基于图像处理的机械材料缺陷检测技术研究

张东岭

摘要：针对传统机械材料检测数据冗杂，检测耗时的问题，结合机械材料的结构特点，提出一种基于图像的机械材料X射线检测技术。对X射线检测的基本原理进行具体介绍，设计一个基于图像的机械材料X射线检测系统;对采集的机械材料图像进行预处理和倾斜校正，并建立成像系统模型确定材料成像方位角;为验证提出方法的有效性，在Matlab2016b平台下进行仿真，选用5种机械材料进行缺陷对比试验，结果表明：提出的方法可以精准地检测到机械材料的缺陷，检测耗时较短，检测效率有所提升，可应用于机械材料的图像检测。

关键词：机械材料;X射线检测;特征区域;方位角

中图分类号：TP392

文献标识码：A文章编号：1001-5922（2022）06-0039-05

Research on defect detection technology of mechanicalmaterials based on image processing

ZHANG Dongling

（China Coal Technology & Engineering Group Tangshan Research Institute Co.， Ltd.，Tangshan 063300， Hebei China

）

Abstract：Aiming at the problem of jumbled data and time-consuming detection of traditional mechanical materials， combined with the structural characteristics of mechanical materials， an image-based X-ray testing technology for mechanical materials is proposed. This paper introduces the basic principle of X-ray detection， then designs an X-ray detection system， preprocessing and tilt correction of the collected mechanical material image， and establishes the imaging system model to determine the imaging azimuth. To justify the effectiveness of the proposed method， simulation is carried out on the platform of Matlab2016b， and 5 kinds of mechanical materials are selected for defect comparison test. The results show that the proposed method can accurately detect the defects of mechanical materials， the detection time is short， the detection efficiency is improved， and can be applied to the image detection of mechanical materials.

Key words：mechanical materials; X-ray detection; characteristic area; azimuth

我国现代化和生产力水平的不断提高，各种机械材料的市场需求越来越大，机械材料缺陷检测在机械工业生产线中的地位逐渐飙升。然而传统缺陷检测方法依旧为人工外部缺陷检测，此方式的生产效率十分低下，工作强度大，检测速度和准确率得不到保证，不能满足当前工业市场中的高效的缺陷检测需求。在機械材料内部缺陷无损检测的多种方法中，X射线检测技术是使用最为广泛的技术检测方法之一，该技术在航空领域、工业领域、电力领域等的缺陷检测均有应用。随着工业生产技术的迅速发展，对材料质量的要求日益提高，特别是对大批量精密机电类材料行业提出了对材料的快速准确的全检需求，如何提高检测效率，降低检测成本，是当前该行业领域亟待解决的问题。有学者针对工业机械的裂纹，提出了基于深度卷积神经网络的裂纹检测方法，通过此方法提升了机械裂纹检测的准确率，降低了材料回收率[1];提出基于机器视觉的PCB板表面缺陷检测方法，通过图像采集、分割和预处理后对图像特征进行提取，进一步提升零缺陷检测的效率，减少了质检成本[2];提出了基于图像识别的铝合金机械铰链裂纹检测仿方法，通过仿真实验后发现，该方法可以快速准确的检测出铝合金的缺陷，具备一定的有效性[3]。基于此，结合以上学者的研究，提出基于图像的机械材料X射线检测方法，此方法通过对机械材料内部缺陷实现快速高效的检测，进一步节约人力成本，提高检测效率，有效促进机械行业的长期发展。并为X射线快速自动化检测研究提供参考。

1X射线检测系统

1.1X射线检测原理

机械材料的内部缺陷检测可采用X射线得以实现。X射线属于一种具有穿透力的电磁波，其穿透强度的增减与被检测材料的密度和厚度有关，完成对机械材料在某一部位的成像即可获得该部位材料内部结构信息[4]。若X射线穿透的机械材料为厚度适中，那么得到的穿透强度变化可表示为：

I=I·e-^{Ju（x，y）di}（1）

若穿透材料密度适中时，式（1）可进一步简化，得到：

I=Ie（2）

式中：I代表穿透射线的强度[5];I代表射线穿透强度和厚度;μ代表衰减系数;ρ代表材料密度;d代表被检测材料。

1.2X射线自动检测系统

X射线检测系统，如图1所示。X射线自动检测系统包括信息采集和图像处理2个部分。由于X射线具有一定的辐射，会对人们的身体健康产生损害。因此，图像信息采集模块应建立防护铅室，将X射线检测的仪器进行屏蔽[6]。其中，防护铅室包括X射线源、X射线成像器件和材料检测工作台;控制室包括计算机控制系统，主要对图像信息进行传输处理和设备监测等。

实际检测时，将机械材料放置在检测工作台中，X射线对材料的某一部位进行透射，穿透后的强度具有该材料内部信息，通过成像器件转换为可见光图像[7];之后，再由图像传输系统将采集信息输出送计算机中。计算机对该信息进行处理和检测，最终输出检测结果，从而完成对机械材料的内部缺陷检测。

1.3检测系统总体流程

检测系统对机械材料进行检测的总体流程如图2所示，主要分为离线学习和在线检测2个方面。

（1）离线学习检测流程：对现有的样本图像进行预处理，之后进行特征提取并进行特征建库[8];同时，提取机械材料的待检测子目标区域图像数据特征，并将其作为样本材料特征向量，从而构建样本检测识别特征库。最后对两者特征相似度进行计算，取得检测结果;

（2）在线检测时，任意选择等待检测的图像，对其进行图像预处理后，提取被检材料的位置特征向量后并将其作为最优解确定材料成像方位，然后对被检机械材料图像采取同样的方式进行特征提取并取得特征向量[9]。最后，将待检测图像和标准特征向量的相似度进行计算，若检测结果均大于合格标准，则表示该机械材料合格;若存在一处检测结果低于该标准，则表明该材料不合格，最终输出检测判别结果[10]。

2图像预处理和倾斜校正

2.1图像预处理

在工业机械材料的图像检测过程中，材料内部和外部均可能有各种规律纹路特征，但在进行检测时会出现遮盖情况，从而造成最终检测结果不佳。因此，为保证机械材料检测的准确率，本研究首先对机械材料图像进行预处理，具体方法为图像降噪、图像增强和二值化处理。

2.2图像倾斜校正

在进行机械材料图像检测时，由于系统安装误差和操作时的磨损等原因，可能使检测机械材料存在倾斜的现象，这种现象将导致提取特征向量发生错误，从而影响后续标准样本和待检测样本的相似度发生变化，最终造成评判检测结果不准确，且存在较大误差。因此，在缺陷检测前，需对检测图像进行倾斜测量及校正。根据倾斜校正原理，本研究针对机械材料的结构特点，提出成像倾斜检测模型，具体如图3所示。X射线检测系统为单一射线源对机械材料成像的单目成像检测。因此，以单目成像系统为研究对象，按照小孔成像模型，在无畸变失真的情况下完成对倾斜材料成像模型的测量分析[11]。该模型可以完成对机械材料水平和垂直倾斜角的测量。

3实验结果与分析

3.1实验环境

根据机械材料的内部结构，采用图像特征提取的方式对机械材料进行快速自动检测。确定机械材料各成像方位下的待檢区域，由此完成对材料缺陷的检测。

为取得更好的实验效果，实验环境选择为处理器Intel（R） Core（TM） 3.30 GHz，内存4.00 GB，操作系统为Windows10，仿真平台为Matlab2016b，图像大小为（768×288）像素[12]。

3.2最优匹配区域

3.2.1目标区域特征及缺陷

实验选择的机械材料内部存在5个待检目标，具体如图4（a）～图4（e）所示;常见6种缺陷如图4（f）～图4（k）所示。通过检测系统对内部零件进行检测，判别其是否合格。同时，由于选择的机械材料具有多个待检测识别区域，每个材料的位置、尺寸、轮廓、灰度等特征均不同，材料结构复杂[13]。因此，将对各材料的最优检测区间进行确立，从而更好地进行缺陷检测。

3.2.2最优检测区间

采用基于X射线机械材料检测方法，材料检测时由于其位置不同会产生遮盖现象，导致材料内部构件无法准确检测或完全无法检测。因此，对待检区域结构进行调整及成像分析，确立更为清晰、准确检测缺陷的角度作为最优检测区间，实现对同一角度下不同子目标区域的选择和特征提取[14]。根据上述5个待检材料的缺陷特征，得到的最优检测区间如表1所示。

由表1可知，5种缺陷检测时最优检测区域均不同，钢球和弹簧的最优检测区间均为任意方位，相似度分别为0.9和0.8;空腔、钢柱和螺钉存在多个最优检测方位，相似度分别为0.9、0.75和0.75。通过具体方位可以实现各个材料的缺陷检测，且检测速度明显提升。

由表2可知，对周向检测各成像角度下子目标进行选取，得到各子目标区域机械材料合格阈值设定，具体如表3所示。

由表3可知，5种缺陷的合格阈值和最优检测区间的相似度一致[15]。若材料的2次检测阈值均高于合格阈值，则表明该材料合格;若检测阈值位于合格阈值和缺陷阈值之间，则需要从其他方位进行检测判定;若检测阈值低于缺陷阈值，则表明该检测材料存在缺陷。

3.3材料检测

为验证本研究提出的机械材料检测方法的检测效果，本研究将表3作为判断检测机械材料为合格或缺陷的检测标准，[JP3]并根据检测结果，得到机械材料缺陷的具体方位。材料编号及缺陷类型如表4所示。

由表4可知，样本缺陷进行初始方位角检测和2次检测方位角检测后，得到材料1的检测结果如表5所示。

由表5可知，空腔的检测相似度为1，大于其合格阈值0.9，说明该材料合格;弹簧的检测相似度为0.890 9，比其标准合格阈值0.80高出了0.090 9;钢柱和螺钉的检测相似度均为0.952 4，均高于其合格阈值0.75，说明该材料检测合格;钢球的检测相似度为0.76，低于其缺陷阈值0.85，由此说明钢球区域存在缺陷。

通过对机械材料样本2进行初始方位角检测和2次检测方位角检测，得到机械材料2的检测结果，具体如表6所示。

由表6可知，空腔、弹簧、钢柱和螺钉区域的检测相似度均高于其对应的合格阈值，说明该区域检测不存在缺陷。而钢球区域的检测相似度为0.813 3，低于其合格阈值0.9和缺陷阈值0.85，说明材料2钢球区域存在缺陷。

通过对机械材料样本3进行初始方位角检测和二次检测方位角检测后，得到机械材料3的检测结果，具体如表7所示。

由表7可知，空腔区域的检测相似度为0.800 0，低于其合格阈值;弹簧区域的检测相似度为0.527 3，低于缺陷阈值，说明该材料弹簧区域存在缺陷;钢柱、钢球和螺钉的检测相似度分别为0.809 5、0.973 3和0.952 4，均高于其对应的合格阈值，说明这3个区域检测合格。

对材料4进行两次不同方位检测后，得到的检测结果如表8所示

由表8可知，机械材料4的空腔、螺钉和钢柱的检测相似度分别为0.600 0、0.476 2和0.428 6，均低于其设定的缺陷阈值，说明这3个区域均存在缺陷。而弹簧区域的检测相似度为0.727 3，位于合格阈值和缺陷阈值之间，需进行二次检测;二次检测后得到弹簧区域的相似度为0.901 5，达到其合格阈值标准，说明该区域检测合格;钢球区域的检测相似度为1，说明该材料钢球区域合格。由此可知，机械材料4在空腔、螺钉和钢柱3个区域存在缺陷。

对机械材料5进行各个区域检测后的检测结果，具体如表9所示。

由表9可知，该材料在空腔、弹簧、钢柱和钢球区域的检测相似度分别为0.933 3、0.927 3、0.952 4和1.000 0，均高于其设置的合格阈值标准，说明该材料这4个区域检测合格。而螺钉区域的检测相似度为0.428 6，明显低于其缺陷设定阈值，说明机械材料5在螺钉区域存在缺陷。

通过对5个机械材料进行检测后，直观地看出本研究提出的检测方法的优越性，将对5个监测材料的检测时长进行统计分析，得到的统计结果如表10所示。

由表10可知，材料1～材料5的检测损耗时间，材料3的检测时间高于0.050，材料1、2、4和5的检测时间分别为0.048 7、0.045 1、0.044 2、0.046 1，平均耗时0.047 7，检测时长均低于0.050，说明本研究提出方法的检测时间较短，检测效率较高，实现了机械材料缺陷检测的实时性和有效性。

4结语

综上所述，设计的基于图像的机械材料X射线缺陷检测方法可以实现对机械材料内部缺陷检测。通过对5个内部存在不同缺陷的机械材料进行实验后发现，提出的检测方法检测准确率较高，检测消耗时间较少，能够判别出机械材料存在缺陷的具体位置，具有一定的实时性和有效性。然而，由于经验和实验条件不足，研究还需进一步改进和完善;目前对少部分机械材料进行了实验，在其他材料方面也可进一步进行检测识别研究，从而增加更多的可能性。同时，在对体积小，精密度高的机械材料不能做到精确地检测识别。因此，未来将重点从这方面进行改进和完善，进一步提升小体积机械材料的检测精度，减少检测误差。

【参考文献】

[1]冉蓉，徐兴华，邱少华，等.基于深度卷积神经网络的裂纹检测方法综述[J].计算机工程与应用，2021，57（9）：23-35.

[2]董静毅，吕文涛，包晓敏，等.基于机器视觉的PCB板表面缺陷检测方法研究进展[J].浙江理工大学学报（自然科学版），2021，45（3）：379-389.

[3]李先冲.基于图像识别的铝合金机械铰链裂纹检测仿真[J].计算机仿真，2020，37（2）：481-485.

[4]李琛，骆汉宾，魏威，等.基于图像的混凝土表面裂缝和孔洞检测[J].土木工程与管理学报，2020，37（6）：118-123.

[5]张涛，刘玉婷，杨亚宁，等.基于机器视觉的表面缺陷检测研究综述[J].科学技术与工程，2020，20（35）：14 366-14 376.

[6]魏秀琨，所达，魏德华，等.机器视觉在軌道交通系统状态检测中的应用综述[J].控制与决策，2021，36（2）：257-282.

[7]陈晨，张炜.基于图像处理技术的运动轨迹自动检测研究[J].现代电子技术，2021，44（5）：70-74.

[8]许靖添.基于图像轮廓检测的航天器目标跟踪控制系统设计[J].计算机测量与控制，2021，29（2）：67-70.

[9]胡广华，王宁，何文亮，等.基于图像修复的无监督表面缺陷检测方法[J].华南理工大学学报（自然科学版），2021，49（7）：76-85.

[10]杨洋，韩跃平，白鸽，等.基于图像数据重排的材料表面缺陷检测算法研究[J].测试技术学报，2020，34（2）：147-151.

[11]朱文博，洪都.基于图像处理的零件二维尺寸检测方法[J].光学技术，2020，46（2）：184-191.

[12]周扬眉，罗开礼，孙怀义，等.基于图像处理技术的芯片表面缺陷检测系统的设计与实现[J].自动化与仪器仪表，2021（1）：182-184.

[14]王瑞，姚爱琴，杨瑞，等.基于小波变换模极大的多尺度图像边缘检测在烟雾图像中的应用[J].国外电子测量技术，2020，39（9）：63-67.

[15]李一能，曾庆化，张月圆，等.基于BP神经网络的线Mura缺陷识别与定位研究[J].光电工程，2020，47（11）：63-70.