基于卷积神经网络的涡流热成像无损探伤方法研究

• 作 者: 毕野
• 出 处: 昆明理工大学
• 发表日期: 2019年01期
• 关键词: 无损检测 涡流热成像 图像分割 特征提取 卷积神经网络

冶金工业为基本建设和军事装备等各行业提供原材料,检测原材料是否存在损伤缺陷,对于企业生产效率及设备运行安全起着至关重要的作用。如何快速、准确、智能地对金属损伤缺陷进行检测成为当前无损检测领域广泛研究的课题。在金属冶炼过程中各环节都可能会造成金属的损伤缺陷,而这些损伤缺陷的位置和类型各异。因此,如何在复杂工业环境下,提取金属损伤缺陷的特征,并根据这些特征准确识别损伤缺陷所在位置及类型,是具有应用价值的研究方向,在工业应用中也具有重要的意义。为此,本文围绕铁磁性材料损伤缺陷的特征提取及损伤缺陷的类型识别等问题展开研究,解决铁磁性材料热成像损伤缺陷特征提取及分类的问题,最终完成基于涡流热成像的金属材料损伤缺陷的分类识别。主要研究内容包括以下几个部分:(1)针对涡流无损检测中涡流热成像的数据结构,在传统霍夫圆检测算法基础上进行了改进。为了提高复杂工况下金属损伤缺陷类型识别精度,本文使用改进的霍夫圆检测算法对金属涡流热成像数据进行预处理。实验结果证明改进的霍夫圆检测算法能够准确地检测出大功率激励线圈内圈的位置并提取出其内部像素。(2)原始图像数据经过改进的霍夫圆检测算法进行图像分割后,使用卷积神经网络对待检区域图像进行特征提取。并根据实验结果优化网络模型参数,经过迁移学习训练网络权重及偏移量,对金属损伤缺陷进行检测。实验结果表明,采用卷积神经网络的特征提取方法能够准确的识别待检区域内金属损伤缺陷状况。(3)基于涡流加热原理和红外热成像原理,本文设计实现了一套涡流热成像无损探伤系统。该系统可根据实际需求检测金属试件上的损伤缺陷。实验结果证明该套实验装置作用于待测金属试件,能够产生预期的物理现象,验证了该套实验装置的可行性与有效性。本文设计实现了一套涡流无损探伤系统;对采集到的热成像数据使用改进的霍夫圆检测算法进行预处理,提取热成像图中的大功率激励线圈的内部像素,并进行图像分割;然后使用卷积神经网络对分割后的图像进行特征提取。实验结果表明,该套理论、实验设备及算法改进能够准确的识别待测金属试件表面的损伤缺陷。研究成果可应用于各种金属管、棒、线、丝材的在线无损探伤,对监控各种金属材料的产品品质及健康状况提供了一种有效的技术手段。