понимаются изображения дефектов сварных соединений, поэтому искажение информации о них при проведении контроля качества сварки недопустимо.
Возможным вариантом решения этой проблемы является не использование методов улучшения изображений, а методов фильтрации полезного сигнала. В данном случае термин "фильтрация" интерпретируется как выделение объектов изображений (дефектов сварных соединений) на фоне помех.
Учитывая физическую основу метода рентгенографического контроля, рентгенограммы могут быть описаны аддитивной моделью вида [4]:
г = г(х,у) = Р(X,у) + г(X,у) + п{X,у) ,
где 2 (х, у) - рентгенограмма; Р( X у ) - пространственная фоновая составляющая; г( х у) - сигналы
от дефектов сварных соединений; 7/(х, у) - шумы изображения. Сигналы от дефектов г( х у) могут быть
интерпретированы как локальные неоднородности двумерного сигнала г(х,у) .
Таким образом, задачей данной работы является разработка и исследование подхода к фильтрации локальных неоднородностей изображений на фоне помех и создание на его базе алгоритма выделения дефектов на рентгенографических снимках сварных соединений.
Разработка подхода к фильтрации локальных неоднородностей изображений
Возможным подходом к анализу нестационарных стохастических сигналов и изображений, выявлению локальных неоднородностей и возмущений является использование теории кратномасштабного анализа и непрерывного вейвлет-преобразования [5].
Непрерывным вейвлет-преобразованием называют разложение сигнала по всем возможным сдвигам и сжатиям (растяжениям) некоторой базисной функции [5 - 7], определяемое как:
к (х )=| / (х)-^ ]ах, (1)
где / (х)е Ь2 (К) - анализируемый сигнал; ¥( х)е ^2 (К) - базисная вейвлет-функция; а - масшта-
бирующий коэффициент; Ь - параметр сдвига вейвлета.
Функция (1) определяет амплитуду соответствующего вейвлета для каждой пары а и Ь , то есть
измеряет изменение /(х) в окрестности точки Ь , размер которой пропорционален а [6 - 8]. Это
свойство вейвлет-преобразования позволяет выявлять локальные неоднородности сигнала путем анализа амплитуд вейвлетов. Аналогичный подход может быть применен и для анализа изображений.
Расширением (1) на двумерный случай может служить выбор вейвлета \у( х у )е Ь2 (К2 ) , имеющего или
не имеющего сферическую симметрию [7] . Тогда для изображения 2 (х, у)^ -^2 (К) непрерывное вейвлет-преобразование может быть записано как:
= каъаг (х у )= I I 2 (^ у )~Г= х-Ь-, ^ . (2)
Распространенным примером базисной функции, применяемой для вычисления одномерного непрерывного вейвлет-преобразования, является вторая производная функции Гаусса или, так называемый, вейвлет "мексиканская шляпа" [5, 6], который для двумерного случая записывается как [7]:
¥ = ¥( X У) = і 1 Г к (X У )2 - 2~|
-к( х, у)
(3)
где
к (X, у) =
2
Iх - ь + Г у - Ь2 ^
V а1 / V а 2 )
Вейвлет-преобразование (2) эквивалентно свертке двумерного сигнала с фильтром, то есть щ =г, что позволяет обнаруживать локальные неоднородности изображений по максимумам амплитуд вейвлетов, соответствующих областям особенностей при сопоставимых размерах особенностей и фильтров. Возможность изменения размеров фильтра путем изменения масштабирующих коэффициентов а , а2 позволяет выбирать параметры вейвлет-разложения адаптивно к изображениям объектов.
Для каждой пары масштабирующих коэффициентов а , а2 вейвлет-образ изображения представляет собой матрицу значений амплитуд вейвлетов, размеры которой равны размерам анализируемого изображения, причем локальным неоднородностям изображения соответствуют элементы матрицы с большими значениями. При сопоставимых размерах фильтра и дефектов (при правильно подобранных масштабирующих коэффициентах) изображения объектов в пространстве вейвлетов представляют собой области повышенной яркости по сравнению с бездефектными областям рентгенограмм.
Вычисление такой пары масштабирующих коэффициентов может быть выполнено путем расчета некото-
рои
еличины, характеризующей весь набор вейвлет-коэффициентов при определенных значениях а
а
. В качестве такоИ характеристики выбрана энтропия Шеннона (определяющая количество информации, содержащейся в веИвлет-образе), рассчитываемая как:
Н (^ а2 ) = -ХР [Гаьа2 (XУ )] 1°8Р \}¥а1,а2 (X У)] '
х, у
где
Р[^,а2 (x,у)]
а. ,а2
а
(х, у).
По
и для
вероятность появления соответствующего вейвлет-коэффициента Щ
максимальному значению энтропии определяется пара масштабирующих коэффициентов а дальнейшей обработки выбирается соответствующий вейвлет-образ анализируемого изображения. Высокие значения вейвлет-коэффициентов указывают на наличие дефекта (рис. 1). Возможна дальнейшая обработка вейвлет-коэффициентов, например, пороговая, которая позволит отделить фоновую составляющую изображения от изображений дефектов.
Рис. 1. Исходное изображение и результат его двумерной вейвлет-фильтрации.
Недостатком подобного подхода является то, что при больших размерах изображений значения энтропии вейвлет-коэффициентов лишь незначительно отличаются друг от друга на разных масштабах вейвлет-разложения. Для устранения указанного недостатка возможно применение подхода, описанного в [9] и заключающегося в обработке не всего изображения, а лишь тех его частей, которые содержат изображения объектов.
Применение двумерного вейвлет-преобразования целесообразно в случае обнаружения объектов округлой или эллиптической формы. В этом случае амплитуда вейвлета, соответствующего области локальной неоднородности при правильно подобранных масштабирующих коэффициентах максимальна. В рамках рассматриваемой задачи обнаружения пор и шлаковых включений это свойство вейвлет-преобразования очень полезно для выделения на рентгенографических снимках изображений квазисфери-ческих частиц.
На основе предложенного подхода к фильтрации объектов на изображениях разработан алгоритм обнаружения пор и шлаковых включений по рентгенографическим снимкам сварных соединений.
Исследование алгоритма обнаружения дефектов сварных соединений
С целью исследования работоспособности алгоритма, реализующего предложенный подход к обнаружению пор и шлака по рентгенограммам сварных соединений, была подготовлена серия из 50 реальных и 50 искусственно сгенерированных тестовых изображений дефектов типа пор и шлаковых включений, используемых в опытах по автоматическому обнаружению этих двух видов дефектов. Реальные изображения были получены в результате проведения рентгенографического контроля сварных соединений магистрального газопровода с диаметром труб 102 0 мм и толщиной стенок труб 12,5 мм. Контроль осуществлялся с использованием рентгеновского аппарата АРИНА-3 с регистрацией излучения на рентгенографическую пленку AGFA STRUCTURIX D7. Оцифровка снимков производилась на специализированном сканере для рентгеновских изображений UMAX POWERLOOK 2100 XL со слайд адаптером UTA-2100 XL.
Для реальных снимков было определено количество и размеры включений, средняя яркость и контраст изображений. Искусственные снимки были сгенерированы в соответствии с результатами измерения характеристик реальных рентгенограмм. Характеристики тестовых изображений приведены в таблице 1.
Таблица 1. Характеристики тестовых изображений.
Реальные изображе- ния Искусственно сгенерированные изображения
Количество дефектов 1 - 12 1 - 12
Общее количество дефектов 172 194
Длина дефекта, мм 1 - 7 1 - 7
Ширина дефекта, мм 1 - 7 1 - 7
Яркость изображения сварного шва 131 - 192 130 - 196
Яркость изображений дефектов 109 - 118 103 - 121
Яркость изображения околошовной зоны 53 - 95 50 - 93
Контраст изображения 1.4 - 3.6 1.4 - 3.9
В результате исследования алгоритма необходимо было ответить на ряд вопросов:
надежнее ли обнаружение включений на основе использования вейвлет-преобразования, по сравнению с классическими методами обнаружения объектов изображений, часто применяемых в системах технического зрения;
насколько сохраняются размеры обнаруженных включений;
с каким контрастом рентгенограмм удается надежно обнаруживать включения;
возможно ли дальнейшее использование получаемых результатов при решении задач классификации дефектов и определения их характеристик.
На первом этапе исследований алгоритм, реализующий предложенный подход, сравнивался с классическими методами обнаружения объектов, такими как пороговая бинаризация, поиск по шаблонам, выделение контуров и использование масок [10, 11]. Для их сравнения определялось количество обнару-
женных дефектов и сравнивалось с их реальным числом (366 дефектов).
Анализ результатов (таблица 2) показал, что метод пороговой бинаризация практически "не обнаруживает" включения по рентгенографическим снимкам. В первую очередь это связано с оптическими свойствами рентгенограмм и спецификой методов определения порога бинаризации. Чаще всего порог бинаризации определяется по гистограмме изображения, как правило, путем обнаружения пиков и впадин гистограммы [11]. Обычно гистограммы изображений сварных швов являются бимодальными, причем одна мода соответствует изображению области сварного шва, а вторая - изображению области основного металла. При этом в виду малой суммарной площади изображений дефектов по отношению к площади всего изображения, на гистограмме отсутствует мода, соответствующая изображениям дефектов, что делает практически невозможным определение порога, позволяющего обнаруживать области включений. Кроме того, часто плотность потемнения изображений включений ниже плотности потемнения изображения основного металла, что приводит к отсутствию или существенным искажениям размеров (в сторону уменьшения) изображений дефектов на получаемом бинарном изображении.
Метод поиска по шаблонам дает удовлетворительные результаты лишь при наличии шаблонов, соответствующих всевозможным формам и размерам дефектов, являющихся случайными величинами. Кроме того, данный метод требует значительных затрат ресурсов для хранения всех шаблонов и времени для проведения процедуры поиска.
Методы выделения контуров в ряде случаев, дают удовлетворительные результаты, но они чувствительны к наличию шума и контрасту рентгенограмм. Использование подобных подходов приводит к разрывам контурных линий изображений дефектов, искажению их формы и размеров.
Из приведенных классических методов обнаружения объектов наиболее предпочтительные результаты были получены в результате применения подходов, основанных на применении масок с последующим анализом значений их откликов. Недостатком таких подходов является то, что для обнаружения дефектов разных размеров необходимо применять разные маски.
Предложенный подход, основанный на использовании вейвлет-преобразования, может быть отнесен к группе методов, использующих маски, но он имеет существенное преимущество - возможность масштабирования используемого фильтра, что в свою очередь позволяет на основе многомасштабного подхода обнаруживать дефекты разных размеров, используя единый математический аппарат. Наличие некоторого числа ложных срабатываний обусловлено выбором низкого значения порога, используемого для отделения фоновой составляющей изображения от изображений дефектов в области вейвлет-коэффициентов. С точки зрения безопасности эксплуатации изделий и надежности проведения контроля сварки выбор более низкого порога оправдан.
Таблица 2. Результаты обнаружения дефектов различными методами.
Алгоритм обнаружения включений Обнаруженные дефекты Ложные срабаты- вания
Пороговая бинаризация 82 136
Поиск по шаблонам 112 75
Выделение контуров 157 97
Использование масок 302 52
Предложенный алгоритм 358 34
Следующим этапом исследований являлось определение размеров обнаруженных дефектов и их сравнение с истинными значениями. Для сферических пор и включений рассчитывался их диаметр, для удлиненных - длина и ширина [12]. На рис. 2 приведен график зависимости рассчитанных размеров дефектов (диаметр) от истинных.
1.0 3.0 5.0 7.0
Истинный диаметр дефекта, мм
Рис. 2. Зависимость рассчитанного диаметра дефекта от истинного. Подход основанный: □ - на выделении контуров, * - на использовании масок, о - на использовании вейвлет-преобразования; — -эталонное значение.
На заключительном этапе исследования работоспособности предложенного подхода определялись граничные значения контраста рентгенограмм, при которых надежно обнаруживается большая часть включений. Контраст определялся как отношение средней яркости объектов изображения к средней яркости фона [10], при этом под объектами понималось изображение сварного шва, а под фоном - изображение околошовной зоны. Результаты исследований приведены на рис. 3. Снижение контраста рентгенограмм приводит к снижению количества обнаруживаемых дефектов. Было установлено, что контраст снимков, допускаемых к расшифровке в соответствии с требованиями [3], примерно равен двум. С учетом этого, предложенный подход дает удовлетворительные результаты при обнаружении дефектов сварных соединений. При контрасте рентгенограмм большем двух, количество обнаруживаемых дефектов превышает 90% от общего их количества.
100 |-----I------------------------------1
О
70 I------,_|-----,-------,------,-------1
1.4 1.9 2.4 2.9 3.4 3.9
Контраст
Рис. 3. Зависимость количества обнаруженных дефектов
от контраста рентгенограммы.
Вейвлет-образ рентгенограммы может быть использован для формирования набора признаков дефектов. Например, на основе контурных представлений дефектов, полученных по вейвлет-образам рентгенограмм, могут быть рассчитаны такие характеристики как: длина, ширина, площадь, периметр контура, центр тяжести и другие. Возможно использование векторов признаков для решения задач дефекто-метрии - измерения параметров дефектов и их распознавания [13] . Например, длина, ширина и центр тяжести могут использоваться для классификации дефектов (распознавания цепочек и скопления пор или включений).
Заключение
Таким образом, использование непрерывного вейвлет-преобразования в задачах обнаружения локальных неоднородностей двумерных сигналов на фоне помех, позволяет, за счет перехода к частотнопространственному представлению, проводить процедуру поиска без предобработки изображений, направленной на улучшение качества изображений и, возможно, приводящей к искажению информации об особенностях.
Предложенный подход, превосходит рассмотренные классические методы обнаружения объектов на изображениях с точки зрения количества обнаруживаемых объектов и сохранения их размеров. Контраст рентгенограмм влияет на количество обнаруживаемых объектов только при значительном его уменьшении.
Важным является и то, что результаты обнаружения дефектов могут быть в дальнейшем использованы для решения задач более высокого уровня - задач распознавания дефектов, определения их характеристик и принятия решения о возможности эксплуатации изделия.
Следует отметить, что задача полной автоматизации процесса обнаружения и классификации дефектов является весьма сложной. На основе предложенного подхода возможно создание экспертных систем, предназначенных для частичной автоматизации работы и поддержки принятия решений оператором-дефектоскопистом.
Литература
1. Неразрушающий контроль и диагностика. Справочник / В.В. Клюев, Ф.Р. Соснин, В.Н. Филинов и др.; Под ред. В.В. Клюева - М.: Машиностроение. 1995. -488 с.
2. Круглова Г.В., Князюк Л.В., Кортов В.С. Определение размеров непровара по сечению сварного шва при радиографическом контроле / Дефектоскопия. 2005. № 4. С. 63 - 69.
3. ГОСТ 7212-82 Контроль неразрушающий. Соединения сварные. Радиографический метод.
4. Юрченко В.Ф. Методы и средства автоматизированной расшифровки рентгенографических изображений сварных соединений // автореф. дис. канд. техн. наук. - Киев. 1983.
5. Переберин А.В. О систематизации вейвлет-преобразований / Вычислительные методы и программирование. 2001. Т. 2. С. 15 - 40.
6. Малла С. Вэйвлеты в обработке сигналов: Пер. с англ. - М.: Мир. 2005. - 671 с., ил.
7. Добеши И. Десять лекций по вейвлетам. - Ижевск: НИЦ "Регулярная и хаотическая динамика".
2001. - 464 с.
8. Жизняков А.Л., Вакунов Н.В. Вейвлет-преобразование в обработке и анализе изображений. - М.: Государственный научный центр РФ - ВНИИГеосистем. 2004. - 102 с., ил.
9. Ткаль В.А., Окунев А.О., Белехов Я.С., Петров М.Н., Данильчук Л.Н. Выявление особенностей экспериментального контраста при перемасштабировании изображений на основе вейвлет-анализа / Заводская лаборатория. Диагностика материалов. 2006. Т. 72. № 9. С. 25 - 33.
10. Прэтт У. Цифровая обработка изображений: Пер. с англ. - М.: Мир. 1982. - Кн. 1 - 312 с.,
ил.
11. Шапиро Л., Стокман Дж. Компьютерное зрение: Пер. с англ. - М.: Бином. Лаборатория знаний.
2006. - 7 52 с., ил.
12. ГОСТ 23055-78 Контроль неразрушающий. Сварка металлов плавлением. Классификация сварных соединений по результатам радиографического контроля.
13. Щербаков А.А. К вопросу о показателях качества при метрологическом обеспечении ультразвуковых дефектоскопов общего назначения / Дефектоскопия. 2004. № 3. С. 20 - 27.
