一种基于动生涡流的金属构件表面多缺陷分类与定量识别方法

本发明设计一种基于动生涡流的定量检测方法，该方法将检测结果进行成像后对缺陷进行分类再根据信号特征对其尺寸进行定量反演，涉及缺陷定量检测领域。

背景技术：

1、在工业生产过程中，由于现有技术、工作条件等因素的不足和局限性，极易影响制成品的质量。其中，表面缺陷是产品质量受到影响的最直观表现。因此，为了保证合格率和可靠的质量，必须进行产品表面缺陷检测。“缺陷”一般可以理解为与正常样品相比的缺失、缺陷或面积，一般情况下缺陷主要分为两种，分别是裂纹和腐蚀孔。缺陷检测是指检测样品表面的缺陷，从而获得被测样品表面缺陷的类别、位置、大小等一系列相关信息。人工缺陷检测曾经是主流方法，但这种方法效率低下；检测结果容易受人为主观因素的影响，不能满足实时检测的要求；同时人工无法对缺陷进行定量检测，因此它已逐渐被其他方法所取代。目前已有学者利用图像识别技术对传感器检测结果电磁成像的图像进行缺陷识别、定位与分类，但是依然有许多问题值得探讨。比如不同缺陷的检测结果与其尺寸之间的定量关系；电磁成像方法对缺陷分类的影响；不同图像识别技术对图像识别精度的影响等。因此本发明在金属构件表面缺陷的快速检测中具有重要意义，可用于高速钢轨、大口径管道、发动机叶片等重要金属构件的表面缺陷在线定量检测中。

2、现有技术中《一种基于图像识别的钢结构件缺陷检测方法及系统》(专利申请号cn202311250084.x)中提出了一种基于图像识别的钢结构件缺陷检测方法及系统,涉及缺陷检测技术领域,该方法包括：得到实时工件图像；将实时工件图像划分为n个图像块,进行局部二值转换,得到第一二值码；判断第一二值码是否与第一预定二值码相同,若是不同,将第一图像块添加至待检部件序列；匹配第一预定图像块；得到第一对比特征集；得到缺陷检测结果集，达到提升检测效率和检测准确度的技术效果。此技术只能辨别是否存在缺陷，而无法对缺陷进行分类和定量。

3、《一种污水管道缺陷图像识别方法、系统、终端及存储介质》(申请号cn202311131855.3)提出了一种污水管道缺陷图像识别方法、系统、终端及存储介质。其方法包括：获取污水管道的实时视频图像；将实时视频图像输入到预设的缺陷学习模型中；基于实时视频图像与缺陷学习模型,判断污水管道是否存在缺陷；若污水管道存在缺陷,则基于实时视频图像获取缺陷类型；基于缺陷类型,获取缺陷等级；基于缺陷类型和缺陷等级,生成缺陷应对方案。此技术只对缺陷进行分级，而无法进行定量检测。

4、《基于labview的管道缺陷检测设计的研究》提出了一种基于lab view作为上位机的管道缺陷检测系统。在该系统中利用visa函数配置连接端口，使用程序结构构建机器人的运动控制窗口，进而对管道机器人实现控制采集管道内部图像信息。把管道内壁图像信息回传到上位机，在lab view软件上通过matlab script节点连接matlab采用双边滤波、图像增强算法对图像进行预处理，再采用canny算子算法进行图像识别。此技术只对缺陷进行识别，无法对缺陷进行分类和定量。

5、《基于cnn和图像处理的聚乙烯燃气管道缺陷检测研究》设计了一款能够在dn110管道行进工作的图像采集机器,整体控制基于树莓派,通过设计的扩展板、采用的麦克纳姆轮和缩小的车身,完成整个图像采集设备的适配型小型化。配合选取的cmos工业摄像头完成pe燃气管道缺陷图像的采集,通过sd卡记录于机器中,再上传至上位机进行识别分析。其次,利用卷积神经网络将管道缺陷图像进行分类。将获取到的图像进行多组数据增强,增加数据及数量。建立了pd-vgg模型,进行了管道缺陷的模型训练,经过多项实验对比,选取了该模型最合适的多项模型参数,进行参数优化,提升了训练模型精度。此技术对缺陷进行识别和分类，同时对缺陷进行定量，但是其检测对象的缺陷尺寸较大，微小缺陷无法检测。

6、《in-pipe inspection robotic system for defect detection andidentification using image processing》利用图像处理(i.p)和机器视觉(m.v)技术制造管道检测机器人，以检测和识别管道内表面的堵塞、内孔、裂纹和腐蚀等各种管道异常。机器人的控制完全基于物联网(iot)，并提出了实时视觉检测以进行有效分析。通过仿真的图像处理将侧重于生成和显示各种图像处理转换的输出，如图像模糊、图像平滑、图像转换为二值、精细图像形成、应用对数变换和图像轮廓。此技术只对缺陷进行成像，而不对缺陷进行定性和定量分析。

7、《detection algorithm of defects on polyethylene gas pipe using imagerecognition》提出了一种基于图像识别的缺陷检测算法。首先对采集到的图像进行初步筛选，得到有缺陷的图像；再采用伽玛校正算法对图像进行增强，然后采用双滤波算法消除噪声对图像识别的干扰；然后利用改进的传统sobel边缘检测算法提取缺陷边缘；然后采用自适应阈值法对图像缺陷进行分割，并通过开放操作有效提取缺陷轮廓；最后提取缺陷特征参数，输入优化后的支持向量机进行缺陷识别。此技术只对缺陷进行成像和分类，不对缺陷进行定量。

8、目前对管道缺陷的检测技术大多停留在神经网络识别和分类的水平，较少有定量的方法，本文针对此问题结合动生涡流检测探头提出了一种基于神经网络图像识别的缺陷分类定量检测方法。

技术实现思路

1、随着检测需求和工艺技术的发展，动生涡流检测探头虽然能够在高速运动环境下对金属表面缺陷进行检测，但是其数据的处理方法目前仍然存在一定的问题。本发明解决当前对动生涡流信号的处理只能为缺陷识别与分类，无法对缺陷尺寸进行定量的问题。

2、本发明通过对动生涡流探头输出的磁场数据结果进行电磁成像，再通过图像识别根据电磁图像对金属构件表面缺陷种类进行分类并对裂纹进行定位，然后通过提取缺陷对应位置检测结果的特征值对缺陷尺寸进行定量识别。在实际检测中，金属构件中的缺陷是随机出现的，大都分为裂纹和腐蚀孔。不同类型的缺陷是随机出现的，因此需要对裂纹和腐蚀孔进行识别。同时对于裂纹和腐蚀孔，由于二者的空间结构不同，因此缺陷尺寸和定量关系也不相同，对于裂纹和腐蚀孔需要使用不同的映射关系进行表征，为此，本文提出了基于动生涡流的定量检测新方法，如图1所示。根据该方法，首先采集动生涡流探头获得的磁场数据。然后使用电磁成像将数据转化为图像，获取时间和电磁信号的二维图像，从而在后续进程中对图像中的缺陷进行识别，如果识别结果为裂纹，则根据识别位置判断对应缺陷曲线出现的位置，后续进入裂纹定量反演模式，通过上文所述的方法提取对应特征曲线的δt1和δb1，通过δt1与裂纹宽度wd的定量关系反演出裂纹宽度wd，再依据此裂纹宽度下的δb1与裂纹深度dd的定量关系反演出裂纹深度dd，得到最终的裂纹尺寸；如果识别结果为腐蚀孔，后续进入腐蚀孔定量反演模式，提取对应特征曲线的δt2和δb2，通过δt2与腐蚀孔直径dp的定量关系反演出腐蚀孔直径dp，再依据此腐蚀孔直径下的δb2与腐蚀孔深度dp的定量关系反演出裂纹深度dp，得到最终的腐蚀孔尺寸。通过这种基于动生涡流的金属构件表面多缺陷分类与定量识别方法能够完成信号检测、电磁成像、提取缺陷数据、缺陷尺寸定量等表征过程。

3、因而本发明技术方案为一种基于动生涡流的金属构件表面多缺陷分类与定量识别方法，包括以下步骤：

4、s1、采集信号：收集阵列式的动生涡流检测探头对金属构件表面检测返回的磁场信号数据；

5、s2、电磁成像：使用二元差值对检测结果进行可视化处理，获得金属构件表面的磁场强度与时间的二维图像；

6、s3、图像识别：采用卷积神经网络对可视化后电磁图像中的缺陷进行分类识别，将缺陷分类为裂纹和腐蚀孔，并根据电磁图像定位缺陷所在的位置；

7、s4、提取特征信号：提取缺陷定位处前后x mm的磁场强度b与时间t的曲线，提取曲线t-b的波峰值ba，然后提取对应的波谷值bb，得到峰峰值δb＝|ba-bb|；提取曲线t-b从波峰时间ta，波谷时间tb，得到峰峰值时间差δt＝|ta-tb|；x对提取结果影响较小，选取10mm。

8、s5、根据缺陷类别、峰峰值δb、峰峰值时间差δt计算裂纹宽度或腐蚀孔直径；

9、s51、建立δt与裂纹宽度的关系：根据实际需要设置m组n次实验，其中第j组第i次实验为在金属构件上设置裂纹宽度为wdi，i＝1,2,…,n，j＝1,2,…,m，wdi各组对应相同且组内各不相同，深度为ddj的缺陷，ddj组内相同且不同组不同，测得δt、δb；收集第j组深度都为ddj的缺陷数据，以δt为横坐标，wd为纵坐标线性拟合得到宽度-δt方程wd＝α1*δt+β1，其中α1，β1为常系数，由动生涡流检测探头确定，wd为裂纹宽度；

10、s52、建立δt与腐蚀孔直径的关系：设置m组n次实验，其中第j组第i次实验为在金属构件上设置腐蚀孔直径为dpi，dpi各组对应相同且组内各不相同，深度为dpj的缺陷，dpj组内相同且不同组不同，测得δt、δb；先收集第j组深度都为dj的缺陷数据，以δt为横坐标，dp为纵坐标线性拟合得到直径-δt方程dp＝α2*δt+β2，其中α2，β2为常系数，由动生涡流检测探头确定，dp表示腐蚀孔直径；

11、s53、提取未知缺陷的特征信号δt，根据其缺陷类型将δt带入已经得到的宽度-δt或直径-δt方程中，得到裂纹宽度wd或者腐蚀孔直径dp；

12、s6、根据缺陷类别、峰峰值δb、峰峰值时间差δt计算裂纹深度或腐蚀孔深度；

13、s61、收集s51中实验组各组相同宽度wdi的缺陷数据，以δb为横坐标，深度dd为纵坐标线性拟合得到深度-δb方程dd＝α3*δb+β3，其中α3，β3为常系数，由动生涡流检测探头和宽度确定；在探头几何和电气参数均不变时，将α3，β3分别与wd拟合，得到系数-wd拟合方程α3＝σ1*wd+λ1和β3＝σ2*wd+λ2，其中四个系数由动生涡流检测探头决定；σ1和λ1表示α3和wd之间线性关系的系数，σ2和λ2表示β3和wd之间线性关系的系数，因为α3，β3必须要由wd来确定，不同wd下α3，β3不同。

14、s62、收集s52中实验组各组相同直径dpi的缺陷数据，以δb为横坐标，深度dp为纵坐标线性拟合得到深度-δb方程dp＝α4*δb+β4，其中α4，β4为常系数，由动生涡流检测探头和宽度确定，在探头不变时，将α4，β4分别与dp拟合，得到系数-dp拟合方程α4＝σ3*dp+λ3和β4＝σ4*dp+λ4，其中四个系数由动生涡流检测探头决定；

15、s63、提取未知缺陷的特征信号δb，先将已知裂纹宽度wd或腐蚀孔直径带入系数方程中得到深度-δb方程，再将δb带入深度-δb方程中，得到缺陷的深度dd或dp。

16、本专利因为使用动生涡流检测和神经网络图像识别的技术方案，从而能够在高速环境下对微小缺陷进行分类和定量检测的优良技术效果，专利中的微小缺陷尺寸为：裂纹宽度0.1-1mm深度18mm；腐蚀孔直径18mm，腐蚀孔深度2-10mm。