最近接了一个和工业检测相关的图像处理项目,需要把一批X射线投影图还原成可用于尺寸测量的三维体数据。开工之前我以为这就是调个开源库的事,真正上手才发现,从探测器读出的原始灰度帧到能交付给质量部门的体素模型,中间要处理的工程细节远比算法本身多。这篇把整条链路梳理一遍,也把踩过的几个坑记下来,给同样要接触这个领域的同学做个参考。
先说整体结构。工业领域的三维CT扫描本质上是"旋转采样—投影校正—反投影重建—后处理"这样一条流水线。工件固定在转台上,射线源与面阵探测器保持不动,转台每转过一个微小角度采集一帧投影,转满一周后得到几百至数千帧二维图像。随后通过滤波反投影或迭代算法,把这些投影在三维空间中重新叠合,恢复出每个体素的射线衰减系数分布,也就是我们最终看到的断层切片。整个过程和医学CT同源,但工业件的材料密度跨度大得多,处理起来也麻烦得多。
第一个坑在校正环节。原始投影绝对不能直接送进重建器。探测器有坏点和响应不一致,必须先做暗场与明场校正;射线管有热漂移,长时间扫描时增益会缓慢变化;更麻烦的是射束硬化,低能光子在穿透厚壁时被优先吸收,导致重建出来的工件截面呈现"边缘亮、中心暗"的杯状伪影。我们最初以为是重建参数没调好,排查两天才定位到根源,最后靠预滤波片加多项式硬化修正曲线才压下去。几何标定同样关键,源到探测器距离、旋转轴偏移、探测器倾角这几个参数只要有零点几个像素的误差,重建结果就会出现双边缘。
第二个是算法选择。滤波反投影实现简单、速度快,是产线上的默认选项,但它要求投影角度足够密且完整,一旦因为工件夹具遮挡出现角度缺失,条状伪影会非常明显。这种情况下我们改用迭代重建,把重建当成一个带正则项的最优化问题来解,抗噪和抗缺角能力好很多,代价是计算量高一到两个数量级。实际做法是用GPU把前向投影和反投影两个算子写成核函数,显存不够就按切片分块流式处理,同时把迭代次数固定下来防止时间不可控。
第三个坑是数据量。一次高分辨率扫描产生的体数据动辄几十GB,直接用常规图像库加载必然内存溢出。我们的做法是建立多分辨率金字塔,浏览时读低分辨率层,需要局部分析时再按需加载原始分辨率的子块。缺陷分析环节则采用先自适应阈值分割、再连通域标记的思路,把气孔、夹渣、缩松逐个提取出来,输出体积、最大尺寸和空间坐标,最后写成结构化文件交给上游系统。这里要注意体素尺寸的标定,一旦标错,所有缺陷的物理尺寸都是错的。
还有一个概念上的坑值得一提:空间分辨率和体素尺寸不是一回事。体素边长十微米,不等于设备能分辨十微米的缺陷——真正的分辨能力还受焦点尺寸、散射和重建滤波核共同限制,实测往往差好几倍,因此报告里应当用标准试块实测的对比度细节曲线来说明检出能力。
做完这个项目最大的体会是,工业CT的难点从来不在"能不能重建出图像",而在"重建出来的数值能不能被信任"。ISO 15708 和 ASTM E1441 这类标准对空间分辨率、对比度灵敏度和测量不确定度都有明确的评价方法,这些指标要靠标准试块定期验证,而不是靠肉眼看图像"清不清楚"。如果后续还要把检测环节接进产线,节拍、重建延迟和结果可追溯性又是另一套工程问题。这部分我们还在摸索,等有结论了再单独写一篇。