高端裝備制造業(yè)是國民經濟的支柱產業(yè)，是推動工業(yè)轉型升級的引擎，發(fā)揮著舉足輕重的作用。而鑄造作為現(xiàn)代裝備制造工業(yè)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(yè)船舶、機械電子和交通運輸等國民經濟各部門。鑄造技術有著六千多年的悠久歷史，直至今天，伴隨著現(xiàn)代工藝的發(fā)展以及市場的龐大需求，各行各業(yè)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(yè)人員、企業(yè)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的50%以上。在全球鑄造行業(yè)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(yè)發(fā)展的首要問題。
工業(yè)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 11346，TB/T 3012與美國的ASTM系列標準是現(xiàn)有的主要實施標準。
由圖譜與相關技術要求得知，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(tài)、大小與形成原因的不同，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。
鑄件表面和內部各類缺陷與復雜多變的鑄造工藝過程以及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。表1總結了各種類型缺陷的影響因素和特征，以及缺陷示意圖。
表1 鑄件缺陷類型以及示意圖
|
缺陷
種類
|
成因
|
影響因素
|
特征
|
示例
|
|
氣孔
|
合金凝固時氣體析出
|
氣體溶解度、澆鑄溫度、壓射速度、砂粒度
|
在鑄件內部、表面處有光滑孔眼，有時附有一層氧化膜
|
|
|
縮孔
|
鑄件凝固過程中，合金成分的液態(tài)收縮、凝固收縮以及固態(tài)收縮
|
鑄件復雜度、澆注溫度、冒口位置、鑄造壓力
|
在鑄件厚斷面內部、交界面內部及厚斷面處，形狀多為長尾狀或凸形，孔內粗糙不平，晶粒粗大
|
|
|
鑄造
裂紋
|
鑄件表面或內部因各種原因發(fā)生斷裂，或機械加工產生的微缺陷
|
離心轉速、涂料、澆鑄溫度及速度
|
在鑄件上有穿透，開裂處金屬表皮未氧化
|
|
|
夾雜物
|
鑄造合金在熔煉過程中雜質顆粒保留在固體金屬內
|
澆注時間、碳含量
|
鑄件內部出現(xiàn)不規(guī)則孔洞，內含有明顯細粒
|
|
|
偏析
|
凝固過程液相或固相的物理運動
|
鑄件厚度、澆注溫度
|
同一鑄件上化學成分、金相
組織和性能不一致
|
|
|
疲勞
裂紋
|
在鑄件內部產生永久性累積損傷
|
循環(huán)應力、循環(huán)應變
|
疲勞擴展區(qū)裂紋表面光滑，脆性斷裂區(qū)表面粗糙
|
|
致命性缺陷往往會直接導致整個鑄件報廢。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(huán)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(xù)性，甚至會在使用期間造成斷裂，引發(fā)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(jié)約材料，提高經濟效益，保障行業(yè)平穩(wěn)發(fā)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(tǒng)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(tǒng)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。
鑄件缺陷無損檢測技術
工業(yè)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(tǒng)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(yè)領域中的鑄件現(xiàn)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(yè)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，而與之對應的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(lián)性極大，使用通用缺陷檢測技術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(fā)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(xiàn)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(xù)檢測效果。
1、基于光學的無損檢測技術
1.1X射線二維成像技術
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，且射線對人體有輻射作用，因此該技術對環(huán)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的選擇和鑄件透照布置有著極高的標準要求，探測系統(tǒng)硬件的優(yōu)劣會直接影響檢測人員對缺陷類別和級別的判斷?，F(xiàn)今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。例如基于稀疏表示的檢測算法如圖1所示。
圖1 基于稀疏表示檢測算法流程圖
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(lián)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(xiàn)，提高了復雜鑄件的檢測效率。圖2為拉伸桿和航空工件的原圖像和CT圖像數據，可見鑄件呈外表面透明，孔洞類缺陷部位呈顆粒狀。
圖2 拉伸桿和航空工件的原圖像及CT重建的三維圖像
在X射線三維成像技術中，多是針對CT掃描時長進行優(yōu)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、高時效三個方面發(fā)展。
1.3 機器視覺檢測技術
機器視覺檢測系統(tǒng)主要包括光源、圖像獲取單元、圖像處理單元和執(zhí)行機構組成。該技術的優(yōu)缺點如下：
1) 機器視覺檢測系統(tǒng)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(tǒng)組成模塊較多，各模塊一旦發(fā)生故障則會使整個系統(tǒng)的檢測效果變差；
4) 機器視覺檢測系統(tǒng)的圖像獲取階段會由于環(huán)境和數據采集系統(tǒng)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(yè)對鑄件質量、生產工藝、成本效率提出了多重需求，人們對機器視覺檢測系統(tǒng)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(yè)“十三五”發(fā)展規(guī)劃》等多個智能制造產業(yè)發(fā)展政策，伴隨著政策的不斷深入，人工智能技術與工業(yè)越發(fā)密不可分，逐漸在智能生產制造過程中發(fā)揮著不可取代的作用。智能視覺機器人是現(xiàn)代機器人技術與機器視覺檢測技術結合的產物，實現(xiàn)了高端裝備和工業(yè)過程控制的集成優(yōu)化。
將機器視覺檢測系統(tǒng)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解放出來，實現(xiàn)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。
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(tǒng)并列重要的模塊是圖像檢測算法，其更專注于模型和算法能力?；谒惴ǖ臋z測主要分為兩大類：一類是圖像處理的傳統(tǒng)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(yè)生產中，時效性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。
1.4 高光譜檢測技術
高光譜成像是一個復雜的、多學科高度融合的領域，該技術可以在連續(xù)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。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(yè)需要實時監(jiān)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(fā)生的任何變化。圖3為采用高光譜成像儀顯示出的鋁鑄件表面潛在缺陷處突變?yōu)榈蛷姸鹊墓庾V輪廓，映射并量化了鋁鑄件表面裂紋缺陷區(qū)域，缺陷在連續(xù)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
目前，高光譜技術在工業(yè)界多領域都是重點研究的方向，但在鑄造業(yè)尚未普及，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，難以對光譜強度信息進行有力判斷；
2) 工業(yè)界需要對鑄件進行實時檢測，保障經濟效益，而常規(guī)的光譜成像系統(tǒng)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以提高，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(xiàn)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巨大的發(fā)展?jié)摿?，但相應的信號分析算法還需要不斷更新優(yōu)化。正在興起的深度學習算法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有望完美整合高光譜技術的獨特優(yōu)勢。
2、基于聲學的無損檢測技術
2.1 常規(guī)超聲檢測技術
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(huán)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(tài)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。
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(guī)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(fā)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(xiàn)可控的動態(tài)聚焦與相位偏轉等多種相控效果，可有效檢出鑄件內部各種面狀缺陷與體積型缺陷。但由于工業(yè)檢測環(huán)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(fā)展階段。
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(qū)域之外的反射區(qū)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(qū)域內的任何位置生成高度清晰的圖像。
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(fā)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(yōu)勢，具有高靈敏度、高探測帶寬的優(yōu)點，可全方位在線掃描工件中的表面和亞表面缺陷。
3、基于電磁學的無損檢測技術
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(xù)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(fā)生突變，便能判定鑄件對應部位的性質和狀態(tài)。
傳統(tǒng)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1200 ℃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(tǒng)技術，是其他現(xiàn)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(yōu)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(huán)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(xiàn)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，復雜鑄件難以運用。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(qū)分缺陷類別與形態(tài)，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。
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(tǒng)渦流檢測的基礎上，對管狀鑄件更具針對性的優(yōu)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(fā)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。
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。有研究采用ANSYS軟件建立三維遠場渦流有限元仿真模型，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4所示。
圖4 裂紋的幾何尺寸與遠場渦流探測信號的關系
另一方面，由于渦流信號會從激發(fā)線圈和接收線圈處兩次穿透管壁，所以同一缺陷必然影響兩次遠場渦流信號的傳輸，在接收信號中體現(xiàn)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。研究表明，利用維納去卷積濾波與數學形態(tài)學濾波器濾除缺陷信號的基線偏移，都具有良好的偽峰移除效果與普適性。
3.3 脈沖渦流檢測技術
傳統(tǒng)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。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(yōu)點，并且比前者的頻率范圍更寬，可提供足夠的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(xiàn)對鑄件的探測與評估。
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。該技術結合電磁熱等多種物理效應，大幅度增強了缺陷表征能力。
脈沖渦流熱成像技術就是利用了二維鑄件中出現(xiàn)的電流流動現(xiàn)象及其傳熱特性，鑄件缺陷與溫度場關系是該技術研究重點。有研究設計了一種感應加熱的主動熱成像系統(tǒng)，得到的缺陷區(qū)域熱成像三維模型如圖5所示。
圖5 合金樣品的缺陷區(qū)域熱成像三維模型
4、其他無損檢測技術
磁粉檢測和滲透檢測都屬于五大常規(guī)無損檢測技術。近年來，相關國家標準持續(xù)更新，在材料控制、工藝規(guī)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的操作水平息息相關。
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(xiàn)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(qū)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(xiàn)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。
磁粉檢測技術具有以下優(yōu)缺點：
1) 操作簡單方便，檢測成本低，靈敏度高；
2) 可顯現(xiàn)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發(fā)展的重要途徑。
4.2 滲透檢測技術
滲透檢測技術利用了液態(tài)著色劑與熒光劑在固液交界下的毛細現(xiàn)象以及其于特定光照下的顯像現(xiàn)象。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(yōu)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。
但其缺點也顯而易見：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(fā)性材料接觸，同時要求在要暗室和黑光燈環(huán)境下檢測。
表2總結比較了各類鑄件缺陷無損檢測技術。
表2 鑄件缺陷無損檢測與評估技術對比
|
物理學分類
|
檢測技術
|
鑄件類型
|
缺陷類型
|
優(yōu)點
|
缺點
|
|
基于光學的無損檢測技術
|
X射線二維成像技術
|
所有鑄件
|
孔洞類缺陷、夾雜類缺陷
|
可探測復雜異形鑄件、結果直觀且便于存儲、對氣孔類缺陷檢測良好
|
檢測環(huán)境要求高、速度慢、成本高、無法表征完整的缺陷輪廓及形態(tài)
|
|
X射線三維成像技術
|
所有鑄件
|
孔洞類缺陷、夾雜類缺陷及裂紋
|
可探測復雜異形鑄件、結果直觀且便于存儲、對三維缺陷表達能力強
|
檢測環(huán)境要求高、速度慢、成本高
|
|
機器視覺檢測技術
|
所有鑄件
|
表面缺陷
|
硬件成本低、可檢測復雜鑄件表面缺陷、結果直觀且便于存儲、檢測速度快
|
系統(tǒng)抗干擾能力弱、成像質量易受外界因素影響
|
|
高光譜檢測
技術
|
所有鑄件
|
孔洞類缺陷
|
可探測復雜異形鑄件、能獲得缺陷更詳盡的特征、預測潛在缺陷
|
成像過程極長、圖像所占內存量大、結果無法直觀地判別缺陷
|
|
基于聲學的無損檢測技術
|
超聲檢測技術
|
所有鑄件
|
內部缺陷
|
探測速度快、檢測成本低、穿透能力強、對環(huán)境無污染
|
需要耦合劑、對鑄件表面光滑度有要求、信號信噪比低
|
|
相控陣超聲檢測技術
|
所有鑄件
|
內部缺陷
|
探測速度快、聲束角度及深度人為可控
|
需要耦合劑、對鑄件表面光滑度有要求
|
|
全聚焦相控陣超聲技術
|
所有鑄件
|
內部缺陷
|
探測速度快、可高分辨率成像
|
需要耦合劑、探測手段尚未成熟
|
|
激光超聲檢測技術
|
復雜鑄件
|
內部缺陷
|
無需耦合劑、可探測復雜鑄件、穿透能力強、對細微裂紋敏感、能檢測缺陷位置及大小
|
探測手段尚未成熟
|
|
基于電磁學的無損檢測技術
|
渦流檢測技術
|
鐵磁性鑄件
|
表面及近表面缺陷
|
無需耦合劑、可在高溫下檢測、探測速度快、檢測電信號便于數據比較與存儲
|
只能探測結構簡單鑄件、難以定量定性地評估缺陷
|
|
遠場渦流技術
|
鐵磁性鑄件
|
表面缺陷及內部裂紋
|
無需耦合劑、探測速度快、對管狀類鑄件缺陷檢測效果極佳
|
只能檢測管狀鑄件
|
|
脈沖渦流檢測技術
|
鐵磁性鑄件
|
表面及內部缺陷
|
無需耦合劑、探測速度快、能對缺陷定量評估
|
易受頻率影響,檢測時效性低、對微小裂紋異常敏感
|
|
脈沖渦流熱成像技術
|
金屬型鑄件
|
表面及內部缺陷
|
無需耦合劑、檢測結果直觀、精度高、檢測面積大
|
對鑄件本身會有一定損耗
|
|
其他無損檢測技術
|
磁粉檢測技術
|
鐵磁性鑄件
|
表面及近表面缺陷
|
檢測結果直觀、成本低、對表面細微缺陷敏感
|
需要磁懸液、對鑄件表面光滑度有要求、人工參與度高
|
|
滲透檢測技術
|
所有鑄件
|
表面及近表面缺陷
|
可探測復雜鑄件、檢測結果直觀、成本低
|
使用試劑對人與環(huán)境有害、檢測流程復雜、速度慢、人工操作、檢測環(huán)境有要求
|
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(lián)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。
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(tǒng)圖像處理方法不同的是，傳統(tǒng)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(yè)場景需求的特定方法，過程低效又昂貴；每個傳統(tǒng)圖像算法都是針對具體應用，不具有普適性。大多數車間不愿意投資深度學習的研發(fā)工作，依舊憑借傳統(tǒng)圖像算法作為工業(yè)解決方案，深度學習的應用正面臨著嚴峻挑戰(zhàn)。
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(xiàn)出各種高效又健壯的網絡框架，得以對X射線檢測系統(tǒng)、機器視覺系統(tǒng)等系統(tǒng)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。
有研究將原始鑄件視覺圖片等比分割成9塊區(qū)域，再引入卷積神經網絡模塊實現(xiàn)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，機器視覺系統(tǒng)檢測流程如圖6所示。
圖6 機器視覺系統(tǒng)示意圖
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(tǒng)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，有研究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，網絡識別的缺陷類別、位置和區(qū)域如圖7所示。
圖7 圖像識別缺陷的類別、位置和區(qū)域
除了數據集外，網絡結構也是影響網絡性能的重要因素。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，缺陷相對越小，紋理信息越模糊，目標特征細微而難以檢測。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。有研究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(qū)域，并剔除不必要的信息，再使用深度卷積網絡提取連續(xù)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，其幀間深度卷積神經網絡結構圖如圖8所示。
圖8 幀間深度卷積神經網絡結構圖
表3給出了近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一部分研究成果。
表 3 基于深度學習的鑄件缺陷檢測研究現(xiàn)狀
|
方法
|
實驗對象
|
檢測目標
|
結果分析
|
|
新的空間注意力雙線性卷積神經網絡
|
所有鑄件
|
氣孔及人工鉆孔缺陷
|
精度高達93.30%，可以有效地學習并鑒別特征
|
|
基于深度學習特征匹配的鑄件缺陷三維定位方法
|
精密鑄件
|
0.3~1 mm 大小的渣孔缺陷
|
在實現(xiàn)自動定位的基礎上精度優(yōu)于傳統(tǒng)方法，平均定位誤差低于傳統(tǒng)平移視差法8.69%
|
|
采用特征金字塔網絡提取特征，結合區(qū)域特征聚集方式的ROI Align
|
汽車鑄鋁件
|
微小孔洞類缺陷
|
與Faster R-CNN相比，使用FPN后，平均精度提高40.9%；使用ROI Align后，精度提高了23.6%
|
|
自適應深度與感受野選擇語義分割的網絡
|
鋁合金鑄件
|
海綿收縮、低密度異物、高密度異物、孔洞類缺陷
|
此方法的mIoU比最新的語義分割模型Dense-ASPP高出3.85%
|
|
基于對象級注意機制和雙線性池化構建有效的CNN模型
|
鑄鋁件
|
一般缺陷
|
對于每個定量指標（準確率、精確度、召回率）提出的模型均優(yōu)于其他經典深度學習分類模型
|
|
通用特征網絡和微妙特征網絡結合的網絡模型
|
汽車鑄鋁件
|
20種鑄造缺陷
|
該模型在實際X射線圖像的每個指標上均優(yōu)于其他分類模型
|
|
基于視覺注意力機制和特征圖深度學習的魯棒跟蹤檢測方法
|
3類工件
|
縮孔、孔隙率
|
鑄件缺陷的誤檢率和漏檢率均小于4%，缺陷檢測的準確率大于96%
|
|
基于深度殘差網絡的鑄件外觀缺陷檢測方法
|
汽車制動支架
|
暗孔、淺坑、裂紋、缺口、凸起、凹陷
|
ResNet-34ASoftReLu方法的準確率達到93.7%，遠高于傳統(tǒng)檢測方法
|
|
基于自適應神經模糊推理系統(tǒng)的閥門鑄件影像智能故障診斷系統(tǒng)
|
閥門鑄件
|
裂紋、氣體夾雜物、縮孔
|
缺陷分類的平均準確性為80%
|
|
3D卷積神經網絡結合非線性拓撲尺寸參數和經驗模型
|
20種鑄造模型
|
縮孔、夾雜物、裂紋
|
所提出的CNN在平均精度上優(yōu)于現(xiàn)有方法的10%~20%
|
|
改進的Faster R-CNN算法
|
鋼帶
|
6類表面缺陷
|
以20幀每秒的速度實現(xiàn)了98.32%的平均精度均值，97.02%的查全率和99%的檢
測率
|
|
基于選擇性注意機制和深度學習特征匹配的缺陷動態(tài)跟蹤檢測方法
|
一般鑄件
|
渣孔
|
誤檢率和漏檢率均低于3%，缺陷檢測準確率超過97%，與極線約束跟蹤等方法比較，準確率提高5%以上
|
|
用于識別X射線圖像中鑄件缺陷的基于Mask-RCNN的體系結構
|
汽車鑄鋁件
|
一般缺陷
|
超過了缺陷檢測算法在GD-Xray數據集上的最高性能，mAP達95.7%
|
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以波形形式表征的，這增加了檢測人員提取缺陷特征的難度。神經網絡的出現(xiàn)，打破了傳統(tǒng)信號分析方法的局限性，在精度上顯著優(yōu)于傳統(tǒng)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(xù)信號的處理能力。
有研究針對超聲檢測技術生成的信號，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，試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。
展 望
隨著鑄造技術的不斷發(fā)展，目前的鑄件檢測系統(tǒng)僅依靠軟硬件技術的升級優(yōu)化，已無法滿足鑄件缺陷檢測技術的現(xiàn)實需求。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：
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(xiàn)，但僅僅通過串聯(lián)多種探測技術來組合成一條自動檢測線，是無法滿足工業(yè)中對于檢測速度的要求。如何利用多模態(tài)技術將多維信息融合實現(xiàn)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(fā)展研究的方向之一。
2、目前，機器人技術與鑄造行業(yè)質量監(jiān)測的聯(lián)系越發(fā)緊密，機器視覺系統(tǒng)與機器人技術融合技術嶄露頭角：結合機器人系統(tǒng)的機器視覺檢測技術實現(xiàn)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(tǒng)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(yè)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(yōu)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。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(yè)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(yè)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(yī)學領域小樣本檢測模型遷移至工業(yè)領域，具有廣大的發(fā)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(xiàn)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(guī)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。
京公網安備11010802046783號
