DGZfP-JAHRESTAGUNG 2003

ZfP in Anwendung, Entwicklung und Forschung

Start > Beiträge > Vorträge > Qualitätssicherung: Print

Verfahren zur Analyse und Klassifikation von Gießfehlern in Röntgenbildern mittels eines ADR-Systems

Frank Herold, Technische Universität Hamburg-Harburg, Hamburg
Klaus Bavendiek, YXLON International X-Ray GmbH, Hamburg
Rolf-Rainer Grigat, Technische Universität Hamburg-Harburg, Hamburg
Kontakt: Herold Frank Dipl.-Ing.

Kurzfassung

Aufgrund ihrer Zuverlässigkeit und dem höheren Prüfdurchsatz haben sich vollautomatische Prüfsysteme mit Röntgentechnik (ADR-Systeme) speziell im Einsatz zur Qualitätssicherung von Aluminium-Gussteilen z.B. in der Automobilindustrie bestens bewährt. Durch Einsatz moderner Flachdetektoren mit bis zu 16 Bit-Technik und leistungsfähigen Industrie-PCs ist es nun auch physikalisch möglich, bisher nur schwer detektierbare Fehlertypen wie:

  • sehr kleine Fehler mit geringem Kontrast im Röntgenbild,
  • große Fehler mit schwacher Intensität in einer strukturierten Umgebung

zuverlässig zu finden. Allerdings bedarf es hierzu moderner Methoden der digitalen Bildverarbeitung. Ohne eine entsprechende Aufbereitung und Analyse der Messdaten ist eine Klassifikation wie z.B. nach dem ASTM-Standard nicht möglich.

Die bisherigen klassischen Methoden zur Fehlererkennung erfordern ein sehr hohes Maß an Erfahrung, um die gesamte Information der Messdaten nutzen zu können, bzw. um überhaupt die verschiedenen Fehlertypen zu erkennen.

Das hier vorgestellte Verfahren bedient sich des sogenannten Trained Median Filters (TMF), d.h. eines Filters, das in einem vollautomatischen Trainingsprozess (unsupervised training) zunächst nach untereinander korrelierten Referenzpunkten sucht und anschließend zur Laufzeit durch Vergleich dieser ‚ Punkte gleichen Verhaltens' Gießfehler im Röntgenbild sichtbar macht. Das Training benötigt eine Gutbilddatenbank von dem entsprechenden Prüfteil ohne Gießfehler. Eine statistische Reproduktion der systembedingten Positionierungsungenauigkeit des Prüfteils in den Röntgenbildern der Gutbilddatenbank verbessert hingegen das Trainingsergebnis, da hierdurch das charakteristische Verhalten einzelner Pixel analysiert werden kann und eine Wissensdatenbank angelegt wird. Nach Erstellung dieser Wissensdatenbank kann das Filter unter Einhaltung der Echtzeit-Bedingungen des ADR-Systems die aktuellen Röntgenbilder für die anschließende Segmentierung vorfiltern.

Hiernach ist eine zuverlässige Auswertung der nach der Segmentierung extrahierten Merkmale möglich. Die Auswertung enthält eine Klassifikation des Fehlertyps und somit die Option einer Rückkopplung des Prüfergebnisses mit dem Gießprozess (process feedback). Die Klassifikation selbst führt zu einer detaillierteren Entscheidung als nur eine standardmäßige Gut/Schlecht-Klassifikation.

Einleitung

Vollautomatische Prüfsysteme mit Röntgentechnik (ADR-Systeme) sind zur Qualitätssicherung auch heute schon im Einsatz und zeichnen sich durch Zuverlässigkeit und hohen Prüfdurchsatz aus (siehe Vergleich in [2]).

Durch neue Flachdetektoren werden eine immer höhere Auflösung und höhere Bildraten möglich. Hierdurch werden aber auch immer mehr Details im Röntgenbild sichtbar wie z.B. sehr kleine Fehler mit geringem Kontrast im Röntgenbild oder große Fehler mit schwacher Intensität in einer strukturierten Umgebung.

Dies erfordert eine aufwändigere Fehlererkennung als dies mit herkömmlichen Verfahren möglich wäre. Dabei sollte dies aber nicht im Widerspruch zu leichter Bedienbarkeit und einem hohen Automatisierungsgrad stehen.

Eine optimalere Fehlererkennung ermöglicht eine detailliertere Klassifikation. Diese sollte aber wiederum leicht bedienbar sein und neben einem effizienten Training auch einen hohen Automatisierungsgrad besitzen.

Ziel eines solchen Systems sollte eine bessere Qualitätssicherung und damit eine erhöhte Produktivität sein. Hierzu sollte das Mehr an neu gewonnener Information in den Gießprozess zurückgekoppelt werden (process feedback).

Diese Forderungen führten zur Entwicklung eines neuen ADR-Systems mit einer neuen Vorgehensweise.

Zunächst wird im nächsten Abschnitt das neue Verfahren vorgestellt, das den sogenannten Trained Median Filter (TMF) verwendet. Dieses ist an die neuen Gegebenheiten optimal angepaßt und ermöglicht nach einem vorangehenden vollautomatischen Training (unsupervised training) eine spezielle medianbasierte Vorfilterung der Röntgenbilder. Anschließend folgt eine Segmentierung und eine Merkmalsextraktion der Fehler für eine detaillierte Klassifikation.

Es folgt der Abschnitt Klassifikation. Hier wird ein Entscheidungsbaum vorgeschlagen, der eine detaillierte Klassifikation nach einem Fehlerkatalog erlaubt.

Im Abschnitt Ergebnisse werden die erreichten Rechenzeiten für eine ausgewählte Reihe von Testbildern zusammengestellt. Insbesondere wird hier die Echtzeitfähigkeit untersucht und die Ergebnisse der Segmentierung präsentiert.

Der letzte Abschnitt enthält die Zusammenfassung des hier vorgestellten neuen Verfahrens für ein ADR-System, das sich zur Zeit als Prototyp in der Erprobung befindet.

Trained Median Filter

In einem automatischen Gießfehlererkennungssystem (ADR-System) steht beim Prüfvorgang ein Vorwissen über die Prüfteile zur Verfügung. Das ergibt sich daraus, dass der Prüfablauf zuvor explizit eingerichtet wird. Jedes Prüfteil wird im Idealfall in der exakt vordefinierten Positionierung zwischen Detektor und Röntgenröhre platziert. Zur Röntgenbildanalyse liegen in diesem Fall immer wieder die selben Bildausschnitte des jeweiligen Prüfobjektes vor. Auf der anderen Seite ergibt sich aus dem Prüftakt der Serienprüfung eine konkrete Echtzeitbedingung, die jederzeit erfüllt werden muss. Bei heutigen Systemen kann eine Zeitspanne von zwei Sekunden pro Bild angenommen werden.

Ein automatisches System impliziert eine einfache Handhabung. Allerdings sollten hierbei zum einen das Vorwissen verwendet als auch die Echtzeitbedingung eingehalten werden.

Allgemein werden zur Gießfehlererkennung in digitalen Röntgenbildern sogenannte Filter verwendet. Hiermit werden die Bildinformationen mit numerischen Bildverarbeitungsmethoden per Rechner analysiert. Ein Filter erhält als Eingabe eine Untermenge der Bildpixel des Röntgenbildes und liefert als Ausgabe einen Wert, der dem Filterwert des aktuell betrachteten zentralen Pixels entspricht. Die Untermenge der Bildpixel wird als Filtermaske bezeichnet. Darüber hinaus wird zwischen lokalen und globalen Filtern unterschieden.

Lokale Filter beschränken sich auf eine relativ kleine direkte Nachbarschaft von Pixeln zum zentralen Pixel. Je mehr Pixel in der Filtermaske enthalten sind, um so größer ist der Rechenzeitaufwand. Nachdem für einen zentralen Pixel das Filterergebnis vorliegt, wird zur Analyse des nächsten zentralen Pixels die Filtermaske verschoben und so mit der neuen Nachbarschaft weitergerechnet. Dieser Vorgang wird wiederholt bis alle Pixel des Röntgenbildes analysiert wurden.

Wie aus Abbildung 1 deutlich wird, können nur Fehler, die kleiner als die Filtermaske sind gefunden werden, d.h. der großflächige Fehler hier könnte mit Hilfe dieser kleinen Filtermaske nicht erkannt werden. Es muss also eine Balance zwischen maximaler Rechenzeit und maximaler detektierbarer Fehlergröße gefunden werden.


Abb 1: Unterscheidung zwischen lokalen und globalen Filtern für ein Röntgenbild mit einem großflächigen Fehler in der Bildmitte. Die Filtermaske ist jeweils als Rechteck eingezeichnet.

Globale Filter verwenden als Filtermaske das gesamte Röntgenbild als Eingabedaten. Allerdings ist dies mit einem sehr hohen Rechenzeitaufwand verbunden, bei dem die angenommene Echtzeitbedingung i.d.R. mit heutiger Technik nicht erfüllt werden kann.

Der hier vorgestellte Trained Median Filter (TMF) hingegen ist ein nicht-linearer und nicht-lokaler Filter.

Nicht-linear bezieht sich hierbei auf die gewählte Analysemethode. Es wird im wesentlichen pro Pixel eine Median-Operation (nicht-lineare Funktion) durchgeführt.

Nicht-lokal beschreibt die Wahl der Pixel der Filtermaske. Hierbei werden zwar auch eine kleine Anzahl von Pixeln zur Analyse miteinander verknüpft, jedoch liegen diese nicht zwangsläufig in direkter Nachbarschaft zueinander. Die Pixel können "frei" im gesamten Bild verteilt liegen, ähnlich wie in [1].

Allerdings müssen die sogenannten Referenzpunkte, die anstelle einer Filtermaske die Eingabedaten darstellen, untereinander korreliert sein, d.h. sie müssen zu dem zentral betrachteten Pixel "gleiches Verhalten" aufweisen, so dass die Median-Operation das gewünschte Resultat liefert.

Ziel der Filterung ist es, von einem Originalbild X (dem aktuell eingezogenem Röntgenbild) zu einem idealisierten fehlerfreien Bild zu kommen. Letzteres enthält also das Bild des Prüfobjektes, aber die Fehlstellen wurden restauriert.

Abbildung 2 zeigt den Trained Median Filter schematisch für einen beliebigen Pixel aus dem Röntgenbild. Formal gilt für einen Pixel an der Stelle i mit den Referenzpunkten Rr

(1)

mit N der Anzahl Pixel im Röntgenbild und R der Anzahl der zum zentralen Pixel gehörenden Referenzpunkte. Bei der automatischen Fehlererkennung werden dann durch die Bildung des Differenzbildes des gefilterten (restaurierten) Bildes mit dem Originalbild speziell nur die Fehlstellen analysiert. Hierbei werden geeignete Merkmale extrahiert und die Fehler abschließend klassifiziert.


Abb 2: Trained Median Filter.

Der Algorithmus des TMF wird in zwei Teile zerlegt

  1. Suche der Referenzpunkte, d.h. Training des TMF (zeitunkritisch)
  2. Medianoperation (online TMF) mit anschließender Merkmalsextraktion und Klassifikation (zeitkritisch)

Das Training ist ein zeitunkritischer Prozess, d.h. es kann bei Bedarf auch offline ausgeführt werden. Als Eingabedaten werden sogenannte Gut-Bilder benötigt (siehe Abbildung 3). Hierbei ist es nicht zulässig, dass das Prüfteil durch ein synthetisches Modell ersetzt wird. Es dürfen in dem Prüfobjekt zwar keine Fehler enthalten sein, die während des Prüfprozesses zum Ausschluss führen sollen, jedoch natürliche Variationen sind erwünscht. Effekte wie z.B. Verkippungen können auch nicht aus einem realen Röntgenbild berechnet werden. Für das Training des TMF ist es wichtig, dass die Gutbilder das charakteristische Verhalten des Systems repräsentieren.


Abb 3: Ablauf des Trainigs des TMF. Unter Einbeziehung des charakteristischen Verhaltens des Systems werden speziell die Referenzpunkte ermittelt.

Die auf diese Weise eingezogenen Bilddaten (z.B. 50 Bilder) werden in einem unbeaufsichtigten Trainingschritt (unsupervised training) analysiert, wobei eventuell ein Prüfteil auch mehrmals darin enthalten sein kann, sofern es jedesmal neu mittels des Manipulators in den Röntgenstrahlengang positioniert wurde. Hierbei werden statistische Daten gesammelt und das charakteristische Verhalten des Systems bestimmt.

Die Ergebnisse fließen dann in eine sogenannte Wissensdatenbank, die jederzeit Parameter und speziell die Referenzpunkte für diese Prüfposition bereitstellt.

Die Berechnung des Median geschieht unter Echtzeitbedingung (Online TMF). Mit Hilfe der beim TMF-Training erstellten Wissensdatenbank kann nun mit (1) das aktuelle restaurierte Originalbild berechnet werden (vgl. Abbildung 2). Auf dem Differenzbild

(2)

wird die Fehlererkennung (Segmentation) durchgeführt (siehe Abbildung 4).Beispiele hierzu sind auch im Abschnitt Ergebnisse in Abbildung 6 dargestellt.


Abb 4: Berechnung des Differenzbildes.

Zusätzlich werden Merkmale zur anschließenden Klassifikation berechnet, z.B. Umfang, Fläche und Form bezogen auf die einzelnen Fehlstellen im Bild. Diese ermöglichen nun eine detaillierte Klassifikation des entsprechenden Fehlertyps im Gegensatz zu der herkömmlichen einfachen Einteilung in Gut- und Schlechtteil. Die Rückkopplung der Klassifikationsergebnisse in den Gießprozess erlaubt eine frühzeitige Erkennung von Veränderungen der Gießqualität. Dadurch wird dem Gießer in der Praxis vorab die Möglichkeit gegeben, rechtzeitig Gegenmaßnahmen einzuleiten, bevor es zu Fehlern oberhalb der Toleranzgrenze des jeweiligen Prüfobjekts kommt.

Klassifikation

Im Rahmen der Untersuchung der allgemein auftretenden Fehlertypen hat sich die folgende dreistufige Untergliederung in einen sogenannten Entscheidungsbaum für die Klassifikation ergeben (vgl. Abb5).


Abb 5: Entscheidungsbaum für die Klassifikation.

Auf der ersten Stufe wird zwischen Fehlern mit höherer Dichte und niedriger Dichte bezogen auf die Umgebung des Fehlers unterschieden.

In der zweiten Stufe wird für den Fall der höheren Dichte direkt auf Einschluss entschieden. Der Fall niedrigerer Dichte wird weiter in Lunker, Gasblasen und Oberflächenfehler unterteilt.

Die dritte Stufe konkretisiert die Lunker als Einzellunker, Lunkernest und Schwamm. Die Gasblasen teilen sich in Einzelgasblase und Porosität (Ansammlung von Gasblasen) auf. Bei den Oberflächenfehlern kann feiner in sogenannte Ziehstellen und Schlichtefehler unterschieden werden.

Ergebnisse

Der zuvor beschriebene Trained Median Filter (TMF) und die Klassifikation bilden die Grundlage des Software basierten Anteils eines neuen ADR-Systems. Der Maschinenbauanteil ermöglicht die automatische Prüfung und gibt die physikalische Echtzeitbedingung vor. Die Intelligenz des Systems verbirgt sich jedoch in der modernen Bildverarbeitungssoftware.

Für das ADR-System kann ein Prüftakt von zwei Sekunden pro eingezogenem Bild einer Prüfposition angenommen werden.

Mit einem noch nicht optimierten Prototypen des neuen Systems wurden, wie in Tabelle 1 aufgelistet, für den online Teil des TMF 0,2 s, für die Merkmalsextraktion 0,7s und für die Klassifikation 0,4 s benötigt.

  Zeit [s]
TMF (online) 0,2
Merkmalsextraktion 0,7
Klassifikation 0,4
Summe 1,3
Tabelle 1: Zeiten für die zeitkritischen Abläufe des neuen ADR-Systems. Echtzeitbedingung: 2s.

Die Messungen wurden mit 512 ´ 512 ´ 16 Bit Röntgenbildern auf einem Referenzsystem mit einem Intel Pentium IV, 2,0 GHz durchgeführt. Nach Abzug der Summe von der Echtzeitbedingung sind hier bereits schon mit diesem Prototypen 0,7 s für andere Berechnungen übrig, d.h. die vorgegebene Echtzeitbedingung wird eingehalten.

Das Training und die Auswahl der dazugehörigen Gutbilder sind unabhängig von dem Bildtakt des Systems. Für einen Geschwindigkeitstest wurden 51 Röntgenbilder mit 512 ´ 512 ´ 16 Bit ausgewählt. Damit ergab sich eine durchschnittliche Trainingszeit von 6 s bezogen auf das Referenzsystem Intel Pentium IV, 2,0 GHz.

Daher ist es möglich, das Training auch im Hintergrund während des Prüfprozesses ablaufen zu lassen. Allerdings kann das Training ebenso vollkommen unabhängig vom Prüfsystem, d.h. offline auf einem entfernten Rechner, ausgeführt werden.

In Abb6 sind einige Beispiele der Segmentierung dargestellt, die mit Hilfe des TMF auf dem bereits erwähnten Prototyp berechnet wurden. Diese Bilder können dann mit der o.g. Klassifikation weiter einem Fehlertyp zugeordnet werden. Exemplarisch sind hier ein Lunkernest, eine kleine Einzelgasblase, ein großflächiger Fehler und ein Oberflächenfehler jeweils im Original und dem segmentierten Bild zusammengestellt.


Lunkernest (im Röntgenbild)

Lunkernest (segmentiert)

Einzelgasblase (im Röntgenbild)

Einzelgasblase (segmentiert)

großflächiger Fehler (im Röntgenbild)

großflächiger Fehler (segmentiert)

Oberflächenfehler (im Röntgenbild)

Oberflächenfehler (segmentiert)
Abb 6: Ergebnisse der Fehlererkennung mit Hilfe des TMF. Die linke Spalte enthält jeweils das Originalbild, während in der rechten Spalte das zugehörige segmentierte Bild zu sehen ist.

Durch Rückkopplung der Ergebnisse zum Gießprozess wird dem Gießer frühzeitig die Möglichkeit für Gegenmaßnahmen gegeben.

Zusammenfassung

Durch die Verwendung moderner Röntgentechnik wie z.B. Flachdetektoren stehen zur Qualitätssicherung 16 Bit, hochauflösende digitale Röntgenbilder zur Verfügung. Zusammen mit der Steigerung der verfügbaren Rechenleistung erlaubt dies die Anwendung besserer und aufwendigerer Fehlererkennungsverfahren. Ein leicht bedienbares Verfahren wurde hier vorgestellt. Es besteht aus einem vollautomatischen Training (unsupervised training) und einem nicht-linearen und nicht-lokalen, echtzeitfähigen Filterprozess, der auf einer Medianoperation basiert. Dieses Verfahren wird Trained Median Filter (TMF) genannt.

Der TMF ermöglichte eine detailliertere Klassifikation der gefundenen Fehler in bestimmte Fehlertypen. Basierend auf vorangegangenen Untersuchungen wird hier ein dreistufiger Entscheidungsbaum, der einen Fehlerkatalog abbildet, vorgeschlagen. Auch diese Klassifikation erfolgt in Echtzeit.

Dieses Mehr an Information wird zum Gießprozess zurückgekoppelt und hilft dem Gießer, noch vor dem Überschreiten der Toleranzgrenzen Gegenmaßnahmen einzuleiten und damit Ausschuss aufgrund von Gießfehlern zu vermeiden.

Referenz

  1. D.Filbert, H.Hecker, "Robuste Bildauswertung in der automatischen Röntgenserienprüfung von Gussteilen", DGZfP May 1994, Timmendorfer Strand, Germany, Vol.43, No. 1, 1994, pp.175-182.
  2. F.Herold, K.Bavendiek, R.-R.Grigat, "A New Analysis and Classification Method for Automatic Defect Recognition in X-Ray Images of Castings", The e-Journal of Nondestructive Testing, October 2002, Vol. 7, No. 10, ISSN:1435-4934.

STARTHerausgeber: DGfZPProgrammierung: NDT.net