Page 128 - 无损检测2021年第十一期
P. 128
检测案例
与传统的 X 射线胶片检测不同，X 射线数字 特征金字塔中间层图像的分辨率增强效果如
化图像需要额外的预处理才能得到用于进一步分 图 3 所示，图 3（a）为从特征金字塔中间层抽出
析和检测的图像。主要原因是：X 射线平板探测 的局部原始图像，图 3（b）为分辨率增强算法处
器每次成像的暗电流噪声不同，每个像元响应不 理后的图像，可以看到原较小缺欠的分辨率得到
一致，且会随着时间的推移变化，因此需要对原 提高，同时图像噪声也明显降低。
始图像进行坏点坏线校准（暗场与亮场校准），
保证得到处理后的图像是亮度均一的；X 射线平
板探测器图像数据是 16 位的，其动态范围比普
通可见光相机的 8 位图像大得多，因此需要在预
处理阶段对其进行动态范围压缩，将尽可能多的
细节提取出来，使其在后续的处理中不至于被湮 （a）原始图像
灭，动态范围压缩前后图像如图 1 所示。
（b）处理后图像
图 3 特征金字塔中间层图像的分辨率增强效果
（a）压缩前 （b）压缩后 1.4 缺欠检测
在多尺度特征金字塔的每一层，都采用缺欠
图 1 动态范围压缩前后图像
检测算法对图像进行处理，并将结果融合后输出
1.3 多尺度分析算法 为最终的缺欠检测结果，这种方法避免了缺欠本
传统的卷积神经网络通常是自上而下的模 身大小不同导致的漏检。
式，这种自上而下的结构对多尺度的目标检测存 缺欠检测算法如下。
在弊端，对于小目标来说，其特征可能会随着深
（1）对原始图像 I 进行中值滤波，即得到
度的增加而逐渐丢失，从而导致检测性能下降。
Ig。
最小的缺欠在图像上仅由 5 ～ 10 个像素点
构成，由于焊缝缺欠尺寸非常小，笔者使用了一 （2）在 Ig 上进行动态二值化得到 It。
种改进的特征金字塔多尺度分析模型，在传统模 （3）在 It 上根据缺欠所在位置的特征进行
型的基础上，对各个尺度的图像分别使用分辨率 筛选，得到缺欠标记图像 Id。
增强算法（REA）进行处理，自下而上地将不同 （4）在图像 Id 上得到缺欠边缘图像 Ic。
尺度的特征融合在一起，形成互补覆盖。特征金 图 4 为缺欠检测算法每个步骤产生的图像，
字塔模型如图 2 所示。 其中图 4（f）为将缺欠边缘图像叠加到原始图像
上的合成图像，用以标记缺欠位置。
图 2 特征金字塔模型 （a） I （b） Ig
86
2021年 第43卷 第11 期
无损检测
