張 輝 張鄒銓 陳煜嶸 吳天月 鐘 杭 王耀南

高端裝備制造業(yè)是國(guó)民經(jīng)濟(jì)的支柱產(chǎn)業(yè),是推動(dòng)工業(yè)轉(zhuǎn)型升級(jí)的引擎,發(fā)揮著舉足輕重的作用.而鑄造作為現(xiàn)代裝備制造工業(yè)的基礎(chǔ)共性技術(shù)之一,鑄造產(chǎn)品被廣泛運(yùn)用在航空航天、工業(yè)船舶、機(jī)械電子和交通運(yùn)輸?shù)葒?guó)民經(jīng)濟(jì)各部門.

常規(guī)的鑄造過程是將固態(tài)金屬溶化為液態(tài)后,注入到特定形狀的鑄型進(jìn)行填充,待其凝固成形.鑄造技術(shù)有著六千多年的悠久歷史.直至今天,伴隨著現(xiàn)代工藝的發(fā)展以和國(guó)際市場(chǎng)的龐大需求,各行各業(yè)亟需高端鑄件作為工作基礎(chǔ)建設(shè).我國(guó)是精密鑄造制造大國(guó),無論是鑄件的年產(chǎn)量,還是從業(yè)人員、企業(yè)數(shù)量已經(jīng)位居世界首位,且精密鑄造零件占全球精密鑄造通用零部件50 %以上.在全球鑄造行業(yè)市場(chǎng)份額占比逐步擴(kuò)大的同時(shí),鑄件質(zhì)量問題成為了阻礙我國(guó)鑄造行業(yè)發(fā)展的首要問題.

工業(yè)上對(duì)缺陷進(jìn)行分類分級(jí)判定大多是通過對(duì)比被測(cè)工件與標(biāo)準(zhǔn)缺陷圖樣展示的缺陷類型是否相同,從而判定工件各方面能否達(dá)到合格指標(biāo).我國(guó)的GB/T 11 346[1]、TB/T 3 012[2]與美國(guó)材料實(shí)驗(yàn)協(xié)會(huì)(American Society for Testing and Materials,ASTM)系列標(biāo)準(zhǔn)[3-4]是現(xiàn)有的主要實(shí)施標(biāo)準(zhǔn).由圖譜與相關(guān)技術(shù)要求得以通曉:缺陷成因?qū)θ毕葜茉獾木w結(jié)構(gòu)與形貌起主導(dǎo)性作用.根據(jù)缺陷形態(tài)、大小與形成原因的不同,Fiorese 等[5]將鑄件表面和內(nèi)部缺陷分為五種類別:收縮類缺陷、氣孔類缺陷、夾雜類缺陷、不良相和熱收縮類缺陷,中小型鑄件對(duì)于孔洞直徑、深度以和孔隙率有更嚴(yán)的標(biāo)準(zhǔn),因此需要對(duì)微小孔洞缺陷進(jìn)行更深入的研究.萬謙等[6]通過觀察孔洞三維形貌與其特征參數(shù),對(duì)氣孔、氣縮孔、收縮孔這三類孔洞的體積和圓整度進(jìn)行分析對(duì)比,發(fā)現(xiàn)三者在各方面差異顯著.

鑄件表面和內(nèi)部各類缺陷[7]與復(fù)雜多變的鑄造工藝過程以和工件服役過程中的外作用力息息相關(guān).不論是從技術(shù)管理角度還是從成本控制角度,分析缺陷與形成機(jī)理的因果關(guān)系的判斷都顯得十分重要.判斷出真實(shí)關(guān)系后,便可制定解決對(duì)策,調(diào)整鑄件圖與鑄造裝備設(shè)計(jì).砂型鑄造是現(xiàn)代鑄造業(yè)使用最廣泛的鑄造工藝,是凝固成型技術(shù)中最基本的方法.Jatimurti 等[8]研究了在砂型鑄造下,脫砂時(shí)間和冷卻速率對(duì)鑄鋁6061 合金組織和孔隙率的影響,并且發(fā)現(xiàn)冷卻速率與孔隙率呈線性關(guān)系.而隨著科技日新月異的進(jìn)步,許多先進(jìn)優(yōu)質(zhì)技術(shù)引入鑄造工藝技術(shù),并不斷優(yōu)化和發(fā)展,衍生出了種類繁多、特點(diǎn)各異的特種鑄造手段.因此,針對(duì)生產(chǎn)工藝的特殊性,Chelladurai 等[9]、Malhotra 等[10]與Zhao 等[11]分別研究了砂型鑄件、壓鑄件和連鑄坯中缺陷與多種工藝參數(shù)的關(guān)系.Cao 等[12]通過真空輔助高壓壓鑄工藝在不同的絕對(duì)壓力下生產(chǎn)AlSi9Cu3 合金鑄件,研究了型腔中絕對(duì)壓力對(duì)壓鑄件的孔隙率,組織和力學(xué)性能的影響,表明高真空度有助于減少孔隙率.Jia 等[13]研究分析了不同垂直離心鑄造條件下形成的鈦鋁合金鑄造缺陷,表明離心力對(duì)小孔,微裂紋和夾雜物等缺陷的數(shù)量均具有顯著影響.針對(duì)鑄造過程中普遍的幾何屬性,Bijagare 等[14]將直澆道與冒口設(shè)計(jì)在多個(gè)位置,對(duì)金屬液流動(dòng)和金屬凝固進(jìn)行有限元模擬的分析,證明了冒口是影響收縮類缺陷產(chǎn)生的重要因素.此外,鑄件也會(huì)因長(zhǎng)時(shí)間的服役與各種應(yīng)力在內(nèi)外形成不可逆的裂紋缺陷.為此,Wang 等[15]研究了單調(diào)和循環(huán)拉伸載荷下孔隙對(duì)裂紋萌生的影響.通過X 射線計(jì)算機(jī)層析成像三維表征材料的微觀結(jié)構(gòu),驗(yàn)證了孔洞類缺陷在單調(diào)拉伸和循環(huán)加載條件下出現(xiàn)循環(huán)開合的趨勢(shì),從而引發(fā)裂紋.Rotella 等[16]將不同的ASTM 指標(biāo)與疲勞極限相關(guān)聯(lián),量化了縮孔對(duì)鑄造鋁合金疲勞極限的影響.結(jié)果表明,較小的表面缺陷也會(huì)導(dǎo)致致命的大裂紋.表1 總結(jié)了各種類型缺陷影響因素特征,并附上缺陷示意圖.

表1 鑄件缺陷類型以及各傷損示意圖Table 1 Types of casting defects and diagrams of each damage

致命性缺陷往往會(huì)直接導(dǎo)致整個(gè)鑄件報(bào)廢[17].氣孔類缺陷會(huì)引起其周圍應(yīng)力集中,降低鑄件的抗沖擊性和抗疲勞性.氣孔還會(huì)降低鑄件的氣密性,致使某些要求處于強(qiáng)力、高速、高溫等環(huán)境的鑄件報(bào)廢.大多數(shù)缺陷容易降低鑄件本體的密封性、金屬連續(xù)性,甚至?xí)谑褂闷陂g造成斷裂,引發(fā)難以估量的災(zāi)難.對(duì)于鑄件的生產(chǎn)績(jī)效來說,主要根據(jù)其質(zhì)量、交貨期和成本來對(duì)經(jīng)濟(jì)效益綜合衡量.為了節(jié)約材料,提高經(jīng)濟(jì)效益,保障行業(yè)平穩(wěn)發(fā)展,就更需要對(duì)鑄件質(zhì)量做全面核查.鑄件缺陷檢驗(yàn)是保障鑄件正常運(yùn)轉(zhuǎn)的重要手段.如今傳統(tǒng)的鑄件缺陷檢測(cè)方式是采用人工巡視檢查的方法.但人工巡檢方式時(shí)效長(zhǎng),風(fēng)險(xiǎn)高,劃分標(biāo)準(zhǔn)難于統(tǒng)一.為了實(shí)時(shí)在線地獲得鑄件生產(chǎn)質(zhì)量和疲勞程度信息,各種鑄件無損檢測(cè)方法應(yīng)運(yùn)而生.

本文在鑄件缺陷檢測(cè)的背景下,首先對(duì)缺陷成因和危害進(jìn)行分析,然后對(duì)近年來基于光、聲、電磁學(xué)的無損檢測(cè)技術(shù)和基于神經(jīng)網(wǎng)絡(luò)的鑄件缺陷檢測(cè)方法的研究和應(yīng)用進(jìn)行綜述,最后對(duì)工業(yè)鑄件缺陷檢測(cè)技術(shù)應(yīng)用和發(fā)展趨勢(shì)進(jìn)行展望.

1 鑄件缺陷無損檢測(cè)技術(shù)

工業(yè)生產(chǎn)注重生產(chǎn)的效率和產(chǎn)品最終使用性能,故大部分鑄件缺陷的檢測(cè)對(duì)檢測(cè)系統(tǒng)的實(shí)時(shí)性和精度都有要求.但對(duì)于鑄件而言,其多樣的加工工藝、靈活的加工手法所選原材料的差異,使最終成型的產(chǎn)品具有復(fù)雜的物理特性和廣泛的用途.針對(duì)不同種類鑄件制定了不同的生產(chǎn)標(biāo)準(zhǔn),工業(yè)領(lǐng)域中的鑄件現(xiàn)行標(biāo)準(zhǔn)多達(dá)143 項(xiàng),其中關(guān)于質(zhì)量檢測(cè)的國(guó)家標(biāo)準(zhǔn)有8 項(xiàng).此外,盡管不同工業(yè)領(lǐng)域生產(chǎn)的鑄件在物理特性上存在差異,但其缺陷種類有一定的重合,如劃痕和裂紋等.同種類型的缺陷往往也有通用的檢測(cè)技術(shù),如超聲檢測(cè)技術(shù)和機(jī)器視覺檢測(cè)技術(shù)等,而與之信號(hào)分析算法也是一致的.但對(duì)于鑄件缺陷而言,缺陷成因與其鑄造工藝的關(guān)聯(lián)性極大,往往缺陷類內(nèi)差異大,使用通用缺陷可能得不到滿足精度要求的結(jié)果.因此,在原本通用檢測(cè)技術(shù)上,發(fā)展出了一些專門針對(duì)某類鑄件檢測(cè)技術(shù),例如檢測(cè)中小型鑄件的X 射線二維成像檢測(cè)技術(shù)、專門檢測(cè)管狀鑄件的遠(yuǎn)場(chǎng)渦流檢測(cè)技術(shù)、檢測(cè)厚度大鑄件的超聲波檢測(cè)技術(shù)等.

主流的無損檢測(cè)技術(shù)主要用于工程未知工藝缺陷的檢驗(yàn),是在不損傷被測(cè)鑄件的前提下,利用光、聲、電磁等物理場(chǎng)作用在鑄件上產(chǎn)生的物理現(xiàn)象來探測(cè)表面和內(nèi)部缺陷的技術(shù).主流無損檢測(cè)技術(shù)以硬件為核心,硬件的質(zhì)量會(huì)直接影響后續(xù)檢測(cè)效果.

1.1 基于光學(xué)的無損檢測(cè)技術(shù)

1.1.1 X 射線二維成像技術(shù)

工業(yè)射線探測(cè)常使用X 射線機(jī)或加速器作為射線源,從鑄件的一個(gè)側(cè)面進(jìn)行照射并穿過鑄件,照射部位的密度越大,射線強(qiáng)度越低.若內(nèi)部有缺陷,X 射線穿過有缺陷路徑的密度變小,其強(qiáng)度相對(duì)變高.由此,能夠?qū)⒈粶y(cè)鑄件的內(nèi)部質(zhì)量信息通過熒光屏、膠片或數(shù)字影像接收器等接收裝置,從而顯示出鑄件內(nèi)部質(zhì)量情況.射線檢測(cè)技術(shù)對(duì)氣孔類、夾渣類等體積型缺陷最為敏感.X 射線二維成像檢測(cè)技術(shù)具有以下特點(diǎn):

1)被測(cè)結(jié)果以圖像形式展示,直觀且便于存儲(chǔ);

2)適用于不同材質(zhì)、復(fù)雜異形的鑄件,對(duì)具有一定空間分布的體積型缺陷可以高效表征;

3)探測(cè)速度慢、成本高.射線探測(cè)儀器的工作電壓高達(dá)數(shù)萬伏,且射線對(duì)人體有輻射作用,檢測(cè)人員進(jìn)行探傷作業(yè)時(shí)易危和到生命安全,因此該技術(shù)對(duì)環(huán)境要求極為苛刻;

4)二維X 射線只能提供單一方向的鑄件陰影圖,而沒有任何深度分辨率信息,無法準(zhǔn)確確定所檢測(cè)到的潛在缺陷的位置和形狀.

X 射線二維成像技術(shù)對(duì)射線能量選擇和鑄件透照布置有著極高標(biāo)準(zhǔn)[19].探測(cè)系統(tǒng)硬件的優(yōu)劣會(huì)直接影響檢測(cè)人員對(duì)缺陷類別級(jí)別的判斷.Hussein 等[20]發(fā)現(xiàn)了能夠產(chǎn)生超相對(duì)論電子束的激光尾場(chǎng)加速器,其透射圖像可以清晰展示鋁硅工件的內(nèi)部結(jié)構(gòu)細(xì)節(jié).在連續(xù)制造工藝下,由于重力和凝固收縮等現(xiàn)象,連鑄坯表面極易形成大范圍的偏析缺陷,這將會(huì)嚴(yán)重影響鑄件性能,Lu 等[21]使用基于同步加速器的放射成像技術(shù)對(duì)鑄造過程中的鑄件表面進(jìn)行高效成像,實(shí)時(shí)監(jiān)測(cè)預(yù)警,從而調(diào)整冷卻系統(tǒng)速率以避免偏析缺陷的形成.Wang 等[22]設(shè)計(jì)了一種基于電荷耦合器件的數(shù)字射線探測(cè)系統(tǒng).該系統(tǒng)能接收能量范圍更廣的X 射線,得到更高的成像質(zhì)量.

大多數(shù)鑄造車間已經(jīng)摒棄了人工檢測(cè)方法,而是采取與圖像處理算法對(duì)X 射線二維圖像進(jìn)行處理分析,圖像處理算法是一種應(yīng)用價(jià)值很高的檢測(cè)方法,可在解決人力資源成本的同時(shí),保障計(jì)算精度.目前對(duì)鑄件射線圖像處理的研究,主要可分為新算法的引入和對(duì)原有算法的改進(jìn).Li 等[23]提出了一種基于X 射線的鑄件內(nèi)部缺陷檢查系統(tǒng).將二階導(dǎo)數(shù)和形態(tài)運(yùn)算、逐行自適應(yīng)閾值處理和二維小波變換方法進(jìn)行對(duì)比.由于小波技術(shù)可以選擇小波基數(shù)和多級(jí)分辨率,高效準(zhǔn)確地檢測(cè)裂紋、孔隙和異物等三種典型缺陷,證實(shí)了二維小波變換是檢測(cè)鑄件內(nèi)部缺陷的實(shí)用方法.Jin 等[24]提出了一種基于Relief 算法和Adaboost 支持向量機(jī)的內(nèi)部裂紋檢測(cè)方法,擁有比現(xiàn)有常用分類器更高精度和泛化能力.針對(duì)遮擋現(xiàn)象,Zhao 等[25]提出一種基于稀疏表示的鑄造缺陷檢測(cè)和分類系統(tǒng),實(shí)現(xiàn)了一種基于灰度排列對(duì)(Gray arranging pairs,GAP)的分割方法.對(duì)結(jié)構(gòu)復(fù)雜、水垢遮擋、噪聲強(qiáng)度大的鑄件射線圖像,能有效識(shí)別裂紋類、氣孔類、縮孔類等多種普遍的鑄造缺陷類型.基于稀疏表示的檢測(cè)算法如圖1所示.圖像低對(duì)比度問題一直是經(jīng)典檢測(cè)算法中的難點(diǎn).為使機(jī)器獲得清晰輪廓的圖像,克服因輪廓變化導(dǎo)致的難于分割前景與背景的問題,文獻(xiàn)[26]將單閾值處理大津閾值分割法、自適應(yīng)閾值和中值濾波等傳統(tǒng)分割方法進(jìn)行比較.其中,空間平滑算法對(duì)鑄件的四種常見缺陷準(zhǔn)確率達(dá)到了100 %.隨著圖像處理技術(shù)的廣泛應(yīng)用,人們開始考慮不同算法之間的缺點(diǎn)和聯(lián)系.Mery 等[27]將Gabor、方向梯度直方圖特征、局部二值模式(Local binary patterns,LBP)等三種特征工程方法與八種機(jī)器學(xué)習(xí)模型兩兩結(jié)合,比較與評(píng)估了包括深度學(xué)習(xí)、稀疏表示、局部描述符等24 種計(jì)算機(jī)視覺技術(shù).結(jié)果表明,LBP 結(jié)合梯度提升分類器方法可以獲得最佳性能,準(zhǔn)確率達(dá)89 %.說明圖像處理算法具有很大的潛力.

圖1 基于稀疏表示檢測(cè)算法流程圖Fig.1 The flow chart of detection algorithm based on sparse representation

1.1.2 X 射線三維成像技術(shù)

X 射線三維層析成像與計(jì)算機(jī)技術(shù)聯(lián)系十分緊密,它是一種依據(jù)射線數(shù)據(jù)重塑鑄件斷層物理特征分布圖的檢測(cè)技術(shù).該技術(shù)可以直觀地表征鑄件內(nèi)槽腔等被遮擋部分的三維形貌,且能將鑄件尺寸測(cè)量和缺陷質(zhì)量控制等兩個(gè)任務(wù)在單個(gè)檢查過程中同時(shí)實(shí)現(xiàn),提高了復(fù)雜鑄件的檢測(cè)效率[28].

Plessis 等[29]利用X 射線微計(jì)算機(jī)斷層掃描技術(shù)構(gòu)造出航空鈦鑄件內(nèi)部的清晰視圖,并根據(jù)孔洞類缺陷的體積形態(tài)對(duì)其進(jìn)行著色分類.該技術(shù)能在不到4 小時(shí)完成無損分析,大大降低了檢測(cè)時(shí)間與成本.Yang 等[30]研究了X 射線計(jì)算機(jī)斷層掃描(Computed tomography,CT)技術(shù),精確測(cè)量并建模氣孔類缺陷和疲勞裂紋.圖2 為拉伸桿和航空工件的原圖像和CT 圖像數(shù)據(jù),鑄件呈外表面透明,孔洞類缺陷部位呈顆粒狀[31].Plessis 等[32]分別采用醫(yī)學(xué)CT 和微型CT 掃描儀器對(duì)鋼制渦輪機(jī)葉片與鈦鑄件進(jìn)行工業(yè)無損分析.典型的工業(yè)CT 掃描時(shí)間為30 到60 分鐘,而醫(yī)用CT 掃描儀僅在5 秒內(nèi)完成掃描.對(duì)于醫(yī)學(xué)掃描,其成像結(jié)果缺乏一定的分辨率和清晰度,在內(nèi)部缺陷特征表征方面不會(huì)對(duì)檢測(cè)結(jié)果造成太大偏差.故醫(yī)學(xué)CT 是快速檢測(cè)鑄件表面缺陷和內(nèi)部較大缺陷的首選.但醫(yī)用CT 在尺寸測(cè)量方面的能力僅限于此.由于醫(yī)用CT 缺乏良好的穿透性所造成的圖像偽影與失真,會(huì)導(dǎo)致重構(gòu)鑄件邊緣的尺寸大于實(shí)際尺寸,造成公差數(shù)值判定不準(zhǔn)確,后續(xù)操作不合理.霍其潤(rùn)等[33]提出了一種后處理的偽影校正算法,其從環(huán)形偽影的幾何特性角度出發(fā),降低了極坐標(biāo)系下處理圖像偽影時(shí)其他細(xì)節(jié)信息的丟失,并于算法中引入相對(duì)全變分約束形式,以達(dá)到對(duì)偽影信息的抑制效果.Villarraga-Gómez 等[34]分析了CT 技術(shù)中參數(shù)的選定對(duì)尺寸測(cè)量的影響,實(shí)驗(yàn)結(jié)果表明,投影數(shù)量Np 對(duì)尺寸準(zhǔn)確度起重要作用.Np 越大,尺寸測(cè)量方差越小,重建時(shí)間拉長(zhǎng).Liu 等[35]重點(diǎn)研究了環(huán)形鑄件的尺寸精度測(cè)量方法,針對(duì)環(huán)性鑄件主要通過長(zhǎng)度和角度來表征關(guān)鍵坐標(biāo)點(diǎn)這一先驗(yàn)信息,將極坐標(biāo)引入確定性定位偏差分析算法中計(jì)算CT 重構(gòu)鑄件的外觀尺寸與壁厚.減少了信息處理、誤差分解的步驟,使計(jì)算過程更簡(jiǎn)單.文獻(xiàn)[36]將ISO 15530 系列標(biāo)準(zhǔn)用于解決CT 測(cè)量不確定度估算問題,并運(yùn)用外推近似計(jì)算方法成功使CT 鑄件掃描的測(cè)量值收斂在±2 μm 以內(nèi).

圖2 拉伸桿和航空工件原圖像及CT 重建的三維圖像Fig.2 Original images of stretching rods and aerial parts and three dimensional images rebuilt by CT

Zhao 等[37]提出了一種基于三維學(xué)習(xí)缺陷自動(dòng)識(shí)別方法.該方法首先利用形態(tài)學(xué)閉運(yùn)算和模板匹配的方法提取缺陷候選區(qū)域,然后采用基于局部配準(zhǔn)的方法生成精確的缺陷分割掩碼,最后計(jì)算了包括幾何特征和灰度共生矩陣的紋理等29 個(gè)特征.采用快速隨機(jī)森林分類器對(duì)候選區(qū)域進(jìn)行無缺陷或無缺陷分類.該系統(tǒng)在31 幅工業(yè)鑄件CT 掃描圖像上測(cè)試了49 個(gè)氣孔類缺陷,準(zhǔn)確率高達(dá)94 %.為合理分配硬件資源,提升生產(chǎn)線整體效能,Oeckl等[38]提出了X 射線計(jì)算機(jī)斷層掃描重建和圖像處理的融合,經(jīng)過圖像處理步驟后,對(duì)汽車鋁鑄件中潛在的缺陷區(qū)域進(jìn)行高分辨率層析成像,對(duì)其他鑄件區(qū)域采用低分辨率重構(gòu).該方法能在25 秒內(nèi)完成全鑄件的缺陷檢測(cè),滿足鑄造生產(chǎn)周期要求,使CT 檢測(cè)技術(shù)緊貼工業(yè)實(shí)際.

在X 射線三維成像技術(shù)中,多是針對(duì)CT 掃描時(shí)長(zhǎng)進(jìn)行優(yōu)化,這是由于鑄造廠僅需知曉鑄件有無致命缺陷,便足以對(duì)其進(jìn)行篩分,故缺陷重構(gòu)質(zhì)量方面是次要的.但隨著精密鑄造零件的普及,鑄件尺寸公差有著更嚴(yán)謹(jǐn)?shù)尿?yàn)收標(biāo)準(zhǔn),所以未來,X 射線三維成像將朝著全尺寸、高精度、高時(shí)效等三個(gè)方面發(fā)展.

1.1.3 機(jī)器視覺檢測(cè)技術(shù)

視覺是人類感知外界信息的重要手段,通過人眼能夠捕捉目標(biāo)的大小、顏色、紋理等信息.機(jī)器視覺就是用相機(jī)等機(jī)器設(shè)備代替人眼對(duì)信息進(jìn)行觀察與判斷.如今的機(jī)器視覺檢測(cè)系統(tǒng)設(shè)計(jì)和質(zhì)量管理機(jī)制已經(jīng)在中國(guó)得到了廣泛應(yīng)用并不斷革新和深化.機(jī)器視覺檢測(cè)系統(tǒng)主要包括光源、圖像獲取單元、圖像處理單元和執(zhí)行機(jī)構(gòu)組成.該技術(shù)的優(yōu)缺點(diǎn)包括以下幾點(diǎn):

1)機(jī)器視覺檢測(cè)系統(tǒng)成本低,自動(dòng)化程度高,可不間斷地使用;

2)圖像獲取速度快,存儲(chǔ)所需容量小、檢測(cè)結(jié)果直觀且易于保存;

3)由于系統(tǒng)組成模塊較多,各模塊一旦發(fā)生故障則會(huì)使整個(gè)系統(tǒng)的檢測(cè)效果變差;

4)機(jī)器視覺檢測(cè)系統(tǒng)的圖像獲取階段會(huì)由于環(huán)境和數(shù)據(jù)采集系統(tǒng)的影響,而不可避免地存在遮擋、光線不均勻、對(duì)比度低等問題,使得機(jī)器難于得到缺陷的紋理和實(shí)際邊緣信息.

隨著鑄造行業(yè)對(duì)鑄件質(zhì)量、生產(chǎn)工藝、成本效率提出了多重需求[39],人們對(duì)機(jī)器視覺檢測(cè)系統(tǒng)的智能化程度也提出了更高要求.同時(shí),我國(guó)制定了《中國(guó)制造2025》、《智能制造裝備產(chǎn)業(yè) “十三五”發(fā)展規(guī)劃》 等多個(gè)智能制造產(chǎn)業(yè)發(fā)展政策.伴隨著政策的不斷深入,人工智能技術(shù)與工業(yè)越發(fā)密不可分,逐漸在智能生產(chǎn)制造過程中發(fā)揮不可取代的作用.智能視覺機(jī)器人是現(xiàn)代機(jī)器人技術(shù)與機(jī)器視覺檢測(cè)技術(shù)結(jié)合的產(chǎn)物,實(shí)現(xiàn)了高端裝備和工業(yè)過程控制的集成優(yōu)化[40].

將機(jī)器視覺檢測(cè)系統(tǒng)與空中無人駕駛技術(shù)相結(jié)合,可令服役中的軌道巡檢工作從局限的地面中解放出來,實(shí)現(xiàn)對(duì)檢測(cè)裝置高度的自主化調(diào)整,不受列車時(shí)刻表的限制.使檢測(cè)設(shè)備在時(shí)間與空間上更具靈活性.Singh 等[41]在無人機(jī)上搭載了DJI 幻影3 專業(yè)版攝像頭,通過運(yùn)用量化計(jì)算解決了航空影像難以生成航跡匯聚圖問題.整個(gè)系統(tǒng)實(shí)現(xiàn)了對(duì)鐵軌上存在的各種異常情況進(jìn)行精準(zhǔn)高效檢查.鑄電磁線會(huì)由于鑄造加熱不均勻而產(chǎn)生細(xì)微缺陷,Wan等[42]部署微型旋轉(zhuǎn)軸機(jī)器人將微絲連續(xù)旋轉(zhuǎn)360°.該機(jī)器人系統(tǒng)由兩個(gè)線性納米定位器和一個(gè)旋轉(zhuǎn)納米定位器三個(gè)納米定位器組成,同時(shí)內(nèi)嵌入掃描電子顯微鏡以獲得微絲更多表面信息.針對(duì)風(fēng)輪機(jī)葉片無法拆卸且待測(cè)部位距地面較遠(yuǎn)等現(xiàn)象,Wang等[43]利用無人飛行器拍攝圖像,開發(fā)了識(shí)別葉片裂紋的級(jí)聯(lián)分類器與一種篩選圖像并定位裂紋區(qū)域的機(jī)制.這種數(shù)據(jù)驅(qū)動(dòng)框架具有高速檢測(cè)性能,可以在不到0.09 s 完成圖像獲取.Frayman 等[44]設(shè)計(jì)了一種鋁壓鑄表面缺陷自動(dòng)檢測(cè)機(jī)器視覺系統(tǒng).由機(jī)械臂將鑄件從零件庫(kù)中抓取并拍攝.在圖像處理階段,采用參數(shù)學(xué)習(xí)算法與遺傳算法對(duì)多尺度的壓鑄件缺陷進(jìn)行檢測(cè).算法能夠100 % 識(shí)別直徑大于1 mm 的任何缺陷,誤檢率為0.25 %.該系統(tǒng)已應(yīng)用于工業(yè)現(xiàn)場(chǎng)超過一年.

對(duì)于聲、光、電磁等物理檢測(cè)技術(shù)來說,儀器性能為技術(shù)的核心.硬件的好壞會(huì)直接影響到檢測(cè)效果.而另一個(gè)與機(jī)器視覺檢測(cè)硬件系統(tǒng)并列重要模塊是圖像檢測(cè)算法,其更專注于模型和算法能力.基于算法的檢測(cè)主要分為兩大類:一類是圖像處理的傳統(tǒng)算法,另一類是基于神經(jīng)網(wǎng)絡(luò)的方法.前者可以對(duì)特定對(duì)象具有針對(duì)性的去噪、增強(qiáng)和實(shí)時(shí)檢測(cè),該領(lǐng)域的算法已經(jīng)非常完善,應(yīng)用范圍十分廣泛.在很多工業(yè)生產(chǎn)中,時(shí)效性確是一大重要的考量指標(biāo),如果缺陷檢測(cè)難以嚴(yán)格實(shí)時(shí),將會(huì)給鑄件制造商帶來巨大的經(jīng)濟(jì)損失.Li 等[45]解決了連鑄過程中低時(shí)效、低識(shí)別率的問題.首先,采用圖像裁剪算法剔除無缺陷的背景,其次對(duì)剩余部分采用區(qū)域生長(zhǎng)算法進(jìn)行波紋缺陷檢測(cè).該方案在一定程度上替代了人工識(shí)別,同時(shí)降低了鑄工成本.Ma 等[46]提出了一種面向不規(guī)則渦輪葉片損傷缺陷的基于邊緣像素方向信息跟蹤與檢測(cè)方法,該法處理速度約為11 幀,提高了生產(chǎn)效率和質(zhì)量控制水平.雖然傳統(tǒng)圖像處理算法不依賴先驗(yàn)知識(shí),但是現(xiàn)有的缺陷檢測(cè)技術(shù)準(zhǔn)確性低.文獻(xiàn)[47]使用四種傳統(tǒng)圖像分割方法來檢測(cè)鑄件表面夾雜物等缺陷,比較了這些分類器的分類精度.

1.1.4 高光譜檢測(cè)技術(shù)

高光譜成像是一個(gè)復(fù)雜,多學(xué)科高度融合的領(lǐng)域.該技術(shù)可以在連續(xù)光譜帶中采集空間圖像.所以高光譜圖像除了有二維空間信息以外,每個(gè)像素都包含完整的光譜信息,可反映鑄件內(nèi)部的物理屬性與結(jié)構(gòu)成分的差異[48].高光譜成像技術(shù)是一項(xiàng)新興的,非侵入性光學(xué)技術(shù).

鑄造行業(yè)需要實(shí)時(shí)監(jiān)控鑄件表面和內(nèi)部質(zhì)量變化.檢測(cè)人員僅能夠捕捉肉眼可觀測(cè)的缺陷,而高光譜成像能夠得到這些缺陷更詳盡的信息,并跟蹤鑄件內(nèi)發(fā)生的任何變化.Mehrubeoglu 等[49]首次有針對(duì)性地分析高光譜成像在鑄件檢測(cè)領(lǐng)域的應(yīng)用,采用高光譜成像儀顯示出潛在缺陷處突變?yōu)榈蛷?qiáng)度的光譜輪廓,映射并量化了鋁鑄件表面裂紋缺陷區(qū)域.鋁鑄件的光譜數(shù)據(jù)如圖3 所示.缺陷在連續(xù)波段光譜下的數(shù)據(jù)繪制出一條與光照強(qiáng)度相關(guān)的對(duì)應(yīng)特定曲線.

圖3 鋁鑄件缺陷與無損傷處的高光譜數(shù)據(jù)Fig.3 Hyperspectral data of aluminum casting defects and no damage

目前,高光譜技術(shù)在工業(yè)界多領(lǐng)域都是重點(diǎn)研究的方向,然而如今鑄造業(yè)尚未普及高光譜檢測(cè)技術(shù),這是由于該技術(shù)應(yīng)用于鑄件缺陷檢測(cè)過程中存在以下難點(diǎn):

1)照射鑄件的光源會(huì)由于鑄件表面的強(qiáng)反射作用,使得難于對(duì)光譜強(qiáng)度信息進(jìn)行有力判斷;

2)工業(yè)界需要對(duì)鑄件進(jìn)行實(shí)時(shí)檢測(cè),保障經(jīng)濟(jì)效益,而常規(guī)的光譜成像系統(tǒng)掃描速度緩慢,成像時(shí)間長(zhǎng);

3)多光譜高分辨率圖像存儲(chǔ)所需空間大、冗余度高、噪聲更易引入,最終導(dǎo)致檢測(cè)結(jié)果精度難于提高,且判斷缺陷過程復(fù)雜而耗時(shí);

4)光譜圖像不僅包括豐富的光譜信息,空間信息也是不可忽視的,現(xiàn)有的信號(hào)處理方法對(duì)這項(xiàng)新興技術(shù)的融入還存在局限.

高光譜成像技術(shù)擁有極大的發(fā)展?jié)摿?但相應(yīng)的信號(hào)分析算法還需要不斷更新優(yōu)化.正在興起的深度學(xué)習(xí)算法領(lǐng)域?qū)?shù)據(jù)具有強(qiáng)分辨能力,能夠深度挖掘與提煉缺陷的波段空間特征.未來,深度學(xué)習(xí)模塊與組件將完美地整合高光譜技術(shù)獨(dú)特優(yōu)勢(shì).

1.2 基于聲學(xué)的無損檢測(cè)技術(shù)

1.2.1 常規(guī)超聲檢測(cè)技術(shù)

超聲波是指頻率高于20 kHz 的彈性波.超聲檢測(cè)技術(shù)是指利用超聲波對(duì)鑄件內(nèi)部宏觀缺陷進(jìn)行檢查的一種主流無損探傷方法.其采用常規(guī)探頭對(duì)準(zhǔn)鑄件待測(cè)位置的表面發(fā)射超聲波,利用超聲波在遇到兩側(cè)聲阻抗有差異的界面時(shí)產(chǎn)生反射波的特性,進(jìn)而分析不同反射信號(hào)傳遞到探頭的聲波信號(hào)和時(shí)間差,即可獲得鑄件內(nèi)部缺陷信息.超聲波檢測(cè)技術(shù)具有以下特點(diǎn):

1)厚度較大的鑄件無法采用X 射線檢測(cè)技術(shù)和渦流熱成像檢測(cè)技術(shù)對(duì)其進(jìn)行充分探測(cè).基于超聲波本身具有穿透能力強(qiáng)、能量衰減小的特性,足以對(duì)大厚度鑄件的內(nèi)部裂紋、夾雜類缺陷與孔洞類缺陷進(jìn)行深度可達(dá)數(shù)米的檢測(cè)、定位、評(píng)估和診斷;

2)超聲波探測(cè)裝置硬件成本低,對(duì)人體無害,且不污染環(huán)境;

3)可對(duì)被測(cè)鑄件進(jìn)行高速、多角度探測(cè),獲取內(nèi)部缺陷的位置、大小和形態(tài)等特征信息;

另一方面,超聲波檢測(cè)技術(shù)不易檢查結(jié)構(gòu)復(fù)雜鑄件,并對(duì)被測(cè)表面的平整度有一定要求,且需要耦合劑輔助超聲波傳入鑄件.所以,在選擇檢測(cè)手段時(shí),應(yīng)貼合鑄造廠實(shí)際需求,注重資源整合,推動(dòng)資源聚集以提升整體效能.

針對(duì)球墨鑄鐵件中孔洞類、夾雜類和冷隔等多類缺陷,李小青等[50]分析了與缺陷類別對(duì)應(yīng)的正面和背面超聲波形反射特征.得出超聲探測(cè)過程中使用反射波信號(hào)對(duì)缺陷進(jìn)行定性定量時(shí),會(huì)存在較大偏差的結(jié)論.Xiao 等[51]結(jié)合改進(jìn)的超聲測(cè)量模型(Improved ultrasonic measurement model,IUMM)和支持向量機(jī)(Support vector machine,SVM),提出了一種使用掃描聲顯微技術(shù)識(shí)別金屬材料中夾雜物和空腔的新方法.在IUMM 中,開發(fā)了Born 近似和Kirchhoff 近似的混合模型來計(jì)算孔洞類缺陷的遠(yuǎn)場(chǎng)散射幅度,從而提高了預(yù)測(cè)缺陷脈沖回波信號(hào)的相位和幅度的準(zhǔn)確性.SVM 分類器以預(yù)測(cè)回波信號(hào)的幅度和峰值頻率為主要特征,區(qū)分夾雜物和孔洞類缺陷.實(shí)驗(yàn)結(jié)果表明,所提出的IUMM 預(yù)測(cè)的回波信號(hào)在幅度和頻率上都比傳統(tǒng)的UMM 更為準(zhǔn)確.SVM 分類器也能夠成功識(shí)別各處缺陷,實(shí)現(xiàn)了超聲波信號(hào)的智能分析.

1.2.2 相控陣超聲檢測(cè)技術(shù)

相控陣超聲檢測(cè)技術(shù)是超聲探傷領(lǐng)域的一個(gè)重要分支.與常規(guī)超聲不同的是,相控陣超聲探頭由多個(gè)獨(dú)立的壓電晶片排列構(gòu)成陣列,并按照人為設(shè)定的延遲時(shí)間激發(fā)各晶片產(chǎn)生超聲波,所有晶片響應(yīng)疊加后形成新的波陣面.因此,相控陣超聲檢測(cè)技術(shù)能實(shí)現(xiàn)可控的動(dòng)態(tài)聚焦與相位偏轉(zhuǎn)等多種相控效果,可有效地檢出鑄件內(nèi)部各種面狀缺陷與體積型缺陷.

Tkocz 等[52]設(shè)計(jì)了一種低成本的四通道相控陣電磁超聲換能器系統(tǒng),其聚焦生成的超聲波束完成了在32 cm 厚的粗糙鑄鋼板上的缺陷檢測(cè)實(shí)驗(yàn),由脈沖回波A 掃描數(shù)據(jù)可知,該系統(tǒng)可檢測(cè)到16 cm深的人工缺陷.蘇宣機(jī)等[53]運(yùn)用相控陣超聲波技術(shù)對(duì)正火狀態(tài)下的閥門鑄鋼件進(jìn)行探測(cè),可快速得到C、B、D、S 掃描和A 型脈沖顯示和三維立體成像,但缺陷表征與實(shí)際缺陷存在偏差.其中,缺陷長(zhǎng)度最大偏差為3 mm,深度最大偏差為0.6 mm.增益補(bǔ)償是量化超聲相控陣檢測(cè)缺陷的關(guān)鍵參數(shù),適當(dāng)?shù)脑鲆婺芴岣咴摷夹g(shù)的缺陷分辨率,增強(qiáng)缺陷判別的可靠性.Xue 等[54]深入研究了缺陷位置、缺陷尺寸、缺陷重疊和邊界距離這四種變量對(duì)相控陣超聲能量增益值之間的關(guān)系.結(jié)果表明,增益補(bǔ)償和缺陷深度之間存在嚴(yán)格的線性正相關(guān),與缺陷尺寸之間存在嚴(yán)格的線性負(fù)相關(guān);對(duì)于近表面缺陷,增益補(bǔ)償隨著缺陷與邊界距離的減小而減小;對(duì)于缺陷重疊情況,則有必要對(duì)待測(cè)鑄件進(jìn)行縱向波和橫向波掃描.蔣毓良等[55]將超聲相控陣技術(shù)應(yīng)用在輪轂球鐵件的缺陷檢測(cè),能分辨出相鄰的小缺陷,有利于對(duì)缺陷級(jí)別的準(zhǔn)確評(píng)定.

Han 等[56]使用帶編碼器的相控陣掃描裝置,對(duì)距離配置信息的數(shù)據(jù)進(jìn)行采集和成像,以實(shí)現(xiàn)基于超聲數(shù)據(jù)的高精度三維成像.經(jīng)過平滑過濾器等傳統(tǒng)圖像處理技術(shù),重建圖像測(cè)量誤差小于5 %.該系統(tǒng)可以在空間上形成更直觀的缺陷表現(xiàn),可以準(zhǔn)確反映缺陷的位置、形狀和大小信息.但由于工業(yè)檢測(cè)環(huán)境、鑄件材料性能和缺陷的復(fù)雜特性等原因,基于相控超聲的三維成像仍處于發(fā)展階段.

1.2.3 全聚焦相控陣超聲檢測(cè)技術(shù)

許多鑄件表面紋理粗糙,使得相控陣超聲波反射特性難表征,成像模糊.這是因?yàn)橄嗫仃嚦暀z測(cè)成像的所有幀都在一個(gè)恒定的深度上聚焦.位于聚焦區(qū)域之外的反射區(qū)域會(huì)顯得模糊不清.全聚焦方法(Total focusing method,TFM)對(duì)此做出了良好改進(jìn).其依次激活單個(gè)陣元產(chǎn)生擴(kuò)散角度大的超聲波,并在所有陣元上接收反射信號(hào),因此可以為聚焦區(qū)域內(nèi)的任何位置生成高度清晰的圖像[57].

文獻(xiàn)[58]對(duì)于表面紋理呈樹枝狀的輕合鑄件進(jìn)行全聚焦方法進(jìn)行高分辨率成像.由于TFM 可以從不同的方向傳輸和接收,覆蓋大范圍探測(cè)區(qū)域,所以輸出圖像的信噪比極高,賈樂成等[59]采用16陣元相控陣探頭,對(duì)帶有人工缺陷的鋁塊進(jìn)行檢測(cè)試驗(yàn),通過索引數(shù)據(jù)加速技術(shù)可以將每幀圖像成像時(shí)間縮短至135 ms 以內(nèi),并添加指向性校準(zhǔn)模型以優(yōu)化最終的圖像質(zhì)量.

1.2.4 激光超聲檢測(cè)技術(shù)

激光超聲技術(shù)是一種無接觸,高精度的新型超聲檢測(cè)技術(shù).用激光脈沖照射工件表面,通過燒蝕、熱彈性和等離子體三種不同的效應(yīng)在鑄件表面激發(fā)超聲波,隨后用光學(xué)干涉儀對(duì)其進(jìn)行非破壞性與非接觸測(cè)量來獲取工件厚度、內(nèi)部和表面缺陷,材料參數(shù)等工件信息.該技術(shù)結(jié)合了超聲探測(cè)的高空間分辨率和光學(xué)探測(cè)非接觸的優(yōu)勢(shì),具有高靈敏度,高探測(cè)帶寬的優(yōu)點(diǎn),可全方位在線掃描工件中表面和亞表面缺陷[60-61].

Liu 等[62]提出了一種采用非接觸式雙激光超聲系統(tǒng)的雙激光誘導(dǎo)非線性超聲調(diào)制技術(shù),該系統(tǒng)檢測(cè)金屬鑄件樣品中的疲勞裂紋效果優(yōu)良.曾偉等[63]提出了一種基于能量分析的激光超聲技術(shù)對(duì)表面缺陷進(jìn)行檢測(cè),通過觀察金屬鑄件中超聲波能量分布圖,對(duì)缺陷的位置、大小、形狀等缺陷信息進(jìn)行檢測(cè).在鋁材料和不銹鋼兩種材料上的試驗(yàn),取得了良好的定位性能.Liu 等[64]提出了一種基于非線性激光超聲和基于狀態(tài)空間的方法.經(jīng)過兩個(gè)激光脈沖掃描后鑄件內(nèi)部產(chǎn)生超聲波,波形數(shù)據(jù)被高頻傳感器所記錄,并據(jù)此重建出基于狀態(tài)空間的吸引子.通過觀察平均局部吸引子方差比的空間分布,高效地檢測(cè)與定位鑄件裂紋.Grün 等[65]和Roither 等[66]運(yùn)用該激光超聲裝置,對(duì)以1.6 mm/s 速度連續(xù)鑄造的鑄鋁板進(jìn)行在線超聲檢測(cè),能實(shí)時(shí)獲得探測(cè)波形信號(hào).其超聲波信號(hào)幅度、高超聲頻率與微觀結(jié)構(gòu)噪聲的規(guī)律變化,都證實(shí)了激光超聲檢測(cè)判斷凝固裂紋有無的可行性,該系統(tǒng)能在鑄造過程中及時(shí)獲取鑄件缺陷信息,在保證鑄件質(zhì)量的同時(shí),也縮短了工藝時(shí)間,提高鑄造廠的經(jīng)濟(jì)效益.圖4 為凝固擴(kuò)展裂紋的超聲波透射歸一化信號(hào)與反射歸一化信號(hào).

圖4 凝固擴(kuò)展裂紋的超聲波信號(hào)Fig.4 Ultrasonic signal of solidification propagation crack

1.3 基于電磁學(xué)的無損檢測(cè)技術(shù)

1.3.1 渦流檢測(cè)技術(shù)

渦流檢測(cè)技術(shù)是一種廣泛使用并易于理解的無接觸式檢測(cè)技術(shù),是建立在電磁感應(yīng)理論基礎(chǔ)上的無損方法.用通有交變電流的線圈靠近或嵌套待探測(cè)鑄件,根據(jù)法拉第電磁感應(yīng)定律,在鑄件中會(huì)產(chǎn)生感應(yīng)電流進(jìn)而產(chǎn)生連續(xù)渦流.線圈在工件上移動(dòng)時(shí),會(huì)因鑄件自身各因素變化,如形狀、尺寸、缺陷等,導(dǎo)致渦流磁場(chǎng)強(qiáng)度和分布發(fā)生突變,便能判定鑄件對(duì)應(yīng)部位的性質(zhì)和狀態(tài).傳統(tǒng)渦流檢測(cè)技術(shù)對(duì)復(fù)雜鑄件束手無策,但是對(duì)形狀簡(jiǎn)單的鑄件具有高靈敏度與高檢測(cè)效率.具體來說,其是唯一能夠以高達(dá)1 200 ℃的溫度和高達(dá)150 m/s 的速度下對(duì)諸如電線、棒材和管狀工件等鐵磁性和非鐵磁性金屬導(dǎo)電材料進(jìn)行自動(dòng)化檢測(cè)的傳統(tǒng)技術(shù)[67],是其他現(xiàn)有新興無損檢測(cè)技術(shù)也無可比擬的.與其他技術(shù)相比,渦流檢測(cè)技術(shù)的主要優(yōu)勢(shì)有:

1)在探測(cè)過程中,無需接觸鑄件或在裝置與鑄件間使用耦合劑,故能夠在高溫環(huán)境下快速探測(cè),并具備良好的探測(cè)性能;

2)對(duì)導(dǎo)電金屬鑄件表面和近表面缺陷的探測(cè)效率很高;

3)以電信號(hào)作為檢測(cè)結(jié)果,方便存儲(chǔ)、再現(xiàn)和進(jìn)行數(shù)據(jù)比較與處理.

同樣,渦流檢測(cè)技術(shù)存在著技術(shù)不足:

1)只適用于導(dǎo)電金屬型或能產(chǎn)生感生渦流的結(jié)構(gòu)簡(jiǎn)單的鑄件,復(fù)雜鑄件難于運(yùn)用.檢測(cè)結(jié)果易受鑄件結(jié)構(gòu)形狀、材料特性和外界磁場(chǎng)的影響;

2)渦流檢測(cè)技術(shù)難以區(qū)分缺陷類別與形態(tài),不能對(duì)缺陷進(jìn)行有效地分類分級(jí),且無法檢測(cè)到鑄件內(nèi)部缺陷.

隨著微電子學(xué)和計(jì)算機(jī)技術(shù)的發(fā)展和各種信號(hào)處理技術(shù)的采用,渦流信號(hào)處理技術(shù)和渦流探傷儀器等方面長(zhǎng)足發(fā)展.傳統(tǒng)渦流檢測(cè)技術(shù)也開始不局限于單頻信號(hào)處理.Bernieri 等[68]通過組合各種正弦頻率信號(hào)以激發(fā)具有期望幅度的頻率分量來實(shí)現(xiàn)多頻信號(hào),使用高靈敏度的巨型磁阻(Giant magneto resistance,GMR)傳感器對(duì)含裂紋的鋁合金的感生磁場(chǎng)實(shí)時(shí)進(jìn)行信號(hào)采集,并在頻域中對(duì)采集數(shù)據(jù)進(jìn)行分析.針對(duì)普通渦流檢測(cè)方法只能實(shí)現(xiàn)缺陷檢測(cè)而難以實(shí)現(xiàn)缺陷分類的問題,Betta 等[69]提出一種采用線性調(diào)頻信號(hào)激勵(lì)渦流傳感器和探測(cè)信號(hào)譜分析的多頻渦流檢測(cè)方法.該方法采用線性調(diào)頻信號(hào)激勵(lì)位于交流電橋中的線圈渦流傳感器,放大和采集輸出信號(hào)進(jìn)行譜分析,根據(jù)譜圖能量變化,可以檢出缺陷;同時(shí),為了有效地實(shí)現(xiàn)缺陷分類,對(duì)多頻渦流信號(hào)構(gòu)建二維圖像,運(yùn)用圖像處理方法提升了該技術(shù)缺陷檢測(cè)性能.

1.3.2 遠(yuǎn)場(chǎng)渦流檢測(cè)技術(shù)

遠(yuǎn)場(chǎng)渦流檢測(cè)技術(shù)(Remote field eddy current,RFEC)是在傳統(tǒng)渦流檢測(cè)的基礎(chǔ)上,對(duì)管狀鑄件更具針對(duì)性的優(yōu)化技術(shù).遠(yuǎn)場(chǎng)渦流檢測(cè)探頭為內(nèi)置型探頭.一般由激勵(lì)線圈、檢測(cè)線圈與減震器組成.當(dāng)激勵(lì)線圈通有變化的電流后,其所發(fā)散出的磁力線穿過內(nèi)壁,并再次穿過工件壁與接收線圈形成閉合磁場(chǎng).檢測(cè)線圈接收到的信號(hào)通過一定的可視化方法提取管狀鑄件的缺陷信息.

She 等[70]針對(duì)RFEC 裝置進(jìn)行結(jié)構(gòu)優(yōu)化,通過在RFEC 探針的激勵(lì)線圈和檢測(cè)線圈之間插入屏蔽板,使得探頭的尺寸縮短2 倍,并在鐵磁管道的外部引入了一個(gè)鐵磁環(huán)以產(chǎn)生更強(qiáng)的磁通密度,提高檢測(cè)線圈信號(hào)接收性能.同樣是為解決傳統(tǒng)傳感器的缺點(diǎn),鑒于傳統(tǒng)傳感器的信號(hào)普遍存在信噪比低和對(duì)軸向裂紋的敏感性差的缺點(diǎn),Xu 等[71]提出了一種基于正交磁場(chǎng)激勵(lì)的新型高靈敏RFEC 傳感器.對(duì)新型自差模拾取線圈在內(nèi)的不同類型的檢測(cè)線圈進(jìn)行設(shè)計(jì)和分析,最終在鐵磁性管道上使用,由實(shí)驗(yàn)結(jié)果可知,新型傳感器可以大大提高缺陷檢測(cè)的靈敏度,對(duì)于深度小于壁厚40 %的軸向裂紋同樣具有高檢出率.文獻(xiàn)[72]比較了GMR 傳感器和各向異性磁阻(Anisotropic magneto resistive,AMR)傳感器在高靈敏度線性模式下進(jìn)行遠(yuǎn)場(chǎng)渦流檢測(cè)的性能.建立了兩個(gè)遠(yuǎn)程場(chǎng)渦流探頭,以比較縱向和橫向缺陷的檢測(cè)和表征能力,結(jié)果表明,在磁場(chǎng)強(qiáng)度變化方面,GMR 傳感器比AMR 傳感器更為敏感,可提取的缺陷信息更詳盡.

儀器的檢測(cè)線圈遠(yuǎn)在激勵(lì)線圈的2～ 3 倍管道直徑之外,因此,檢測(cè)線圈所接收到的遠(yuǎn)場(chǎng)變化信息參雜了許多雜散電磁場(chǎng)干擾,使得RFEC 信號(hào)提取缺陷特征面臨困難.吳德會(huì)等[73]采用ANSYS 軟件建立三維遠(yuǎn)場(chǎng)渦流有限元仿真模型,分析了磁場(chǎng)在管壁內(nèi)的分布特性.通過三維仿真模型評(píng)估了軸向裂紋幾何尺寸參數(shù)對(duì)遠(yuǎn)場(chǎng)渦流探測(cè)信號(hào)的影響,裂紋的幾何尺寸與遠(yuǎn)場(chǎng)渦流探測(cè)信號(hào)之間的關(guān)系如圖5 所示.

圖5 裂紋的幾何尺寸與遠(yuǎn)場(chǎng)渦流探測(cè)信號(hào)關(guān)系Fig.5 The relationship between the crack geometry size and the far-field eddy current detection signal

另一方面,由于渦流信號(hào)會(huì)從激發(fā)線圈和接收線圈處2 次穿透管壁,所以同一缺陷必然影響2 次遠(yuǎn)場(chǎng)渦流信號(hào)的傳輸,在接收信號(hào)中體現(xiàn)為主峰和偽峰.主峰包含了管道缺陷的位置等信息,而偽峰則會(huì)對(duì)缺陷定位造成負(fù)面影響.為了排除偽峰對(duì)管道缺陷定位的干擾,羅清旺等[74]和孫虎等[75]提出了兩種新的遠(yuǎn)場(chǎng)渦流偽峰移除方法,分別利用維納去卷積濾波與數(shù)學(xué)形態(tài)學(xué)濾波器濾除缺陷信號(hào)的基線偏移.仿真實(shí)驗(yàn)和實(shí)際數(shù)據(jù)處理結(jié)果表明,兩類方法都具有良好的偽峰移除效果與普適性.

1.3.3 脈沖渦流檢測(cè)技術(shù)

傳統(tǒng)渦流檢測(cè)技術(shù)可以在鑄件中尋找到微裂紋的位置,而采用脈沖渦流檢測(cè)技術(shù)(Pulsed eddy current,PEC)可以根據(jù)微裂紋的位置信息自動(dòng)獲取有關(guān)微裂紋深度的信息[76].PEC 技術(shù)是一項(xiàng)可靠且成熟的技術(shù),其具有渦流檢測(cè)所有的優(yōu)點(diǎn),并且比前者的頻率范圍更寬,可提供足夠信息進(jìn)行缺陷識(shí)別和定量評(píng)估.

脈沖渦流通常是以一定占空比的方波作為激勵(lì)信號(hào)施加于初級(jí)線圈,當(dāng)初級(jí)線圈接近導(dǎo)電型金屬鑄件時(shí),內(nèi)部會(huì)感應(yīng)產(chǎn)生變化的渦流和再生磁場(chǎng).瞬時(shí)渦流大小和衰減狀況與工件的電磁特性、幾何形狀和耦合狀況密切相關(guān),次級(jí)線圈接收到的渦流再生磁場(chǎng)包含有豐富的缺陷信息,由此可實(shí)現(xiàn)對(duì)鑄件的探測(cè)與評(píng)估.

針對(duì)提振效應(yīng)、測(cè)量噪聲和表面氧化物對(duì)脈沖渦流檢測(cè)分類產(chǎn)生負(fù)面影響的問題,Qiu 等[77]應(yīng)用基于主成分-線性判別分析(Principal component analysis plus to linear discriminant analysis,PCALDA)和基于主成分-貝葉斯分析(Principal component analysis plus Bayes,PCA-Bayes)的PEC

技術(shù),兩者都能有效地對(duì)連鑄件表面和亞表面模擬裂縫和孔洞缺陷進(jìn)行精確分類.Peng 等[78]提取本征模函數(shù)(Intrinsic mode functions,IMF)的功率譜密度作為分類特征.缺陷分類算法同樣采用PCALDA 和PCA-Bayes 的PEC 技術(shù).IMF 是通過經(jīng)驗(yàn)?zāi)Ｊ椒纸?Empirical mode decompo sition,EMD)和整體EMD 得出的,進(jìn)一步優(yōu)化缺陷分類性能.在實(shí)際工業(yè)探測(cè)過程中,提振噪聲難于避免,在一定程度上會(huì)模糊PEC 探測(cè)的有用信息.針對(duì)這一現(xiàn)象,Yu 等[79]采用理論與實(shí)驗(yàn)的方法對(duì)鋁合金缺陷進(jìn)行分析.且在實(shí)驗(yàn)結(jié)果基礎(chǔ)上,提出了一種降低缺陷幾何信息提取噪聲的方法.該方法能降低有色金屬鑄件在PEC 無損探測(cè)中的提振噪聲,使得缺陷檢測(cè)定位更準(zhǔn)確.金屬內(nèi)部結(jié)構(gòu)在探測(cè)過程中也會(huì)導(dǎo)致PEC 信號(hào)變化響應(yīng),進(jìn)而產(chǎn)生誤檢.Benyahia 等[80]對(duì)時(shí)頻域中PEC 信號(hào)運(yùn)用連續(xù)小波變換分解,將真實(shí)信號(hào)與噪聲等有害信號(hào)分離.來增強(qiáng)鋁結(jié)構(gòu)的脈沖渦流響應(yīng).能量耗損是脈沖方波信號(hào)無法避免的弊端之一.Li 等[81]提出了一種選頻帶脈沖渦流檢測(cè)(Frequency-bandselecting pulsed eddy current testing,FSPECT)方法.與能量等價(jià)的方波形PEC 技術(shù)相比,FSPECT 技術(shù)對(duì)深度缺陷的響應(yīng)更大更迅速.Tao 等[82]提出一種使用卷積稀疏編碼模型的ECT 新特征提取方法.在恢復(fù)缺陷信號(hào)段方面能達(dá)到98 %的準(zhǔn)確性,獲得了較好的檢測(cè)結(jié)果.

1.3.4 脈沖渦流熱成像技術(shù)

脈沖渦流熱成像技術(shù)是脈沖渦流技術(shù)結(jié)合紅外熱成像技術(shù)的無損檢測(cè)技術(shù).具有檢測(cè)精度高、面積大、檢測(cè)結(jié)果直觀等特點(diǎn).脈沖渦流熱成像技術(shù)主要包括三個(gè)步驟:電磁感應(yīng)形成渦流場(chǎng)、感生電流產(chǎn)生的焦耳熱形成溫度場(chǎng)、利用熱像儀建立熱場(chǎng)分布模型[83].該技術(shù)結(jié)合電磁熱等多物理效應(yīng),大幅度增強(qiáng)缺陷表征能力.

脈沖渦流熱成像技術(shù)就是利用了二維鑄件中出現(xiàn)的電流流動(dòng)現(xiàn)象及其傳熱特性[84],鑄件缺陷與溫度場(chǎng)關(guān)系是該技術(shù)研究重點(diǎn).Franzini 等[85]設(shè)計(jì)了一種應(yīng)用于金屬鑄造的高分辨率熱成像檢測(cè)系統(tǒng),能夠?qū)崟r(shí)提供高解析度的紅外圖像.Singh 等[86]提出了主動(dòng)脈沖紅外熱成像技術(shù)檢測(cè)方法.使用Fluke Ti 32 紅外熱像儀,記錄金屬鑄件加熱和溫度衰減過程.利用含缺陷區(qū)域比無缺陷區(qū)域具有更高的溫度這一先驗(yàn)知識(shí),表征出具有高熱濃度的缺陷區(qū)域和缺陷的大小和深度.經(jīng)實(shí)驗(yàn)證明,含缺陷區(qū)域的冷卻過程需要消耗更長(zhǎng)時(shí)間.工件內(nèi)部氣孔缺陷3D 熱成像模型如圖6 所示.Zhu 等[87]提出了一種基于概率檢測(cè)的分析框架渦流脈沖熱成像系統(tǒng).通過最大熱響應(yīng)、一階微分成像和一階微分成像的比值來映射特征,由線性擬合得出鑄件裂縫長(zhǎng)度.文獻(xiàn)[88]設(shè)計(jì)了一種感應(yīng)加熱的主動(dòng)熱成像系統(tǒng).通過用紅外熱像儀記錄表面溫度,對(duì)整個(gè)紅外圖像序列使用傅里葉變換進(jìn)行評(píng)估,并對(duì)相位圖像進(jìn)行處理以檢測(cè)表面裂紋,同時(shí)分析計(jì)算不同深度裂縫周圍的信號(hào)分布,確定裂紋深度.在該模型下,設(shè)立zy平面為鑄件表面,x軸正方向?yàn)殍T件深度,y=0 為裂紋的位置.工件受到瞬時(shí)加熱脈沖后,由深度為d的垂直裂紋引起的表面額外溫度升高為:

圖6 合金樣品的缺陷區(qū)域熱成像3D 模型Fig.6 Thermal imaging 3D model of defect area of alloy sample

其中,κ表示熱擴(kuò)散率,λ 表示材料的熱導(dǎo)率,Q表示施加的表面熱通量.這個(gè)隨時(shí)間連續(xù)的積分方程體現(xiàn)溫度大致變化.下列公式得出裂紋的位置:

在加熱t(yī)時(shí)間后,表面的溫度升高為:

由式(1)～ (3)可以推斷裂紋距離:

1.4 其他無損檢測(cè)技術(shù)

磁粉檢測(cè)技術(shù)和滲透檢測(cè)技術(shù)都屬于五大常規(guī)無損檢測(cè)技術(shù).近年來,相關(guān)國(guó)家標(biāo)準(zhǔn)持續(xù)更新[89-90],在材料控制、工藝規(guī)范制定上趨于完善,提供了詳細(xì)的工藝材料要求和驗(yàn)收標(biāo)準(zhǔn),是不可替代的兩種鑄件表面缺陷檢測(cè)方法.從本質(zhì)上來看,這兩種技術(shù)都是對(duì)表面和近表面缺陷的顏色或紋理特征進(jìn)行增強(qiáng).與基于光學(xué)、聲學(xué)、電磁學(xué)等無損檢測(cè)技術(shù)有所不同的是,如今的磁粉檢測(cè)技術(shù)和滲透檢測(cè)技術(shù)于試劑噴灑階段、鑄件糾偏階段與缺陷檢測(cè)階段都需要檢測(cè)人員直接或間接參與.因此,鑄件缺陷檢測(cè)結(jié)果的正確與否與檢測(cè)人員操作息息相關(guān).

1.4.1 磁粉檢測(cè)技術(shù)

磁粉檢測(cè)是利用鐵磁性工件表面處缺陷在磁場(chǎng)中存在漏磁現(xiàn)象,在特殊介質(zhì)下特征顯著的一種無損檢測(cè)方法.由DT4A 超高純低碳純鐵軋制成的標(biāo)準(zhǔn)試片,可以檢驗(yàn)鐵磁性鑄件有效磁化區(qū)以及大致的有效磁場(chǎng)強(qiáng)度和方向,被廣泛用于磁粉探傷領(lǐng)域中.對(duì)于異形鑄件磁粉檢測(cè),也可采用合適的標(biāo)準(zhǔn)試片,將其固定于變截面處,吸引磁粉或磁懸液形成缺陷輪廓以完成探測(cè)階段.受漏磁場(chǎng)吸引所顯現(xiàn)的真實(shí)磁痕特征反映了缺陷本質(zhì).經(jīng)過相關(guān)鑄件缺陷圖譜比照后,對(duì)缺陷進(jìn)行定位、定性和定量分析.在探測(cè)階段,鑄件會(huì)因?yàn)楸砻娌黄交枰T造工作者對(duì)鑄件進(jìn)行打磨,在人工檢測(cè)階段,鑄造檢測(cè)人員的感知能力與表面處理能力對(duì)裂紋檢測(cè)的效率有著決定性影響[91].磁粉檢測(cè)技術(shù)具有以下優(yōu)缺點(diǎn):

1)操作簡(jiǎn)單方便,檢測(cè)成本低,靈敏度高;

2)可顯現(xiàn)出目視難以看出的細(xì)微缺陷;

3)只適用于探測(cè)鐵磁性鑄件的表面和近表面,對(duì)被測(cè)鑄件的表面光滑度要求高;

4)磁化后的鑄件需進(jìn)行退磁處理.

對(duì)于磁粉檢測(cè)技術(shù)而言,儀器設(shè)備的更新升級(jí)是帶動(dòng)技術(shù)的發(fā)展的重要途徑.陳新波等[92]設(shè)計(jì)了一套智能磁粉探傷機(jī),從移動(dòng)磁化系統(tǒng)、移動(dòng)夾緊系統(tǒng),到噴液和回收機(jī)構(gòu)等操作控制全部集成于一個(gè)設(shè)備控制面板上,實(shí)現(xiàn)了對(duì)中大型工件局部和整體的磁粉自動(dòng)檢測(cè).李澤鑫等[93]設(shè)計(jì)了一種便攜式磁粉探傷機(jī),可對(duì)不易搬運(yùn)的大型鑄件實(shí)時(shí)進(jìn)行磁粉探測(cè),加速了檢測(cè)時(shí)間,對(duì)需定期檢修的服役鑄鋼零件表面缺陷檢測(cè)提供了更為優(yōu)選技術(shù)方案.

1.4.2 滲透檢測(cè)技術(shù)

滲透檢測(cè)技術(shù)利用了液態(tài)著色劑與熒光劑在固液交界下的毛細(xì)現(xiàn)象以及其于特定光照下的顯像現(xiàn)象[94].具體就是將檢測(cè)試劑涂抹于表面處理后干燥的待測(cè)工件表面,等待時(shí)間至少7 分鐘.在特定光源下,通過目視法或選用3 倍以下的放大鏡進(jìn)行觀察和標(biāo)記,清洗過后采用掃描電鏡對(duì)顯像處進(jìn)一步評(píng)定鑄件表面缺陷的類型、形狀和大小等多種屬性.在檢測(cè)過程中,易受多方面因素影響而造成漏檢,重復(fù)檢驗(yàn)結(jié)果會(huì)有所不同,采用滲透檢測(cè)法檢測(cè)鑄件的優(yōu)點(diǎn)有檢測(cè)靈敏度高、表面缺陷表示直觀、不受鑄件形狀和化學(xué)成分等因素影響,且由于材質(zhì)適用范圍廣,滲透檢測(cè)比磁粉檢測(cè)更多地應(yīng)用于鑄造生產(chǎn)中[95].但缺點(diǎn)也顯而易見:滲透檢測(cè)技術(shù)耗時(shí)長(zhǎng)、對(duì)鑄件內(nèi)部缺陷無能為力、工藝流程復(fù)雜且自動(dòng)化程度低,且鑄造工作者需要與有害、易燃和揮發(fā)性材料接觸,同時(shí)要求在要暗室和黑光燈環(huán)境下檢測(cè).

本文總結(jié)比較了各類鑄件缺陷無損檢測(cè)技術(shù)如表2 所示.

表2 鑄件缺陷無損檢測(cè)與評(píng)估技術(shù)對(duì)比Table 2 Comparison of non-destructive testing and evaluation techniques for rail defects

2 基于神經(jīng)網(wǎng)絡(luò)的探測(cè)信號(hào)處理方法

在鑄件缺陷無損檢測(cè)過程中,探測(cè)階段所采集到的缺陷信號(hào)載體的物理特性不同,往往需要根據(jù)其特性有針對(duì)性地進(jìn)行信號(hào)分析方法研究.同時(shí),信號(hào)存在各種噪聲干擾,增加了缺陷特征提取難度,因此各類噪聲信號(hào)處理方法也需要提出和改良.而不同信號(hào)分析方法和信號(hào)處理方法的疊加,使得每種缺陷檢測(cè)方法的工作量增大,使用范圍變窄.近年來,國(guó)內(nèi)外學(xué)者對(duì)基于神經(jīng)網(wǎng)絡(luò)的信號(hào)處理方法展開研究,利用神經(jīng)網(wǎng)絡(luò)可以通過逐級(jí)迭代獲取輸入和輸出內(nèi)在聯(lián)系的特點(diǎn),將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)運(yùn)用于各種探測(cè)信號(hào)分析.同時(shí),神經(jīng)網(wǎng)絡(luò)的魯棒特性,使得其對(duì)含噪聲的信號(hào)仍具有高檢測(cè)效率.此外,基于樣本學(xué)習(xí)的方法可以完美融入大數(shù)據(jù)分析策略,通過對(duì)鑄件缺陷數(shù)據(jù)庫(kù)的學(xué)習(xí)來保障自身的高效性能.

2.1 基于深度學(xué)習(xí)的圖像處理方法

在圖像缺陷檢測(cè)領(lǐng)域中,深度學(xué)習(xí)算法以硬件的圖像處理模塊為載體,是重要的組成部分.與主流無損檢測(cè)方法側(cè)重點(diǎn)不同的是,它是對(duì)目標(biāo)特征進(jìn)行深度挖掘,并更側(cè)重于深度學(xué)習(xí)網(wǎng)絡(luò)性能,不易受到硬件水平的制約.與傳統(tǒng)圖像處理方法不同的是,傳統(tǒng)方法中的特征提取主要依賴于人工設(shè)計(jì)的提取器,需要從頭開始進(jìn)行數(shù)據(jù)篩選.根據(jù)數(shù)據(jù)的特異性,要采取不同的特征提取方法和分類器結(jié)合,經(jīng)過大量嘗試,才能得到滿足工業(yè)場(chǎng)景需求的特定方法,過程低效又昂貴.每個(gè)傳統(tǒng)圖像算法都是針對(duì)具體應(yīng)用,不具有普適性[97].

大多數(shù)車間不愿意投資深度學(xué)習(xí)的研發(fā)工作,依舊憑借傳統(tǒng)圖像算法作為工業(yè)解決方案,深度學(xué)習(xí)的應(yīng)用正面臨著嚴(yán)峻挑戰(zhàn)[98].實(shí)際上,各類探測(cè)儀器的成本逐年降低,更易獲取大量圖像和數(shù)據(jù).同時(shí),隨著感知機(jī)研究的不斷推進(jìn)和計(jì)算機(jī)硬件的換代升級(jí),深度學(xué)習(xí)為圖像檢測(cè)領(lǐng)域帶來了革命性的變革.學(xué)術(shù)界也紛紛涌現(xiàn)出各種高效又健壯的網(wǎng)絡(luò)框架,得以對(duì)X 射線檢測(cè)系統(tǒng)、機(jī)器視覺系統(tǒng)等系統(tǒng)所獲得的多樣化目標(biāo)進(jìn)行強(qiáng)大的感知和處理,其圖像檢測(cè)任務(wù)中的準(zhǔn)確率已然能與人類視覺能力相媲美,推進(jìn)速度令人矚目.圖像和數(shù)據(jù)處理需要用更先進(jìn)、更靈活的檢測(cè)手段才能保障鑄造廠的效率和性能,提高整體生產(chǎn)率.

文獻(xiàn)[99]將原始鑄件視覺圖片等比分割成九塊區(qū)域,再引入卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networ,CNN)模塊實(shí)現(xiàn)對(duì)鑄件表面夾雜物、氣孔和裂紋缺陷檢測(cè),檢測(cè)精度高達(dá)97.25 %以上.圖7 為文獻(xiàn)[99]設(shè)計(jì)的機(jī)器視覺系統(tǒng)檢測(cè)流程.在深度學(xué)習(xí)模型中,需要高質(zhì)量的數(shù)據(jù)集進(jìn)行訓(xùn)練,而對(duì)于鑄件內(nèi)部缺陷檢測(cè),采集的圖像常存在缺陷邊界不清晰的問題.傳統(tǒng)方法對(duì)于類間差異小的缺陷無法準(zhǔn)確分類,且標(biāo)簽的錯(cuò)誤最后會(huì)導(dǎo)致網(wǎng)絡(luò)性能下降.Yu 等[100]提出了一種自適應(yīng)深度和感受野選擇機(jī)制,使用 “惰性標(biāo)簽”對(duì)邊緣模糊的缺陷進(jìn)行標(biāo)注,可以克服缺陷邊緣模糊而導(dǎo)致的貼標(biāo)不準(zhǔn)確問題.使用該方法,可減少人工標(biāo)注的主觀錯(cuò)誤,提高標(biāo)簽的準(zhǔn)確性,獲得質(zhì)量更高的標(biāo)簽數(shù)據(jù).網(wǎng)絡(luò)識(shí)別的缺陷類別、位置和區(qū)域如圖8 所示.其中SS 為海綿縮松,MDFM 為高密度夾雜,GP 為針孔,LDFM 為低密度夾雜,GH 為氣孔,SC 為縮孔,Background 為無缺陷的背景區(qū)域.

圖7 機(jī)器視覺系統(tǒng)示意圖Fig.7 Schematic diagram of machine vision system

圖8 圖像識(shí)別缺陷的類別、位置和區(qū)域Fig.8 Image recognition defect category,location and area

另外,為了降低機(jī)器對(duì)精確標(biāo)注樣本的依賴性,Hu 等[101]提出了一種新穎的訓(xùn)練策略,該策略在訓(xùn)練階段將新的對(duì)象級(jí)注意機(jī)制融入學(xué)習(xí)模型中,僅使用圖像級(jí)標(biāo)簽訓(xùn)練包含孔洞與夾雜類缺陷的數(shù)據(jù)集,利用雙線性池提高模型檢測(cè)局部對(duì)比鑄件缺陷的能力,并將類激活圖(Class activation maps,CAM)擴(kuò)展到雙線性CAM,這一新型可視化技術(shù)增強(qiáng)了模型的可解釋性.最終減少額外的人工消耗并提高模型性能.同時(shí),由于鑄件種類繁多,鑄件上可獲取的各類缺陷圖片較少,而神經(jīng)網(wǎng)絡(luò)中包含大量的參數(shù),需要大量數(shù)據(jù)進(jìn)行訓(xùn)練.小數(shù)據(jù)集可能會(huì)導(dǎo)致網(wǎng)絡(luò)過擬合,所以在鑄件缺陷檢測(cè)中,小樣本是亟需解決的問題.Du 等[102]討論了擴(kuò)充數(shù)據(jù)集對(duì)網(wǎng)絡(luò)性能的影響.通過實(shí)驗(yàn)發(fā)現(xiàn),當(dāng)圖片增加到一定數(shù)量后,網(wǎng)絡(luò)性能會(huì)下降,所以在進(jìn)行數(shù)據(jù)擴(kuò)充時(shí),不能過度擴(kuò)充,故使用單一數(shù)據(jù)擴(kuò)充方法對(duì)網(wǎng)絡(luò)性能的提升有限的.

除了數(shù)據(jù)集外,網(wǎng)絡(luò)結(jié)構(gòu)也是影響網(wǎng)絡(luò)性能的重要因素.Ferguson 等[103]將ResNet-101、VGG-16等主流的特征提取網(wǎng)絡(luò)與Faster R-CNN、SSD、RFCN 等網(wǎng)絡(luò)模型兩兩結(jié)合,比較了各算法的定位精度和計(jì)算性能.氣孔、縮孔等都是鑄件內(nèi)部的常見缺陷,而這些缺陷相對(duì)于鑄件來說都是微小缺陷.在相關(guān)標(biāo)準(zhǔn)中對(duì)鑄件孔洞類、夾雜類缺陷的大小皆有等級(jí)劃分:GB/T11346 在50 mm×50 mm 的參考底片下,將各缺陷分為8 級(jí);TB/T3105.4 在177 mm×127 mm 的參考底片下,將各缺陷分為5 級(jí).缺陷級(jí)數(shù)越低時(shí),缺陷相對(duì)越小,紋理信息越模糊,目標(biāo)特征細(xì)微而難于檢測(cè).隨著神經(jīng)網(wǎng)絡(luò)的加深,許多淺層信息不可避免會(huì)丟失,這將會(huì)嚴(yán)重影響網(wǎng)絡(luò)對(duì)微小缺陷的檢測(cè)精度.文獻(xiàn)[102]針對(duì)這一問題,提出特征金字塔網(wǎng)絡(luò),對(duì)圖片包含的各層特征進(jìn)行多尺度預(yù)測(cè),保留了圖片中的淺層特征信息,在微小缺陷檢測(cè)任務(wù)中表現(xiàn)出了良好的性能.其中,Faster R-CNN 結(jié)合ResNet-101 網(wǎng)絡(luò)的平均精度均值(Mean average precision,mAP)達(dá)92.1 %.由于微小缺陷包含語(yǔ)義信息較少,容易產(chǎn)生誤檢和漏檢的情況.Lin 等[104]提出了一種基于視覺注意力機(jī)制和特征圖深度學(xué)習(xí)的魯棒檢測(cè)方法.采用中心邊緣差分法來模擬生物視覺信息處理機(jī)制,提取出疑似缺陷區(qū)域,并剔除不必要的信息,再使用深度卷積網(wǎng)絡(luò)提取連續(xù)圖像中包含的空間特征信息,有效地跟蹤缺陷,大大降低了誤檢和漏檢的可能性.圖9 為幀間深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖.

圖9 幀間深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.9 Inter-frame deep convolution neural network structure diagram

Tang 等[105]研究了基于X 射線圖像的缺陷檢測(cè)算法,結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)中的空間關(guān)注機(jī)制和雙線性池這兩種技術(shù)對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化,提出了一種新的空間注意雙線性卷積神經(jīng)網(wǎng)絡(luò),以增強(qiáng)CNN 的表示能力,得以表達(dá)潛在的特征屬性.實(shí)驗(yàn)結(jié)果表明,與一般的CNN 缺陷檢測(cè)器進(jìn)行比較,優(yōu)化后的模型有顯著的性能提升.表3 為近5 年來,學(xué)術(shù)界運(yùn)用深度學(xué)習(xí)算法在鑄件缺陷檢測(cè)領(lǐng)域上所取得的研究成果.

表3 基于深度學(xué)習(xí)的鑄件缺陷檢測(cè)研究現(xiàn)狀Table 3 Research status of casting defect detection based on deep learning

在鑄件缺陷檢測(cè)中,上述的微弱缺陷和小樣本問題十分棘手,微弱缺陷問題在本質(zhì)上是由于缺乏肉眼可見的詳細(xì)特征,而導(dǎo)致檢測(cè)過程也難于區(qū)分前景與背景.學(xué)術(shù)界針對(duì)這些問題做了深入研究.Bai 等[114]提出一種端到端的多任務(wù)生成對(duì)抗網(wǎng)絡(luò)(Multi-tasks generative adversarial networks,MTGAN)以檢測(cè)微弱目標(biāo).其將生成器搭建為可以將模糊圖像采樣轉(zhuǎn)化為精細(xì)圖像的超分辨率網(wǎng)絡(luò),判別器結(jié)合多任務(wù)模型進(jìn)行分類和回歸損失計(jì)算,并反向傳播更新生成器,循環(huán)往復(fù).由廣泛的實(shí)驗(yàn)得出,MTGAN 在AP 性能上超過了現(xiàn)有最新的微弱目標(biāo)檢測(cè)技術(shù).Dong 等[115]用隨機(jī)森林(Random forest,RF) 算法替換U-Net 網(wǎng)絡(luò)中最終的softmax 層,U-Net 所提取的特征再對(duì)RF 進(jìn)行訓(xùn)練,使其擁有對(duì)圖像中各像素分類的能力.此方法足以檢測(cè)到數(shù)據(jù)集中84.5 %的缺陷,在圖像分割上優(yōu)于其他傳統(tǒng)算法.Barz 等[116]將5 個(gè)細(xì)粒度小樣本在同一深度學(xué)習(xí)模型上訓(xùn)練,發(fā)現(xiàn)在softmax層使用余弦損失比交叉熵能得到更高的分類精度.

由于卷積神經(jīng)網(wǎng)絡(luò)中有大量參數(shù),需要大量訓(xùn)練樣本才能使網(wǎng)絡(luò)匹配缺陷特征,但在鑄件生產(chǎn)檢測(cè)過程中,面臨著樣本數(shù)據(jù)少、圖像采集耗時(shí)、標(biāo)注代價(jià)高等問題,進(jìn)而易造成在小樣本數(shù)據(jù)集上過擬合、網(wǎng)絡(luò)優(yōu)化難、泛化能力不佳等一系列負(fù)面影響.Keshari 等[117]基于該理念提出了一個(gè)新的CNN 模型,重點(diǎn)學(xué)習(xí)濾波器的 “結(jié)構(gòu)”和 “強(qiáng)度”.結(jié)果表明,其在小樣本數(shù)據(jù)集上的識(shí)別精度有巨大提升.Wang 等[118]改進(jìn)的Faster R-CNN 能夠在目標(biāo)樣本很少的情況下,對(duì)原訓(xùn)練模型魯棒性適配,其提出的基于分割池和實(shí)例感興趣區(qū)域(Region of interesting,ROI)采樣的特征配對(duì)機(jī)制,可在圖像和目標(biāo)實(shí)例級(jí)別上對(duì)成對(duì)的特征進(jìn)行域適配.提出的實(shí)例級(jí)適配模塊對(duì)成對(duì)的目標(biāo)特性進(jìn)行了語(yǔ)義對(duì)齊,緩解了域漂移問題.該模型在SIM10K 數(shù)據(jù)集上對(duì)已檢測(cè)目標(biāo)有著較高置信度.顯著減少了訓(xùn)練所需的參數(shù)量,同時(shí)在測(cè)試數(shù)據(jù)庫(kù)上顯示出高準(zhǔn)確性.Ren 等[119]提出了一種基于深度學(xué)習(xí)算法的通用表面檢測(cè)算法.在工業(yè)小樣本分割任務(wù)中,該方法僅需5 張圖像進(jìn)行網(wǎng)絡(luò)訓(xùn)練,檢測(cè)結(jié)果達(dá)到了0.0 %的錯(cuò)誤逃逸率,具備自動(dòng)適應(yīng)小樣本、強(qiáng)噪聲的復(fù)雜工業(yè)生產(chǎn)場(chǎng)景的能力.Wang 等[120]引入配對(duì)機(jī)制,提出一種雙級(jí)模塊,使訓(xùn)練檢測(cè)器適應(yīng)目標(biāo)域.該團(tuán)隊(duì)采用注意區(qū)域生成網(wǎng)絡(luò)和多關(guān)系檢測(cè)器的少熱目標(biāo)檢測(cè),利用小樣本的相似性來檢測(cè)新的目標(biāo),同時(shí)抑制主干網(wǎng)絡(luò)中的錯(cuò)誤檢測(cè).為解決數(shù)據(jù)呈長(zhǎng)尾分布而易造成模型過擬合問題,Liu 等[121]提出了一種改進(jìn)的VGG-16 主干網(wǎng)絡(luò),通過添加更強(qiáng)的正則化器并使用批歸一化,使網(wǎng)絡(luò)具有更強(qiáng)的泛化性,針對(duì)不同樣本無需重新設(shè)計(jì)特定網(wǎng)絡(luò)模型.該模型在公共小樣本數(shù)據(jù)集上實(shí)現(xiàn)了8.45 %的低錯(cuò)誤率,消除了過度擬合.Xu 等[122]提出了一種小型數(shù)據(jù)驅(qū)動(dòng)的卷積神經(jīng)網(wǎng)絡(luò),該算法通過集成方法對(duì)小樣本進(jìn)行預(yù)處理,使用標(biāo)簽擴(kuò)張解決類分配不平衡的問題.并提出了一種半監(jiān)督數(shù)據(jù)擴(kuò)充方法,以更有效、可控的方式擴(kuò)展數(shù)據(jù)集.通過對(duì)改進(jìn)的4 種常用的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行一系列比較實(shí)驗(yàn)和評(píng)估發(fā)現(xiàn),SDD-Inception v3 結(jié)構(gòu)在小樣本檢測(cè)任務(wù)中,具有出色的性能.

2.2 基于神經(jīng)網(wǎng)絡(luò)的其他信號(hào)處理方法

與大多數(shù)基于光學(xué)的無損探測(cè)技術(shù)所得到的直觀圖像不同的是,基于聲、電磁學(xué)的無損探測(cè)技術(shù)的直接探測(cè)結(jié)果大多是在二維坐標(biāo)軸下波形形式表征的.這增加了檢測(cè)人員提取缺陷特征的難度.神經(jīng)網(wǎng)絡(luò)的出現(xiàn),打破了傳統(tǒng)信號(hào)分析方法的局限性,在精度上顯著優(yōu)于傳統(tǒng)方法,成為最新的研究熱點(diǎn).運(yùn)用人工神經(jīng)網(wǎng)絡(luò)等理論知識(shí),以提高復(fù)雜工況背景下復(fù)雜連續(xù)信號(hào)的處理能力.

Meng 等[123]從鋼板內(nèi)18 個(gè)近表面不同深度的缺陷中獲取了48 000 組ECT 信號(hào),將其制作成數(shù)據(jù)集.并把缺陷深度評(píng)估問題表述為時(shí)間序列分類問題,訓(xùn)練和評(píng)估了各種一維殘差卷積神經(jīng)網(wǎng)絡(luò)在分類任務(wù)中的檢測(cè)性能.其中,38 層一維ResNeXt卷積網(wǎng)絡(luò)的檢測(cè)精度達(dá)到93.58 %,且不受提離信號(hào)的影響.Park 等[124]將原始管狀工件的一維ECT數(shù)據(jù)按軸向順序堆疊為二維數(shù)據(jù),進(jìn)而轉(zhuǎn)化為二維圖像,然后設(shè)計(jì)了嵌有Dropout 層的深度人工神經(jīng)網(wǎng)絡(luò)對(duì)進(jìn)行缺陷分類,使神經(jīng)網(wǎng)絡(luò)的平均分類精度提升至97.19 %.文獻(xiàn)[125]通過對(duì)數(shù)值模擬得到的信號(hào)數(shù)據(jù)進(jìn)行深度學(xué)習(xí)的方法,解決了ECT 信號(hào)估計(jì)裂紋深度的計(jì)算速度問題,計(jì)算時(shí)間小于1 秒.Miao 等[126]提出了基于渦流檢測(cè)小波時(shí)頻圖CNN的缺陷識(shí)別方法.一方面,連續(xù)小波變換產(chǎn)生的焊縫時(shí)頻圖可以有效地反映窄搭接焊縫渦流探測(cè)信號(hào)的時(shí)頻特征;另一方面,將小波時(shí)頻圖作為CNN 網(wǎng)絡(luò)的輸入,避免了特征表達(dá)不足和識(shí)別精度不高的問題.Wang 等[127]研究了鐵磁材料中裂紋的PEC信號(hào),提出了一種基于遺傳算法的反向傳播神經(jīng)網(wǎng)絡(luò)模型,可以很好地解決PEC 中的非線性問題,精確表征裂紋深度與寬度.

針對(duì)超聲檢測(cè)技術(shù)生成的信號(hào),文獻(xiàn)[128]使用卷積神經(jīng)網(wǎng)絡(luò),深度神經(jīng)網(wǎng)絡(luò),多層感知器三種模型對(duì)時(shí)域上的超聲信號(hào)進(jìn)行訓(xùn)練和測(cè)試,實(shí)驗(yàn)結(jié)果表明,所有模型都可以準(zhǔn)確評(píng)估孔洞類缺陷,其中CNN 效果最佳,檢測(cè)精度達(dá)到94.5 %.但工件表面的粗糙程度會(huì)引入大量噪聲信號(hào),降低訓(xùn)練模型的準(zhǔn)確性.為了減少噪聲對(duì)分析結(jié)果的影響,Munir等[129]將超聲信號(hào)數(shù)據(jù)集擴(kuò)充至原來的5 倍,每個(gè)信號(hào)設(shè)有2 048 個(gè)采樣點(diǎn),并基于CNN 的魯棒性,使用僅有兩層卷積的神經(jīng)網(wǎng)絡(luò)用于提取超聲特征,改善了模型分類性能和適用性.張偉等[130]采用波形逼近技術(shù)在磁場(chǎng)信號(hào)中獲得波形參數(shù)信息,從而與缺陷尺寸建立映射關(guān)系,解決了裂紋缺陷遠(yuǎn)場(chǎng)渦流定量反演時(shí)特征難匹配問題.Falque 等[131]研究了一種RFEC 信號(hào)轉(zhuǎn)換為二維圖像的經(jīng)典分割方法.該法使用反卷積結(jié)合SVM 分類器處理RFEC 信號(hào),提取了信號(hào)內(nèi)真實(shí)缺陷信息.

3 展望

隨著鑄造技術(shù)的不斷發(fā)展,目前的鑄件檢測(cè)系統(tǒng)僅依靠軟硬件技術(shù)的升級(jí)優(yōu)化,已無法滿足鑄件缺陷檢測(cè)技術(shù)的現(xiàn)實(shí)需求[132].針對(duì)鑄件全尺寸、高精度、高時(shí)效等檢測(cè)要求,高端鑄件缺陷檢測(cè)技術(shù)必須考慮以下幾點(diǎn)問題,展望概述如圖10 所示:

圖10 高端鑄件缺陷檢測(cè)技術(shù)展望概述Fig.10 Overview of the prospect of high-end casting defect detection technology

1)對(duì)于鑄件缺陷檢測(cè)過程,探測(cè)技術(shù)本身存在的缺點(diǎn)不可避免,且單一的聲或光信息難以對(duì)復(fù)雜鑄件作全方面檢測(cè).融合多種探測(cè)方法對(duì)鑄件進(jìn)行全方位探測(cè)技術(shù)開始出現(xiàn).但僅僅通過串聯(lián)多種探測(cè)技術(shù)來組合成一條自動(dòng)檢測(cè)線,是無法滿足工業(yè)中對(duì)于檢測(cè)速度的要求[133].如何利用多模態(tài)技術(shù)將多維信息融合實(shí)現(xiàn)對(duì)鑄件缺陷特征進(jìn)行高效且全面地檢出,將是未來檢測(cè)技術(shù)發(fā)展研究的方向之一.

2)目前,機(jī)器人技術(shù)與鑄造行業(yè)質(zhì)量監(jiān)測(cè)的聯(lián)系越發(fā)緊密,機(jī)器視覺系統(tǒng)與機(jī)器人技術(shù)融合技術(shù)嶄露頭角:結(jié)合機(jī)器人系統(tǒng)的機(jī)器視覺檢測(cè)技術(shù)實(shí)現(xiàn)了鑄件多角度信息獲取,消除了空間對(duì)檢測(cè)效果的限制.而其他檢測(cè)手段也正面臨著過分依賴人的參與、輔助時(shí)間長(zhǎng)、檢測(cè)效率低等問題,亟需加速踐行新一代信息技術(shù)與質(zhì)檢技術(shù)的深度融合,在時(shí)間與空間上提高檢測(cè)設(shè)備靈活性.如何將各種檢測(cè)手段與機(jī)器人技術(shù)有效結(jié)合,促進(jìn)傳統(tǒng)鑄件檢測(cè)技術(shù)的智能化升級(jí),是未來研究方向之一.

3)在鑄造行業(yè)實(shí)際場(chǎng)景中,“大數(shù)據(jù)”往往是偽命題,“小樣本”卻更為常見.經(jīng)過多年的學(xué)術(shù)研究,國(guó)內(nèi)外研究員從數(shù)據(jù)擴(kuò)充、模型優(yōu)化和遷移學(xué)習(xí)三個(gè)方面改進(jìn)了神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)采集量的需求[134].但多數(shù)研究?jī)H考慮到檢測(cè)的精度,并未過多考慮檢測(cè)實(shí)時(shí)性,這在工業(yè)領(lǐng)域是無法接受的.此外,多數(shù)針對(duì)小樣本的檢測(cè)模型是在自然圖像數(shù)據(jù)集或公共數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練再針對(duì)下游任務(wù)進(jìn)行微調(diào)的,工業(yè)場(chǎng)景實(shí)際應(yīng)用少.針對(duì)小樣本檢測(cè)網(wǎng)絡(luò)的實(shí)時(shí)性和更有針對(duì)性的模型預(yù)訓(xùn)練方法展開研究,可以將自然領(lǐng)域或醫(yī)學(xué)領(lǐng)域小樣本檢測(cè)模型遷移至工業(yè)領(lǐng)域,具有廣大的發(fā)展前景.

4)鑄件缺陷檢測(cè)任務(wù)通常僅包含檢測(cè)與分類,這無法包羅本文所需要的全部質(zhì)檢信息.對(duì)于單個(gè)鑄件,逐一進(jìn)行缺陷檢測(cè)、尺寸測(cè)量、表面粗糙度測(cè)定等程序耗時(shí)耗力.特別是針對(duì)圖像檢測(cè)任務(wù),需要同時(shí)實(shí)現(xiàn)鑄件尺寸測(cè)量、缺陷分類、表面粗糙度評(píng)定等多個(gè)任務(wù).在深度學(xué)習(xí)領(lǐng)域,多任務(wù)學(xué)習(xí)可以學(xué)到多個(gè)任務(wù)的共享表示,這個(gè)共享表示具有較強(qiáng)的抽象能力,能夠適應(yīng)多個(gè)不同但相關(guān)的特征.由于使用共享表示,多個(gè)任務(wù)同時(shí)進(jìn)行預(yù)測(cè)時(shí),同樣能減少了樣本來源的數(shù)量和整體模型參數(shù)的規(guī)模,使得具有更小容量的模型就可以獲得同水平或更好的泛化能力,預(yù)測(cè)更加高效.由此可見,“多任務(wù)”與鑄件質(zhì)量檢測(cè)結(jié)合是一個(gè)值得深入探討的問題.

4 結(jié)束語(yǔ)

鑄件的生產(chǎn)加工工序繁多、條件復(fù)雜,加工工藝本身的不足和操作失誤都有可能使鑄件在加工完成時(shí)就存在缺陷,而在服役過程中,受力不均或使用不當(dāng)也會(huì)產(chǎn)生缺陷,這些缺陷會(huì)影響鑄件的整體性能,需要進(jìn)行監(jiān)測(cè)與排除.隨著工業(yè)生產(chǎn)規(guī)模的不斷擴(kuò)大,純?nèi)斯z測(cè)方法的檢測(cè)效率不足以滿足生產(chǎn)效率要求,需要自動(dòng)化的鑄件缺陷檢測(cè)方法來提高檢測(cè)效率.

本文針對(duì)鑄件生產(chǎn)和服役過程中的產(chǎn)生的孔洞類缺陷、裂紋、偏析和夾雜等缺陷的成因進(jìn)行分析.闡述了基于聲學(xué)、光學(xué)、電磁學(xué)等主流檢測(cè)技術(shù)及其常規(guī)信號(hào)處理方法、磁粉檢測(cè)技術(shù)與滲透檢測(cè)技術(shù)等其他檢測(cè)技術(shù),并對(duì)近年來新興的基于神經(jīng)網(wǎng)絡(luò)的信號(hào)處理方法進(jìn)行了說明.對(duì)基于神經(jīng)網(wǎng)絡(luò)的信號(hào)處理方法對(duì)比分析發(fā)現(xiàn),鑄件無損檢測(cè)方法已經(jīng)趨于完整.而深度學(xué)習(xí)網(wǎng)絡(luò)作為新興圖像檢測(cè)方法的核心,能夠發(fā)掘出圖像包含的深層信息,這些深層信息能夠?qū)﹁T件缺陷分類提供指導(dǎo).并且,神經(jīng)網(wǎng)絡(luò)具有強(qiáng)魯棒性,輕量化神經(jīng)網(wǎng)絡(luò)的應(yīng)用又進(jìn)一步提高了檢測(cè)效率.因此,將具有強(qiáng)魯棒性、性能優(yōu)越的神經(jīng)網(wǎng)絡(luò)運(yùn)用在鑄件缺陷檢測(cè)與分類上是未來主要的研究方向.