焊縫缺陷檢測現狀與展望綜述*

胡 丹，高向東，張南峰，張艷喜，游德勇，肖小亭，孫友松

(廣東工業大學 廣東省焊接工程技術研究中心，廣東 廣州 510006)

0 引 言

焊接是現代制造業中最為重要的材料成形和加工技術之一[1]，廣泛應用于汽車生產、航空航天、石油產業、建筑行業、船舶運輸等工業制造領域，其中，焊縫表面成形是評判焊接質量的重要指標。在焊接過程中，由于焊接參數(焊接功率、保護氣體流量、焊接速度等)調節不當及焊接環境復雜等不確定因素，焊縫表面會出現凹陷、咬邊、氣孔、未熔合、熔寬余高未達標等表面缺陷[2]。這些缺陷不僅影響焊縫外觀形貌，而且會造成焊縫連接強度下降，應力集中，影響焊接構件產品質量，甚至會使產品報廢。為了保證焊接件產品質量，需對焊縫進行高效、精準的缺陷檢測。在焊縫表面缺陷檢測中，最原始的檢測方法是人工利用焊縫檢驗尺測量焊件坡口角度、熔寬、余高等外形尺寸，對照參數范圍來評估成形質量，檢測結果過于主觀，檢測效率低，難以滿足現代化生產需求。為此人們采用無損檢測技術，實現焊縫表面缺陷的檢測。

在研究焊縫表面成形檢測的背景下，本文將對當前國內外焊縫表面成形缺陷檢測方法進行對比分析和論述。

1 物理檢測

物理檢測是借助于測定材料的化學或物理性質來測試或分析的一種方法，如磁粉檢測、超聲檢測、渦流檢測、滲透檢測、磁光成像檢測、紅外檢測等，不同的檢測方法，其工作原理、檢測設備和適用范圍均不同。

1.1 磁粉檢測

磁粉檢測是將磁粉均勻鋪在焊接件上，并在被測件兩側施加強電流，磁化后的焊接件產生磁通，在缺陷處，部分磁通泄露在焊縫表面，產生的漏磁場與磁粉相互作用，磁粉聚集到焊縫缺陷部位，形成磁粉圖，可直觀判斷缺陷的位置、數量、外形等特征[3]。磁粉檢測成本低、檢測步驟簡單、速度快、檢測結果直觀，對微間隙裂紋檢測靈敏。為了保證磁粉檢測的適用性，被測件要求是鐵磁性材料，且對表面粗糙度有一定要求，被測表面平整度越好，磁粉檢測的結果越靈敏。

磁粉檢測在焊縫表面缺陷檢測中的應用由來已久，觀察評定依賴于人工視覺，自動化程度不高。相關學者利用高分辨率相機拍攝了焊縫表面，采集了磁痕圖像，通過計算機對磁痕圖像進行了恢復、缺陷提取，并根據缺陷的圓形度、長度、長寬比、平均寬等特征參數進行了缺陷篩選，對表面缺陷進行了評估，實現了磁粉檢測的自動識別[4-5]。

1.2 超聲檢測

超聲檢測利用超聲波在被測焊件中的投射和反射特性，檢測靈敏度高，是發展最快、應用最廣的焊縫無損檢測技術[6-7]。超聲檢測對焊縫表面粗糙度有一定要求，粗糙程度過高會干擾超聲投射效果從而影響檢測結果的準確性。當超聲束與缺陷面垂直時,缺陷檢出率最高，因此其檢測結果受儀器探頭、投影方向、檢測對象以及探頭與檢測對象耦合情況等因素的影響。

目前，國內外學者將振動聲調制技術、超聲C掃描、超聲TOFD(Time of Flight Diffraction)、超聲成像、超聲相控陣、超聲導波等檢測技術應用于焊縫表面缺陷檢測。利用振動聲調制技術對角焊縫進行檢測，對比振動聲調制單頻激勵、掃頻激勵和超聲C掃描的檢測結果，在最佳頻率范圍內檢測效率相對較高，但缺陷的定位定量分析問題有待解決[8]。文獻[9]采用了離散正弦/余弦變換和希爾伯特變換相結合的激光超聲波成像技術，相比傳統超聲波成像方法，能高效、準確地檢測出焊縫邊界、缺陷位置以及形狀大小等特征信息。文獻[10]針對飛機發動機葉片裂紋，研究了焊縫區域的相控陣超聲全覆蓋檢測方法，并基于軟件平臺建立了仿真模型，實現了對葉片進行焊縫區域快速和全覆蓋檢測。由于衍射波和底部回波的強度相對較弱，且很容易受到噪聲影響，圍繞TOFD圖像分辨率較低問題，有文獻研究提出了一種基于小波變換和圖像匹配相結合的新算法，在多圖像疊加的概念下獲取關于缺陷的更有用的信息[11]。

超聲檢測原理示意圖如圖1所示。

圖1 超聲檢測原理示意圖

超聲檢測缺陷種類的識別通常需依靠技工主觀判斷，存在可靠性問題。隨著超聲檢測與計算機技術不斷發展，可利用人工智能技術，研究超聲回波信號特征提取的新方法，提高特征提取的穩定性，有效識別氣孔、夾渣、未焊透等缺陷，準確率可達到96.7%[12]。

1.3 渦流檢測

渦流檢測根據電磁感應原理，當檢測線圈靠近待測焊件時，焊件表面產生渦流，缺陷的存在會導致電渦流流向改變，通過檢測渦流的大小和分布能判斷是否有缺陷以及缺陷所在位置[13]，可檢測出焊件裂紋、氣孔等表面缺陷，具有易操作、檢測速度快等特點，無需表面涂層。文獻[14]研究了圖像處理與神經網絡結合的嵌入式渦流檢測系統，在檢測精度和自動化程度上有較大的改善，嵌入式的設計實現了焊接缺陷無損檢測小型化、智能化。

20世紀后期，渦流檢測技術迅速發展，其中有渦流陣列檢測技術、遠場渦流檢測技術和脈沖渦流熱成像技術等新興檢測技術。渦流陣列尺寸較大且結構多變，檢測效率更高，可靈活滿足復雜焊接件的檢測。遠場渦流檢測探頭為內通過式，適用于長管檢測。脈沖渦流熱成像技術通過紅外熱像儀獲取焊件溫度數據，對數據進行處理，實現無損檢測。較之常規渦流檢測法，脈沖渦流熱成像技術的優點在于檢測結果直觀，靈敏度高。文獻[15]基于脈沖渦流熱成像檢測技術自主設計試驗平臺，分析了裂紋走向對成像效果的影響。

1.4 滲透檢測

滲透檢測的物理原理是基于毛細管現象，檢查表面開口缺陷的無損檢測方法，分為著色滲透檢驗和熒光滲透檢驗兩大類。滲透檢測方法可分為以下幾個步驟：預清洗、滲透、清洗、顯像、觀察記錄、后處理。具體操作是將滲透劑施加到清洗并干燥后的被測焊件表面，經過一定的滲透時間，焊縫缺陷處會吸附滲透液，清洗被測件表面的滲透液，在被測件表面噴或涂顯像劑，在光源的照射下，焊縫缺陷處殘留的滲透液顯現出來，進而檢測出缺陷的位置與形態。滲透檢測不受被測件結構、缺陷類型的影響，但顯像劑、試件表面情況、滲透液等一定程度上影響著滲透檢測的結果。滲透檢測結果直觀，對于形狀復雜的表面缺陷也能有效檢測，靈敏度高，但檢測效率低，且檢測試劑對人體有害[16]。

1.5 磁光成像檢測

磁光成像檢測(Magneto-optical Image Testing)以法拉第磁光效應成像為理論基礎，利用磁光傳感器對缺陷實時成像，實現焊縫表面微小缺陷可視化。通過不同勵磁方式，采集不同狀態下的磁光圖像。單一磁場條件能較好檢測出垂直于激勵方向的缺陷，卻難以滿足多方向缺陷的檢測要求，且磁光圖像易飽和。針對這一問題，相關人員研究了基于交變磁場以及旋轉磁場勵磁下的焊縫磁光圖像，得到了動態磁光圖，獲取了更為豐富完整的缺陷漏磁場信息，同時避免了磁光圖像易飽和問題。由于焊接環境噪聲干擾以及磁場變化，磁光圖像不夠清晰且成像背景復雜，通過對磁光圖像應用一系列圖像處理算法，如濾波去噪、直方圖均衡化、形態學腐蝕等，較大程度上提高了磁光圖像對比度，凸顯了焊縫特征信息。國外對于磁光成像檢測技術已獲批用于商業飛機鉚釘的檢測。國內相對起步晚，尚處于發展研究階段，不少科研隊伍對此開展了工作。文獻[17]對傳統渦流檢測進行了改良，將檢測線圈替換成激光-磁光傳感器，獲得了磁光圖像，但圖像質量有待提高。之后，廣東工業大學對勵磁方式、磁場分布、磁光圖像分析以及焊接缺陷磁光圖像識別與分類等進行了深入的研究[18-20]。

焊縫缺陷動態磁光圖如圖2所示。

缺陷類型實物圖第1幀第2幀第3幀無缺陷裂紋凹坑未熔透

圖2 焊縫缺陷動態磁光圖像

從圖2中可以看出：缺陷特征明顯?；谥悄芩惴?、模式識別的快速發展，文獻[21]將采集到的動態磁光圖像作為樣本輸入，構造主成分分析-支持向量機分類模型，對于焊縫成形中無缺陷、裂紋、凹坑和未熔透的識別率分別可以達到100%、92%、84.3%和94.3%。

利用磁光成像技術對焊接缺陷進行檢測，具有高精度、可視化等優點，研究現狀可觀，但磁場分布情況與磁光圖像之間的關系需進一步探索，焊接缺陷識別與分類的準確率有待提高。

1.6 紅外檢測

紅外檢測即熱圖像法，是隨著熱成像技術的發展而出現的新型無損檢測技術[22]，可分為主動式(熱激勵)和被動式(自然溫度或試件自身熱源)。主動式紅外檢測采用的激勵方式主要有閃光燈激勵、激光激勵、超聲激勵和電磁激勵等[23]，被動式紅外檢測依靠焊件自身存在熱源而產生熱輻射，焊縫缺陷部位使被測焊件表面存在溫差，從而產生不同的能量輻射。通過分析紅外熱像儀上形成的紅外熱圖像，得到缺陷位置、類型以及數量等信息，是一種無接觸、檢測范圍廣、安全的焊接缺陷檢測方法[24]。

2 結構光視覺檢測

結構光視覺檢測是利用計算機對焊縫條紋圖像進行智能提取與識別的檢測技術，因其非接觸、智能化、高精度、無損傷等優點，成為焊縫表面成形缺陷檢測研究的熱點。

基于結構光的機器視覺檢測技術光條信息量大，自動化程度高，其檢測步驟包括焊縫圖像采集、圖像處理、特征提取和缺陷識別與分類[25]，結構光視覺檢測框架圖如圖3所示。

圖3 結構光視覺檢測框架圖

2.1 焊縫缺陷圖像采集

焊縫缺陷圖像采集通過圖像采集獲取高質量的焊縫條紋圖像，作為后續處理的信息源。圖像采集系統一般由激光發射器、相機、鏡頭、工控機等硬件部分組成[26]。通過結構光在焊縫表面形成激光條紋，獲得豐富的特征信息，實現尺寸測量和缺陷檢測，可分為激光掃描法和傳感法：

(1)激光掃描法主要有線性掃描和圓形掃描。激光掃描器由馬達、激光管、聚焦鏡、角度傳感器、光束放射鏡等組成，通過馬達帶動光束放射鏡高速回轉形成掃描激光條紋，可得到高信噪比圖像，但結構復雜、成本高，檢測精度低，因此難以滿足實時檢測和高精度檢測場合的要求，實際工業應用較少；

(2)激光傳感法通過激光發射器將結構光投射到焊件上，攝像機拍攝激光條紋圖像，工控機接收和處理激光條紋圖像，提取有效信息，實現焊縫表面成形缺陷檢測。根據攝像機與激光發射器的安裝角度不同，有直射-斜接式、斜射-直接式、斜射-斜接式。根據激光發射器發出激光束類型與數量的不同，可分為點激光、線結構光(單線結構光、十字結構光、三線結構光[27])、環形結構光、編碼結構光等。點激光一次只能檢測一個點，檢測效率低，但其光斑小，對微小表面缺陷的檢測精度比線結構光高，常與掃描法配合檢測。單線結構光檢測裝置簡單易操作，數據單一易分析，單道條紋變形體現焊縫表面特征，檢測效率相對較高，一直是研究的熱點。多線結構光從獲取的激光條紋圖像中可得到更多特征信息，與此同時加大了標定與圖像處理算法的難度。

基于結構光視覺的焊縫檢測系統如圖4所示。

圖4 基于結構光視覺的焊縫檢測系統

2.2 焊縫缺陷圖像處理

針對環境光源導致圖像質量下降、缺陷特征不明顯等問題，需對焊縫條紋圖像進行預處理，主要考慮圖像去噪、圖像分割等操作，突出條紋缺陷特征。焊縫激光條紋圖像去噪算法分為空域處理法和頻域處理法，空域處理法采用各種模板對圖像像素進行運算，常用的有中值濾波、均值濾波、高斯濾波及其改進算法；頻域處理法變換運算時間長，常用的有傅里葉變換和小波方法。針對保留焊縫表面缺陷細節特征與去噪之間的矛盾，文獻[28]結合自適應中值濾波和小波變換對結構光進行去噪，在保留原圖像細節的同時，對噪聲有很好的濾除作用。對于焊縫激光條紋圖像上的噪聲，可分為光條上的噪聲與光條外的噪聲。光條上的噪聲信號疊加在有效信號之上，常采用B樣條迭代法或NURBS曲線擬合，通過多次迭代，減少異常像素點的影響；光條外的噪聲可通過形態學分類，計算噪聲點與光條的連通區域面積，設定面積閾值，達到去噪效果[29]。采用激光條紋進行焊縫缺陷檢測，得到的激光條紋圖像必須清晰，無噪聲影響，才能得到精確的焊縫表面輪廓曲線。

圖像分割是實現高效檢測的必要步驟，在焊縫條紋圖像中，用于表征焊縫表面信息僅為結構光條紋及其附近像素區域，為了減少圖像運算量，同時避免非檢測區域信息干擾，通常對焊縫條紋圖像進行感興趣區域(ROI)提取。當焊件背景與焊縫目標灰度直方圖呈現明顯峰谷分布時，最大類間方差法(Otsu)是最常用的閾值分割法。當背景與目標不能明確劃分時，文獻[30]提出了一種基于感興趣區域的最大類間方差法。相關研究者還引入了基于模糊集理論的目標分割法，具體有模糊聚類分割法、模糊閾值分割法、模糊連接度分割等。對于焊縫區域的分割，利用邊緣灰度值的不連續性，采用基于邊緣的分割方法，有Canny算子、Robert算子、Sobel算子、Prewitt算子等。此外，人們將小波變換法、神經網絡、遺傳算法、數學形態學等數學方法應用于圖像分割，但實時性和適用程度還有待進一步改善。

2.3 焊縫缺陷特征提取

特征提取是焊縫缺陷識別的前提，利用結構光視覺檢測技術，對焊縫表面激光條紋進行特征提取，主要包括中心線提取和特征點提取[31]。中心線提取可分為像素級和亞像素級，基礎算法主要有中心坐標法、灰度重心法、形態學細化法、方向模板法、Steger法和Hessian矩陣法等。方向模板法通過設計4個方向模板，降低噪聲影響的同時，也加大了計算量?；叶戎匦姆ㄓ嬎闼俣瓤欤_到亞像素精度，但對噪聲敏感，且檢測曲線(如S形)焊縫時，檢測精度受影響。在常見的激光條紋中心線提取方法基礎上，研究了多方法結合的方式，如脊線跟蹤與方向模板法相結合的激光條紋中心提取方法，算法運行速度從單一方向模板法的212.708 ms提升到22 ms，運行速度更快，提取精度更高[32]。除上述方法外，文獻[33]通過分段3次多項式曲線擬合方法提高了結構光中心線提取精度。文獻[34]提出了一種基于BP神經網絡的線結構光中心線提取方法，論述了神經網絡的訓練方法，并與Steger法進行了對比，呈現出精度高、效率佳的特點。中心線提取追求高精度需使用擬合、卷積、多尺度等算法，以此同時帶來龐大的運算量，效率與精度何以兼顧是未來研究重點。

焊縫成形是衡量焊接質量的重要指標。焊縫成形尺寸主要有焊縫熔寬、余高等參數，各參數均有其規定的最佳范圍[35]。傳統的特征點提取算法有多邊形逼近法、滑動向量法、Hough變換[36]、斜率截距法[37]、斜率解析法、角點檢測法等。文獻[38]對焊縫圖像預處理后，采用Hough變換識別焊縫邊緣，再利用幾何中心法獲得了激光條紋中心和特征點的位置。文獻[39]研究了基于直線擬合的斜率分析法，實現了角接、搭接和V形坡口等多種形式的焊縫特征點提取。文獻[40]利用多項式和導數提取了焊縫特征點。文獻[41]基于遺傳算法的最優解搜索原理對焊縫骨架進行了提取，進化到10代以上時，得到了適應度最大的骨架直線，從而精確提取出了焊縫中心點。上述傳統圖像處理方法雖然運算簡單，算法實現難度低，但對外界環境的適應性差。學習類算法精度高，處理速度快，然而算法設計框架復雜，訓練成本高。

2.4 焊縫缺陷識別與分類

由于焊接過程的復雜性及外界因素的干擾，焊接后的焊縫難免出現凹陷、氣孔、咬邊等表面缺陷[42]，常見焊縫缺陷及其對應激光條紋圖像如圖5所示。

缺陷類型實物圖焊縫激光條紋圖像凹陷氣孔咬邊無缺陷

基于結構光視覺檢測法的焊縫缺陷識別是對圖像進行分割和特征提取后，利用計算機模擬人腦，對缺陷類型進行判斷，屬于模式識別與人工智能領域。在大量的數據樣本下，深度學習依靠其強大的學習能力，促使許多研究人員將模式識別方法應用于焊接表面成形缺陷識別檢測中，常用的分類方法有BP(Back Propagation)神經網絡、卷積神經網絡(convolution neural networks, CNN)、模糊神經網絡、支持向量機(support vector machine, SVM)以及各種分類器的集成等[43-44]。

基于BP神經網絡的焊縫缺陷分類模型如圖6所示。

圖6 基于BP神經網絡的焊縫缺陷分類模型

輸入層可由7個特征向量組成，分別為缺陷寬度w、缺陷深度h、斜率k1、斜率k2、峰度系數Kurt、能量NE、標準偏差SD；確定隱含層神經元數量，數量過多過少均會影響速度或精度；輸出層代表缺陷分類結果，分別為咬邊、凹陷、氣孔和無缺陷；通過采集的1 000幅焊縫表面激光條紋圖像，將其分為訓練集(700幅)和測試集(300幅)，整體識別率達91%以上。

3 結束語

本文主要從物理檢測和結構光視覺檢測兩個方面對焊縫表面缺陷檢測方法進行了論述。其中，物理方法包括磁粉檢測、超聲檢測、渦流檢測、滲透檢測、磁光成像以及紅外檢測等方法；結構光視覺檢測方面，主要從焊縫缺陷圖像采集、激光條紋圖像處理、缺陷特征提取和缺陷識別與分類方法上進行了系統地分析與總結。結論如下：

(1)焊縫表面缺陷檢測有從硬件向軟件轉變的趨勢，在降低對物理實驗條件要求的同時，加大了對檢測算法的依賴性；(2)精確的圖像處理算法通常伴隨著復雜的計算和較長的處理時間，因此，在準確和快速方面實現雙贏，是焊縫缺陷檢測成功應用的關鍵；(3)各無損檢測方法在檢測焊縫缺陷時均有其優勢和不足，單一檢測方法難以滿足高效和全面檢測，將兩種或多種方法配合檢測，優勢互補，可實現焊縫缺陷全方位檢測。

近年來，將深度學習算法應用于焊縫表面缺陷檢測受到較大關注，常用的有CNN、自編碼網絡等。但該技術需要大量的數據樣本，且不同的模型適用性不同，找出合適的深度學習模型進行焊接缺陷檢測是未來的研究熱點與難點。