多试件超声检测及缺陷识别技术

　　0　引言

　　在航空件扫查过程中,界面波表征了航空件表面超声入射点到超声换能器的距离和反射状况,界面波不包含缺陷信息,所以界面波成像不能作为判断废品的依据。在这里我们把界面波信息当作噪声处理。

　　超声脉冲在非均匀介质中传播时,在不同声速或密度组成的介质边界上发生反射、折射或散射,从而产生与传播方向不同的脉冲。这些脉冲再在其他边界上多次反射、折射和散射,互相叠加,形成新的脉冲,显示出来,形成结构噪声。在超声检测中,这种结构噪声常常成为缺陷检出的严重障碍。

　　针对结构噪声,同济大学刘镇清等尝试在做分离谱处理之前,先相关加权检测信号,或利用时延神经网络,以波形及其相位差为双变量输入,加以训练,从而达到抑制晶粒结构噪声的目的[1]。航空件种类繁多,部分航空件单面平整、一面型面复杂,不能按缺陷波、底波高度等方法来对缺陷进行准确描述,难以实现自动化检测。我们采用水浸法超声检测,利用航空件的平整面作为扫查的基准面,扫查时多个试件装夹,探头垂直于平整面,采用弓字型的扫查路径实现自动化检测。多试件扫查获得的是包含多个试件的超声图像,在这里,通过引入图像配准来实现缺陷的识别。模板图像的多图像平均法能消除大部分噪声影响,用模板图像去配准实际图像,从而实现缺陷检出。

　　1　多图像平均法去噪

　　图像配准中的模板图像来源一般有两种,一种是理想的标准图像,另一种是从实际采集图像中提取数据生成的模板图像。前一种情况属于理想状况,使用不多。第二种情况能更好地适应超声检测的实际情况,避免装夹、定位条件等变化的影响。因此模板图像能够随时适应图像实际情况的变化,通过实际现场的模板图像进行图像配准可以消除大部分系统引入的噪声。

　　将所有参与制作模板的图像一起做统计平均,可以获得一幅均值图像。如果一幅图像包含有加性噪声,这些噪声对于每个坐标点是不相关的,且其平均值为零,在这种情况下使用多图像平均法得到的模板图像可以代表大多数图像的信息,同时可以去掉噪声信息。

　　多图像平均法是把一系列有噪声的图像{Sj(x,y)}叠加起来,然后再取平均值以达到制作模板图像的目的。设有噪声图像S(x,y),噪声N(x,y),原始图像R(x,y),取M幅同型号试件但含有不同噪声的图像,将它们叠加起来,然后作平均计算

　　由式(2)可见,参与制作模板的图像数目M增加,则模板像素值的方差就减小,这说明由于平均的结果,使得由噪声造成的像素灰度值的偏差变小。M越大,其统计平均得出的模板图像就越接近于原始无噪声图像。在实际检测中,为消除噪声,一般对一批连续扫查的试件作多图像平均。