基于X射线图像的金属腐蚀深度估计方法

赵晓梅，李洪港

（山东建筑大学信息与电气工程学院，山东 济南 250101）

1 前 言

近年来，现代工业正迅速向自动化、智能化方向发展，自动缺陷及问题检测是其中重要的一环。金属材料在服役过程中不可避免与水、空气等介质进行接触，进而发生腐蚀。腐蚀会显著降低材料强度，缩短使用寿命，甚至造成重大安全事故。及时有效地腐蚀检测是降低金属材料因腐蚀带来的安全隐患及经济损失的重要措施之一。

当前，常用的腐蚀检测方法有：涡流检测法、热成像检测法、漏磁检测法、超声检测法等等。然而以上方法不适用于覆盖防腐涂层的器件，且不能直观显示缺陷的形状和大小。X 射线检测法利用材料密度或厚度不同对于射线吸收程度不同的原理，获得反映被检器件内部结构的射线图像，可以直观显示缺陷位置、形状、大小等重要腐蚀信息，从而进行缺陷检测。综上，X射线检测法具有良好的穿透性和直观性，因此适用于金属腐蚀缺陷精确检测。

目前，基于X射线的缺陷自动检测方法已成功应用于检测铸件缺陷［1-2］、焊缝缺陷［3］、农产品缺陷［4］等多个领域。然而，以往算法主要以图像分类、目标检测或图像分割形式处理缺陷检测问题，无法计算腐蚀深度。为此，本研究提出一种基于X射线图像的金属腐蚀缺陷深度估计方法。

2 深度估计方法

本研究提出的基于X 射线图像的金属腐蚀深度估计方法分为7 个主要部分，包括管道位置分割、腐蚀缺陷分割、管道边缘检测、边缘法向求取、法向曲线绘制、曲线拟合修复和腐蚀深度估计，方法流程如图1 所示。其中管道位置分割及缺陷分割基于实时实例分割方法YOLOv8［5］进行，腐蚀深度计算基于Beer-Lambert 定律进行。本研究算法步骤如下：

图1 腐蚀缺陷深度估计方法流程

（1）将带腐蚀缺陷的金属X射线图像输入管道位置分割模块，得到管道位置分割结果；

（2）将带腐蚀缺陷的金属X射线图像输入腐蚀缺陷分割模块，得到腐蚀缺陷分割结果；

（3）对管道位置分割结果进行管道边缘检测；

（4）计算每个边缘像素点的法向量；

（5）沿着法向量绘制一条直线，并将这条直线上每个点的灰度值绘制成曲线图；

（6）基于未腐蚀位置的像素灰度进行灰度曲线拟合，以获取法向上未发生腐蚀时的灰度曲线图，并将该图的灰度值还原至图像中，对每个边缘点依次执行以上操作，最终得到修复后的图像；

（7）使用腐蚀深度计算模块根据修复前后的X射线图像计算每个像素的腐蚀深度。

2.1 管道位置及腐蚀缺陷分割模块

当前，YOLOv8 在实时目标检测和实例分割方面的性能处于世界领先地位。因此，在管道位置及腐蚀缺陷分割模块中使用了YOLOv8。首先对管道位置分割模块进行训练，随机分配管道位置真值标注图像数据集的80%作为训练集，20%作为验证集，训练1 000个epoch。管道位置分割模块训练完成后，将待分割管道图像输入到训练好的管道位置分割模块中进行测试。

接下来对腐蚀缺陷分割模块进行训练，随机分配腐蚀缺陷真值标注图像数据集的约80%作为训练集，约20%作为验证集，训练50 个epoch。腐蚀缺陷分割模块训练完成后，将待分割管道图像输入到训练好的腐蚀缺陷分割模块中进行测试。

表1统计了两个分割模块训练、验证及测试所使用数据集的具体图像数量。图2 分别展示了管道位置分割模块和腐蚀缺陷分割模块在训练过程中的损失函数下降曲线。可见，管道位置分割模块训练至1 000个epoch时出现过拟合，因此该模块选用训练至1 000个epoch的模型进行测试；腐蚀缺陷分割模块训练至50个epoch时出现过拟合，因此该模块选用训练至50个epoch的模型进行测试。图3展示了管道位置分割模块和腐蚀缺陷分割模块在测试集上的分割效果。

表1 训练、验证及测试数据统计

图2 训练过程损失函数下降曲线

图3 分割效果示例

2.2 边缘检测和法向求取

在边缘检测步骤中，研究使用图像处理技术进行管道边缘检测，这些边缘即管道位置分割模块分割出二值图像中前景和背景的交界处。常见的边缘检测算法包括Sobel算子、Canny边缘检测等。本研究使用Canny边缘检测算法。

法向求取是通过分析边缘上的像素点进行每个点的法向估计。法向是一个指示边缘方向的矢量，它垂直于边缘。常见的法向求取方法有Sobel滤波器法向估计、曲线拟合法向估计、边缘点聚类法向估计等等。在本研究中采用曲线拟合法向估计方法，即对于每个边缘点，结合在其周围的像素，然后拟合一个局部曲线进行法向估计。这样做的优点是可以提高法向的准确性，特别适用于不规则边缘。

2.3 法向曲线绘制及拟合修复

在上一小节中得到了法向向量，在此基础上，沿着法向方向绘制一条直线。这条直线将通过边缘点，可以看作是在管道的表面上沿着法向方向的线段。在这条直线上，对每个点的灰度值进行采样。然后将这些灰度值作为纵坐标，像素点在法向上的位置作为横坐标绘制灰度值曲线。这个灰度值曲线反映了法向方向上的灰度变化情况。

为了修复腐蚀缺陷，获得腐蚀位置在未腐蚀时的灰度值，将依据法向曲线未腐蚀位置的灰度值进行曲线函数的拟合，然后用拟合函数在腐蚀位置的灰度值去替代原来腐蚀位置的灰度值，最终得到修复后的金属管道X射线图像，这个图像接近管道在未腐蚀时拍摄的X射线图像的状态。图4展示了拟合前的灰度值曲线和拟合后灰度曲线的效果示例，可以看到，拟合后的曲线更加平滑且突变更小，实现了腐蚀位置的修复。

图4 拟合效果示例

2.4 腐蚀深度估计

基于腐蚀金属的原始X 射线图像与通过以上方法修复后的金属X射线图像，利用灰度值与透射材料厚度的指数关系，可以计算每个腐蚀区域像素的腐蚀深度［6］。计算公式见公式（1）：

3 实验结果

本研究提出了一种基于X 射线图像的金属腐蚀深度估计方法。该方法能够自动估计腐蚀金属的腐蚀深度。为了验证该方法的可行性和准确性，使用一张腐蚀金属X射线图像（见图5）来计算其中像素点的腐蚀深度。

图5 腐蚀选点位置

在图5中，选取①、②、③、④、⑤5个腐蚀点，使用本研究方法的深度估计结果与NOVO 公司的便携式数字射线成像系统中DWT的缺陷深度估计结果进行比较。图5为一张真实的腐蚀金属X射线图像，虽无法获取该图中的腐蚀深度真值，然而，DWT是一种可靠的手动估计缺陷深度的方法，该方法输出的结果可以近似用作腐蚀缺陷深度真值。表2显示，本研究算法的腐蚀深度估计结果与DWT 算法的缺陷深度估计结果基本一致，这表明了本研究腐蚀深度估计算法的可靠性。

表2 本研究方法与DWT结果量化对比 mm

4 结 论

本研究提出了一种基于金属X 射线图像的腐蚀缺陷深度估计方法。该方法主要由管道位置分割、腐蚀缺陷分割、管道边缘检测、边缘法向求取、法向曲线绘制、曲线拟合修复和腐蚀深度估计7部分组成。实验结果表明，利用该腐蚀缺陷深度估计方法能够自动准确地估计金属腐蚀深度。