一种基于2D-CNN的激光超声表面缺陷检测方法

激光超声表面缺陷检测的过程中,缺陷的定量表征通常依赖于操作者的判断,易受到人为因素干扰,致使检测结果不稳定。针对这一问题,提出一种基于图像识别的二维卷积神经网络(2D-CNN)的缺陷自动分类检测方法。利用有限元方法模拟激光超声检测过程,并采集超声信号数据用于训练分类模型;使用连续小变换(CWT)处理超声信号得到小波时频图,以小波时频图作为输入训练卷积神经网络(CNN)分类模型,实现对表面缺陷深度的自动分类。验证结果表明:提出的检测方法能够对不同深度的缺陷准确分类,测试的平均准确率达到97.3%;构建的CNN分类模型能够自主学习输入图像的缺陷特征并完成分类,提高了检测结果稳定性,为激光超声缺陷检测的自动化分析处理提供了新的思路。

基于小波分解表面波的涂层平板表面缺陷检测方法研究

激光照射在涂层平板表面产生的超声表面波传播时会产生色散现象,该现象会影响表面缺陷检测精度。针对表面波的色散问题,采用有限元仿真分析表面波在涂层平板表面的传播规律,利用Morse小波分解多频表面波信号,提取最大幅值单一频率的缺陷时域信号从而确定表面缺陷位置。在此基础上通过扫描缺陷附近检测点的方式,分析缺陷前沿入射波和缺陷后沿透射波时域信号之间的关系构建缺陷深度量化公式。数值研究表明:采用小波分解多频表面波信号的方法有效避免了表面波的色散影响,提高了缺陷位置检测精度;当缺陷深度在1~2 mm范围时,根据缺陷深度量化公式计算得到的缺陷深度与实际缺陷深度较为吻合且误差百分比控制在8%以内,验证了提出的缺陷深度量化公式的有效性,为应用表面波实现涂层平板表面缺陷检测提供了新的工具。

基于表面波增强效应的圆柱表面缺陷检测方法研究

激光照射金属圆柱表面激发出的声表面波,在沿圆柱表面传播过程中产生色散和相移,并在表面缺陷前沿处幅值会有显著增强的现象,为表面缺陷的检测提供了新途径。基于激光激发的声表面波这一现象,提出通过扫描检测点的方法确定缺陷的位置,给出了表面波在表面缺陷附近的传播路径和缺陷深度计算公式。数值研究表明:(1)相对于脉冲回波法,扫查检测点方法提高了缺陷检测的位置精度,有效减小了圆柱表面波传播过程的色散和频移现象对缺陷位置精度的影响。(2)当缺陷深度范围为1~2 mm,通过给出的缺陷深度计算公式得到仿真缺陷深度与实际缺陷深度之间的误差控制在6%以内,验证了提出的缺陷深度计算公式的有效性。以上研究结果为应用表面波检测圆柱类零件表面缺陷提供了有价值的参考。