[go: up one dir, main page]

CN119322110A - 一种基于多方向扫描的电涡流缺陷检测方法、电子设备及可读存储介质 - Google Patents

一种基于多方向扫描的电涡流缺陷检测方法、电子设备及可读存储介质 Download PDF

Info

Publication number
CN119322110A
CN119322110A CN202411348495.7A CN202411348495A CN119322110A CN 119322110 A CN119322110 A CN 119322110A CN 202411348495 A CN202411348495 A CN 202411348495A CN 119322110 A CN119322110 A CN 119322110A
Authority
CN
China
Prior art keywords
eddy current
defect
scanning
defects
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202411348495.7A
Other languages
English (en)
Inventor
熊振华
郭政亚
朱艺文
孙宇昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiao Tong University
Original Assignee
Shanghai Jiao Tong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiao Tong University filed Critical Shanghai Jiao Tong University
Priority to CN202411348495.7A priority Critical patent/CN119322110A/zh
Publication of CN119322110A publication Critical patent/CN119322110A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/90Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
    • G01N27/9046Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents by analysing electrical signals
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G01N27/90Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
    • G01N27/9013Arrangements for scanning
    • G01N27/902Arrangements for scanning by moving the sensors
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electrochemistry (AREA)
  • Pathology (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明公开了一种基于多方向扫描的电涡流缺陷检测方法、电子设备及可读存储介质。其工作的基本思路是在线圈中通入固定频率的激励电流以在空间中产生交变的激励磁场。在适当的位置利用磁场传感器测量由缺陷引起的磁通密度变化,进而实现对缺陷的感知。本发明借助孔洞缺陷在不同方向上的尺寸类似而裂纹缺陷拥有较大的长宽比这一特点,提出采用合适的探头从多个方向进行连续运动扫描,通过获得更多缺陷信息从而实现缺陷分类。本发明采用基于连续运动的多方向扫描后,在不严重影响检测效率的前提下缺陷在不同方向上的信息可被获得,采用合适的信号处理方法可顺利实现孔洞及裂纹的分类。

Description

一种基于多方向扫描的电涡流缺陷检测方法、电子设备及可 读存储介质
技术领域
本发明主要涉及工业检测领域,尤其涉及一种基于多方向扫描的电涡流缺陷检测方法、电子设备及可读存储介质。
背景技术
电涡流缺陷检测技术有诸多优点。首先,它是一种非接触式的检测技术,避免了可能导致损伤的接触过程。其次,电涡流检测不受油污、照明条件等外部环境因素的影响,可在相对恶劣的工况下使用。此外,电涡流检响应迅速,可实现大面积或大批量工件的快速检测。同时,电涡流技术适应性强,可以适应各种工件形状和表面状态。最后,它不仅可以检测到缺陷的存在,还能借助所测信号在一定程度上定量评估缺陷,如裂纹的长度、宽度、深度等信息,因此在工业领域的质量控制和安全检测中得到广泛应用。然而,现有电涡流检测技术在定量评估缺陷时常以缺陷类型已知作为前提条件,与实际应用场景不符。因此,对缺陷种类进行判别有助于后续准确选择合适的缺陷定量评估算法,并依据结果采取相应解决措施,对于提高生产效率和产品质量具有重要意义。同时,它也有助于改进产品设计和制造过程,减少未来缺陷的发生。
通过对现有的文件检索发现,关于电涡流缺陷检测主要有如下几种方案:
中国专利申请号为CN201611125184X,名称为“一种金属材料高能束增减材在线涡流检测复合加工方法”。这项发明提供了一种金属材料加工方法。首先,使用高能束逐层熔化金属,形成工件。然后,对成形的材料进行修整,使表面更平整。接着,通过涡流检测,在工件上检测缺陷。若有缺陷,通过修整去除,并重新增材直至无缺陷。若无缺陷,则直接完成工件。这种方法解决了无法在线检测和修复纯增材制造零件的问题,提高了产品质量和生产效率。
中国专利申请号为CN202310210215.5,名称为一种基于GMM的电涡流检测探头及检测方法。该发明公开了一种基于GMM的电涡流检测探头及检测方法,属于电涡流无损检测技术领域。该发明利用GMM的磁致伸缩效应作用在GMM上磁场变化而变化的原理,通过检测GMM棒的磁致伸缩应变实现对被测试件缺陷的检测,GMM传感单元取代传统接收线圈作为检测探头。该发明可以检测微小缺陷,具有较高的检测精度和灵敏度等优点。
中国专利申请号为CN202410393625.2,名称为一种模型训练方法、缺陷检测方法以及相关装置。该申请提供了一种模型训练方法、缺陷检测方法以及相关装置,适用于各种场景,如计算机视觉。该模型训练方法利用部分已训练的第一采样图像集和全量新增的第二训练图像集对初始检测模型进行训练。相比于使用全部历史训练数据,这样的训练方法节省时间、减少了对GPU卡的消耗。通过自适应评估网络参数的对应权重,限制了历史训练数据对网络参数的更新,解决了只使用全量新增数据进行微调可能导致的知识遗忘问题。这提高了检测模型的学习能力。通过使用模型训练方法得到的优化检测模型,能够更准确地检测待检测图像中的缺陷,从而提高了缺陷识别的效果和准确性。
依据检索结果,现有专利中关于电涡流检测技术的内容多集中在提高检测精度和灵敏度方面,基于电涡流检测对不同种类缺陷进行判别的专利较少。如前文所述,在实际生产中,仅仅检测到缺陷的存在尚无法满足产品质量控制的要求,了解缺陷的类型和性质对于生产过程中的下一步行动至关重要。举例来说,对于某些表面缺陷,可能需要进行简单的修复工作,而对于更严重的内部缺陷,则可能需要采取更彻底的处理措施,如重新制造或替换部件。另外,不同类型的缺陷可能源自不同的生产环节或原因,及时识别并分类缺陷有助于找出生产中的问题点并进行改进,以减少未来的缺陷发生。因此,对缺陷进行分类可以帮助生产企业更有效地管理质量,提高产品的一致性和可靠性,从而提升整体竞争力。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题包括:
如何设计一种电涡流缺陷检测方法,从而克服上述技术问题。
为实现上述目的,本发明提供了一种基于多方向扫描的电涡流缺陷检测方法,包括步骤:
步骤1,使用电涡流探头按相同角度间隔从多个方向对工件进行扫描,获得具有不同方向的磁通密度扫描图像,数量为Nr
步骤2,将不同方向获得的Nr张扫描图像相对于各自图像内的最大像素值进行归一化处理;
步骤3,采用阈值St对所有归一化后的图像进行二值化处理,从而在每张图像中获得到一个或多个闭合图形;
步骤4,计算每个归一化图像中包围估计出的缺陷中心的Np个像素的平均值
步骤5,对于同一缺陷但在不同方向获得的一系列二维扫描图像,将与Sf比较,判断缺陷类型。
进一步地,步骤1中,所述磁通密度扫描图像的数量Nr,由以下方法获得,
进一步地,步骤1中,每次所述扫描完成后,电涡流探头和预设的扫描路径需以为角度间隔相对工件进行旋转。
进一步地,步骤1中,所述扫描路径没有特殊要求,能实现完整的二维扫描并能根据电涡流探头所在位置及测量到的信号形成二维扫描图像即可。
进一步地,所述扫描过程中,电涡流探头姿态应保持恒定。
进一步地,所述步骤3还包括,将每张图像中所有闭合图形的形心位置,视作缺陷中心位置。
进一步地,所述步骤3还包括,将每张图像中所有闭合图形的形心位置求平均值获得,得到真实的缺陷中心。
进一步地,步骤5中,所述将与Sf比较,判断缺陷类型具体为:如果所有图像的计算值都相对较小,即Sf为预定阈值,则可将该缺陷视为孔洞;但如果任一扫描图像的计算值超过预定阈值Sf,即则该缺陷将被视为裂纹。
一种电子设备,包括
存储器,
处理器,
电涡流探头,
移动平台,以及
存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时控制电涡流探头和移动平台实现如前述的基于多方向扫描的电涡流缺陷检测方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时,控制电涡流探头和移动平台实现如前述的基于多方向扫描的电涡流缺陷检测方法。
与现有技术方案相比,本发明的技术效果在于:
本发明借助孔洞缺陷在不同方向上的尺寸类似而裂纹缺陷拥有较大的长宽比这一特点,提出采用合适的探头从多个方向进行连续运动扫描,通过获得更多缺陷信息从而实现缺陷分类。
本发明采用基于连续运动的多方向扫描后,在不严重影响检测效率的前提下缺陷在不同方向上的信息可被获得,采用合适的信号处理方法可顺利实现孔洞及裂纹的分类。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明一种用于多方向扫描以区分孔洞及裂纹缺陷的电涡流检测系统示意图。
图2是本发明一种用于确定特征参数阈值以区分孔洞及裂纹缺陷的仿真结果图。
图3是本发明一种用于多方向扫描以区分孔洞及裂纹缺陷的实验装置及试件照片。
图4是本发明一种用于多方向扫描以区分孔洞及裂纹缺陷的检测探头示意图。
图5是本发明一种用于多方向扫描以区分孔洞及裂纹缺陷的探头对一个孔洞及裂纹检测结果的归一化扫描图像示例。
图6是本发明一种用于多方向扫描以区分孔洞及裂纹缺陷的探头对一个孔洞及裂纹检测结果的二值化扫描图像示例。
图7是本发明一种用于多方向扫描以区分孔洞及裂纹缺陷的实际特征参数分布结果。
附图标记
1、电涡流探头;2、试件;3、缺陷;4、仿真求解域;5、单个方向扫描路径;6、矩形激励线圈;7、磁场传感器;
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
本发明的检测目标是对孔洞和裂纹类缺陷进行检测与分类。图1展示了基于多方向的电涡流检测系统结构示意图。首先,建立了三个坐标系:XYZ、xyz和坐标系。XYZ坐标系被定义在电涡流探头上,xyz坐标系被定义在工件上,其中X、Y轴分别与x、y轴平行,是为了描述缺陷而被额外定义的缺陷坐标系,原点与工件表面上缺陷中心重合。Z、z、轴都垂直于工件的上表面,指向外部。缺陷的方位以X轴和轴的夹角来表征。
为了成功实现识别和区分金属材料中的裂纹缺陷和孔洞缺陷,本发明基于的原理如下:
(1)对于非导电区域,缺陷区域的电涡流场总为零,这表明局部区域的扰动电涡流场在大小上与探头诱导的原始电涡流场相等,但在方向上相反。
(2)对于孔洞和裂纹,缺陷边界处的涡流场j满足约束:j(r)·n(r)=0,其中,n(r)表示位于缺陷边缘位置r处的单位外法向量。
(3)扰动的电涡流场也满足电荷守恒定律,以闭环的形式出现在工件中,没有任何起点或终点。
基于以上原理,可以推导出在缺陷和探头的不同相对位置下导体中的存在缺陷扰动的电涡流场。比较孔洞缺陷和裂纹存在的导体的扰动电涡流场,发现带有裂纹缺陷附近的电涡流场会随着的变化而相对X轴旋转,但是孔洞缺陷附近的电涡流场的旋转并不明显。因此可以通过多方向扫描对孔洞和裂纹类缺陷进行检测与分类。
基于以上原理,本发明的基本思路如下:
(1)使用电涡流探头按相同角度间隔从多个方向(数量对工件进行扫描,以获得具有不同缺陷方向的磁通密度扫描图像,数量亦为Nr。为实现上述多方向扫描,每次扫描完成后,电涡流探头和预设的扫描路径需以为角度间隔相对工件进行旋转,而在单次扫描过程中,电涡流探头姿态应保持恒定。本发明对扫描路径没有特殊要求,能实现完整的二维扫描并能根据探头所在位置及测量到的信号形成二维扫描图像即可。在进行多方向扫描时,本发明对初始扫描角度不作任何要求,即初始扫描角度不会影响本发明的后续处理过程及最终分类结果。
(2)对于每个缺陷,将不同方向获得的Nr张扫描图像相对于各自图像内的最大像素值进行归一化处理。然后,采用阈值St对所有归一化后的图像进行二值化处理,从而在每张图像中获得到一个或多个闭合图形。随后,找到每张图像中所有闭合图形的形心位置,将其视作缺陷中心位置。对于同一缺陷,不同扫描方向下估计出的缺陷中心位置可能会略有差异,但不影响后续分类过程。真实的缺陷中心可进一步对所有图像估计的缺陷中心位置求平均值获得,以进一步降低误差。
(3)对于每个缺陷,计算每个归一化图像中包围估计出的缺陷中心的Np个像素的平均值对于同一缺陷但在不同方向获得的一系列二维扫描图像,如果所有图像的计算值都相对较小,即Sf为预定阈值,则可将该缺陷视为孔洞;但如果任一扫描图像的计算值超过预定阈值Sf,即则该缺陷将被视为裂纹。在该步骤中,计算多个像素点平均值的目的是为了消除信号噪声对分类结果的影响,因此Np的具体取值与缺陷大小、噪声大小及扫描图案上相邻像素点间对应的探头空间距离有关,一般而言Np不可过大。
为了配合上述缺陷检测策略,确定具体参数,特别是分类阈值sf,本发明研究了系统对称性,以更高效地预测扫描图像。由于电涡流探头具有系统对称性和工件为无限大平板的假设,它诱导的电涡流和其产生的磁通密度场都表现出一定的对称性,利用这种对称性可以避免在预测2D扫描图像时的一些冗余计算。根据Biot-Savart定律,传感点处的电涡流产生的磁通密度可以由式(1)计算:
其中,分别rs和r表示传感点和源点在xyz坐标系下的坐标,rO表示O点在xyz坐标系中的坐标。现在考虑三种情况,即:情况1、情况2、情况3,其中每种情况下工件中都存在缺陷。假设情况1、情况2的缺陷的几何形状和探头的位置都关于xz平面对称,则涡流场在xyz坐标系下满足:
其中,上标(1)和(2)分别用来表示情况1和情况2中的物理量。另外,由于在涡流探头中传感点位于Z轴,在xyz坐标系中其坐标在两种情况下可以表示为:
由式(2)(3)可得:
因此,两种情况下涡流场产生的磁通密度之间的关系可以表示为式(5)。情况1的扫描图像取反后和情况2的扫描图像关于x轴对称。
假设情况1、情况3的缺陷的几何形状和电涡流探头的位置都关于yz平面对称,用类似的推导,对于关于yz平面对称的情况可以得到式(6)。情况1的扫描图像取反后和情况3的扫描图像关于y轴对称。
则情况2、情况3的缺陷的几何形状和电涡流探头的位置都关于xyz坐标系的原点o对称,可以推导出式(7)。
利用系统的对称性,对于一般缺陷,只有当缺陷的方向位于[0,π]范围内时,扫描图像才需要计算,其它范围内的缺陷的扫描图像可以通过其位于[0,π]范围对称的缺陷的扫描图像得到而无需进行额外计算。此外,对于轴对称缺陷,需要计算的方向范围进一步缩减为从而大大减少了所需模拟的数量。
借助分布式电流源方法及系统对称性,对大量不同缺陷在不同方向下的扫描图像进行了仿真,并依据本发明所提处理流程对所获结果进行处理。所有计算均在一台装有至强6248R,3GHz CPU,383GB RAM和64位操作系统的PC机上使用MATLAB完成。从所有不同类型缺陷的模拟检测数据中得出的特征参数在不同区间内的出现比例如图2所示。结果表明,对于孔洞缺陷,特征参数虽然分布范围较大,但始终小于0.82。相反,对于裂纹缺陷,特征参数的范围集中,始终处于0.98到1的区间内。对于所有缺陷,特征参数均不出现在0.82到0.94的范围内,因此将其视作过渡区域,由图2中阴影部分表示。在此区间内选择适当阈值可有效区分孔洞及裂纹。考虑到数值仿真中忽略了裂纹宽度,实际应用中此类缺陷特征参数的分布范围可能比仿真结果稍大,因此将阈值选为sf=0.85,使其更加接近孔洞对应的分布区间。值得注意的是,不同尺寸范围缺陷的阈值选择可能有所区别,应按照本发明所提方法依据具体情况进行仿真后确定。
以下结合附图对本发明的一个具体实施例作进一步详细描述。
依据图1所示检测系统结构示意图搭建了测试平台,如图3所示。本实施例中选择二维线性移动平台作为运动装置,该移动平台通过直线电机驱动,两个运动轴相互垂直。将探头与被测试件通过利用POM材料制作的夹具分别固连到轴1及轴2上。在本实施例中,被测试件为方形导电平板(WP#1,WP#2,WP#3,WP#4),其材料为铝,检测目标为位于试件内的孔洞缺陷和裂纹缺陷。其中WP#2及WP#4从正反两面进行检测,以验证本发明处理亚表面缺陷的能力。检测实施时,电涡流探头通过多次一维扫描形成二维扫描图像。扫描过程中,探头的线圈底面应与试件上表面保持平行。本实施例中扫描方向间隔因此对于每个缺陷,在每个初始扫描角度下可获得Nr=3张图像。此外,本发明中二值化阈值St选择为0.5,计算平均值的像素数量Np选为9。
图4是本实施例使用的探头结构示意图。依据本实施例所需检测的缺陷尺寸范围,具体参数选择为:(wX,wY,hc,wi,dc,lc)=(30,14,5,8,16,0.75)mm,线圈圈数为175。本实例采用的磁场传感器为TMR2103(多维科技)线性磁场传感器,数值仿真通过MATLAB依据分布式电流源(Distributed Current Source,DCS)方法自行编程完成计算。探头信号采集方向选定X轴(矩形线圈长边)方向。本实例采用NI-9264作为信号发生装置,采用NI-9252作为信号采集装置,二者与NI CompactRIO 9040控制器相连并通过上位机进行控制。NI-9264所产生的正弦激励信号被输入到利用OPA549设计的功率放大模块中实现电流放大并最终用于驱动线圈,激励电流频率根据经验选为1kHz。磁场传感器的响应及线圈电流大小通过NI-9252以50kHz的采样频率进行采样。扫描过程中,轴2带动试件以100mm/s的速度进行往复运动,在试件到达极限位置时,轴1带动探头向边缘外侧方向移动0.5mm。
图5是在三种情况下孔洞和裂缝两种缺陷的扰动磁通密度图像。当缺陷从多个方向扫描时,对于孔洞缺陷,在所有扫描图像的中心区域,信号幅值总是相对较小,而对于裂纹,在某些扫描图像的中心区域,信号幅值达到最大,从而证明了本发明的分析提出的缺陷检测策略对于区分孔洞和裂纹缺陷的合理性。
图6是图5所示孔洞和裂纹两个实例下的二值化扫描图像,按照步骤(2)的描述,选定阈值0.5对图像进行二值化,从而估算出缺陷中心的位置(图中叉号位置),结果表明所估计的缺陷中心位置与实际位置间的误差较小,基于这一结果可计算不同缺陷对应的特征参数。
图7为实验所获不同类型缺陷的特征参数分布,包括两个亚表面缺陷,由结果可知借助所选阈值依据特征参数可正确区分孔洞及裂纹缺陷,证明了本发明所提基于多方向扫描的电涡流缺陷检测及分类方法的能力。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多方向扫描的电涡流缺陷检测方法,其特征在于,包括步骤:
步骤1,使用电涡流探头按相同角度间隔从多个方向对工件进行扫描,获得具有不同方向的磁通密度扫描图像,数量为Nr
步骤2,将不同方向获得的Nr张扫描图像相对于各自图像内的最大像素值进行归一化处理;
步骤3,采用阈值St对所有归一化后的图像进行二值化处理,从而在每张图像中获得到一个或多个闭合图形;
步骤4,计算每个归一化图像中包围估计出的缺陷中心的Np个像素的平均值
步骤5,对于同一缺陷但在不同方向获得的一系列二维扫描图像,将与Sf比较,判断缺陷类型。
2.根据权利要求1所述的基于多方向扫描的电涡流缺陷检测方法,其特征在于:步骤1中,所述磁通密度扫描图像的数量Nr,由以下方法获得,
3.根据权利要求2所述的基于多方向扫描的电涡流缺陷检测方法,其特征在于:步骤1中,每次所述扫描完成后,电涡流探头和预设的扫描路径需以为角度间隔相对工件进行旋转。
4.根据权利要求1所述的基于多方向扫描的电涡流缺陷检测方法,其特征在于:步骤1中,所述扫描路径没有特殊要求,能实现完整的二维扫描并能根据电涡流探头所在位置及测量到的信号形成二维扫描图像即可。
5.根据权利要求3所述的基于多方向扫描的电涡流缺陷检测方法,其特征在于:所述扫描过程中,电涡流探头姿态应保持恒定。
6.根据权利要求1所述的基于多方向扫描的电涡流缺陷检测方法,其特征在于:所述步骤3还包括,将每张图像中所有闭合图形的形心位置,视作缺陷中心位置。
7.根据权利要求6所述的基于多方向扫描的电涡流缺陷检测方法,其特征在于:所述步骤3还包括,将每张图像中所有闭合图形的形心位置求平均值获得,得到真实的缺陷中心。
8.根据权利要求1所述的基于多方向扫描的电涡流缺陷检测方法,其特征在于,步骤5中,所述将与Sf比较,判断缺陷类型具体为:如果所有图像的计算值都相对较小,即Sf为预定阈值,则可将该缺陷视为孔洞;但如果任一扫描图像的计算值超过预定阈值Sf,即则该缺陷将被视为裂纹。
9.一种电子设备,其特征在于,包括
存储器,
处理器,
电涡流探头,
移动平台,以及
存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时控制电涡流探头和移动平台实现如权利要求1至8中任一项所述的基于多方向扫描的电涡流缺陷检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时控制电涡流探头和移动平台实现如权利要求1至8中任一项所述的基于多方向扫描的电涡流缺陷检测方法。
CN202411348495.7A 2024-09-25 2024-09-25 一种基于多方向扫描的电涡流缺陷检测方法、电子设备及可读存储介质 Pending CN119322110A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411348495.7A CN119322110A (zh) 2024-09-25 2024-09-25 一种基于多方向扫描的电涡流缺陷检测方法、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411348495.7A CN119322110A (zh) 2024-09-25 2024-09-25 一种基于多方向扫描的电涡流缺陷检测方法、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN119322110A true CN119322110A (zh) 2025-01-17

Family

ID=94229475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411348495.7A Pending CN119322110A (zh) 2024-09-25 2024-09-25 一种基于多方向扫描的电涡流缺陷检测方法、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN119322110A (zh)

Similar Documents

Publication Publication Date Title
Peng et al. Study of tool wear monitoring using machine vision
CN109142533B (zh) 一种铸件内部缺陷的快速检测方法及设备
Lu et al. SCueU-Net: Efficient damage detection method for railway rail
US9858658B2 (en) Defect classification using CAD-based context attributes
Zhou et al. Chisel edge wear measurement of high-speed steel twist drills based on machine vision
CN118799317B (zh) 基于数据分析的铸件缺陷检测系统
CN108008006B (zh) 一种焊缝缺陷检测方法、装置、设备及系统
CN118602979A (zh) 焊缝形貌及表面缺陷在线检测评估方法和系统
CN101701934A (zh) Acfm缺陷智能可视化检测系统
WO2020205998A1 (en) Non-destructive evaluation and weld-to-weld adaptive control of metal resistance spot welds via topographical data collection and analysis
CN109239081B (zh) 基于结构光与视觉成像的焊缝质量参数检测方法
Nizam et al. Vision based identification and classification of weld defects in welding environments: A review
CN119574571B (zh) 一种基于机器视觉的汽车车身焊缝检测方法及系统
Muresan et al. Automatic vision inspection solution for the manufacturing process of automotive components through plastic injection molding
Wang et al. Prediction of internal welding penetration based on IR thermal image supported by machine vision and ANN-model during automatic robot welding process
Long et al. Cascaded approach to defect location and classification in microelectronic bonded joints: Improved level set and random forest
CN119881088A (zh) 一种基于振动声学方法的焊接结构件监测方法及系统
Kasai et al. Predicting actual crack size through crack signal obtained by advanced Flexible Eddy Current Sensor using ResNet integrated with CBAM and Huber loss function
CN104132949B (zh) 一种子午线轮胎模具皮下缺陷无损检测的装置及方法
CN119246570B (zh) 一种钛合金棒材质量检测方法及系统
Zhou et al. Circle detection with model fitting in polar coordinates for glass bottle mouth localization
Satsangee et al. A defect detection method based on YOLOv7 for automated remanufacturing
Bakirci et al. AI-Driven Micro Defect Detection for Aerospace-Grade Metal Surface Quality Control in Smart Manufacturing
CN119322110A (zh) 一种基于多方向扫描的电涡流缺陷检测方法、电子设备及可读存储介质
Ntoulmperis et al. 3D point cloud analysis for surface quality inspection: A steel parts use case

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination