工業鑄件缺陷無損檢測技術的應用進展與展望

張 輝 張鄒銓 陳煜嶸 吳天月 鐘 杭 王耀南

高端裝備制造業是國民經濟的支柱產業,是推動工業轉型升級的引擎,發揮著舉足輕重的作用.而鑄造作為現代裝備制造工業的基礎共性技術之一,鑄造產品被廣泛運用在航空航天、工業船舶、機械電子和交通運輸等國民經濟各部門.

常規的鑄造過程是將固態金屬溶化為液態后,注入到特定形狀的鑄型進行填充,待其凝固成形.鑄造技術有著六千多年的悠久歷史.直至今天,伴隨著現代工藝的發展以和國際市場的龐大需求,各行各業亟需高端鑄件作為工作基礎建設.我國是精密鑄造制造大國,無論是鑄件的年產量,還是從業人員、企業數量已經位居世界首位,且精密鑄造零件占全球精密鑄造通用零部件50 %以上.在全球鑄造行業市場份額占比逐步擴大的同時,鑄件質量問題成為了阻礙我國鑄造行業發展的首要問題.

工業上對缺陷進行分類分級判定大多是通過對比被測工件與標準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到合格指標.我國的GB/T 11 346[1]、TB/T 3 012[2]與美國材料實驗協會(American Society for Testing and Materials,ASTM)系列標準[3-4]是現有的主要實施標準.由圖譜與相關技術要求得以通曉:缺陷成因對缺陷周遭的晶體結構與形貌起主導性作用.根據缺陷形態、大小與形成原因的不同,Fiorese 等[5]將鑄件表面和內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,中小型鑄件對于孔洞直徑、深度以和孔隙率有更嚴的標準,因此需要對微小孔洞缺陷進行更深入的研究.萬謙等[6]通過觀察孔洞三維形貌與其特征參數,對氣孔、氣縮孔、收縮孔這三類孔洞的體積和圓整度進行分析對比,發現三者在各方面差異顯著.

鑄件表面和內部各類缺陷[7]與復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.不論是從技術管理角度還是從成本控制角度,分析缺陷與形成機理的因果關系的判斷都顯得十分重要.判斷出真實關系后,便可制定解決對策,調整鑄件圖與鑄造裝備設計.砂型鑄造是現代鑄造業使用最廣泛的鑄造工藝,是凝固成型技術中最基本的方法.Jatimurti 等[8]研究了在砂型鑄造下,脫砂時間和冷卻速率對鑄鋁6061 合金組織和孔隙率的影響,并且發現冷卻速率與孔隙率呈線性關系.而隨著科技日新月異的進步,許多先進優質技術引入鑄造工藝技術,并不斷優化和發展,衍生出了種類繁多、特點各異的特種鑄造手段.因此,針對生產工藝的特殊性,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的關系.Cao 等[12]通過真空輔助高壓壓鑄工藝在不同的絕對壓力下生產AlSi9Cu3 合金鑄件,研究了型腔中絕對壓力對壓鑄件的孔隙率,組織和力學性能的影響,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,表明離心力對小孔,微裂紋和夾雜物等缺陷的數量均具有顯著影響.針對鑄造過程中普遍的幾何屬性,Bijagare 等[14]將直澆道與冒口設計在多個位置,對金屬液流動和金屬凝固進行有限元模擬的分析,證明了冒口是影響收縮類缺陷產生的重要因素.此外,鑄件也會因長時間的服役與各種應力在內外形成不可逆的裂紋缺陷.為此,Wang 等[15]研究了單調和循環拉伸載荷下孔隙對裂紋萌生的影響.通過X 射線計算機層析成像三維表征材料的微觀結構,驗證了孔洞類缺陷在單調拉伸和循環加載條件下出現循環開合的趨勢,從而引發裂紋.Rotella 等[16]將不同的ASTM 指標與疲勞極限相關聯,量化了縮孔對鑄造鋁合金疲勞極限的影響.結果表明,較小的表面缺陷也會導致致命的大裂紋.表1 總結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

致命性缺陷往往會直接導致整個鑄件報廢[17].氣孔類缺陷會引起其周圍應力集中,降低鑄件的抗沖擊性和抗疲勞性.氣孔還會降低鑄件的氣密性,致使某些要求處于強力、高速、高溫等環境的鑄件報廢.大多數缺陷容易降低鑄件本體的密封性、金屬連續性,甚至會在使用期間造成斷裂,引發難以估量的災難.對于鑄件的生產績效來說,主要根據其質量、交貨期和成本來對經濟效益綜合衡量.為了節約材料,提高經濟效益,保障行業平穩發展,就更需要對鑄件質量做全面核查.鑄件缺陷檢驗是保障鑄件正常運轉的重要手段.如今傳統的鑄件缺陷檢測方式是采用人工巡視檢查的方法.但人工巡檢方式時效長,風險高,劃分標準難于統一.為了實時在線地獲得鑄件生產質量和疲勞程度信息,各種鑄件無損檢測方法應運而生.

本文在鑄件缺陷檢測的背景下,首先對缺陷成因和危害進行分析,然后對近年來基于光、聲、電磁學的無損檢測技術和基于神經網絡的鑄件缺陷檢測方法的研究和應用進行綜述,最后對工業鑄件缺陷檢測技術應用和發展趨勢進行展望.

1 鑄件缺陷無損檢測技術

工業生產注重生產的效率和產品最終使用性能,故大部分鑄件缺陷的檢測對檢測系統的實時性和精度都有要求.但對于鑄件而言,其多樣的加工工藝、靈活的加工手法所選原材料的差異,使最終成型的產品具有復雜的物理特性和廣泛的用途.針對不同種類鑄件制定了不同的生產標準,工業領域中的鑄件現行標準多達143 項,其中關于質量檢測的國家標準有8 項.此外,盡管不同工業領域生產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技術,如超聲檢測技術和機器視覺檢測技術等,而與之信號分析算法也是一致的.但對于鑄件缺陷而言,缺陷成因與其鑄造工藝的關聯性極大,往往缺陷類內差異大,使用通用缺陷可能得不到滿足精度要求的結果.因此,在原本通用檢測技術上,發展出了一些專門針對某類鑄件檢測技術,例如檢測中小型鑄件的X 射線二維成像檢測技術、專門檢測管狀鑄件的遠場渦流檢測技術、檢測厚度大鑄件的超聲波檢測技術等.

主流的無損檢測技術主要用于工程未知工藝缺陷的檢驗,是在不損傷被測鑄件的前提下,利用光、聲、電磁等物理場作用在鑄件上產生的物理現象來探測表面和內部缺陷的技術.主流無損檢測技術以硬件為核心,硬件的質量會直接影響后續檢測效果.

1.1 基于光學的無損檢測技術

1.1.1 X 射線二維成像技術

工業射線探測常使用X 射線機或加速器作為射線源,從鑄件的一個側面進行照射并穿過鑄件,照射部位的密度越大,射線強度越低.若內部有缺陷,X 射線穿過有缺陷路徑的密度變小,其強度相對變高.由此,能夠將被測鑄件的內部質量信息通過熒光屏、膠片或數字影像接收器等接收裝置,從而顯示出鑄件內部質量情況.射線檢測技術對氣孔類、夾渣類等體積型缺陷最為敏感.X 射線二維成像檢測技術具有以下特點:

1)被測結果以圖像形式展示,直觀且便于存儲;

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

3)探測速度慢、成本高.射線探測儀器的工作電壓高達數萬伏,且射線對人體有輻射作用,檢測人員進行探傷作業時易危和到生命安全,因此該技術對環境要求極為苛刻;

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,無法準確確定所檢測到的潛在缺陷的位置和形狀.

X 射線二維成像技術對射線能量選擇和鑄件透照布置有著極高標準[19].探測系統硬件的優劣會直接影響檢測人員對缺陷類別級別的判斷.Hussein 等[20]發現了能夠產生超相對論電子束的激光尾場加速器,其透射圖像可以清晰展示鋁硅工件的內部結構細節.在連續制造工藝下,由于重力和凝固收縮等現象,連鑄坯表面極易形成大范圍的偏析缺陷,這將會嚴重影響鑄件性能,Lu 等[21]使用基于同步加速器的放射成像技術對鑄造過程中的鑄件表面進行高效成像,實時監測預警,從而調整冷卻系統速率以避免偏析缺陷的形成.Wang 等[22]設計了一種基于電荷耦合器件的數字射線探測系統.該系統能接收能量范圍更廣的X 射線,得到更高的成像質量.

大多數鑄造車間已經摒棄了人工檢測方法,而是采取與圖像處理算法對X 射線二維圖像進行處理分析,圖像處理算法是一種應用價值很高的檢測方法,可在解決人力資源成本的同時,保障計算精度.目前對鑄件射線圖像處理的研究,主要可分為新算法的引入和對原有算法的改進.Li 等[23]提出了一種基于X 射線的鑄件內部缺陷檢查系統.將二階導數和形態運算、逐行自適應閾值處理和二維小波變換方法進行對比.由于小波技術可以選擇小波基數和多級分辨率,高效準確地檢測裂紋、孔隙和異物等三種典型缺陷,證實了二維小波變換是檢測鑄件內部缺陷的實用方法.Jin 等[24]提出了一種基于Relief 算法和Adaboost 支持向量機的內部裂紋檢測方法,擁有比現有常用分類器更高精度和泛化能力.針對遮擋現象,Zhao 等[25]提出一種基于稀疏表示的鑄造缺陷檢測和分類系統,實現了一種基于灰度排列對(Gray arranging pairs,GAP)的分割方法.對結構復雜、水垢遮擋、噪聲強度大的鑄件射線圖像,能有效識別裂紋類、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算法如圖1所示.圖像低對比度問題一直是經典檢測算法中的難點.為使機器獲得清晰輪廓的圖像,克服因輪廓變化導致的難于分割前景與背景的問題,文獻[26]將單閾值處理大津閾值分割法、自適應閾值和中值濾波等傳統分割方法進行比較.其中,空間平滑算法對鑄件的四種常見缺陷準確率達到了100 %.隨著圖像處理技術的廣泛應用,人們開始考慮不同算法之間的缺點和聯系.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器學習模型兩兩結合,比較與評估了包括深度學習、稀疏表示、局部描述符等24 種計算機視覺技術.結果表明,LBP 結合梯度提升分類器方法可以獲得最佳性能,準確率達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

X 射線三維層析成像與計算機技術聯系十分緊密,它是一種依據射線數據重塑鑄件斷層物理特征分布圖的檢測技術.該技術可以直觀地表征鑄件內槽腔等被遮擋部分的三維形貌,且能將鑄件尺寸測量和缺陷質量控制等兩個任務在單個檢查過程中同時實現,提高了復雜鑄件的檢測效率[28].

Plessis 等[29]利用X 射線微計算機斷層掃描技術構造出航空鈦鑄件內部的清晰視圖,并根據孔洞類缺陷的體積形態對其進行著色分類.該技術能在不到4 小時完成無損分析,大大降低了檢測時間與成本.Yang 等[30]研究了X 射線計算機斷層掃描(Computed tomography,CT)技術,精確測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 圖像數據,鑄件呈外表面透明,孔洞類缺陷部位呈顆粒狀[31].Plessis 等[32]分別采用醫學CT 和微型CT 掃描儀器對鋼制渦輪機葉片與鈦鑄件進行工業無損分析.典型的工業CT 掃描時間為30 到60 分鐘,而醫用CT 掃描儀僅在5 秒內完成掃描.對于醫學掃描,其成像結果缺乏一定的分辨率和清晰度,在內部缺陷特征表征方面不會對檢測結果造成太大偏差.故醫學CT 是快速檢測鑄件表面缺陷和內部較大缺陷的首選.但醫用CT 在尺寸測量方面的能力僅限于此.由于醫用CT 缺乏良好的穿透性所造成的圖像偽影與失真,會導致重構鑄件邊緣的尺寸大于實際尺寸,造成公差數值判定不準確,后續操作不合理.霍其潤等[33]提出了一種后處理的偽影校正算法,其從環形偽影的幾何特性角度出發,降低了極坐標系下處理圖像偽影時其他細節信息的丟失,并于算法中引入相對全變分約束形式,以達到對偽影信息的抑制效果.Villarraga-Gómez 等[34]分析了CT 技術中參數的選定對尺寸測量的影響,實驗結果表明,投影數量Np 對尺寸準確度起重要作用.Np 越大,尺寸測量方差越小,重建時間拉長.Liu 等[35]重點研究了環形鑄件的尺寸精度測量方法,針對環性鑄件主要通過長度和角度來表征關鍵坐標點這一先驗信息,將極坐標引入確定性定位偏差分析算法中計算CT 重構鑄件的外觀尺寸與壁厚.減少了信息處理、誤差分解的步驟,使計算過程更簡單.文獻[36]將ISO 15530 系列標準用于解決CT 測量不確定度估算問題,并運用外推近似計算方法成功使CT 鑄件掃描的測量值收斂在±2 μm 以內.

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習缺陷自動識別方法.該方法首先利用形態學閉運算和模板匹配的方法提取缺陷候選區域,然后采用基于局部配準的方法生成精確的缺陷分割掩碼,最后計算了包括幾何特征和灰度共生矩陣的紋理等29 個特征.采用快速隨機森林分類器對候選區域進行無缺陷或無缺陷分類.該系統在31 幅工業鑄件CT 掃描圖像上測試了49 個氣孔類缺陷,準確率高達94 %.為合理分配硬件資源,提升生產線整體效能,Oeckl等[38]提出了X 射線計算機斷層掃描重建和圖像處理的融合,經過圖像處理步驟后,對汽車鋁鑄件中潛在的缺陷區域進行高分辨率層析成像,對其他鑄件區域采用低分辨率重構.該方法能在25 秒內完成全鑄件的缺陷檢測,滿足鑄造生產周期要求,使CT 檢測技術緊貼工業實際.

在X 射線三維成像技術中,多是針對CT 掃描時長進行優化,這是由于鑄造廠僅需知曉鑄件有無致命缺陷,便足以對其進行篩分,故缺陷重構質量方面是次要的.但隨著精密鑄造零件的普及,鑄件尺寸公差有著更嚴謹的驗收標準,所以未來,X 射線三維成像將朝著全尺寸、高精度、高時效等三個方面發展.

1.1.3 機器視覺檢測技術

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的大小、顏色、紋理等信息.機器視覺就是用相機等機器設備代替人眼對信息進行觀察與判斷.如今的機器視覺檢測系統設計和質量管理機制已經在中國得到了廣泛應用并不斷革新和深化.機器視覺檢測系統主要包括光源、圖像獲取單元、圖像處理單元和執行機構組成.該技術的優缺點包括以下幾點:

1)機器視覺檢測系統成本低,自動化程度高,可不間斷地使用;

2)圖像獲取速度快,存儲所需容量小、檢測結果直觀且易于保存;

3)由于系統組成模塊較多,各模塊一旦發生故障則會使整個系統的檢測效果變差;

4)機器視覺檢測系統的圖像獲取階段會由于環境和數據采集系統的影響,而不可避免地存在遮擋、光線不均勻、對比度低等問題,使得機器難于得到缺陷的紋理和實際邊緣信息.

隨著鑄造行業對鑄件質量、生產工藝、成本效率提出了多重需求[39],人們對機器視覺檢測系統的智能化程度也提出了更高要求.同時,我國制定了《中國制造2025》、《智能制造裝備產業 “十三五”發展規劃》 等多個智能制造產業發展政策.伴隨著政策的不斷深入,人工智能技術與工業越發密不可分,逐漸在智能生產制造過程中發揮不可取代的作用.智能視覺機器人是現代機器人技術與機器視覺檢測技術結合的產物,實現了高端裝備和工業過程控制的集成優化[40].

將機器視覺檢測系統與空中無人駕駛技術相結合,可令服役中的軌道巡檢工作從局限的地面中解放出來,實現對檢測裝置高度的自主化調整,不受列車時刻表的限制.使檢測設備在時間與空間上更具靈活性.Singh 等[41]在無人機上搭載了DJI 幻影3 專業版攝像頭,通過運用量化計算解決了航空影像難以生成航跡匯聚圖問題.整個系統實現了對鐵軌上存在的各種異常情況進行精準高效檢查.鑄電磁線會由于鑄造加熱不均勻而產生細微缺陷,Wan等[42]部署微型旋轉軸機器人將微絲連續旋轉360°.該機器人系統由兩個線性納米定位器和一個旋轉納米定位器三個納米定位器組成,同時內嵌入掃描電子顯微鏡以獲得微絲更多表面信息.針對風輪機葉片無法拆卸且待測部位距地面較遠等現象,Wang等[43]利用無人飛行器拍攝圖像,開發了識別葉片裂紋的級聯分類器與一種篩選圖像并定位裂紋區域的機制.這種數據驅動框架具有高速檢測性能,可以在不到0.09 s 完成圖像獲取.Frayman 等[44]設計了一種鋁壓鑄表面缺陷自動檢測機器視覺系統.由機械臂將鑄件從零件庫中抓取并拍攝.在圖像處理階段,采用參數學習算法與遺傳算法對多尺度的壓鑄件缺陷進行檢測.算法能夠100 % 識別直徑大于1 mm 的任何缺陷,誤檢率為0.25 %.該系統已應用于工業現場超過一年.

對于聲、光、電磁等物理檢測技術來說,儀器性能為技術的核心.硬件的好壞會直接影響到檢測效果.而另一個與機器視覺檢測硬件系統并列重要模塊是圖像檢測算法,其更專注于模型和算法能力.基于算法的檢測主要分為兩大類:一類是圖像處理的傳統算法,另一類是基于神經網絡的方法.前者可以對特定對象具有針對性的去噪、增強和實時檢測,該領域的算法已經非常完善,應用范圍十分廣泛.在很多工業生產中,時效性確是一大重要的考量指標,如果缺陷檢測難以嚴格實時,將會給鑄件制造商帶來巨大的經濟損失.Li 等[45]解決了連鑄過程中低時效、低識別率的問題.首先,采用圖像裁剪算法剔除無缺陷的背景,其次對剩余部分采用區域生長算法進行波紋缺陷檢測.該方案在一定程度上替代了人工識別,同時降低了鑄工成本.Ma 等[46]提出了一種面向不規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方法,該法處理速度約為11 幀,提高了生產效率和質量控制水平.雖然傳統圖像處理算法不依賴先驗知識,但是現有的缺陷檢測技術準確性低.文獻[47]使用四種傳統圖像分割方法來檢測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 高光譜檢測技術

高光譜成像是一個復雜,多學科高度融合的領域.該技術可以在連續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,每個像素都包含完整的光譜信息,可反映鑄件內部的物理屬性與結構成分的差異[48].高光譜成像技術是一項新興的,非侵入性光學技術.

鑄造行業需要實時監控鑄件表面和內部質量變化.檢測人員僅能夠捕捉肉眼可觀測的缺陷,而高光譜成像能夠得到這些缺陷更詳盡的信息,并跟蹤鑄件內發生的任何變化.Mehrubeoglu 等[49]首次有針對性地分析高光譜成像在鑄件檢測領域的應用,采用高光譜成像儀顯示出潛在缺陷處突變為低強度的光譜輪廓,映射并量化了鋁鑄件表面裂紋缺陷區域.鋁鑄件的光譜數據如圖3 所示.缺陷在連續波段光譜下的數據繪制出一條與光照強度相關的對應特定曲線.

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

目前,高光譜技術在工業界多領域都是重點研究的方向,然而如今鑄造業尚未普及高光譜檢測技術,這是由于該技術應用于鑄件缺陷檢測過程中存在以下難點:

1)照射鑄件的光源會由于鑄件表面的強反射作用,使得難于對光譜強度信息進行有力判斷;

2)工業界需要對鑄件進行實時檢測,保障經濟效益,而常規的光譜成像系統掃描速度緩慢,成像時間長;

3)多光譜高分辨率圖像存儲所需空間大、冗余度高、噪聲更易引入,最終導致檢測結果精度難于提高,且判斷缺陷過程復雜而耗時;

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,現有的信號處理方法對這項新興技術的融入還存在局限.

高光譜成像技術擁有極大的發展潛力,但相應的信號分析算法還需要不斷更新優化.正在興起的深度學習算法領域對數據具有強分辨能力,能夠深度挖掘與提煉缺陷的波段空間特征.未來,深度學習模塊與組件將完美地整合高光譜技術獨特優勢.

1.2 基于聲學的無損檢測技術

1.2.1 常規超聲檢測技術

超聲波是指頻率高于20 kHz 的彈性波.超聲檢測技術是指利用超聲波對鑄件內部宏觀缺陷進行檢查的一種主流無損探傷方法.其采用常規探頭對準鑄件待測位置的表面發射超聲波,利用超聲波在遇到兩側聲阻抗有差異的界面時產生反射波的特性,進而分析不同反射信號傳遞到探頭的聲波信號和時間差,即可獲得鑄件內部缺陷信息.超聲波檢測技術具有以下特點:

1)厚度較大的鑄件無法采用X 射線檢測技術和渦流熱成像檢測技術對其進行充分探測.基于超聲波本身具有穿透能力強、能量衰減小的特性,足以對大厚度鑄件的內部裂紋、夾雜類缺陷與孔洞類缺陷進行深度可達數米的檢測、定位、評估和診斷;

2)超聲波探測裝置硬件成本低,對人體無害,且不污染環境;

3)可對被測鑄件進行高速、多角度探測,獲取內部缺陷的位置、大小和形態等特征信息;

另一方面,超聲波檢測技術不易檢查結構復雜鑄件,并對被測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,在選擇檢測手段時,應貼合鑄造廠實際需求,注重資源整合,推動資源聚集以提升整體效能.

針對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應的正面和背面超聲波形反射特征.得出超聲探測過程中使用反射波信號對缺陷進行定性定量時,會存在較大偏差的結論.Xiao 等[51]結合改進的超聲測量模型(Improved ultrasonic measurement model,IUMM)和支持向量機(Support vector machine,SVM),提出了一種使用掃描聲顯微技術識別金屬材料中夾雜物和空腔的新方法.在IUMM 中,開發了Born 近似和Kirchhoff 近似的混合模型來計算孔洞類缺陷的遠場散射幅度,從而提高了預測缺陷脈沖回波信號的相位和幅度的準確性.SVM 分類器以預測回波信號的幅度和峰值頻率為主要特征,區分夾雜物和孔洞類缺陷.實驗結果表明,所提出的IUMM 預測的回波信號在幅度和頻率上都比傳統的UMM 更為準確.SVM 分類器也能夠成功識別各處缺陷,實現了超聲波信號的智能分析.

1.2.2 相控陣超聲檢測技術

相控陣超聲檢測技術是超聲探傷領域的一個重要分支.與常規超聲不同的是,相控陣超聲探頭由多個獨立的壓電晶片排列構成陣列,并按照人為設定的延遲時間激發各晶片產生超聲波,所有晶片響應疊加后形成新的波陣面.因此,相控陣超聲檢測技術能實現可控的動態聚焦與相位偏轉等多種相控效果,可有效地檢出鑄件內部各種面狀缺陷與體積型缺陷.

Tkocz 等[52]設計了一種低成本的四通道相控陣電磁超聲換能器系統,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實驗,由脈沖回波A 掃描數據可知,該系統可檢測到16 cm深的人工缺陷.蘇宣機等[53]運用相控陣超聲波技術對正火狀態下的閥門鑄鋼件進行探測,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,但缺陷表征與實際缺陷存在偏差.其中,缺陷長度最大偏差為3 mm,深度最大偏差為0.6 mm.增益補償是量化超聲相控陣檢測缺陷的關鍵參數,適當的增益能提高該技術的缺陷分辨率,增強缺陷判別的可靠性.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相控陣超聲能量增益值之間的關系.結果表明,增益補償和缺陷深度之間存在嚴格的線性正相關,與缺陷尺寸之間存在嚴格的線性負相關;對于近表面缺陷,增益補償隨著缺陷與邊界距離的減小而減小;對于缺陷重疊情況,則有必要對待測鑄件進行縱向波和橫向波掃描.蔣毓良等[55]將超聲相控陣技術應用在輪轂球鐵件的缺陷檢測,能分辨出相鄰的小缺陷,有利于對缺陷級別的準確評定.

Han 等[56]使用帶編碼器的相控陣掃描裝置,對距離配置信息的數據進行采集和成像,以實現基于超聲數據的高精度三維成像.經過平滑過濾器等傳統圖像處理技術,重建圖像測量誤差小于5 %.該系統可以在空間上形成更直觀的缺陷表現,可以準確反映缺陷的位置、形狀和大小信息.但由于工業檢測環境、鑄件材料性能和缺陷的復雜特性等原因,基于相控超聲的三維成像仍處于發展階段.

1.2.3 全聚焦相控陣超聲檢測技術

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.這是因為相控陣超聲檢測成像的所有幀都在一個恒定的深度上聚焦.位于聚焦區域之外的反射區域會顯得模糊不清.全聚焦方法(Total focusing method,TFM)對此做出了良好改進.其依次激活單個陣元產生擴散角度大的超聲波,并在所有陣元上接收反射信號,因此可以為聚焦區域內的任何位置生成高度清晰的圖像[57].

文獻[58]對于表面紋理呈樹枝狀的輕合鑄件進行全聚焦方法進行高分辨率成像.由于TFM 可以從不同的方向傳輸和接收,覆蓋大范圍探測區域,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,對帶有人工缺陷的鋁塊進行檢測試驗,通過索引數據加速技術可以將每幀圖像成像時間縮短至135 ms 以內,并添加指向性校準模型以優化最終的圖像質量.

1.2.4 激光超聲檢測技術

激光超聲技術是一種無接觸,高精度的新型超聲檢測技術.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在鑄件表面激發超聲波,隨后用光學干涉儀對其進行非破壞性與非接觸測量來獲取工件厚度、內部和表面缺陷,材料參數等工件信息.該技術結合了超聲探測的高空間分辨率和光學探測非接觸的優勢,具有高靈敏度,高探測帶寬的優點,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的雙激光誘導非線性超聲調制技術,該系統檢測金屬鑄件樣品中的疲勞裂紋效果優良.曾偉等[63]提出了一種基于能量分析的激光超聲技術對表面缺陷進行檢測,通過觀察金屬鑄件中超聲波能量分布圖,對缺陷的位置、大小、形狀等缺陷信息進行檢測.在鋁材料和不銹鋼兩種材料上的試驗,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空間的方法.經過兩個激光脈沖掃描后鑄件內部產生超聲波,波形數據被高頻傳感器所記錄,并據此重建出基于狀態空間的吸引子.通過觀察平均局部吸引子方差比的空間分布,高效地檢測與定位鑄件裂紋.Grün 等[65]和Roither 等[66]運用該激光超聲裝置,對以1.6 mm/s 速度連續鑄造的鑄鋁板進行在線超聲檢測,能實時獲得探測波形信號.其超聲波信號幅度、高超聲頻率與微觀結構噪聲的規律變化,都證實了激光超聲檢測判斷凝固裂紋有無的可行性,該系統能在鑄造過程中及時獲取鑄件缺陷信息,在保證鑄件質量的同時,也縮短了工藝時間,提高鑄造廠的經濟效益.圖4 為凝固擴展裂紋的超聲波透射歸一化信號與反射歸一化信號.

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

1.3 基于電磁學的無損檢測技術

1.3.1 渦流檢測技術

渦流檢測技術是一種廣泛使用并易于理解的無接觸式檢測技術,是建立在電磁感應理論基礎上的無損方法.用通有交變電流的線圈靠近或嵌套待探測鑄件,根據法拉第電磁感應定律,在鑄件中會產生感應電流進而產生連續渦流.線圈在工件上移動時,會因鑄件自身各因素變化,如形狀、尺寸、缺陷等,導致渦流磁場強度和分布發生突變,便能判定鑄件對應部位的性質和狀態.傳統渦流檢測技術對復雜鑄件束手無策,但是對形狀簡單的鑄件具有高靈敏度與高檢測效率.具體來說,其是唯一能夠以高達1 200 ℃的溫度和高達150 m/s 的速度下對諸如電線、棒材和管狀工件等鐵磁性和非鐵磁性金屬導電材料進行自動化檢測的傳統技術[67],是其他現有新興無損檢測技術也無可比擬的.與其他技術相比,渦流檢測技術的主要優勢有:

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

2)對導電金屬鑄件表面和近表面缺陷的探測效率很高;

3)以電信號作為檢測結果,方便存儲、再現和進行數據比較與處理.

同樣,渦流檢測技術存在著技術不足:

1)只適用于導電金屬型或能產生感生渦流的結構簡單的鑄件,復雜鑄件難于運用.檢測結果易受鑄件結構形狀、材料特性和外界磁場的影響;

2)渦流檢測技術難以區分缺陷類別與形態,不能對缺陷進行有效地分類分級,且無法檢測到鑄件內部缺陷.

隨著微電子學和計算機技術的發展和各種信號處理技術的采用,渦流信號處理技術和渦流探傷儀器等方面長足發展.傳統渦流檢測技術也開始不局限于單頻信號處理.Bernieri 等[68]通過組合各種正弦頻率信號以激發具有期望幅度的頻率分量來實現多頻信號,使用高靈敏度的巨型磁阻(Giant magneto resistance,GMR)傳感器對含裂紋的鋁合金的感生磁場實時進行信號采集,并在頻域中對采集數據進行分析.針對普通渦流檢測方法只能實現缺陷檢測而難以實現缺陷分類的問題,Betta 等[69]提出一種采用線性調頻信號激勵渦流傳感器和探測信號譜分析的多頻渦流檢測方法.該方法采用線性調頻信號激勵位于交流電橋中的線圈渦流傳感器,放大和采集輸出信號進行譜分析,根據譜圖能量變化,可以檢出缺陷;同時,為了有效地實現缺陷分類,對多頻渦流信號構建二維圖像,運用圖像處理方法提升了該技術缺陷檢測性能.

1.3.2 遠場渦流檢測技術

遠場渦流檢測技術(Remote field eddy current,RFEC)是在傳統渦流檢測的基礎上,對管狀鑄件更具針對性的優化技術.遠場渦流檢測探頭為內置型探頭.一般由激勵線圈、檢測線圈與減震器組成.當激勵線圈通有變化的電流后,其所發散出的磁力線穿過內壁,并再次穿過工件壁與接收線圈形成閉合磁場.檢測線圈接收到的信號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RFEC 裝置進行結構優化,通過在RFEC 探針的激勵線圈和檢測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鐵磁環以產生更強的磁通密度,提高檢測線圈信號接收性能.同樣是為解決傳統傳感器的缺點,鑒于傳統傳感器的信號普遍存在信噪比低和對軸向裂紋的敏感性差的缺點,Xu 等[71]提出了一種基于正交磁場激勵的新型高靈敏RFEC 傳感器.對新型自差模拾取線圈在內的不同類型的檢測線圈進行設計和分析,最終在鐵磁性管道上使用,由實驗結果可知,新型傳感器可以大大提高缺陷檢測的靈敏度,對于深度小于壁厚40 %的軸向裂紋同樣具有高檢出率.文獻[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行遠場渦流檢測的性能.建立了兩個遠程場渦流探頭,以比較縱向和橫向缺陷的檢測和表征能力,結果表明,在磁場強度變化方面,GMR 傳感器比AMR 傳感器更為敏感,可提取的缺陷信息更詳盡.

儀器的檢測線圈遠在激勵線圈的2～ 3 倍管道直徑之外,因此,檢測線圈所接收到的遠場變化信息參雜了許多雜散電磁場干擾,使得RFEC 信號提取缺陷特征面臨困難.吳德會等[73]采用ANSYS 軟件建立三維遠場渦流有限元仿真模型,分析了磁場在管壁內的分布特性.通過三維仿真模型評估了軸向裂紋幾何尺寸參數對遠場渦流探測信號的影響,裂紋的幾何尺寸與遠場渦流探測信號之間的關系如圖5 所示.

圖5 裂紋的幾何尺寸與遠場渦流探測信號關系Fig.5 The relationship between the crack geometry size and the far-field eddy current detection signal

另一方面,由于渦流信號會從激發線圈和接收線圈處2 次穿透管壁,所以同一缺陷必然影響2 次遠場渦流信號的傳輸,在接收信號中體現為主峰和偽峰.主峰包含了管道缺陷的位置等信息,而偽峰則會對缺陷定位造成負面影響.為了排除偽峰對管道缺陷定位的干擾,羅清旺等[74]和孫虎等[75]提出了兩種新的遠場渦流偽峰移除方法,分別利用維納去卷積濾波與數學形態學濾波器濾除缺陷信號的基線偏移.仿真實驗和實際數據處理結果表明,兩類方法都具有良好的偽峰移除效果與普適性.

1.3.3 脈沖渦流檢測技術

傳統渦流檢測技術可以在鑄件中尋找到微裂紋的位置,而采用脈沖渦流檢測技術(Pulsed eddy current,PEC)可以根據微裂紋的位置信息自動獲取有關微裂紋深度的信息[76].PEC 技術是一項可靠且成熟的技術,其具有渦流檢測所有的優點,并且比前者的頻率范圍更寬,可提供足夠信息進行缺陷識別和定量評估.

脈沖渦流通常是以一定占空比的方波作為激勵信號施加于初級線圈,當初級線圈接近導電型金屬鑄件時,內部會感應產生變化的渦流和再生磁場.瞬時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,次級線圈接收到的渦流再生磁場包含有豐富的缺陷信息,由此可實現對鑄件的探測與評估.

針對提振效應、測量噪聲和表面氧化物對脈沖渦流檢測分類產生負面影響的問題,Qiu 等[77]應用基于主成分-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,兩者都能有效地對連鑄件表面和亞表面模擬裂縫和孔洞缺陷進行精確分類.Peng 等[78]提取本征模函數(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.IMF 是通過經驗模式分解(Empirical mode decompo sition,EMD)和整體EMD 得出的,進一步優化缺陷分類性能.在實際工業探測過程中,提振噪聲難于避免,在一定程度上會模糊PEC 探測的有用信息.針對這一現象,Yu 等[79]采用理論與實驗的方法對鋁合金缺陷進行分析.且在實驗結果基礎上,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 無損探測中的提振噪聲,使得缺陷檢測定位更準確.金屬內部結構在探測過程中也會導致PEC 信號變化響應,進而產生誤檢.Benyahia 等[80]對時頻域中PEC 信號運用連續小波變換分解,將真實信號與噪聲等有害信號分離.來增強鋁結構的脈沖渦流響應.能量耗損是脈沖方波信號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(Frequency-bandselecting pulsed eddy current testing,FSPECT)方法.與能量等價的方波形PEC 技術相比,FSPECT 技術對深度缺陷的響應更大更迅速.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.在恢復缺陷信號段方面能達到98 %的準確性,獲得了較好的檢測結果.

1.3.4 脈沖渦流熱成像技術

脈沖渦流熱成像技術是脈沖渦流技術結合紅外熱成像技術的無損檢測技術.具有檢測精度高、面積大、檢測結果直觀等特點.脈沖渦流熱成像技術主要包括三個步驟:電磁感應形成渦流場、感生電流產生的焦耳熱形成溫度場、利用熱像儀建立熱場分布模型[83].該技術結合電磁熱等多物理效應,大幅度增強缺陷表征能力.

脈沖渦流熱成像技術就是利用了二維鑄件中出現的電流流動現象及其傳熱特性[84],鑄件缺陷與溫度場關系是該技術研究重點.Franzini 等[85]設計了一種應用于金屬鑄造的高分辨率熱成像檢測系統,能夠實時提供高解析度的紅外圖像.Singh 等[86]提出了主動脈沖紅外熱成像技術檢測方法.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.利用含缺陷區域比無缺陷區域具有更高的溫度這一先驗知識,表征出具有高熱濃度的缺陷區域和缺陷的大小和深度.經實驗證明,含缺陷區域的冷卻過程需要消耗更長時間.工件內部氣孔缺陷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的分析框架渦流脈沖熱成像系統.通過最大熱響應、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度.文獻[88]設計了一種感應加熱的主動熱成像系統.通過用紅外熱像儀記錄表面溫度,對整個紅外圖像序列使用傅里葉變換進行評估,并對相位圖像進行處理以檢測表面裂紋,同時分析計算不同深度裂縫周圍的信號分布,確定裂紋深度.在該模型下,設立zy平面為鑄件表面,x軸正方向為鑄件深度,y=0 為裂紋的位置.工件受到瞬時加熱脈沖后,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表示熱擴散率,λ 表示材料的熱導率,Q表示施加的表面熱通量.這個隨時間連續的積分方程體現溫度大致變化.下列公式得出裂紋的位置:

在加熱t時間后,表面的溫度升高為:

由式(1)～ (3)可以推斷裂紋距離:

1.4 其他無損檢測技術

磁粉檢測技術和滲透檢測技術都屬于五大常規無損檢測技術.近年來,相關國家標準持續更新[89-90],在材料控制、工藝規范制定上趨于完善,提供了詳細的工藝材料要求和驗收標準,是不可替代的兩種鑄件表面缺陷檢測方法.從本質上來看,這兩種技術都是對表面和近表面缺陷的顏色或紋理特征進行增強.與基于光學、聲學、電磁學等無損檢測技術有所不同的是,如今的磁粉檢測技術和滲透檢測技術于試劑噴灑階段、鑄件糾偏階段與缺陷檢測階段都需要檢測人員直接或間接參與.因此,鑄件缺陷檢測結果的正確與否與檢測人員操作息息相關.

1.4.1 磁粉檢測技術

磁粉檢測是利用鐵磁性工件表面處缺陷在磁場中存在漏磁現象,在特殊介質下特征顯著的一種無損檢測方法.由DT4A 超高純低碳純鐵軋制成的標準試片,可以檢驗鐵磁性鑄件有效磁化區以及大致的有效磁場強度和方向,被廣泛用于磁粉探傷領域中.對于異形鑄件磁粉檢測,也可采用合適的標準試片,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階段.受漏磁場吸引所顯現的真實磁痕特征反映了缺陷本質.經過相關鑄件缺陷圖譜比照后,對缺陷進行定位、定性和定量分析.在探測階段,鑄件會因為表面不平滑而需要鑄造工作者對鑄件進行打磨,在人工檢測階段,鑄造檢測人員的感知能力與表面處理能力對裂紋檢測的效率有著決定性影響[91].磁粉檢測技術具有以下優缺點:

1)操作簡單方便,檢測成本低,靈敏度高;

2)可顯現出目視難以看出的細微缺陷;

3)只適用于探測鐵磁性鑄件的表面和近表面,對被測鑄件的表面光滑度要求高;

4)磁化后的鑄件需進行退磁處理.

對于磁粉檢測技術而言,儀器設備的更新升級是帶動技術的發展的重要途徑.陳新波等[92]設計了一套智能磁粉探傷機,從移動磁化系統、移動夾緊系統,到噴液和回收機構等操作控制全部集成于一個設備控制面板上,實現了對中大型工件局部和整體的磁粉自動檢測.李澤鑫等[93]設計了一種便攜式磁粉探傷機,可對不易搬運的大型鑄件實時進行磁粉探測,加速了檢測時間,對需定期檢修的服役鑄鋼零件表面缺陷檢測提供了更為優選技術方案.

1.4.2 滲透檢測技術

滲透檢測技術利用了液態著色劑與熒光劑在固液交界下的毛細現象以及其于特定光照下的顯像現象[94].具體就是將檢測試劑涂抹于表面處理后干燥的待測工件表面,等待時間至少7 分鐘.在特定光源下,通過目視法或選用3 倍以下的放大鏡進行觀察和標記,清洗過后采用掃描電鏡對顯像處進一步評定鑄件表面缺陷的類型、形狀和大小等多種屬性.在檢測過程中,易受多方面因素影響而造成漏檢,重復檢驗結果會有所不同,采用滲透檢測法檢測鑄件的優點有檢測靈敏度高、表面缺陷表示直觀、不受鑄件形狀和化學成分等因素影響,且由于材質適用范圍廣,滲透檢測比磁粉檢測更多地應用于鑄造生產中[95].但缺點也顯而易見:滲透檢測技術耗時長、對鑄件內部缺陷無能為力、工藝流程復雜且自動化程度低,且鑄造工作者需要與有害、易燃和揮發性材料接觸,同時要求在要暗室和黑光燈環境下檢測.

本文總結比較了各類鑄件缺陷無損檢測技術如表2 所示.

表2 鑄件缺陷無損檢測與評估技術對比Table 2 Comparison of non-destructive testing and evaluation techniques for rail defects

2 基于神經網絡的探測信號處理方法

在鑄件缺陷無損檢測過程中,探測階段所采集到的缺陷信號載體的物理特性不同,往往需要根據其特性有針對性地進行信號分析方法研究.同時,信號存在各種噪聲干擾,增加了缺陷特征提取難度,因此各類噪聲信號處理方法也需要提出和改良.而不同信號分析方法和信號處理方法的疊加,使得每種缺陷檢測方法的工作量增大,使用范圍變窄.近年來,國內外學者對基于神經網絡的信號處理方法展開研究,利用神經網絡可以通過逐級迭代獲取輸入和輸出內在聯系的特點,將神經網絡結構運用于各種探測信號分析.同時,神經網絡的魯棒特性,使得其對含噪聲的信號仍具有高檢測效率.此外,基于樣本學習的方法可以完美融入大數據分析策略,通過對鑄件缺陷數據庫的學習來保障自身的高效性能.

2.1 基于深度學習的圖像處理方法

在圖像缺陷檢測領域中,深度學習算法以硬件的圖像處理模塊為載體,是重要的組成部分.與主流無損檢測方法側重點不同的是,它是對目標特征進行深度挖掘,并更側重于深度學習網絡性能,不易受到硬件水平的制約.與傳統圖像處理方法不同的是,傳統方法中的特征提取主要依賴于人工設計的提取器,需要從頭開始進行數據篩選.根據數據的特異性,要采取不同的特征提取方法和分類器結合,經過大量嘗試,才能得到滿足工業場景需求的特定方法,過程低效又昂貴.每個傳統圖像算法都是針對具體應用,不具有普適性[97].

大多數車間不愿意投資深度學習的研發工作,依舊憑借傳統圖像算法作為工業解決方案,深度學習的應用正面臨著嚴峻挑戰[98].實際上,各類探測儀器的成本逐年降低,更易獲取大量圖像和數據.同時,隨著感知機研究的不斷推進和計算機硬件的換代升級,深度學習為圖像檢測領域帶來了革命性的變革.學術界也紛紛涌現出各種高效又健壯的網絡框架,得以對X 射線檢測系統、機器視覺系統等系統所獲得的多樣化目標進行強大的感知和處理,其圖像檢測任務中的準確率已然能與人類視覺能力相媲美,推進速度令人矚目.圖像和數據處理需要用更先進、更靈活的檢測手段才能保障鑄造廠的效率和性能,提高整體生產率.

文獻[99]將原始鑄件視覺圖片等比分割成九塊區域,再引入卷積神經網絡(Convolutional neural networ,CNN)模塊實現對鑄件表面夾雜物、氣孔和裂紋缺陷檢測,檢測精度高達97.25 %以上.圖7 為文獻[99]設計的機器視覺系統檢測流程.在深度學習模型中,需要高質量的數據集進行訓練,而對于鑄件內部缺陷檢測,采集的圖像常存在缺陷邊界不清晰的問題.傳統方法對于類間差異小的缺陷無法準確分類,且標簽的錯誤最后會導致網絡性能下降.Yu 等[100]提出了一種自適應深度和感受野選擇機制,使用 “惰性標簽”對邊緣模糊的缺陷進行標注,可以克服缺陷邊緣模糊而導致的貼標不準確問題.使用該方法,可減少人工標注的主觀錯誤,提高標簽的準確性,獲得質量更高的標簽數據.網絡識別的缺陷類別、位置和區域如圖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 為無缺陷的背景區域.

圖7 機器視覺系統示意圖Fig.7 Schematic diagram of machine vision system

圖8 圖像識別缺陷的類別、位置和區域Fig.8 Image recognition defect category,location and area

另外,為了降低機器對精確標注樣本的依賴性,Hu 等[101]提出了一種新穎的訓練策略,該策略在訓練階段將新的對象級注意機制融入學習模型中,僅使用圖像級標簽訓練包含孔洞與夾雜類缺陷的數據集,利用雙線性池提高模型檢測局部對比鑄件缺陷的能力,并將類激活圖(Class activation maps,CAM)擴展到雙線性CAM,這一新型可視化技術增強了模型的可解釋性.最終減少額外的人工消耗并提高模型性能.同時,由于鑄件種類繁多,鑄件上可獲取的各類缺陷圖片較少,而神經網絡中包含大量的參數,需要大量數據進行訓練.小數據集可能會導致網絡過擬合,所以在鑄件缺陷檢測中,小樣本是亟需解決的問題.Du 等[102]討論了擴充數據集對網絡性能的影響.通過實驗發現,當圖片增加到一定數量后,網絡性能會下降,所以在進行數據擴充時,不能過度擴充,故使用單一數據擴充方法對網絡性能的提升有限的.

除了數據集外,網絡結構也是影響網絡性能的重要因素.Ferguson 等[103]將ResNet-101、VGG-16等主流的特征提取網絡與Faster R-CNN、SSD、RFCN 等網絡模型兩兩結合,比較了各算法的定位精度和計算性能.氣孔、縮孔等都是鑄件內部的常見缺陷,而這些缺陷相對于鑄件來說都是微小缺陷.在相關標準中對鑄件孔洞類、夾雜類缺陷的大小皆有等級劃分:GB/T11346 在50 mm×50 mm 的參考底片下,將各缺陷分為8 級;TB/T3105.4 在177 mm×127 mm 的參考底片下,將各缺陷分為5 級.缺陷級數越低時,缺陷相對越小,紋理信息越模糊,目標特征細微而難于檢測.隨著神經網絡的加深,許多淺層信息不可避免會丟失,這將會嚴重影響網絡對微小缺陷的檢測精度.文獻[102]針對這一問題,提出特征金字塔網絡,對圖片包含的各層特征進行多尺度預測,保留了圖片中的淺層特征信息,在微小缺陷檢測任務中表現出了良好的性能.其中,Faster R-CNN 結合ResNet-101 網絡的平均精度均值(Mean average precision,mAP)達92.1 %.由于微小缺陷包含語義信息較少,容易產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制和特征圖深度學習的魯棒檢測方法.采用中心邊緣差分法來模擬生物視覺信息處理機制,提取出疑似缺陷區域,并剔除不必要的信息,再使用深度卷積網絡提取連續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網絡結構圖.

圖9 幀間深度卷積神經網絡結構圖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算法,結合深度卷積神經網絡中的空間關注機制和雙線性池這兩種技術對網絡進行優化,提出了一種新的空間注意雙線性卷積神經網絡,以增強CNN 的表示能力,得以表達潛在的特征屬性.實驗結果表明,與一般的CNN 缺陷檢測器進行比較,優化后的模型有顯著的性能提升.表3 為近5 年來,學術界運用深度學習算法在鑄件缺陷檢測領域上所取得的研究成果.

表3 基于深度學習的鑄件缺陷檢測研究現狀Table 3 Research status of casting defect detection based on deep learning

在鑄件缺陷檢測中,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上是由于缺乏肉眼可見的詳細特征,而導致檢測過程也難于區分前景與背景.學術界針對這些問題做了深入研究.Bai 等[114]提出一種端到端的多任務生成對抗網絡(Multi-tasks generative adversarial networks,MTGAN)以檢測微弱目標.其將生成器搭建為可以將模糊圖像采樣轉化為精細圖像的超分辨率網絡,判別器結合多任務模型進行分類和回歸損失計算,并反向傳播更新生成器,循環往復.由廣泛的實驗得出,MTGAN 在AP 性能上超過了現有最新的微弱目標檢測技術.Dong 等[115]用隨機森林(Random forest,RF) 算法替換U-Net 網絡中最終的softmax 層,U-Net 所提取的特征再對RF 進行訓練,使其擁有對圖像中各像素分類的能力.此方法足以檢測到數據集中84.5 %的缺陷,在圖像分割上優于其他傳統算法.Barz 等[116]將5 個細粒度小樣本在同一深度學習模型上訓練,發現在softmax層使用余弦損失比交叉熵能得到更高的分類精度.

由于卷積神經網絡中有大量參數,需要大量訓練樣本才能使網絡匹配缺陷特征,但在鑄件生產檢測過程中,面臨著樣本數據少、圖像采集耗時、標注代價高等問題,進而易造成在小樣本數據集上過擬合、網絡優化難、泛化能力不佳等一系列負面影響.Keshari 等[117]基于該理念提出了一個新的CNN 模型,重點學習濾波器的 “結構”和 “強度”.結果表明,其在小樣本數據集上的識別精度有巨大提升.Wang 等[118]改進的Faster R-CNN 能夠在目標樣本很少的情況下,對原訓練模型魯棒性適配,其提出的基于分割池和實例感興趣區域(Region of interesting,ROI)采樣的特征配對機制,可在圖像和目標實例級別上對成對的特征進行域適配.提出的實例級適配模塊對成對的目標特性進行了語義對齊,緩解了域漂移問題.該模型在SIM10K 數據集上對已檢測目標有著較高置信度.顯著減少了訓練所需的參數量,同時在測試數據庫上顯示出高準確性.Ren 等[119]提出了一種基于深度學習算法的通用表面檢測算法.在工業小樣本分割任務中,該方法僅需5 張圖像進行網絡訓練,檢測結果達到了0.0 %的錯誤逃逸率,具備自動適應小樣本、強噪聲的復雜工業生產場景的能力.Wang 等[120]引入配對機制,提出一種雙級模塊,使訓練檢測器適應目標域.該團隊采用注意區域生成網絡和多關系檢測器的少熱目標檢測,利用小樣本的相似性來檢測新的目標,同時抑制主干網絡中的錯誤檢測.為解決數據呈長尾分布而易造成模型過擬合問題,Liu 等[121]提出了一種改進的VGG-16 主干網絡,通過添加更強的正則化器并使用批歸一化,使網絡具有更強的泛化性,針對不同樣本無需重新設計特定網絡模型.該模型在公共小樣本數據集上實現了8.45 %的低錯誤率,消除了過度擬合.Xu 等[122]提出了一種小型數據驅動的卷積神經網絡,該算法通過集成方法對小樣本進行預處理,使用標簽擴張解決類分配不平衡的問題.并提出了一種半監督數據擴充方法,以更有效、可控的方式擴展數據集.通過對改進的4 種常用的卷積神經網絡進行一系列比較實驗和評估發現,SDD-Inception v3 結構在小樣本檢測任務中,具有出色的性能.

2.2 基于神經網絡的其他信號處理方法

與大多數基于光學的無損探測技術所得到的直觀圖像不同的是,基于聲、電磁學的無損探測技術的直接探測結果大多是在二維坐標軸下波形形式表征的.這增加了檢測人員提取缺陷特征的難度.神經網絡的出現,打破了傳統信號分析方法的局限性,在精度上顯著優于傳統方法,成為最新的研究熱點.運用人工神經網絡等理論知識,以提高復雜工況背景下復雜連續信號的處理能力.

Meng 等[123]從鋼板內18 個近表面不同深度的缺陷中獲取了48 000 組ECT 信號,將其制作成數據集.并把缺陷深度評估問題表述為時間序列分類問題,訓練和評估了各種一維殘差卷積神經網絡在分類任務中的檢測性能.其中,38 層一維ResNeXt卷積網絡的檢測精度達到93.58 %,且不受提離信號的影響.Park 等[124]將原始管狀工件的一維ECT數據按軸向順序堆疊為二維數據,進而轉化為二維圖像,然后設計了嵌有Dropout 層的深度人工神經網絡對進行缺陷分類,使神經網絡的平均分類精度提升至97.19 %.文獻[125]通過對數值模擬得到的信號數據進行深度學習的方法,解決了ECT 信號估計裂紋深度的計算速度問題,計算時間小于1 秒.Miao 等[126]提出了基于渦流檢測小波時頻圖CNN的缺陷識別方法.一方面,連續小波變換產生的焊縫時頻圖可以有效地反映窄搭接焊縫渦流探測信號的時頻特征;另一方面,將小波時頻圖作為CNN 網絡的輸入,避免了特征表達不足和識別精度不高的問題.Wang 等[127]研究了鐵磁材料中裂紋的PEC信號,提出了一種基于遺傳算法的反向傳播神經網絡模型,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.

針對超聲檢測技術生成的信號,文獻[128]使用卷積神經網絡,深度神經網絡,多層感知器三種模型對時域上的超聲信號進行訓練和測試,實驗結果表明,所有模型都可以準確評估孔洞類缺陷,其中CNN 效果最佳,檢測精度達到94.5 %.但工件表面的粗糙程度會引入大量噪聲信號,降低訓練模型的準確性.為了減少噪聲對分析結果的影響,Munir等[129]將超聲信號數據集擴充至原來的5 倍,每個信號設有2 048 個采樣點,并基于CNN 的魯棒性,使用僅有兩層卷積的神經網絡用于提取超聲特征,改善了模型分類性能和適用性.張偉等[130]采用波形逼近技術在磁場信號中獲得波形參數信息,從而與缺陷尺寸建立映射關系,解決了裂紋缺陷遠場渦流定量反演時特征難匹配問題.Falque 等[131]研究了一種RFEC 信號轉換為二維圖像的經典分割方法.該法使用反卷積結合SVM 分類器處理RFEC 信號,提取了信號內真實缺陷信息.

3 展望

隨著鑄造技術的不斷發展,目前的鑄件檢測系統僅依靠軟硬件技術的升級優化,已無法滿足鑄件缺陷檢測技術的現實需求[132].針對鑄件全尺寸、高精度、高時效等檢測要求,高端鑄件缺陷檢測技術必須考慮以下幾點問題,展望概述如圖10 所示:

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

1)對于鑄件缺陷檢測過程,探測技術本身存在的缺點不可避免,且單一的聲或光信息難以對復雜鑄件作全方面檢測.融合多種探測方法對鑄件進行全方位探測技術開始出現.但僅僅通過串聯多種探測技術來組合成一條自動檢測線,是無法滿足工業中對于檢測速度的要求[133].如何利用多模態技術將多維信息融合實現對鑄件缺陷特征進行高效且全面地檢出,將是未來檢測技術發展研究的方向之一.

2)目前,機器人技術與鑄造行業質量監測的聯系越發緊密,機器視覺系統與機器人技術融合技術嶄露頭角:結合機器人系統的機器視覺檢測技術實現了鑄件多角度信息獲取,消除了空間對檢測效果的限制.而其他檢測手段也正面臨著過分依賴人的參與、輔助時間長、檢測效率低等問題,亟需加速踐行新一代信息技術與質檢技術的深度融合,在時間與空間上提高檢測設備靈活性.如何將各種檢測手段與機器人技術有效結合,促進傳統鑄件檢測技術的智能化升級,是未來研究方向之一.

3)在鑄造行業實際場景中,“大數據”往往是偽命題,“小樣本”卻更為常見.經過多年的學術研究,國內外研究員從數據擴充、模型優化和遷移學習三個方面改進了神經網絡對數據采集量的需求[134].但多數研究僅考慮到檢測的精度,并未過多考慮檢測實時性,這在工業領域是無法接受的.此外,多數針對小樣本的檢測模型是在自然圖像數據集或公共數據集上進行預訓練再針對下游任務進行微調的,工業場景實際應用少.針對小樣本檢測網絡的實時性和更有針對性的模型預訓練方法展開研究,可以將自然領域或醫學領域小樣本檢測模型遷移至工業領域,具有廣大的發展前景.

4)鑄件缺陷檢測任務通常僅包含檢測與分類,這無法包羅本文所需要的全部質檢信息.對于單個鑄件,逐一進行缺陷檢測、尺寸測量、表面粗糙度測定等程序耗時耗力.特別是針對圖像檢測任務,需要同時實現鑄件尺寸測量、缺陷分類、表面粗糙度評定等多個任務.在深度學習領域,多任務學習可以學到多個任務的共享表示,這個共享表示具有較強的抽象能力,能夠適應多個不同但相關的特征.由于使用共享表示,多個任務同時進行預測時,同樣能減少了樣本來源的數量和整體模型參數的規模,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,預測更加高效.由此可見,“多任務”與鑄件質量檢測結合是一個值得深入探討的問題.

4 結束語

鑄件的生產加工工序繁多、條件復雜,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就存在缺陷,而在服役過程中,受力不均或使用不當也會產生缺陷,這些缺陷會影響鑄件的整體性能,需要進行監測與排除.隨著工業生產規模的不斷擴大,純人工檢測方法的檢測效率不足以滿足生產效率要求,需要自動化的鑄件缺陷檢測方法來提高檢測效率.

本文針對鑄件生產和服役過程中的產生的孔洞類缺陷、裂紋、偏析和夾雜等缺陷的成因進行分析.闡述了基于聲學、光學、電磁學等主流檢測技術及其常規信號處理方法、磁粉檢測技術與滲透檢測技術等其他檢測技術,并對近年來新興的基于神經網絡的信號處理方法進行了說明.對基于神經網絡的信號處理方法對比分析發現,鑄件無損檢測方法已經趨于完整.而深度學習網絡作為新興圖像檢測方法的核心,能夠發掘出圖像包含的深層信息,這些深層信息能夠對鑄件缺陷分類提供指導.并且,神經網絡具有強魯棒性,輕量化神經網絡的應用又進一步提高了檢測效率.因此,將具有強魯棒性、性能優越的神經網絡運用在鑄件缺陷檢測與分類上是未來主要的研究方向.