CN102159940A - 用于检测材料中的缺陷的方法以及用于该方法的系统 - Google Patents

Abstract

一种能够检测位于移动材料的表面上或者表面层中的缺陷的方法，包括步骤：加热所述材料的所述表面；在所述加热步骤中所述材料的所述表面正在加热或者在加热之后所述材料的所述表面正在冷却的同时，使用红外热成像相机获得所述材料的所述表面的热图像数据；以及通过针对由所述热图像数据表示的所述表面的温度计算拉普拉斯算子来检测所述缺陷。在所述材料正在加热的同时获得所述热图像数据时，加热设备和所述相机设置为使得从所述加热设备发出的热能由所述材料反射进入所述相机中。

Description

用于检测材料中的缺陷的方法以及用于该方法的系统

技术领域

本发明涉及用于检测材料中的缺陷的方法以及用于所述方法的系统，适于检测位于所述材料的表面上和/或表面层中的缺陷。

背景技术

在钢板材料的情况下，钢板会具有许多类型的缺陷，例如由辊子造成的凹痕、由嵌入来自在镀锌层中的热浸镀锌的浮渣(dross)形成的浮渣瑕疵、在铸造工序期间在铸造金属中捕获氩气体时形成的钢板内部散布的气孔、或者由镀锌层的厚度不均匀性导致的表面缺陷。

在钢板上的这些缺陷中，与其它正常部分在颜色上的差异的缺陷已经通过操作者的目视检查来检测出。

如在JP 2004-219177A中所示，缺陷检测技术是已知的，其能够基于由CCD相机获取的钢板表面图像数据来检测钢板的缺陷。

然而，在操作者进行目视检查时不得不降低生产线速度并且操作者目视检查的精确度取决于个人。近来，随着对高级别质量控制的需求，已经要求对尺寸太小而无法进行目视检测的缺陷进行检测。

而且，目视检查钢板表面的CCD相机方法不具有较强的检测位于表面层中(而非表面上)的缺陷的能力，因为这样的缺陷通常难以从外部进行目视识别。

发明内容

本发明基于上述问题的考虑而形成。因此本发明的目的在于提供一种方法和系统，用于高精度地检测位于诸如钢板的材料的表面上和表面层中的缺陷，即使在该材料处于移动中或者进行运输时。

在本发明中，可以使用一种用于检测位于材料的表面上和表面层中的缺陷的方法来检测材料的缺陷，所述方法包括步骤：加热所述材料的所述表面；在所述加热步骤中所述材料正在加热或者在加热之后所述材料正在冷却的同时，使用红外热成像相机获得所述材料的所述表面的热图像数据；以及通过针对由所述热图像数据表示的所述表面的所述温度计算拉普拉斯算子(Laplacian)来检测所述缺陷。可以通过以下系统执行所述方法。一种用于检测位于材料的表面上和表面层中的缺陷的系统，包括：用于加热所述材料的所述表面的加热设备；用于在所述加热步骤中所述材料正在加热或者在加热之后所述材料正在冷却的同时，获得所述材料的所述表面的热图像数据的红外热成像相机；以及用于通过针对由所述热图像数据表示的所述表面的所述温度计算拉普拉斯算子来检测所述缺陷的检测设备。

根据本发明，通过下述执行缺陷的检测：加热所述材料的所述表面；在所述加热步骤中所述材料正在加热或者在加热之后所述材料正在冷却的同时，使用红外热成像相机获得所述材料的所述表面的热图像数据；以及通过针对由所述热图像数据表示的所述表面的所述温度计算拉普拉斯算子来检测所述缺陷。这使得即使在所述材料正在移动或者传输时也能够以高精度检测位于所述材料的所述表面上和表面层中的缺陷。

附图说明

图1A示出本发明的一个实施例中用于检测钢板的缺陷的系统的粗略配置，其中在将要检查的材料加热之后进行冷却时进行所述检测。

图1C示出本发明的另一实施例中用于检测钢板的缺陷的系统的粗略配置，其中在对要检查的材料加热时进行所述检测。

图2A、2B和2C是说明在检测设备的图像处理部分中执行的图像数据处理的示例的示意图。

图3A、3B、3C和3D示出本发明中要检测的缺陷类型。

图4是用于解释使用红外热成像相机的无损检查的解释图。

图5是解释用于计算拉普拉斯算子的像素之间关系的解释图。

图6A/6B所示为表示基于冷却/加热工序中由红外热成像相机获得的热图像数据的表面温度的温度特性曲线的曲线图。

图7A/7B所示为与图6A/6B的温度特性曲线相对应的拉普拉斯算子的曲线图。

图8所示为表面层中的温度分布曲线的曲线图。

图9所示为关于热图像数据的高斯滤波效果的曲线图。

图10示出用作检测设备的计算机系统的硬件配置。

图11A、11B和11C是示出在冷却工序中检测缺陷的图像的示例，其中所述缺陷是异质(foreign)材料或者位于钢板的表面层中的空隙(void)。

图12A、12B和12C是示出在冷却工序中检测缺陷的图像的示例，其中所述缺陷是位于钢板表面上的微小升高凸起部分。

图13A、13B和13C是示出在冷却工序中检测缺陷的图像的示例，其中所述缺陷是位于钢板表面上的微小锋利凹痕。

图14A、14B和14C是示出在冷却工序中检测缺陷的图像的示例，其中所述缺陷是附着在钢板表面上的异质材料。

图15A、15B和15C是示出在冷却工序中检测缺陷的图像的示例，其中所述缺陷是位于汽车树脂油箱的表面层中的异质材料。

图16A、16B和16C是示出在加热工序中检测缺陷的图像的示例，其中所述缺陷是位于钢板表面上的微小升高凸起部分。

图17A、17B和17C是示出在加热工序中检测缺陷的图像的示例，其中所述缺陷是位于钢板表面上的微小锋利凹痕。

图18A、18B和18C是示出在加热工序中检测缺陷的图像的示例，其中所述缺陷是附着在钢板表面上的异质材料。

图19A、19B和19C是示出在加热工序中检测缺陷的图像的示例，其中所述缺陷是位于汽车树脂油箱的表面层中的异质材料。

具体实施方式

在参照附图的以下描述中对钢板材料而言更具体地说明本发明。如图1A和1C所示，本发明的缺陷检测系统具有加热设备1、红外热成像相机2和检测设备3，其检测位于钢板100(例如几毫米厚)的表面上和/或表面层中的缺陷(简称为缺陷101)。

以下参照图3A-3D描述本发明中要检测的对象，缺陷101。在钢板100的表面上/表面层中存在许多类型的缺陷并且缺陷的形状例如可以是有点如散沙的、柳叶的、或者点状的形状。

图3A中的缺陷101a是由在钢板100的表面层中嵌入一些异质材料导致的缺陷，即，例如通过在镀锌层中嵌入来自热浸镀锌的浮渣而形成的浮渣瑕疵，或者是由空隙的形成而导致的缺陷，即，例如在铸造工序期间在铸造金属中捕获氩气并且在轧制(rolling)工序期间轧出气体捕获部分时形成的在钢板内部散布的气孔。在这种类型的缺陷中，缺陷(异质材料/空隙)101a的热传导性低于钢板本身的热传导性。结果，与钢板的正常表面部分相比较，缺陷101a的位置处的钢板表面(邻近该缺陷的表面)能够被更快速地加热或者冷却。

图3B中的缺陷101b是在钢板100的表面上形成的微小升高凸起部分。局部更厚的镀锌层是这种缺陷的一个示例。在这种类型的缺陷中，升高的凸起部分101b具有更大的表面区域，这使得与钢板的其他正常表面部分相比较，升高凸起部分101b能够被更快速地加热或者冷却。【子0014底部】而且由于该缺陷的形状，来自该升高凸起部分101b的区域的热辐射量高于来自钢板的其它正常表面部分的相同尺寸区域的热辐射量。

图3C中的缺陷101c是形成在钢板100的表面上的微小锋利凹痕。该缺陷通常由向钢板施压附着在辊子表面上的异质材料形成。由于该缺陷的形状，来自该锋利凹痕101a的区域的热辐射量大于来自钢板的其它正常表面部分的相同尺寸区域的热辐射量。这使得与钢板的其它正常表面部分相比较，该微小锋利凹痕101c的区域能够被更快速地加热或者冷却。

图3D中的缺陷101d是诸如附着在钢板表面上的灰尘的异质材料。在这种类型的缺陷中，异质材料的辐射速率高于钢板的辐射速率。结果，来自缺陷101d的热辐射量大于来自钢板的其它正常表面部分的相同尺寸区域的热辐射量。这使得与钢板的其它正常表面部分相比较，该异质材料101d的区域能够被更快速地加热或者冷却。

本发明基于以下事实：发明人发现，在针对由使用红外热成像相机获取的热图像数据表示的表面温度获得拉普拉斯算子Δ_xyT时，与钢板的其它正常表面部分相比较，在缺陷101的位置处，拉普拉斯算子Δ_xyT的绝对值变得更大，并且可以基于拉普拉斯算子Δ_xyT的值为正或者负来确定该缺陷的类型。

图1A示出用于检测本发明一个实施例的钢板缺陷的系统的粗略配置。图1C示出用于检测本发明另一实施例的钢板缺陷的系统的粗略配置。在图1A和图1C中，加热设备1加热检查线上的钢板100的表面。优选的，钢板的温度低于100℃(更加优选地为大约60℃)，以将钢板100的温度设置为高于室温并且避免对钢板质量的任何影响。将检查线上的钢板沿箭头方向以从0到大约300mpm的预定线速度进行传输。

图1A和图1B说明了适于在钢板正在冷却时检测缺陷的系统。在图1A中，红外热成像相机2位于加热设备1的下游。通过加热设备1在上游加热钢板并且在检查区域S处对钢板的表面区域进行下游热成像以获得检查区域S的二维热图像数据。热图像是指表示从待检查对象的钢板100的表面辐射的热辐射量的分布的图像，换句话说，是表示表面温度分布的图像。红外热成像相机2具有包括红外传感器和信号处理部分的图像拾取部分，其能够通过将每一个像素的温度信息转换为颜色信息来提供热图像数据。

在使用红外热成像相机2获得检查区域S的热图像数据的工序中，需要避免由加热设备1发出的热能直接或者通过由钢板100的表面反射而进入到红外热成像相机2中。为此，将加热设备1和热成像相机2放置为在二者之间具有足够的距离。在由于空间有限而难以在二者之间具有足够距离的情况下，一种替代方式是如图1A3所示在二者之间设置热屏蔽部件4以避免由加热设备1发出的热能通过钢板100的表面反射而进入到红外热成像相机2中。自不待言，将热屏蔽部件4设置为不阻挡热成像相机2的视场。优选具有的设置是即使在加热设备1加热钢板100之后被关掉时也可以避免由加热设备1发出的热能进入红外热成像相机2中，因为来自被关掉的加热设备的剩余热量的一些热能会进入到相机中。图1A、图1A2中的相机2以及图1B中的相机2在设置方向(相机的光学系统的光轴方向)和关于钢板表面的位置方面不同。本发明中可以使用相机和加热设备1的各种方向和位置。

在加热(后面要描述)钢板时进行缺陷检测的情况下，也可以使用各种方向和位置，只要加热设备1和热成像相机2被设置为使得由加热设备1发出的热能能够在由钢板的表面反射之后进入相机中。

在红外热成像相机2中，设置帧率和积分时间以适合生产线速度。在可商购的红外热成像相机中，积分时间处于0.01ms的数量级。这意味着，在钢板以150mpm行进时，仅存在0.025mm的滑移(slippage)，这仅占具有0.25mm或者更大尺寸的像素的10％或者更低。换句话说，图像质量几乎不下降。

具有个人计算机的检测设备3基于由通过红外热成像相机获得的热图像数据表示的表面温度来计算拉普拉斯算子Δ_xyT以检测缺陷101并且确定该缺陷的类型。如前所述，在缺陷101的位置处，拉普拉斯算子Δ_xyT的绝对值大于钢板的正常表面部分的位置102处的拉普拉斯算子Δ_xyT的绝对值，并且能够基于拉普拉斯算子Δ_xyT的值为正或者负来确定缺陷的类型。因此，如果在检查区域S中存在缺陷，则与钢板的正常表面部分相比较，缺陷位置的拉普拉斯算子Δ_xyT的绝对值示出为较大值，并且通过该值为正或者负来确定该缺陷的类型。

检测设备3包括向其输入由红外热成像相机2获得的热图像数据的输入部分301。

检测设备3中的图像处理部分302用于根据预定的图像数据处理过程来处理输入到输入部分301中的热图像数据。图2A、2B和2C是说明在检测设备3的图像处理部分302中执行的图像数据处理的示例的示意图。图2A示出输入到输入部分301中的热图像数据。图2B示出经拉普拉斯处理的热图像数据，其中将温度转换为拉普拉斯算子值。图2C示出拉普拉斯算子值的热图像数据的二进制图像。执行拉普拉斯处理以减少由温度不规则性造成的热图像数据中的扰动(disturbance)(图2A)，并且检测在钢板100的表面和表面层处发生的热平衡，将在后面描述。将表面层定义为非常接近材料的表面的部分，并且在1-2mm厚钢板的情况下，可以在经验上将距离表面大约四分之一厚度的区域看作是表面层。

由于检测出位于缺陷101的位置处的拉普拉斯算子Δ_xyT的绝对值在检查区域S中较大，因此可以说，拉普拉斯处理能够提供提取了缺陷101的图像(见图2C中的黑色部分)。而且能够基于拉普拉斯算子Δ_xyT的值为正或者负确定缺陷101的类型。

检测设备3中的输出部分303用于输出由图像处理部分302处理的热图像数据以在监视器屏幕(未图示)上显示。

以下详细描述本发明用于检测位于钢板的表面上和/或表面层中的缺陷的方法。

如图4所示，可以使用红外热成像相机检测位于待检查对象401内部的内部缺陷402(例如被捕获的异质材料或者空隙的形成)。由于待检查对象401的热传导性与缺陷402的热传导性通常不同，来自待检查对象401的位置处的表面的热辐射量与缺陷402的热辐射量不同。结果，通过测量对象402的表面上热辐射量随着时间的分布，能够检测出待检查对象401内部的缺陷402。

如果对象401的热传导性与缺陷402的热传导性彼此差别很大，则能够以高精度检测缺陷402。如果对象401和缺陷402具有相同或者几乎相同的热传导性，例如在图3B和3C中对象和缺陷之间不存在差别的情况下，不能使用该方法。

该方法基于热辐射量分布来检测缺陷位置的温度异常。然而，该分布受对象表面的二维(x-y方向)的热扩散影响。因此衰减了在缺陷位置处的热辐射量，这降低了检测缺陷位置的精确度。

在本发明的缺陷检测方法中，除了使用对象(钢板100)的热辐射量的分布之外，还执行拉普拉斯处理。如前所述，检测出在缺陷101的位置处拉普拉斯算子Δ_xyT的绝对值大于在钢板的正常表面部分的位置102处拉普拉斯算子Δ_xyT的绝对值。本发明基于以下想法：如果在检查区域S中存在缺陷101，则应该识别出缺陷101的位置处的拉普拉斯算子Δ_xyT的绝对值大于其它正常表面部分的绝对值。

由下面的表达式(1)表示关于一像素的拉普拉斯算子Δ_xyT。如图5所示，使用该像素的表面温度T(x，y)，基于由红外热成像相机获得的热图像数据以及分别位于像素的上、下、右侧和左侧的每一个像素的温度，即T(x+1，y)、T(x，y+1)、T(x-1，y)、T(x，y-1)，来计算表达式(1)的右侧，其中h为像素的尺寸。在上述中，针对每一个单个像素计算拉普拉斯算子。也可以针对由多个像素构成的每一个组(例如2像素×2像素)计算拉普拉斯算子。

${\mathrm{\Δ}}_{\mathrm{xy}}T=\frac{1}{4h^2}\{T(x+1,y)+T(x-1,y)+T(x,y+1)+T(x,y-1)-4T(x,y)\}...\left(1\right)$

随着钢板100内部的热迁移现象满足非稳态三维热传导等式，可以将拉普拉斯算子Δ_xyT描述为下面的表达式(2)，其中“α”是材料的热扩散系数。表达式(2)的右侧表示沿z方向(钢板厚度方向)的热迁移平衡，其影响钢板100的表面层中的热迁移。即，表达式(2)的右侧的第一项表示钢板的表面层中热存储的变化并且第二项表示由于z方向上的热迁移导致的热存储的变化。

${\mathrm{\Δ}}_{\mathrm{xy}}T=(1/\mathrm{\α})\·(\∂T/\∂t)-{\∂}^{2}T/\∂z^2...\left(2\right)$

下面描述如图6A所示在冷却工序期间基于由红外热成像相机获取的检查区域的热图像数据而获得温度特性曲线T₁和T₂的情况。将红外热成像相机的像素尺寸设置为0.4mm，大约为缺陷101的尺寸的两倍。

温度特性曲线T₁表示图1A中的正常部分102的温度特性，以及在图7A中示出具有T₁的拉普拉斯算子Δ_xyT作为特性线L₁。特性线L₁(拉普拉斯算子Δ_xyT)表明虽然由于噪音而有一定偏差，但值大致为零。该零值的拉普拉斯算子Δ_xyT意味着表示在钢板的表面层中的热存储的变化的表达式(2)的右侧的第一项的值(由于正在被冷却的工序而为负值)几乎等于表示由于z方向上的热迁移导致的热存储的变化的表达式(2)的右侧的第二项的值(由于正在被冷却的工序而为负值)。换句话说，非常平滑地进行热迁移。

温度特性曲线T₂表示在图3A中示出的缺陷类型的位置的温度特性以及在图7A中示出具有T₂的拉普拉斯算子Δ_xyT作为特性线L₂。在图3A所示的缺陷类型的情况下，特性线L₂的值(拉普拉斯算子Δ_xyT)为正。该正值的拉普拉斯算子Δ_xyT意味着表示由于z方向上的热迁移导致的热存储的变化的表达式(2)的右侧的第二项的值(由于正在被冷却的工序而为负值)小于表示表面层中的热存储的变化的表达式(2)的右侧的第一项的值(由于正在被冷却的工序而为负值)。换句话说，在从钢板表面的热释放保持大于从钢板的更深位置馈送的热量时，冷却工序保持进行。这意味着缺陷位置的冷却速率大于缺陷周围区域的冷却速率，如图8所表明的，其中缺陷部分的表面层中的温度分布曲线t₂具有凸起曲线，与正常部分的表面层中的温度分布曲线t₁相比较，该凸起曲线具有更大的梯度。图3B中所示的缺陷类型与图3A的缺陷类型具有类似的结果。

在图7A中示出了关于图3C或者图3D中示出的缺陷类型的位置的温度特性曲线的拉普拉斯算子Δ_xyT作为特性线L₃。表示如图3C或者图3D所示的缺陷类型的位置的温度特性的温度特性曲线(图6A中未示出)几乎与表示图6A中的正常部分的温度特性的温度特性曲线T₁相同。在图3C或者图3D所示的缺陷类型的情况下，特性线L₃(拉普拉斯算子Δ_xyT)的值变为负。该负值的拉普拉斯算子Δ_xyT意味着表示表面层中的热存储的变化的表达式(2)的右侧的第一项的值(由于正在被冷却的工序而为负值)小于表示由于z方向上的热迁移导致的热存储的变化的第二项的值(由于正在被冷却的工序而为负值)，这导致如图8所示的表面层中的温度分布曲线t₃。其原因在于，在缺陷位置处的热辐射量大于该缺陷周围区域的热辐射量，这使得红外热成像相机指示的温度显示比实际温度更高的值。

图1C和图1D是适于在加热钢板时检测缺陷的系统。在图1C中，红外热成像相机2获取检查区域S的图像，其中通过加热设备1加热该表面以获得检查区域S的二维热图像数据。

如上所述，在加热(后面将描述)钢板时进行缺陷检测的情况下，也可以使用各种方向和位置，只要加热设备1和热成像相机2被设置为使得由加热设备1发出的热能能够在由钢板的表面反射后进入相机中。

以下描述在加热工序期间如图6B所示基于由红外热成像相机获取的检查区域的热图像数据而获得温度特性曲线T₁、T₂和T₃的情况。在图6B中，温度急剧上升并且一些温度特性曲线达到超出钢板100的优选温度范围(小于100℃)的温度。然而，这只是因为从加热设备1辐射的热能在由钢板的表面反射后进入到相机中，如图1D所示。

温度特性曲线T₁表示图1C中正常部分102的温度特性以及在图7B中示出具有T₁的拉普拉斯算子Δ_xyT作为特性线L₁。特性线L₁(拉普拉斯算子Δ_xyT)表明虽然由于白噪声而具有一些摆动(hunting)但是值大致为零。该零值的拉普拉斯算子Δ_xyT意味着表示钢板的表面层中的热存储的变化的表达式(2)的右侧的第一项的值(由于正在被加热的工序而为正值)几乎等于表示由于z方向上的热迁移导致的热存储的变化的表达式(2)的右侧的第二项的值(由于正在被加热的工序而为正值)。换句话说，非常平滑地进行热迁移。

温度特性曲线T₂表示在图3A或者图3B中示出的缺陷类型的位置的温度特性以及在图7B中示出具有T₂的拉普拉斯算子Δ_xyT作为特性线L₂。在图3A或者图3B所示的缺陷类型的情况下，由于表示z方向上的热迁移量的表达式(2)的右侧的第二项的值(由于正在被加热的工序而为正值)变得更大，特性线L₂的值(拉普拉斯算子Δ_xyT)为负。

温度特性曲线T₃表示在图3C或者图3D中示出的缺陷类型的位置的温度特性以及在图7B中示出具有T₃的拉普拉斯算子Δ_xyT作为特性线L₃。在图3C或者图3D所示的缺陷类型的情况下，由于表示z方向上的热迁移量的表达式(2)的右侧的第二项的值(由于正在被加热的工序而为正值)变得更小，特性线L₃的值(拉普拉斯算子Δ_xyT)为正。

在由红外热成像相机2获得的热图像数据包括噪声时，可以应用高斯滤波来消除噪声。图9示出作为对包括噪声的热图像数据应用拉普拉斯处理的结果的特性线L，其中拉普拉斯算子值由于噪声而剧烈摆动。另一特性线L’是在进行高斯滤波之后对热图像数据应用拉普拉斯处理的结果，其中与线L不同的是摆动被减小。关于噪声消除滤波，不仅可以使用高斯滤波而且还可以使用用于平滑的任何滤波方法。关于高斯滤波，例如在JP2004-219177A中被详细描述。

以下表达式(3)表示在钢板处于被加热之后的冷却工序中时从待由红外热成像相机测量的钢板表面辐射的热能，其中“ε”是钢板表面的辐射速率，“ε_m”是用户使用红外热成像相机设置的表观(apparent)辐射速率，T是钢板表面的温度，“T_c”是红外热成像相机的传感器元件的温度，“T_m”是由红外热成像相机表示的钢板的表面温度(由通过红外热成像相机获得的热图像数据表示的表面温度)以及“σ”是史蒂芬波兹曼(Stefan-Boltzmann)常数。

ε·σ·(T⁴-T_c ⁴)＝ε_m·σ·(T_m ⁴-T_c ⁴)...(3)

以下的表达式(4)表示在钢板处于正在被加热的工序中时从待由红外热成像相机测量的钢板表面辐射的热能，其中T_a表示加热设备1的加热元件表面的温度。

(1-ε)·σ·(T_a ⁴-T_c ⁴)+ε·σ·(T⁴-T_c ⁴)＝ε_m·σ·(T_m ⁴-T_c ⁴)...(4)

将表达式(3)与表达式(4)进行比较，在表达式(4)中增加了左侧的第一项的热能。该项表示在从加热设备1的加热元件发出并且由钢板100的表面(检查区域S)反射之后进入红外热成像相机2的传感器中的热能的量(参见图1D中的箭头E)。加热设备1的加热元件表面的温度T_a是钢板100的表面温度T的五倍或者更多。因此，在加热工序中，作为冷却工序期间的主要因素的左侧的第二项比表达式(4)的左侧的第一项更大。这使得能够以良好的灵敏度检测来自钢板100的表面的辐射量的改变。

如上所述，在用于在加热钢板时检测缺陷的方法中，能够以良好的灵敏度检测来自钢板100表面的辐射量的改变。因此，能够以良好的灵敏度检测诸如图3B、图3C或者图3D所示的一个的缺陷，特别是图3C或者图3D的类型。由于图3A的缺陷类型中的辐射量改变不是很大，因此不容易检测该缺陷类型。即，期望左侧的第二项的热能的量是主要改变，并且第二项的值的改变小于第一项的值。

如上所述，与钢板的其它正常表面部分相比较，根据基于红外热成像相机的热图像数据的表面温度数据获得的拉普拉斯算子Δ_xyT的绝对值在缺陷101的位置处变得更大。这一发现能够用于在不降低生产线速度的情况下以高精度检测位于钢板的表面上或者表面层中的缺陷101。

由于热扩散效应，扩大了温度受缺陷101影响的区域。这使得与使用CCD相机的光学缺陷检测设备相比较能够将像素尺寸设置得更大。

图10示出了用作检测设备3的计算机系统的硬件配置。硬件配置包括CPU 51、输入设备52、显示设备53、存储设备54以及通信设备55，每一个设备经过总线56彼此连接。存储设备54包括其中存储有用于控制检测设备3的操作的计算机程序的ROM、RAM和HD。在CPU 51执行该程序时，可以实现检测设备3的功能和处理。检测设备3可以由单个单元或者多个单元构成。

以下给出在冷却钢板时检测缺陷的示例。

图11示出针对具有如图3A所示的缺陷的钢板样品(测试件)进行缺陷检测的示例，即该缺陷是位于钢板的表面层中的异质材料或者空隙。在冷却工序中通过红外热成像相机获取钢板样品的热图像数据，即在将钢板样品加热到80℃之后10秒钟。红外热成像相机的像素数量是256×256，像素的尺寸是0.8mm，并且相机和钢板样品之间的距离是60cm。红外热成像相机的光轴方向与钢板样品表面垂直。

图11A是由红外热成像相机获取的热图像数据，图11B是热图像数据经拉普拉斯处理的图像，并且图11C是经拉普拉斯处理的图像数据的二进制图像。图11A、11B和11C是根据实际获得的图像(放大图像)绘制的示意图。图11C示出提取缺陷1101(异质材料或者空隙)以进行清楚观察的图像。

图12示出针对具有如图3B所示的缺陷的钢板样品(测试件)进行缺陷检测的示例，即该缺陷是形成在钢板表面上的微小升高凸起部分。在冷却工序中通过红外热成像相机获取钢板样品的热图像数据，即在将钢板样品加热到大约60℃之后10秒钟。红外热成像相机的像素数量是256×256，像素的尺寸是1.2mm，并且相机和钢板样品之间的距离是90cm。红外热成像相机的光轴方向与钢板样品表面垂直。

图12A是由红外热成像相机获取的热图像数据，图12B是热图像数据经拉普拉斯处理的图像，并且图12C是经拉普拉斯处理的图像数据的二进制图像。图12A、12B和12C是根据实际获得的图像(放大图像)绘制的示意图。图12C示出提取缺陷1201(微小升高凸起部分)以进行清楚观察的图像。

图13示出针对具有如图3C所示的缺陷的钢板样品(测试件)进行缺陷检测的示例，即该缺陷是形成在钢板表面上的微小锋利凹痕。在冷却工序中通过红外热成像相机获取钢板样品的热图像数据，即在将钢板样品加热到大约80℃之后10秒钟。红外热成像相机的像素数量是256×256，像素的尺寸是0.1mm，并且相机和钢板样品之间的距离是10cm。红外热成像相机的光轴方向与钢板样品表面垂直。

图13A是由红外热成像相机获取的热图像数据，图13B是热图像数据经拉普拉斯处理的图像，并且图13C是经拉普拉斯处理的图像数据的二进制图像。图13A、13B和13C是根据实际获得的图像(放大图像)绘制的示意图。图13C示出提取缺陷1301(微小锋利凹痕)以进行清楚观察的图像。在图13A、13B和13C中观察的线图案1302是在样品中提前写入的标记线，以在通过进行目视检查而非任何类型的误差检测发现缺陷后指示具有该缺陷的部分。

图14示出针对具有如图3D所示的缺陷的钢板样品(测试件)进行缺陷检测的示例，即该缺陷是诸如附着在钢板表面上的灰尘的异质材料。在冷却工序中通过红外热成像相机获取钢板样品的热图像数据，即在将钢板样品加热到大约60℃之后10秒钟。红外热成像相机的像素数量是256×256，像素的尺寸是0.8mm，并且相机和钢板样品之间的距离是60cm。红外热成像相机的光轴方向与钢板样品表面垂直。

图14A是由红外热成像相机获取的热图像数据，图14B是热图像数据经拉普拉斯处理的图像，并且图14C是经拉普拉斯处理的图像数据的二进制图像。图14A、14B和14C是根据实际获得的图像(放大图像)绘制的示意图。图14C示出提取缺陷1401(附着的异质材料)以进行清楚观察的图像。在图14A、14B和14C中观察到的线图案1402是在样品上提前写入的标记线，以在通过进行目视检查而非任何类型的误差检测发现缺陷后指示具有该缺陷的部分。

本发明可以应用于其它类型的材料。图15示出了针对汽车树脂油箱的样品进行缺陷检测的示例，在代替钢板的油箱的表面层中具有异质材料。在冷却工序中通过红外热成像相机获取油箱样品的热图像数据，即在将油箱样品加热到大约60℃之后10秒钟。红外热成像相机的像素数量是256×256，像素的尺寸是0.8mm，并且相机和钢板样品之间的距离是60cm。红外热成像相机的光轴方向与钢板样品表面垂直。

图15A是由红外热成像相机获取的热图像数据，图15B是热图像数据经拉普拉斯处理的图像，并且图15C是经拉普拉斯处理的图像数据的二进制图像。图15A、15B和15C是根据实际获得的图像(放大图像)绘制的示意图。图15C示出提取缺陷1501(表面层中的异质材料)以进行清楚观察的图像。在图15A、15B和15C中观察到的环图案1502是在样品上提前写入的标记线，以在通过进行目视检查而非任何类型的误差检测发现缺陷后指示具有该缺陷的部分。

以下给出在加热钢板时检测缺陷的示例。

图16示出针对具有如图3B所示的缺陷的钢板样品(测试件)进行缺陷检测的示例，即该缺陷是形成在钢板表面上的微小升高凸起部分。在将钢板样品加热到大约60℃时通过红外热成像相机获取钢板样品的热图像数据。红外热成像相机的像素数量是256×256，像素的尺寸是0.8mm，并且相机和钢板样品之间的距离是60cm。加热设备的加热方向与钢板表面之间的角度为60°，并且相机的光轴方向与钢板表面之间的角度是90°。

图16A是由红外热成像相机获取的热图像数据，图16B是热图像数据经拉普拉斯处理的图像，并且图16C是经拉普拉斯处理的图像数据的二进制图像。图16A、16B和16C是根据实际获得的图像(放大图像)绘制的示意图。图16C示出提取缺陷1601(微小升高凸起部分)以进行清楚观察的图像。

图17示出针对具有如图3C所示的缺陷的钢板样品(测试件)进行缺陷检测的示例，即该缺陷是形成在钢板表面上的微小锋利凹痕。在将钢板样品加热到大约40℃时通过红外热成像相机获取钢板样品的热图像数据。红外热成像相机的像素数量是256×256，像素的尺寸是0.8mm，并且相机和钢板样品之间的距离是60cm。加热设备的加热方向与钢板表面之间的角度为60°，并且相机的光轴方向与钢板表面之间的角度是90°。

图17A是由红外热成像相机获取的热图像数据，图17B是热图像数据经拉普拉斯处理的图像，并且图17C是经拉普拉斯处理的图像数据的二进制图像。图17A、17B和17C是根据实际获得的图像(放大图像)绘制的示意图。图17C示出提取缺陷1701(微小锋利凹痕)以进行清楚观察的图像。

图18示出针对具有如图3D所示的缺陷的钢板样品(测试件)进行缺陷检测的示例，即该缺陷是附着到钢板表面的异质材料。在将钢板样品加热到大约90℃时通过红外热成像相机获取钢板样品的热图像数据。红外热成像相机的像素数量是256×256，像素的尺寸是0.8mm，并且相机和钢板样品之间的距离是60cm。加热设备的加热方向与钢板表面之间的角度为60°，并且相机的光轴方向与钢板表面之间的角度是90°。

图18A是由红外热成像相机获取的热图像数据，图18B是热图像数据经拉普拉斯处理的图像，并且图18C是经拉普拉斯处理的图像数据的二进制图像。图18A、18B和18C是根据实际获得的图像(放大图像)绘制的示意图。图18C示出提取缺陷1801(附着的异质材料)以进行清楚的图像。在图18A、18B和18C中观察到的线图案1802是在样品上提前写入的标记线，以在通过进行目视检查而非任何类型的误差检测发现缺陷后指示具有该缺陷的部分。

本发明可以应用于其它类型的材料。图19示出针对汽车树脂油箱的样品进行缺陷检测的示例，在代替钢板的油箱的表面层中具有异质材料。在将油箱样品加热到大约70℃时通过红外热成像相机获取油箱样品的热图像数据。红外热成像相机的像素数量是256×256，像素的尺寸是0.8mm，并且相机和钢板样品之间的距离是60cm。加热设备的加热方向与钢板表面之间的角度为60°，并且相机的光轴方向与钢板表面之间的角度是90°。

图19A是由红外热成像相机获取的热图像数据，图19B是热图像数据经拉普拉斯处理的图像，并且图19C是经拉普拉斯处理的图像数据的二进制图像。图19A、19B和19C是根据实际获得的图像(放大图像)绘制的示意图。图19C示出提取缺陷1901(表面层中的异质材料)以进行清楚观察的图像。在图19A和19B中观察到的环图案1902是在样品上提前写入的标记线，以在通过进行目视检查而非任何类型的误差检测发现缺陷后指示具有该缺陷的部分。

本发明基于在材料的表面上或者表面层中发现热传输现象的单个点。热传输现象可以发生在任何材料中并且可以通过热成像相机检测位于表面上或者表面层中的任何形状的缺陷，这使得能够将本发明应用于包括钢板和树脂材料的任何材料。

尽管在由图11、12、13、14和15表示的示例中，如前所述，在将钢板或者油箱保持在相同位置时进行缺陷检测，但是也可以对移动的钢板或者被运输的油箱进行缺陷检测。例如，在可商购的红外热成像相机中，积分时间处于0.01ms的数量级。这意味着在钢板以150mpm运行时仅存在0.025mm的滑移，这仅占具有0.25mm或者更大尺寸的像素的10％或者更少。换句话说，图像质量几乎不下降。

Claims (11)

1.一种用于检测位于材料的表面上和表面层中的缺陷的方法，包括步骤：

使所述材料的所述表面的温度随着时间改变；

在所述材料的所述表面的温度改变的同时，使用红外热成像相机获得所述材料的所述表面的热图像数据；以及

通过针对由所述热图像数据表示的所述表面的所述温度计算拉普拉斯算子来检测所述缺陷。

2.一种用于检测位于材料的表面上和表面层中的缺陷的方法，包括步骤：

加热所述材料的所述表面；

在所述加热步骤之后所述材料的所述表面正在冷却的同时，使用红外热成像相机获得所述材料的所述表面的热图像数据；以及

通过针对由所述热图像数据表示的所述表面的所述温度计算拉普拉斯算子来检测所述缺陷。

3.一种用于检测位于材料的表面上和表面层中的缺陷的方法，包括步骤：

加热所述材料的所述表面；

在所述加热步骤中所述材料的所述表面正在加热的同时，使用红外热成像相机获得所述材料的所述表面的热图像数据；以及

通过针对由所述热图像数据表示的所述表面的所述温度计算拉普拉斯算子来检测所述缺陷。

4.如权利要求1、2或者3所述的方法，其中，所述检测步骤还包括计算所计算的拉普拉斯算子的绝对值以确定是否存在缺陷。

5.如权利要求1、2或者3所述的方法，其中，所述检测步骤还包括计算所计算的拉普拉斯算子的值以确定所述值为正或者负，从而确定缺陷的类型。

6.一种用于检测位于材料的表面上和表面层中的缺陷的系统，包括：

温度改变设备，用于改变所述材料的所述表面的温度；

红外热成像相机，用于在所述材料的所述表面的温度正在改变的同时，获得所述材料的所述表面的热图像数据；以及

检测设备，用于通过针对由所述热图像数据表示的所述表面的所述温度计算拉普拉斯算子来检测所述缺陷。

7.一种用于检测位于材料的表面上和表面层中的缺陷的系统，包括：

加热设备，用于加热所述材料的所述表面；

红外热成像相机，用于在所述材料的所述表面正在冷却的同时，获得所述材料的所述表面的热图像数据；以及

检测设备，用于通过针对由所述热图像数据表示的所述表面的所述温度计算拉普拉斯算子来检测所述缺陷。

8.一种用于检测位于材料的表面上和表面层中的缺陷的系统，包括：

加热设备，用于加热所述材料的所述表面；

红外热成像相机，用于在所述材料的所述表面正在加热的同时，获得所述材料的所述表面的热图像数据；以及

检测设备，用于通过针对由所述热图像数据表示的所述表面的所述温度计算拉普拉斯算子来检测所述缺陷。

9.如权利要求7所述的系统，其中，所述加热设备和所述红外热成像相机设置为防止从所述加热设备发出的热能进入所述红外热成像相机中。

10.如权利要求7所述的系统，其中，将热屏蔽部件放置在所述加热设备与所述红外热成像相机之间，以防止从所述加热设备发出的热能进入所述红外热成像相机中。

11.如权利要求8所述的系统，其中，所述加热设备和所述红外热成像相机设置为使得从所述加热设备发出的热能由所述材料的所述表面反射进入所述红外热成像相机中。

Images