一种基于梯度方向直方图特征的焊缝缺陷识别算法

摘要：本文设计了一个基于射线图像的焊缝缺陷智能分析算法，首先通过高分辨率摄像机拍摄射线底片，然后对采集到的图像进行图像去噪和增强等预处理操作，再利用模式识别等手段识别其中的主要缺陷。本文所采用的模式识别方法借鉴了近年来在目标检测研究中应用较多的梯度方向直方图技术，以及基于支持向量机(SVM)的分类方法，将其用于焊缝缺陷识别中。这种方法使得基于视觉的焊缝缺陷识别对环境不再敏感，得到了较好的识别效果。

关键词：X射线图像，焊缝缺陷，梯度方向直方图， 支持向量机

中图分类号：U671.84文献标识码：A

0 引言

焊接技术作为连接构件的一种基本工艺方法，在国民经济中具有很重要的地位。为保证焊接构件的产品质量，在焊接构件使用前，需要对其进行无损检测(Non-destructive testing简称：NDT)。就现有的无损检测射线技术而言而言，主要是人工判断系统，由于观片人员素质参差不齐，大大地增加了探伤的不可靠度，若稍有疏忽，将严重缺陷漏评而投入使用，将对企业安全生产以及社会造成不可估量的损失。

机器视觉技术在工业在线检测中的应用是近年来的研究热点之一。机器视觉技术可以大幅降低检测成本，提高产品质量，提高生产速度和效率，因而在工业检测和控制领域得到了广泛的应用。

本文研究的主要目的就是利用X射线自动检测系统，将射线图像输入计算机，转换为数字图像，经图像预处理方法后获取得到候选的缺陷区域，然后通过对区域进行基于梯度方向直方图的特征描述，并根据基于机器学习的分裂方法，按照有关标准对检测结果进行缺陷识别，从而达到自动检测的目的。

1 梯度方向直方图

在2005年计算机视觉与模式识别(CVPR)国际会议上，法国国家计算机科学及自动控制研究所的Dalal等人[7]提出的一种用于图像行人检测的描述子，该方法使用梯度方向直方图（Histogram of Oriented Gradients，简称HOG）特征来表达人体，提取人体的外形信息，形成丰富的特征集，在行人检测中取得了较好的效果。

HOG依据一幅图像的形状、外观等特征能够被梯度或边缘的方向密度分布很好地描述的原理，能够适应光照变化和目标旋转。与其他的图像几何特征不同，HOG不从图像的整体上去考察其特征，而是将图像细分为多个小的单元（称为cell），然后计算所有单元中各个像素点的梯度方向直方图。为了提高性能，将若干个单元组成一个块（称为block）。这样一幅图被表示成由这些连通的块的梯度直方图组成的一个大向量。

方向梯度直方图产生的具体算法：

1. 首先对于输入图像进行必要的去噪处理后，计算其梯度图像，对于每个像素点由(1)(2)式分别得到其梯度模长和方向。

(1)

(2)

2. 然后将梯度图像划分为B*B的块，块与块之间有重叠（重叠区域一般选择50%），对于每一块，再划分为C*C的单元，如图1所示：

图1 一个典型的块与单元结构图

3. 对于每个单元中的像素，将其方向量化到H个固定方向上（按照最近距离量化），得到一个由H个bin组成的方向直方图。在直方图的累积计算过程中，对于每个被量化到当前方向的像素，乘以一个权重，这个权重由两部分相乘，一是该像素的梯度模长，二是该像素与该单元的插值权重（按照与单元中心距离百分比插值）。

图2 梯度方向直方图生成示例

4. 对于每个块，将其所有单元统计得到的梯度方向直方图合并后形成该块的梯度方向直方图向量，其维度为C*H。为了避免光照对其造成的影响，用直方图能量按下面公式对该向量进行归一化操作：

5. 图像所有块的归一化后的向量，组合成一个最终的图像的梯度方向直方图大向量，该向量的维度为B*C*H。

2 基于梯度方向直方图的缺陷识别

在X射线图像分析系统中，一个完整的图像分析流程，如图3所示。

图3 基于梯度方向直方图的缺陷识别流程

2.1 图像预处理

X射线图像本身是一种特征微弱、高噪声的图像，因此对这些图像进行合理的预处理，可以大大提高特征的表达能力和识别能力。通常预处理的办法包括图像去噪和图像增强两种。

图像去噪是图像处理中的常用技术，其过程是根据一些已知的“降质模型”，从降质图像恢复原图像，即求在某种最优意义下的原图像估计。

图像增强是图像处理的基本内容之一。图像增强是指按特定的需要突出一幅图像中的某些信息，同时，削弱或去除某些不需要的信息的处理方法。其主要目的是使处理后的图像对某种特定的应用，比原始图像更合适，处理的结果使图像更适合于人的视觉特性。

2.2 检测区域分割

在焊缝X射线图像中，一般背景占据图像的大部分区域，焊缝只占据图像的一小部分，而我们感兴趣的缺陷信息只包含在焊缝内。因此，如果能将焊缝区域提取出来，使后续的缺陷目标检测等操作仅局限于所提取的焊缝区域，就能降低处理的信息量，提高整个系统的处理速度。本文利用线灰度曲线的双峰特性提取焊缝区域[4]，成功减少了要处理的信息量，提高了图像处理的速度和效率。

2.3 梯度方向直方图描述子提取

在经过图像去噪和图像增强处理，并确定候选的图像缺陷区域后。对于提取出来的每个区域，为了便于提取一致的基于梯度方向直方图描述子，首先对图像区域进行尺寸归一化操作，然后对其进行描述。

本文实验扫描得到的分辨率为4000×3000，根据检测到的区域统计，本文选择图像尺寸归一化大小为256×256。

然后对区域划分成8×8的块，每个块划分成4×4个单元，然后对于每个单元块，按照8个方向（0°, 45°, 90°, 135°, 180°, 225°, 270°, 315°），统计得到梯度方向直方图。最终形成一个8192维的大向量。

需要注意的是，在进行每个单元的直方图统计时，对于每个像素，分别按照其梯度模长乘以像素位置到单元中心距离远近作为其直方图投影的权重。得到一个块的直方图向量后，要对其进行必要的归一化操作。

2.4 基于SVM的分类识别

对一个候选区域，得到一个8192维的向量后，就可以进一步用基于统计的分类方法，对其进行识别。基于统计分类的方法通过机器学习从一系列训练数据学习得到一个分类器，用该分类器表示缺陷，然后对于输入一个候选区域的向量，用该分类器对其进行识别。

现有的基于统计分类的方法分为基于神经网络(NN)的方法、基于支持向量机(SVM)的方法和基于Adaboost的分类方法三种。本文采用基于SVM的分类识别方法，其主要思想是为从原空间通过非线性变换转换到高维的特征空间，在高维空间中寻找最优超平面，从而将非线性问题进行分类。

3 实验分析

3.1 实验配置

本文选取了四种类型的缺陷作为实验对象：裂纹、未熔合、未焊透、气孔四类。其中每个类型各采集100张样本图像，50张作为训练集，50张作为测试集。另外采集400张不包含任何缺陷的图像，作为负样本，其中200张作为训练集，200张作为测试集。

图4 缺陷类型示例

基于训练集数据，首先利用200个正样本（包含四种缺陷的图像），和200个负样本（不包含任何缺陷的图像），利用SVM训练得到一个二类的分类器，用于判断一幅输入图像是否包含缺陷。然后利用200个正样本的数据，训练得到一个四类的分类器，用于判断为缺陷的图像，属于哪一类型。

3.2 评价指标

实验的评价指标主要采用以下三个指标：

（1）检测准确率=包含缺陷的图像被正确检测的数目/包含缺陷图像的数目

（2）检测误报率=不包含缺陷图像被判断为缺陷的数目/不包含缺陷图像的数目

（3）识别分类准确率=该类别图像被正确分类的数目/该类别图像总数目

3.3 实验结果及分析

实验结果显示，利用基于梯度方向直方图的特征进行缺陷的检测和识别，能得到较高的识别准确率和较低的误报率。这表明，这种特征在焊缝X射线图像中，具有一定的区分能力和辨别能力。

在缺陷分类的实验中，除了气孔类别能有较高的准确率，另外三类的准确率都相对较低。可能原因是，裂纹、未焊透、未熔合三种缺陷本身在外观上就很相似很难直接区分开。可以通过其他特征进一步将其区分开。

同时，在实验过程中，HOG特征也有其缺点，就是对图像的噪声比较敏感。从表2中，可以看到，如果不对图像进行事先的预处理操作，那么直接得到的特征用于检测的准确率就会急剧下降。这说明，良好的图像预处理方法，在结合这种特征，才能最终获得较高的检测准确率和分类识别准确率。

表1 缺陷检测结果

准确率 81.5%

误报率 8.5%

表2 缺陷分类识别结果

表3 图像预处理检测性能影响

4 结束语

根据基于X射线的焊缝图像的特点，本文提出一种基于梯度方向直方图的特征来对焊缝缺陷进行描述，然后根据机器学习的方法识别缺陷。实验结果表明，该特征对焊缝的表达具有一定区分能力和辨别能力。同时基于这种基于梯度方向直方图特征，设计了一套焊缝缺陷识别算法。梯度直方图本身存在的最大缺点是对噪声比较敏感，因此，在实际应用中，高效的图像预处理（去噪和增强）也很大程度的影响该特征的区分和辨别能力。

5 参考文献

王明泉, 韩炎. 非线性滤波在射线图像降噪增强中的应用 [J]. 无损检测, 2002, 24(7): 281.

张晓光, 刘金德, 林家骏等. 射线焊缝缺陷识别的专家系统[J]. 煤矿机械, 2002,(11):22-24..

孙林, 杨世元, 吴徳会. X射线底片焊缝缺陷的支持向量机识别方法 [J]. 应用科学学报,2008,26(4):418-424.

杨静. 基于X射线图像的焊缝缺陷检测与识别技术 [D]. 中北大学, 2008.

梁硼. X射线焊缝图像缺陷自动提取与识别技术研究 [D]. 南京航空航天大学, 2012.

王鹏, 杜卫东, 汪立新等.射线检测中胶片焊缝缺陷定位与识别 [J]. 西安工业大学学报, 2012,32(4):321-324.

宁媛, 李皖. 图像去噪的几种方法分析比较 [J]. 贵州工业大学学报, 2005, 34(4): 63.

N. Dalal and B. Triggs. Histograms of Oriented Gradients for Human Detection. CVPR, 2005. pp.886-893

Chandrasekhar et al. CHoG: Compressed Histogram of Gradients – A low bit rate feature descriptor, CVPR 2009