一种钢板缺陷识别方法专利检索-缺陷形式要求受理局第I章专利权专利检索查询-专利查询网

一种 钢板 缺陷识别方法

阅读：57发布：2020-05-29

专利汇可以提供一种钢板缺陷识别方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种钢板缺陷识别方法，通过对超声回波信号处理得到一波形曲线，对该波形曲线截取处理获取缺陷波形曲线，进而对波形曲线进行计算提取峰值数据，得到一缺陷类数组，对缺陷类数组进行进一步处理，最后利用缺陷阈值的判断方法及形态学分析的方法获取钢板缺陷类型。该钢板缺陷识别方法仅根据超声探头装置获取的回波信号即能自动完成钢板缺陷的识别，计算速度快，识别快速准确，且无需大量的样本数据进行训练，减小了数据计算量，加快了识别速度，从而降低了缺陷识别成本。，下面是一种钢板缺陷识别方法专利的具体信息内容。

权利要求

1.一种钢板缺陷识别方法，其特征在于：包括以下步骤：
步骤一、超声仪启动并初始化，上位机向超声仪发送控制参数；
步骤二、超声探头装置(1)启动并根据超声仪中的控制参数进行工作，超声探头装置(1)在被测钢板上移动，上位机获取超声探头装置(1)对钢板检测点的实时位置坐标数据，形成检测点的坐标数据组W＝[(x1,y1),(x2,y2),...,(xj,yj),...,(xb,yb)]，其中j和b均为正整数，1≤j≤b，b为检测点总数，(xj,yj)为第j个检测点的位置坐标，xj表示第j个检测点在钢板长度方向上的值，yj表示第j个检测点在钢板宽度方向上的值；
超声探头装置(1)向被测钢板发射超声波，同时接收来自钢板的超声波回波信号，其中，超声波回波信号包括自钢板表面反射的起始信号、自缺陷位置反射的缺陷信号、自钢板底面反射的底波信号；
步骤三、超声仪采集并存储超声探头装置(1)返回的各个检测点的回波信号；
步骤四、超声仪根据钢板中声速和增益对回波信号进行处理，进而针对每个检测点位置，对应的获取被测钢板范围内回波信号形成的深度-幅值波形曲线，从而形成深度-幅值波形曲线数据组A＝[A1,A2,...,Aj,...,Ab]，其中j和b均为正整数，1≤j≤b，b为检测点总数，Aj表示第j个检测点的深度-幅值波形曲线；
超声仪将深度-幅值波形曲线数据组A中的曲线数据上传到上位机中；
步骤五、上位机对深度-幅值波形曲线数据组A进行后续处理；
首先，自深度-幅值波形曲线数据组A中获取每个检测点对应的起始信号幅值，从而形成初始信号幅值数据组I＝[I1,I2,...,Ij,...,Ib]，自深度-幅值波形曲线数据组A中获取每个检测点对应的底波幅值，从而形成底波幅值数据组D＝[D1,D2,...,Dj,...,Db]；
计算初始信号幅值平均值
计算底波幅值平均值
其中j和b均为自然数，1≤j≤b，b为检测点总数，Dj表示第j个检测点在其相应的深度-幅值波形曲线Aj上对应的底波信号幅值；
对深度-幅值波形曲线数据组A进行预处理，即对深度-幅值波形曲线数据组A中每个检测点对应的深度-幅值波形曲线进行截取，保留被测钢板的表面至底面深度范围内回波信号对应的波形，从而形成缺陷波形曲线数据组B＝[B1,B2,...,Bj,...,Bb]，其中j和b均为正整数，1≤j≤b，Bj表示第j个检测点的缺陷波形曲线，b为检测点总数；
对缺陷波形曲线数据组B中每个检测点对应的缺陷波形曲线进行求导计算，从而获取相应检测点缺陷波形曲线中的所有波峰点，从而构建波峰点信息数据组C＝[C1,C2,...,Cj,...,Cb]；Cj＝[C[j][1],C[j][2]]，C[j][1]＝(Sj0,Sj1,...,Sji,...,Sja)，C[j][2]＝(Fj0,Fj1,...,Fji,...,Fja)；
其中j和b均为自然数，1≤j≤b，b为检测点总数，Cj表示第j个检测点的缺陷波形曲线Bj中包含的所有波峰点信息数据组；i和a均为自然数，0≤i≤a，a为波峰点总数，C[j][1]表示第j个检测点的缺陷深度数组，Sji为第j个检测点的缺陷波形曲线Bj中第i个波峰点对应的缺陷深度值，C[j][2]为第j个检测点的缺陷幅值数组，Fji为第j个检测点的缺陷波形曲线Bj中第i个波峰点对应的缺陷信号幅值；
整理各个检测点的信息数据，构建一个信息数据库M＝[M1,M2,...,Mj,...,Mb]，Mj＝[(xj,yj),Cj,Dj]，其中j和b均为自然数，1≤j≤b，b为检测点总数，Mj表示第j个检测点对应的信息数据集；
步骤六、待超声探头装置(1)对被测钢板扫查完毕后，针对任一坐标为(xn,yn)的检测点，其中1≤n≤b，n和b均为正整数，b为检测点总数；
根据其相应的缺陷深度数组C[n][1]中各波峰点对应的缺陷深度值，对检测点(xn,yn)相对应的信息数据集Mn进行整合；
即检测点(xn,yn)对应的缺陷波形曲线Bn中，依次相邻的两个波峰点中，当后一个波峰点对应的缺陷深度值减去前一个波峰点对应的缺陷深度值的差的绝对值小于深度相关性阈值q时，将后一个波峰点对应的信息数据与前一个波峰点对应的信息数据归为一个子信息数据集；否则，新建一个子信息数据集；
以此类推，从而形成检测点(xn,yn)相对应的子信息数据集群：
Pn＝[Pn1,Pn2,...,Pnm,...,Pnk]，其中m和k均为正整数，1≤m≤k，k为检测点(xn,yn)对应的子信息数据集总数，Pnm表示检测点(xn,yn)相对应的子信息数据集群Pn中第m个子信息数据集；
针对子信息数据集群Pn＝[Pn1,Pn2,...,Pnm,...,Pnk]中的每一个子信息数据集，获取其缺陷深度极值数据组Ln＝[Ln1,Ln2,...,Lnm,...,Lnk]，Lnm＝(MaxC[nm][1],MinC[nm][1])，其中m和k均为正整数，1≤m≤k，k为检测点(xn,yn)对应的子信息数据集总数，Lnm表示检测点(xn,yn)相对应的子信息数据集群Pn中第m个子信息数据集Pnm中的缺陷深度极值，MaxC[nm][1]表示其缺陷深度最大值，MinC[nm][1]表示其缺陷深度最小值；
将所有检测点对应的波峰点信息数据进行整合后形成新的信息数据库M'＝[P1,
P2,...,Pn,...,Pb]，其中n和b均为自然数，1≤n≤b，b为检测点总数，Pn表示第n个检测点(xn,yn)相对应的子信息数据集群；
同时获取所有检测点对应的子信息数据集群中各子信息数据集相对应的缺陷深度极
值数据集L＝[L1,L2,...,Ln,...,Lb]，其中n和b均为自然数，1≤n≤b，b为检测点总数，Ln表示第n个检测点(xn,yn)相对应的缺陷深度极值数据组；
针对任一坐标为(xn,yn)的检测点相对应的缺陷深度极值数据组Ln＝[Ln1,Ln2,...,
Lnm,...,Lnk]中的每一个缺陷深度极值数据，其中m和k均为正整数，1≤m≤k，k为检测点(xn,yn)对应的子信息数据集总数；搜索检测点(xn,yn)所在八领域范围{(xn,yn-1)；(xn,yn+1)；
(xn-1,yn-1)；(xn-1,yn)；(xn-1,yn+1)；(xn+1,yn-1)；(xn+1,yn)；(xn+1,yn+1)}内各检测点相对应的缺陷深度极值数据组中的每一个缺陷深度极值数据，如果缺陷深度极值数据存在交集，则将其对应的检测点相对应的子信息数据集进行合并；
如此，将所有检测点的子信息数据集根据缺陷深度极值数据经过搜索整合处理后，构建新的缺陷信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]，其中u和z为正整数，1≤u≤z，z为子缺陷信息数据集总数，Qu表示第u个缺陷的子缺陷信息数据集；
步骤七、计算缺陷信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中各子缺陷信息数据集的相对应的缺陷参数，从而获取缺陷参数数组V＝[V1,V2,...,Vu,...,Vz]，其中u和z为正整数，1≤u≤z，z为子缺陷信息数据集总数，Vu表示第u个子缺陷信息数据集的缺陷参数；

其中v代表字缺陷数据集Qu中包含的检测点总数，x表示钢板长度方向上的两个相邻的检测点中心之间的距离，y表示钢板宽度方向上两个相邻的检测点中心之间的距离，MaxC[e][1]表示缺陷数据集Qu中第e个坐标点对应的缺陷深度最大值，MinC[e][1]表示缺陷数据集Qu中第e个坐标点对应的缺陷深度最小值；
同时计算信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中各子缺陷信息数据集的相对应的平均幅值，从而获取缺陷平均幅值数组其中u和z为正整数，1≤u≤
z，z为子缺陷信息数据集总数，表示第u个子缺陷信息数据集的平均幅值；
将缺陷参数数组V＝[V1,V2,...,Vu,...,Vz]中的每个缺陷参数与疏松缺陷阈值R1进行比较，如果Vu剔除掉信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中疏松缺陷对应的信息数据集，将剩余的各信息数据集相对应的缺陷参数及平均幅值分别与分层缺陷阈值R2及幅值阈值f进行比较，如果R2步骤八、剔除掉信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中疏松缺陷和分层缺陷相对应的子缺陷信息数据集，将剩余的各子缺陷信息数据集在二维平面上进行伪彩色图像重构，形成相应的子集图像，然后针对子集图像进行形态学分析，从而获取钢板缺陷类型为裂纹缺陷或者气孔缺陷；
计算各子集图像的近圆度T以判断钢板的气孔缺陷，计算各子集图像的细长度G以判断钢板的裂纹缺陷；
其中T＝S/(π×d2/4)，其中T表示近圆度，S表示子集图像包含的面积，d表示子集图像中最远两点的距离，当近圆度T≤t时，则认为该子集图像相对应的子数据集所对应的钢板缺陷为气孔型缺陷，其中t为近圆度阈值；
G＝S/(h×l)，其中I表示细长度，S表示子集图像所占据的面积，h表示子集图像中最远两点的距离，l表示子集图像中与h方向相垂直方向上的平均宽度，当细长度G≤g时，则判断该子集图像相对应的子数据集所对应的钢板缺陷为裂纹型缺陷，其中，g为细长度阈值。
2.根据权利要求1所述的钢板缺陷识别方法，其特征在于：所述步骤二中，超声探头装置(1)由辅助行走器械带动在钢板上弓形移动，所述辅助行走器械上设置有编码器以实时获取超声探头装置(1)在钢板上检测点的坐标数据。
3.根据权利要求2所述的钢板缺陷识别方法，其特征在于：所述超声探头装置(1)包括多个并列设置的超声探头，形成超声探头组，所述超声探头组中多个超声探头的排列方向与所述超声探头装置(1)对钢板的扫查方向相垂直；
相应地，所述超声仪为多通道超声仪；
辅助行走器械为具有两个承重轮的探伤车，两个承重轮上分别安装一编码器；
探伤车将超声探头组从钢板的一侧带到另一侧后，以其中一个承重轮为固定点，另外一个承重轮进行旋转，从而完成超声探头装置(1)在钢板上的弓形行走路线。
4.根据权利要求2所述的钢板缺陷识别方法，其特征在于：所述超声探头装置(1)在被测钢板上移动的过程中，利用喷淋耦合机构在超声探头装置(1)与被测钢板接触区喷洒耦合剂。
5.根据权利要求1所述的钢板缺陷识别方法，其特征在于：所述上位机具有人机交互界面，通过人机交互界面输入控制命令及系统参数。

说明书全文

一种钢板 缺陷识别方法

技术领域

[0001] 本发明涉及一种利用超声波进行钢板缺陷类型自动识别的方法。

背景技术

[0002] 随着我国工业建设的飞速发展，钢板的需求会越来越大，对其内在质量的要求也越来越高。中厚钢板在生产过程中可能会形成分层、裂纹、弥散型夹杂超标、白点、偏析和氢致裂纹等各种缺陷。目前，国内在中厚高强度钢板内部质量判定方面，主要依赖于超声波检测技术。

[0003] 大型钢厂多采用大型固定检测系统对钢板缺陷进行检测，主要适用于大批量定型钢板检测。此外，还有适用于小批量、小型钢板缺陷检测的检测设备。

[0004] 授权公告号为CN202693526U、CN202101975U、CN201141855Y、CN201503418U的中国实用新型专利，以及申请号为201310750784.5(申请公布号为CN103698409A)的中国发明专利申请，其中公开的超声波钢板检测装置均对其检测结构和监测原理作了详尽的阐述。上述几种钢板检测装置能检测到缺陷的位置及其当量大小，不能识别缺陷的类型。又因为不同类型的缺陷对钢板质量评级要求不同，所以，对缺陷类型的准确判断对于钢板的安全使用具有非常重要的意义。目前主要是根据超声波仪器采集到的超声缺陷A波信号的形状，依赖检测人员的探伤经验进行人工判定，这样会不可避免地引入误差。

[0005] 专利号为ZL97109099.8(授权公告号为CN1065961C)的中国发明专利《一种提取超声回波信号的频谱振幅相位信息的方法》，其中采用傅立叶变换得到超声缺陷信号的频谱。专利号为ZL200410011403.2(授权公告号为CN100410925C)的中国发明专利《超声信号的数字信号处理方法》，其中通过提升小波变换对超声缺陷信号进行联合时频分析，提取缺陷信号在不同频段中的能量特征。以上这些特征提取方法都是基于希尔伯特变换和傅立叶变换，提取速度较慢。在缺陷自动识别方面，常规方法是模式识别，其中有很多种分类器。如专利号为ZL200710059575.0(授权公告号为CN100567978C)中国发明专利《超声波相控阵检测油气管道环焊缝缺陷类型自动识别方法》，其中采用缺陷类型自动识别方法是将提升小波变换与分形技术相结合，基于支持向量机模型的自动识别方法，该方法需要进行支持向量机模型的训练，要取得较高的识别正确率需要的训练样本数目较大，而大量训练样本的获取不易实现，其使用不具有广泛性。

发明内容

[0006] 本发明所要解决的技术问题是针对上述现有技术提供一种能够识别钢板缺陷类型且识别速度快、识别准确率高的钢板缺陷识别方法。

[0007] 本发明解决上述问题所采用的技术方案为：一种钢板缺陷识别方法，其特征在于：包括以下步骤：

[0008] 步骤一、超声仪启动并初始化，上位机向超声仪发送控制参数；

[0009] 步骤二、超声探头装置启动并根据超声仪中的控制参数进行工作，超声探头装置在被测钢板上移动，上位机获取超声探头装置对钢板检测点的实时位置坐标数据，形成检测点的坐标数据组W＝[(x1,y1),(x2,y2),...,(xj,yj),...,(xb,yb)]，其中j和b均为正整数，1≤j≤b，b为检测点总数，(xj,yj)为第j个检测点的位置坐标，xj表示第j个检测点在钢板长度方向上的值，yj表示第j个检测点在钢板宽度方向上的值；

[0010] 超声探头装置向被测钢板发射超声波，同时接收来自钢板的超声波回波信号，其中，超声波回波信号包括自钢板表面反射的起始信号、自缺陷位置反射的缺陷信号、自钢板底面反射的底波信号；

[0011] 步骤三、超声仪采集并存储超声探头装置返回的各个检测点的回波信号；

[0012] 步骤四、超声仪根据钢板中声速和增益对回波信号进行处理，进而针对每个检测点位置，对应的获取被测钢板范围内回波信号形成的深度-幅值波形曲线，从而形成深度-幅值波形曲线数据组A＝[A1,A2,...,Aj,...,Ab]，其中j和b均为正整数，1≤j≤b，b为检测点总数，Aj表示第j个检测点的深度-幅值波形曲线；

[0013] 超声仪将深度-幅值波形曲线数据组A中的曲线数据上传到上位机中；

[0014] 步骤五、上位机对深度-幅值波形曲线数据组A进行后续处理；

[0015] 首先，自深度-幅值波形曲线数据组A中获取每个检测点对应的起始信号幅值，从而形成初始信号幅值数据组I＝[I1,I2,...,Ij,...,Ib]，自深度-幅值波形曲线数据组A中获取每个检测点对应的底波幅值，从而形成底波幅值数据组D＝[D1,D2,...,Dj,...,Db]；

[0016] 计算初始信号幅值平均值

[0017] 计算底波幅值平均值

[0018] 其中j和b均为自然数，1≤j≤b，b为检测点总数，Dj表示第j个检测点在其相应的深度-幅值波形曲线Aj上对应的底波信号幅值；

[0019] 对深度-幅值波形曲线数据组A进行预处理，即对深度-幅值波形曲线数据组A中每个检测点对应的深度-幅值波形曲线进行截取，保留被测钢板的表面至底面深度范围内回波信号对应的波形，从而形成缺陷波形曲线数据组B＝[B1,B2,...,Bj,...,Bb]，其中j和b均为正整数，1≤j≤b，Bj表示第j个检测点的缺陷波形曲线，b为检测点总数；

[0020] 对缺陷波形曲线数据组B中每个检测点对应的缺陷波形曲线进行求导计算，从而获取相应检测点缺陷波形曲线中的所有波峰点，从而构建波峰点信息数据组C＝[C1,C2,...,Cj,...,Cb]；Cj＝[C[j][1],C[j][2]]，C[j][1]＝(Sj0,Sj1,...,Sji,...,Sja)，C[j][2]＝(Fj0,Fj1,...,Fji,...,Fja)；

[0021] 其中j和b均为自然数，1≤j≤b，b为检测点总数，Cj表示第j个检测点的缺陷波形曲线Bj中包含的所有波峰点信息数据组；i和a均为自然数，0≤i≤a，a为波峰点总数，C[j][1]表示第j个检测点的缺陷深度数组，Sji为第j个检测点的缺陷波形曲线Bj中第i个波峰点对应的缺陷深度值，C[j][2]为第j个检测点的缺陷幅值数组，Fji为第j个检测点的缺陷波形曲线Bj中第i个波峰点对应的缺陷信号幅值；

[0022] 整理各个检测点的信息数据，构建一个信息数据库M＝[M1,M2,...,Mj,...,Mb]，Mj＝[(xj,yj),Cj,Dj]，其中j和b均为自然数，1≤j≤b，b为检测点总数，Mj表示第j个检测点对应的信息数据集；

[0023] 步骤六、待超声探头装置对被测钢板扫查完毕后，针对任一坐标为(xn,yn)的检测点，其中1≤n≤b，n和b均为正整数，b为检测点总数；

[0024] 根据其相应的缺陷深度数组C[n][1]中各波峰点对应的缺陷深度值，对检测点(xn,yn)相对应的信息数据集Mn进行整合；

[0025] 即检测点(xn,yn)对应的缺陷波形曲线Bn中，依次相邻的两个波峰点中，当后一个波峰点对应的缺陷深度值减去前一个波峰点对应的缺陷深度值的差的绝对值小于深度相关性阈值q时，将后一个波峰点对应的信息数据与前一个波峰点对应的信息数据归为一个子信息数据集；否则，新建一个子信息数据集；

[0026] 以此类推，从而形成检测点(xn,yn)相对应的子信息数据集群：

[0027] Pn＝[Pn1,Pn2,...,Pnm,...,Pnk]，其中m和k均为正整数，1≤m≤k，k为检测点(xn,yn)对应的子信息数据集总数，Pnm表示检测点(xn,yn)相对应的子信息数据集群Pn中第m个子信息数据集；

[0028] 针对子信息数据集群Pn＝[Pn1,Pn2,...,Pnm,...,Pnk]中的每一个子信息数据集，获取其缺陷深度极值数据组Ln＝[Ln1,Ln2,...,Lnm,...,Lnk]，Lnm＝(MaxC[nm][1],MinC[nm][1])，其中m和k均为正整数，1≤m≤k，k为检测点(xn,yn)对应的子信息数据集总数，Lnm表示检测点(xn,yn)相对应的子信息数据集群Pn中第m个子信息数据集Pnm中的缺陷深度极值，MaxC[nm][1]表示其缺陷深度最大值，MinC[nm][1]表示其缺陷深度最小值；

[0029] 将所有检测点对应的波峰点信息数据进行整合后形成新的信息数据库M'＝[P1,P2,...,Pn,...,Pb]，其中n和b均为自然数，1≤n≤b，b为检测点总数，Pn表示第n个检测点(xn,yn)相对应的子信息数据集群；

[0030] 同时获取所有检测点对应的子信息数据集群中各子信息数据集相对应的缺陷深度极值数据集L＝[L1,L2,...,Ln,...,Lb]，其中n和b均为自然数，1≤n≤b，b为检测点总数，Ln表示第n个检测点(xn,yn)相对应的缺陷深度极值数据组；

[0031] 针对任一坐标为(xn,yn)的检测点相对应的缺陷深度极值数据组Ln＝[Ln1,Ln2,...,Lnm,...,Lnk]中的每一个缺陷深度极值数据，其中m和k均为正整数，1≤m≤k，k为检测点(xn,yn)对应的子信息数据集总数；搜索检测点(xn,yn)所在八领域范围{(xn,yn-1)；(xn,yn+1)；(xn-1,yn-1)；(xn-1,yn)；(xn-1,yn+1)；(xn+1,yn-1)；(xn+1,yn)；(xn+1,yn+1)}内各检测点相对应的缺陷深度极值数据组中的每一个缺陷深度极值数据，如果缺陷深度极值数据存在交集，则将其对应的检测点相对应的子信息数据集进行合并；

[0032] 如此，将所有检测点的子信息数据集根据缺陷深度极值数据经过搜索整合处理后，构建新的缺陷信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]，其中u和z为正整数，1≤u≤z，z为子缺陷信息数据集总数，Qu表示第u个缺陷的子缺陷信息数据集；

[0033] 步骤七、计算缺陷信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中各子缺陷信息数据集的相对应的缺陷参数，从而获取缺陷参数数组V＝[V1,V2,...,Vu,...,Vz]，其中u和z为正整数，1≤u≤z，z为子缺陷信息数据集总数，Vu表示第u个子缺陷信息数据集的缺陷参数；

[0034]

[0035] 其中v代表字缺陷数据集Qu中包含的检测点总数，x表示钢板长度方向上的两个相邻的检测点中心之间的距离，y表示钢板宽度方向上两个相邻的检测点中心之间的距离，MaxC[e][1]表示缺陷数据集Qu中第e个坐标点对应的缺陷深度最大值，MinC[e][1]表示缺陷数据集Qu中第e个坐标点对应的缺陷深度最小值；

[0036] 同时计算信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中各子缺陷信息数据集的相对应的平均幅值，从而获取缺陷平均幅值数组其中u和z为正整数，1≤u≤z，z为子缺陷信息数据集总数，表示第u个子缺陷信息数据集的平均幅值；

[0037] 将缺陷参数数组V＝[V1,V2,...,Vu,...,Vz]中的每个缺陷参数与疏松缺陷阈值R1进行比较，如果Vu

[0038] 剔除掉信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中疏松缺陷对应的信息数据集，将剩余的各信息数据集相对应的缺陷参数及平均幅值分别与分层缺陷阈值R2及幅值阈值f进行比较，如果R2

[0039] 步骤八、剔除掉信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中疏松缺陷和分层缺陷相对应的子缺陷信息数据集，将剩余的各子缺陷信息数据集在二维平面上进行伪彩色图像重构，形成相应的子集图像，然后针对子集图像进行形态学分析，从而获取钢板缺陷类型为裂纹缺陷或者气孔缺陷；

[0040] 计算各子集图像的近圆度T以判断钢板的气孔缺陷，计算各子集图像的细长度G以判断钢板的裂纹缺陷；

[0041] 其中T＝S/(π×d2/4)，其中T表示近圆度，S表示子集图像包含的面积，d表示子集图像中最远两点的距离，当近圆度T≤t时，则认为该子集图像相对应的子数据集所对应的钢板缺陷为气孔型缺陷，其中t为近圆度阈值；

[0042] G＝S/(h×l)，其中I表示细长度，S表示子集图像所占据的面积，h表示子集图像中最远两点的距离，l表示子集图像中与h方向相垂直方向上的平均宽度，当细长度G≤g时，则判断该子集图像相对应的子数据集所对应的钢板缺陷为裂纹型缺陷，其中，g为细长度阈值。

[0043] 优选地，所述步骤二中，超声探头装置由辅助行走器械带动在钢板上弓形移动，所述辅助行走器械上设置有编码器以实时获取超声探头装置在钢板上检测点的坐标数据。

[0044] 方便地，所述超声探头装置包括多个并列设置的超声探头，形成超声探头组，所述超声探头组中多个超声探头的排列方向与所述超声探头装置对钢板的扫查方向相垂直；

[0045] 相应地，所述超声仪为多通道超声仪；

[0046] 辅助行走器械为具有两个承重轮的探伤车，两个承重轮上分别安装一编码器；

[0047] 探伤车将超声探头组从钢板的一侧带到另一侧后，以其中一个承重轮为固定点，另外一个承重轮进行旋转，从而完成超声探头装置在钢板上的弓形行走路线。

[0048] 为了减小超声探头与钢板间的摩擦，保证超声波顺利进入钢板，所述超声探头装置在被测钢板上移动的过程中，利用喷淋耦合机构在超声探头装置与被测钢板接触区喷洒耦合剂。

[0049] 优选地，所述上位机具有人机交互界面，通过人机交互界面输入控制命令及系统参数。

[0050] 与现有技术相比，本发明的优点在于：该钢板缺陷识别方法仅根据超声探头装置获取的回波信号即能自动完成钢板缺陷的识别，计算速度快，识别快速准确，且无需大量的样本数据进行训练，减小了数据计算量，加快了识别速度，从而降低了缺陷识别成本。附图说明

[0051] 图1为本发明实施例中超声探头组的扫查线路图。

[0052] 图2为本发明实施例中钢板缺陷识别方法的流程图。

[0053] 图3为一个检测点对应的回波信号的深度-幅值波形曲线示意图。

具体实施方式

[0054] 以下结合附图实施例对本发明作进一步详细描述。

[0055] 本实施例中的钢板缺陷识别方法中用到的装置包括上位机、与上位机通讯连接的超声仪、与超声仪通讯连接的超声探头装置1、与上位机通讯连接的辅助行走器械、设置于辅助行走器械上且与上位机通讯连接的编码器、与上位机通讯连接的喷淋耦合机构。

[0056] 其中，上位机具有人机交互界面，可以通过人机交互界面输入对超声探头装置1的控制命令及系统参数。

[0057] 本实施例中的超声探头装置1为由八个并列设置的、频率为5MHZ、晶片直径为40mm的超声直探头构成的超声探头组，相邻两个超声探头间的间距为50mm，则两个超声探头中心的间距为90mm，超声探头组中超声探头的排列方向与超声探头装置1对钢板的扫查方向相垂直。

[0058] 与超声探头组相对应，超声仪为多通道超声仪，从而完成与超声探头组中各个超声探头组的数据收发。

[0059] 如图1所示，超声探头组由辅助行走器械带动在钢板上弓形移动。

[0060] 本实施例中辅助行走器械为具有两个承重轮的探伤车，两个承重轮上分别安装一编码器以实时获取各超声探头在钢板上检测位置的坐标数据，根据各超声探头间的间距，可以同时获取8组坐标数据。探伤车将超声探头组从钢板的一侧带到另一侧后，以其中一个承重轮为固定点，另外一个承重轮进行旋转，从而完成超声探头装置1在钢板上的弓形行走路线。

[0061] 本实施例以对一块厚度为100mm、宽度为4000mm、长度为6000mm的钢板的检测过程为例，对本发明中的钢板缺陷识别方法进行说明。设置探伤车在前进过程中的采样间隔为每40mm采集三次超声波信号。则探伤车带动超声探头组在钢板上进行弓形全覆盖检测，其中钢板长度方向上每组包括6000÷(50+40)＝66个检测点，钢板宽度方向上每组包括4000÷40×3＝300个检测点，则超声探头组在钢板上的检测点总数为66×300＝19800。

[0062] 如图2所示，本实施例中的钢板缺陷识别方法，包括以下步骤：

[0063] 步骤一、超声仪启动并初始化，通过人机交互界面向超声仪中发送增益、钢板中声速、触发频率和A波显示参数等控制参数，其中触发频率设为5MHZ，钢板中声速设为5800m/s。如此可以使得超声仪面板上显示的曲线横坐标与实际深度值保持一致，调节A波扫描显示延迟，使得A波曲线显示起点在钢板表面回波之前，设置A波扫描显示范围，使得A波曲线显示深度距离的范围>100mm，这样就覆盖了钢板厚度范围，设置A波扫描显示模式为正波。

[0064] 步骤二、通过人机交互界面向超声仪中发送启动命令，则超声探头装置1、喷淋耦合机构和编码器同时启动工作，其中超声探头装置1根据超声仪中的控制参数向被测钢板中发射超声波。

[0065] 探伤车带动超声探头装置1在被测钢板上移动，同时喷淋耦合机构进行喷水，将水作为超声探头与钢板间的耦合剂以保证超声探头与钢板较好的耦合在一起。

[0066] 超声探头装置1向被测钢板发射超声波，同时接收来自钢板的超声波回波信号，其中，超声波回波信号包括自钢板表面反射的起始信号、自缺陷位置反射的缺陷信号、自钢板底面反射的底波信号。

[0067] 同时利用编码器获取超声探头装置1在被测钢板上各超声检测点的实时位置坐标数据，并将各检测点的坐标数据上传到上位机中，形成检测点的坐标数据组W＝[(x1,y1),(x2,y2),...,(xj,yj),...,(xb,yb)]，其中j和b均为正整数，1≤j≤b，b为检测点总数，(xj,yj)为第j个检测点的位置坐标，xj表示第j个检测点在钢板长度方向上的值，yj表示第j个检测点在钢板宽度方向上的值。

[0068] 如在钢板上具体长度位置为1800mm，宽度位置为800mm时，其相应的横坐标为1800÷(50+40)＝20，相应的纵坐标为800÷40×3＝60，即该位置的相应的坐标为(20,60)。

[0069] 步骤三、超声仪采集并存储超声探头装置1返回的各个检测点的回波信号。

[0070] 步骤四、超声仪对回波信号进行放大、滤波、模/数转换处理，并根据钢板中声速和增益对回波信号进行处理，进而针对每个检测点位置，对应的获取被测钢板范围内回波信号形成的深度-幅值波形曲线，从而形成深度-幅值波形曲线数据组A＝[A1,A2,...,Aj,...,Ab]，其中j和b均为正整数，1≤j≤b，b为检测点总数，Aj表示第j个检测点的深度-幅值波形曲线。

[0071] 超声仪将深度-幅值波形曲线数据组A中的曲线数据上传到上位机中。

[0072] 如图3所示，对于起始信号，超声波在钢板表面经过一次垂直反射后返回到超声探头所用的时间t1＝10mm×2÷5800m/s＝3.45μs。

[0073] 对于底波信号，垂直入射到钢板内部的超声波未遇到缺陷，直接到达钢板底面，再反射回超声探头所用的时间t3＝(10mm+100mm)×2÷5800m/s＝37.93μs。

[0074] 对于缺陷信号：所有缺陷回波时间分布在3.45us和37.93us之间，超声仪通过超声波在钢板中的声速换算获得对应的深度值相应的在10mm和110mm之间。

[0075] 步骤五、上位机对深度-幅值波形曲线数据组A进行后续处理。

[0076] 首先，自深度-幅值波形曲线数据组A中获取每个检测点对应的起始信号幅值，从而形成初始信号幅值数据组I＝[I1,I2,...,Ij,...,Ib]，自深度-幅值波形曲线数据组A中获取每个检测点对应的底波幅值，从而形成底波幅值数据组D＝[D1,D2,...,Dj,...,Db]；

[0077] 计算初始信号幅值平均值

[0078] 计算底波幅值平均值

[0079] 其中j和b均为自然数，1≤j≤b，b为检测点总数，Dj表示第j个检测点在其相应的深度-幅值波形曲线Aj上对应的底波信号幅值。

[0080] 对深度-幅值波形曲线数据组A进行预处理，即对深度-幅值波形曲线数据组A中每个检测点对应的深度-幅值波形曲线进行截取，保留被测钢板的表面至底面深度范围内回波信号对应的波形，即保留其深度-幅值波形曲线中深度值在10mm和110mm之间的波形信息，从而形成缺陷波形曲线数据组B＝[B1,B2,...,Bj,...,Bb]，其中j和b均为正整数，1≤j≤b，Bj表示第j个检测点的缺陷波形曲线，b为检测点总数。

[0081] 对缺陷波形曲线数据组B中每个检测点对应的缺陷波形曲线进行求导计算，从而获取相应检测点缺陷波形曲线中的所有波峰点，从而构建波峰点信息数据组C＝[C1,C2,...,Cj,...,Cb]；Cj＝[C[j][1],C[j][2]]，C[j][1]＝(Sj0,Sj1,...,Sji,...,Sja)，C[j][2]＝(Fj0,Fj1,...,Fji,...,Fja)。

[0082] 其中j和b均为自然数，1≤j≤b，b为检测点总数，Cj表示第j个检测点的缺陷波形曲线Bj中包含的所有波峰点信息数据组；i和a均为自然数，0≤i≤a，a为波峰点总数，C[j][1]表示第j个检测点的缺陷深度数组，Sji为第j个检测点的缺陷波形曲线Bj中第i个波峰点对应的缺陷深度值，C[j][2]为第j个检测点的缺陷幅值数组，Fji为第j个检测点的缺陷波形曲线Bj中第i个波峰点对应的缺陷信号幅值。

[0083] 整理各个检测点的信息数据，构建一个信息数据库M＝[M1,M2,...,Mj,...,Mb]，Mj＝[(xj,yj),Cj,Dj]，其中j和b均为自然数，1≤j≤b，b为检测点总数，Mj表示第j个检测点对应的信息数据集。

[0084] 步骤六、待超声探头装置1对被测钢板扫查完毕后，针对任一坐标为(xn,yn)的检测点，其中1≤n≤b，n和b均为正整数，b为检测点总数。根据其相应的缺陷深度数组C[n][1]中各波峰点对应的缺陷深度值，对检测点(xn,yn)相对应的信息数据集Mn进行整合。

[0085] 即检测点(xn,yn)对应的缺陷波形曲线Bn中，依次相邻的两个波峰点中，当后一个波峰点对应的缺陷深度值减去前一个波峰点对应的缺陷深度值的差的绝对值小于深度相关性阈值q时，将后一个波峰点对应的信息数据与前一个波峰点对应的信息数据归为一个子信息数据集。否则，新建一个子信息数据集。根据该领域的统计数据，本实施例中的深度相关性阈值q＝3mm。

[0086] 以此类推，从而形成检测点(xn,yn)相对应的子信息数据集群：

[0087] Pn＝[Pn1,Pn2,...,Pnm,...,Pnk]，其中m和k均为正整数，1≤m≤k，k为检测点(xn,yn)对应的子信息数据集总数，Pnm表示检测点(xn,yn)相对应的子信息数据集群Pn中第m个子信息数据集。

[0088] 针对子信息数据集群Pn＝[Pn1,Pn2,...,Pnm,...,Pnk]中的每一个子信息数据集，获取其缺陷深度极值数据组Ln＝[Ln1,Ln2,...,Lnm,...,Lnk]，Lnm＝(MaxC[nm][1],MinC[nm][1])，其中m和k均为正整数，1≤m≤k，k为检测点(xn,yn)对应的子信息数据集总数，Lnm表示检测点(xn,yn)相对应的子信息数据集群Pn中第m个子信息数据集Pnm中的缺陷深度极值，MaxC[nm][1]表示其缺陷深度最大值，MinC[nm][1]表示其缺陷深度最小值。

[0089] 将所有检测点对应的波峰点信息数据进行整合后形成新的信息数据库M'＝[P1,P2,...,Pn,...,Pb]，其中n和b均为自然数，1≤n≤b，b为检测点总数，Pn表示第n个检测点(xn,yn)相对应的子信息数据集群。

[0090] 同时获取所有检测点对应的子信息数据集群中各子信息数据集相对应的缺陷深度极值数据集L＝[L1,L2,...,Ln,...,Lb]，其中n和b均为自然数，1≤n≤b，b为检测点总数，Ln表示第n个检测点(xn,yn)相对应的缺陷深度极值数据组。

[0091] 检测点(xn,yn)相对应的子信息数据集群具体计算过程为：检测点(xn,yn)对应的缺陷波形曲线Bn中的第一波峰点对应的信息数据为{(xn,yn)；[Sn1,Fn1]；Dn}，第二个波峰点对应的信息数据为{(xn,yn)；[Sn2,Fn2]；Dn}，其中Sn1、Sn1分别代表缺陷波形曲线Bn中的第一波峰点和第二波峰点的缺陷深度值，Fn2、Fn2分别代表缺陷波形曲线Bn中的第一波峰点和第二波峰点的缺陷信号幅值。

[0092] 将{(xn,yn)；[Sn1,Fn1]；Dn}作为初始子数据集Pn1中的第一个元素，如果Sn2-Sn2

[0093] 针对任一坐标为(xn,yn)的检测点相对应的缺陷深度极值数据组Ln＝[Ln1,Ln2,...,Lnm,...,Lnk]中的每一个缺陷深度极值数据，其中m和k均为正整数，1≤m≤k，k为检测点(xn,yn)对应的子信息数据集总数；搜索检测点(xn,yn)所在八领域范围{(xn,yn-1)；(xn,yn+1)；(xn-1,yn-1)；(xn-1,yn)；(xn-1,yn+1)；(xn+1,yn-1)；(xn+1,yn)；(xn+1,yn+1)}内各检测点相对应的缺陷深度极值数据组中的每一个缺陷深度极值数据，如果缺陷深度极值数据存在交集，则将其对应的检测点相对应的子信息数据集进行合并。

[0094] 以示例说明如下：坐标为(20,60)的检测点中一个子信息数据集Pxy对应的缺陷深度极值Lxy＝(80,100)。搜索检测点(20,60)所在八领域范围{(20,59)、(20,61)、(19,59)、(19,60)、(19,61)、(21,59)、(21,60)、(21,61)}内的所有子信息数据集，如果检测点(20,61)对应的子信息数据集群中存在一个子信息数据集Pab对应的缺陷深度极值Lab＝(90,
110)，Lxy与Lab存在交集(90,100)，则将Lxy和Lab合并为一个新的信息数据集Qx。

[0095] 如此，将所有检测点的子信息数据集根据缺陷深度极值数据经过搜索整合处理后，构建新的缺陷信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]，其中u和z为正整数，1≤u≤z，z为子缺陷信息数据集总数，Qu表示第u个缺陷的子缺陷信息数据集。

[0096] 步骤七、计算缺陷信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中各子缺陷信息数据集的相对应的缺陷参数，从而获取缺陷参数数组V＝[V1,V2,...,Vu,...,Vz]，其中u和z为正整数，1≤u≤z，z为子缺陷信息数据集总数，Vu表示第u个子缺陷信息数据集的缺陷参数；

[0097]

[0098] 其中v代表字缺陷数据集Qu中包含的检测点总数，x表示钢板长度方向上的两个相邻的检测点中心之间的距离，y表示钢板宽度方向上两个相邻的检测点中心之间的距离，本实施例中x＝90mm，y＝40/3mm，MaxC[e][1]表示缺陷数据集Qu中第e个坐标点对应的缺陷深度最大值，MinC[e][1]表示缺陷数据集Qu中第e个坐标点对应的缺陷深度最小值。

[0099] 同时计算信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中各子缺陷信息数据集的相对应的平均幅值，从而获取缺陷平均幅值数组其中u和z为正整数，1≤u≤z，z为子缺陷信息数据集总数，表示第u个子缺陷信息数据集的平均幅值。

[0100] 将缺陷参数数组V＝[V1,V2,...,Vu,...,Vz]中的每个缺陷参数与疏松缺陷阈值R1进行比较，如果Vu

[0101] 剔除掉信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中疏松缺陷对应的信息数据集，将剩余的各信息数据集相对应的缺陷参数及平均幅值分别与分层缺陷阈值R2及幅值阈值f进行比较，如果R2

[0102] 步骤八、剔除掉信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中疏松缺陷和分层缺陷相对应的子缺陷信息数据集，将剩余的各子缺陷信息数据集在二维平面上进行伪彩色图像重构，形成相应的子集图像，然后针对子集图像进行形态学分析，从而获取钢板缺陷类型为裂纹缺陷或者气孔缺陷；

[0103] 计算各子集图像的近圆度T以判断钢板的气孔缺陷，计算各子集图像的细长度G以判断钢板的裂纹缺陷；

[0104] 其中T＝S/(π×d2/4)，其中T表示近圆度，S表示子集图像包含的面积，d表示子集图像中最远两点的距离，当近圆度T≤t时，则认为该子集图像相对应的子数据集所对应的钢板缺陷为气孔型缺陷；其中t为近圆度阈值，本实施例中t＝0.8。

[0105] G＝S/(h×l)，其中I表示细长度，S表示子集图像所占据的面积，h表示子集图像中最远两点的距离，l表示子集图像中与h方向相垂直方向上的平均宽度，当细长度G≤g时，则判断该子集图像相对应的子数据集所对应的钢板缺陷为裂纹型缺陷；其中，g为细长度阈值，本实施例中g＝0.2。

标题	发布/更新时间	阅读量
一种压缩机叶轮缺陷相控阵超声检测方法	2021-09-06	2
太阳能多晶硅电池片表面缺陷与沾污检测设备	2021-09-22	7
改进缺陷色彩及全色滤色器阵列图像	2020-10-11	2
缺陷管理信息设定方法、记录方法、缺陷管理方法和信息记录装置	2021-07-04	4
检测在医学超声波成像中的小型缺陷	2020-10-25	1
一种软件测试缺陷预测方法及系统	2021-02-19	5
一种基于超声导波的管道缺陷类型判别方法	2022-08-31	2
一种变电站绝缘子缺陷在线检测方法及装置	2021-11-09	2
摄像设备及其缺陷像素校正方法	2021-01-03	2
一种电容触摸屏装置缺陷检测的方法	2021-01-14	2

一种钢板缺陷识别方法

一种钢板缺陷识别方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：