CN105021694A - 不完整信号下的漏磁检测缺陷量化与显示方法 - Google Patents

Abstract

本发明提出一种不完整信号下的漏磁检测缺陷量化与显示方法，包括：提取包括不完整缺陷信息检测信号；根据基于索贝尔离散型差分算子的方法对检测信号进行识别，得到缺陷边缘；在检测信号少于完整缺陷信号的一半时，对检测信号进行对称处理，或者在检测信号多于完整缺陷信号的一半时，对检测信号的一半进行对称处理；提取关键特征量值并输入深度量化神经网络，以对缺陷深度进行估计；根据缺陷边缘和缺陷深度确定缺陷类型；根据缺陷边缘、缺陷深度以及缺陷类型得到缺陷轮廓；根据缺陷深度和缺陷轮廓对缺陷进行实时三维显示。本发明的方法能够解决在漏磁检测信号不完整的情况下无法量化并实时显示缺陷的问题，具有速度快、精度高、应用范围广的优点。

Description

不完整信号下的漏磁检测缺陷量化与显示方法

技术领域

本发明涉及无损检测技术领域，特别涉及一种不完整信号下的漏磁检测缺陷量化与显示方法。

背景技术

漏磁检测是比较常用的无损检测方法，在铁磁性材料质量检测和安全监测方面有广泛应用。近年来，检测信号的量化与显示技术在不断提高与发展，研究人员提出了一些新的实现缺陷的特征识别和量化评价方法。但是，这些方法大多基于完整检测信号的分析与处理，而在检测过程中获得的检测信号经常包含不完整的缺陷信息，为了实现缺陷检测的在线实时显示，必须对包含不完整缺陷信息的信号进行处理和显示。

目前，相关技术提出了一种“磁声成像和漏磁成像的复合无损检测方法”，结合了漏磁与超声检测原理，将漏磁成像与磁声成像进行融合计算实现缺陷所在内外层次的准确定位，但是该方法不能够对缺陷额的类型进行具体判断，无法显示缺陷的具体信息。而另外一种技术提出了“管道缺陷漏磁检测数据的分析方法”，该方法能够提高各种钢制管道缺陷检测信号分析效率和定量分析精度的管道缺陷漏磁检测数据分析处理方法，但是该方法需获取管道检测的完整信号信息，而不能对不完整信号进行分析处理，不能用于缺陷的实时显示。

发明内容

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的目的在于提出一种不完整信号下的漏磁检测缺陷量化与显示方法，该方法能够解决在漏磁检测信号不完整的情况下无法量化并实时显示缺陷的问题，具有速度快、精度高、应用范围广的优点。

为了实现上述目的，本发明的实施例提出了一种不完整信号下的漏磁检测缺陷量化与显示方法，包括以下步骤：S1：从待检测缺陷中提取检测信号，其中，所述检测信号包括不完整缺陷信息；S2：根据基于索贝尔离散型差分算子的方法对所述检测信号进行识别，以得到缺陷边缘；S3：比较所述检测信号与完整缺陷信号，并在所述检测信号少于完整缺陷信号的一半时，对所述检测信号进行对称处理，或者在所述检测信号多于所述完整缺陷信号的一半时，对所述检测信号的一半进行对称处理；S4：提取所述待检测缺陷的关键特征量值作为深度量化神经网络的输入信号，以对缺陷深度进行快速估计；S5：根据所述缺陷边缘和缺陷深度确定缺陷类型，并按照检测进度更新所述缺陷类型；S6：根据所述缺陷边缘、缺陷深度以及缺陷类型得到缺陷轮廓；以及S7：根据所述缺陷深度和所述缺陷轮廓对缺陷进行实时三维显示，并按照检测进度更新显示结果。

根据本发明实施例的不完整信号下的漏磁检测缺陷量化与显示方法，采用基于索贝尔离散性差分算子的方法在已获得不完整漏磁检测信号的条件下识别缺陷边缘，并采用信号等效处理的方法提取关键特征量值作为深度量化神经网络的输入信号，对缺陷深度进行快速估计，最后基于不完整三维漏磁信号下估计得到的缺陷边缘与深度，确定缺陷种类，并针对例如凹坑、水平沟槽、切向沟槽等类型的缺陷，求取用于缺陷实时显示的缺陷轮廓，进而实现实时显示。因此，该方法解决了在漏磁检测信号不完整的情况下无法量化并实时显示缺陷的问题，具有广阔的应用前景，以及速度快、精度高的优点。

另外，根据本发明上述实施例的不完整信号下的漏磁检测缺陷量化与显示方法还可以具有如下附加的技术特征：

在一些示例中，所述待检测缺陷包括凹坑缺陷、水平沟槽缺陷和切向沟槽缺陷，其中，所述检测凹坑缺陷的尺寸为长度和宽度都小于或等于一倍被测件厚度，水平沟槽缺陷的尺寸为长度大于或等于两倍被测件厚度、宽度小于或等于一倍被测件厚度，切向沟槽缺陷的尺寸为宽度大于或等于两倍被测件厚度、长度小于或等于一倍被测件厚度。

在一些示例中，在所述步骤S2中，根据基于索贝尔差分算子的方法计算得到的梯度截取阈值在水平、切向和法向在60％～80％之间分别设置。

在一些示例中，所述凹坑缺陷、水平沟槽缺陷和切向沟槽缺陷的关键特征量值包括：凹坑缺陷的水平分量的信号峰值P_h1、信号谷值P_h3、切向分量的信号强度积分P_t8和法向分量的信号强度积分P_v5，水平沟槽缺陷的水平分量的信号峰值H_h1、信号强度积分H_h9、切向分量的信号极大值H_t4、法向分量的信号强度积分H_v4和水平轴线一阶微分信号峰值H_v6，切向沟槽的水平分量的信号峰谷值T_h5、信号强度积分T_h10、切向分量的信号峰值T_t1、法向分量的信号强度积分T_v5和水平轴线号峰值T_v7。

在一些示例中，在所述步骤S4中，所述深度量化神经网络为基于Bayesian算法的BP神经网络，其训练过程包括以下步骤：a.将训练样本输入到所述BP神经网络中；b.设定初始BP神经网络结构，初始化BP神经网络的超参数，初始化BP神经网络的权值；c.以误差最小为原则，最小化BP神经网络目标函数，计算得到最优的BP神经网络权值；d.根据所述最优的BP神经网络权值计算最优的BP神经网络的超参数；e.如果所述BP神经网络的优化函数满足设定的误差要求，则结束神经网络的训练过程，得到训练好的BP神经网络，如果优化函数不满足设定的误差要求，且BP神经网络训练次数仍未达到上限，则重复执行步骤c，直至所述优化函数满足要求，得到符合期望的BP神经网络，如果所述BP神经网络训练次数达到上限时，所述优化函数仍不满足误差要求，则判定当前的神经网络不收敛。

在一些示例中，在所述步骤S5中，根据所述缺陷边缘和缺陷深度确定缺陷类型，具体包括：以凹坑缺陷对所述缺陷深度进行估计并进行缺陷显示；当有连续三列缺陷的边缘信息不在切向方向上扩展后，则认定该缺陷不是凹坑缺陷，并以切向沟槽缺陷对所述缺陷深度进行估计并对缺陷进行显示；当缺陷边缘在水平方向的延伸大于其在切向方向上延伸的二分之一后，认定该缺陷为水平沟槽缺陷，并以水平沟槽缺陷对缺陷深度进行估计并对缺陷进行显示。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明一个实施例的不完整信号下的漏磁检测缺陷量化与显示方法的流程图；

图2是根据本发明一个实施例的缺陷判断及显示的流程图；

图3是根据本发明一个实施例的磁化方向与缺陷参考方向示意图；

图4是根据本发明一个具体实施例的为60％缺陷信号下的三种缺陷边缘识别与实际缺陷边缘对比示意图；

图5是根据本发明一个具体实施例的24mm×24mm×2.4mm凹坑缺陷不完整三维漏磁信号水平分量等效处理结果示意图；

图6是根据本发明一个具体实施例的24mm×24mm×2.4mm凹坑缺陷不完整三维漏磁信号切向分量等效处理结果示意图；

图7是根据本发明一个具体实施例的24mm×24mm×2.4mm凹坑缺陷不完整三维漏磁信号法向分量等效处理结果示意图；

图8是根据本发明一个具体实施例的基于Bayesian算法的BP神经网络的训练流程图；

图9是根据本发明一个具体实施例的缺陷所在球面的相关参数示意图；

图10是根据本发明一个具体实施例的30mm×30mm×2mm凹坑缺陷已知10％、30％、60％、90％缺陷三维漏磁信号时的缺陷实时显示结果示意图；

图11是根据本发明一个具体实施例的40mm×20mm×2mm水平沟槽缺陷已知10％、30％、60％、90％缺陷三维漏磁信号时的缺陷实时显示结果示意图；以及

图12是根据本发明一个具体实施例的20mm×40mm×2mm切向沟槽缺陷已知10％、30％、60％、90％缺陷三维漏磁信号时的缺陷实时显示结果示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

以下结合附图描述根据本发明实施例的不完整信号下的漏磁检测缺陷量化与显示方法。

图1是根据本发明一个实施例的不完整信号下的漏磁检测缺陷量化与显示方法的流程图。如图1所示，该方法包括以下步骤：

步骤S1：从待检测缺陷中提取检测信号，其中，检测信号包括不完整缺陷信息。在本发明的一个实施例中，待检测缺陷例如包括凹坑缺陷、水平沟槽缺陷和切向沟槽缺陷。换言之，即对于凹坑、水平沟槽、切向沟槽三种缺陷，分别取一段检测信号，该检测信号中包含不完整的缺陷检测信息。其中，凹坑缺陷的尺寸为长度和宽度都小于或等于一倍被测件厚度，水平沟槽缺陷的尺寸为长度大于或等于两倍被测件厚度、宽度小于或等于一倍被测件厚度，切向沟槽缺陷的尺寸为宽度大于或等于两倍被测件厚度、长度小于或等于一倍被测件厚度。

步骤S2：根据基于索贝尔离散型差分算子的方法对检测信号(即已获得的不完整漏磁检测信号)进行识别，以得到缺陷边缘。具体包括以下步骤：

步骤1：利用索贝尔离散性差分算子，对数据处理区域内每一点的梯度值进行计算得到该点的水平方向边缘识别梯度值G_x和切向方向边缘识别梯度值G_y。

步骤2：根据步骤1中得到的G_x和G_y计算得到该信号点的梯度G(x,y)与梯度方向θ(x,y)。

步骤3：以索贝尔卷积因子G_x、G_y对数据处理区域内的全部信号点眼水平方向与切向方向进行卷积来实现水平与切向方向的差分运算。

步骤4：提取梯度的峰值。其中，在本发明的一个实施例中，根据基于索贝尔差分算子的方法计算得到的梯度截取阈值(即梯度的峰值)在水平、切向和法向在60％～80％间分别设置，得到凹坑缺陷、水平沟槽缺陷、切向沟槽缺陷的基于水平、切向、法向三个方向漏磁信号的边缘识别结果并进行合成得到缺陷边缘点的三维合成结果。

步骤5：三维合成边缘点识别结果中的最外边缘点为基础进行曲线拟合，获取其中封闭区域，作为识别得到的缺陷边缘。

步骤S3：比较检测信号与完整缺陷信号，并在检测信号少于完整缺陷信号的一半时，对检测信号进行对称处理，或者在检测信号多于完整缺陷信号的一半时，对检测信号的一半进行对称处理。更为具体地，在一些示例中，该步骤S3可以更具体的描述为：当已知的缺陷不完整三维漏磁信号(即检测信号)少于完整缺陷信号的50％时，将已知的缺陷不完整三维漏磁信号的水平分量沿切向平面进行偶对称处理，将切向分量沿切向平面进行偶对称处理后再沿水平平面进行偶对称，将法向分量沿切向平面进行奇对称处理，以进行缺陷深度的估计。当已知的缺陷不完整三维漏磁信号多于完整缺陷信号的50％时，对50％缺陷不完整三维漏磁信号的水平分量、切向分量、法向分量进行类似上述的对称处理，即可得到完整的缺陷三维漏磁信号。

步骤S4：提取待检测缺陷的关键特征量值作为深度量化神经网络的输入信号，以对缺陷深度进行快速估计。

在本发明的一个实施例中，针对不同缺陷如凹坑缺陷、水平沟槽缺陷和切向沟槽缺陷提取的具体关键特征量值包括：在对凹坑缺陷的深度进行量化时，神经网络的输入信号为凹坑缺陷完整三维漏磁信号水平分量的信号峰值P_h1、信号谷值P_h3、切向分量的信号强度积分P_t8和法向分量的信号强度积分P_v5；对于水平沟槽缺陷，神经网络的输入信号为水平沟槽缺陷完整三维漏磁信号水平分量的信号峰值H_h1、信号强度积分H_h9、切向分量的信号极大值H_t4、法向分量的信号强度积分H_v4和水平轴线一阶微分信号峰值H_v6；对于切向沟槽缺陷，将切向沟槽缺陷完整三维漏磁信号水平分量的信号峰谷值T_h5、信号强度积分T_h10、切向分量的信号峰值T_t1、法向分量的信号强度积分T_v5和水平轴线号峰值T_v7作为神经网络的输入。

更为具体地，在一些示例中，例如，上述的神经网络为基于Bayesian算法的BP神经网络，其训练过程包括以下步骤：

步骤a：将训练样本D＝(I_m,O_n)输入到BP神经网络中。

步骤b：。给定初始BP神经网络结构，初始化BP神经网络的超参数α、β，初始化BP神经网络的权值w

步骤c：以误差最小为原则，最小化神经网络目标函数E，计算得到最优的BP神经网络权值w。

步骤d：在最优的BP神经网络权值w的基础上，计算最优的网络超参数α、β。

步骤e：如果BP神经网络优化函数E满足设定的误差要求，则结束BP神经网络的训练过程，得到训练好的BP神经网络；如果优化函数E不满足设定的误差要求，且BP神经网络训练次数仍未达到上限，则重复执行步骤c，直至优化函数E满足要求，得到符合期望的BP神经网络；如果BP神经网络训练次数达到上限时，优化函数E仍不满足误差要求，则判断当前的BP神经网络不收敛。

步骤S5：根据上述步骤S2、S3和S4得到的缺陷边缘和缺陷深度确定缺陷类型，并按照检测进度更新缺陷类型。如图2所示，具体的判断流程例如为：当数据处理区域内第一次出现识别到的缺陷边缘，即数据处理区域内仅有最后一列数据包含缺陷边缘时，开始以凹坑缺陷对缺陷深度进行估计并进行缺陷显示。随着数据处理区域内边缘点的增加，当有连续三列缺陷的边缘信息不在切向方向上扩展后，则认定该缺陷不是凹坑缺陷，并以切向沟槽缺陷对缺陷深度进行估计并对缺陷进行显示。直到缺陷边缘在水平方向的延伸大于其在切向方向上延伸的二分之一后，认定该缺陷为水平沟槽缺陷，并以水平沟槽缺陷对缺陷深度进行估计并对缺陷进行显示。

步骤S6：根据上述得到的缺陷边缘、缺陷深度以及确定的缺陷类型得到缺陷轮廓。

步骤S7：根据缺陷深度和缺陷轮廓对缺陷进行实时三维显示，并按照检测进度更新显示结果。

综上，根据本发明实施例的不完整信号下的漏磁检测缺陷量化与显示方法，采用基于索贝尔离散性差分算子的方法在已获得不完整漏磁检测信号的条件下识别缺陷边缘，并采用信号等效处理的方法提取关键特征量值作为深度量化神经网络的输入信号，对缺陷深度进行快速估计，最后基于不完整三维漏磁信号下估计得到的缺陷边缘与深度，确定缺陷种类，并针对例如凹坑、水平沟槽、切向沟槽等类型的缺陷，求取用于缺陷实时显示的缺陷轮廓，进而实现实时显示。因此，该方法解决了在漏磁检测信号不完整的情况下无法量化并实时显示缺陷的问题，具有广阔的应用前景，以及速度快、精度高的优点。

为了便于更好地理解本发明实施例的方法，以下结合图2-图12，以具体的实施例来对本发明上述实施例的不完整信号下的漏磁检测缺陷量化与显示方法进行具体描述。

在该实施例中，该方法包括以下步骤：

步骤A：对于凹坑、水平沟槽、切向沟槽三种缺陷，分别取一段检测信号，其中包含不完整的缺陷检测信息，将该信号作为检测信号。其中，例如板厚为24mm，凹坑缺陷的尺寸为24mm×24mm×2.4mm，水平沟槽缺陷的尺寸为48mm×24mm×1.2mm，切向沟槽缺陷的尺寸为24mm×48mm×1.2mm，坐标方向例如图3所示。

步骤B：用基于索贝尔离散性差分算子的方法在已获得不完整漏磁检测信号的条件下识别缺陷边缘，其具体步骤如下：

a.利用索贝尔离散性差分算子，对数据处理区域内每一点的梯度值进行计算得到该点的水平方向边缘识别梯度值G_x和切向方向边缘识别梯度值G_y，用差分运算代替一阶偏导数为：

G_x(x,y)＝(-1)×f(x-1,y-1)+0×f(x,y-1)+1×f(x+1,y-1)

+(-2)×f(x-1,y)+0×f(x,y)+1×f(x+1,y)

+(-1)×f(x-1,y+1)+0×f(x,y+1)+1×f(x+1,y+1)，

G_y(x,y)＝1×f(x-1,y-1)+2×f(x,y-1)+1×f(x+1,y-1)

+0×f(x-1,y)+0×f(x,y)+0×f(x+1,y)

+(-1)×f(x-1,y+1)+(-2)×f(x,y+1)+(-1)×f(x+1,y+1)。

b.根据步骤a中得到的G_x和G_y计算得到该信号点的梯度G(x,y)与梯度方向θ(x,y)，具体计算公式为：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2},$

θ(x,y)＝arctan(G_y(x,y)/G_x(x,y))。

c.以索贝尔卷积因子G_x、G_y对数据处理区域A内的全部信号点眼水平方向与切向方向进行卷积来实现水平与切向方向的差分运算，具体计算公式如下：

$G_x=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 0\\ -1& 0& 1\end{array}\right],G_y=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right],$

$G_x\left(A\right)=G_x*A=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 0\\ -1& 0& 1\end{array}\right]*A,$

$G_y\left(A\right)=A*G_y=A*\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right].$

由此，可计算得到数据处理区域内全部信号点的梯度G(A)与梯度方向θ(A)，具体计算公式如下：

$G\left(A\right)=\sqrt{G_x{\left(A\right)}^2+G_y{\left(A\right)}^2},$

$\mathrm{\θ}\left(A\right)=arctan\left(\frac{G_y\left(A\right)}{G_x\left(A\right)}\right).$

d.提取梯度的峰值，设定梯度信号峰谷值的80％、65％、75％作为截取阈值，得到凹坑缺陷、水平沟槽缺陷、切向沟槽缺陷的基于水平、切向、法向三个方向漏磁信号的边缘识别结果并进行合成得到缺陷边缘点的三维合成结果。

e.三维合成边缘点识别结果中的最外边缘点为基础进行曲线拟合，获取其中封闭区域，作为识别得到的缺陷边缘，例如图4所示，其中，图4(a)展示了凹坑缺陷边缘识别结果，图4(b)展示了水平沟槽边缘识别结果，图4(c)展示了切向沟槽边缘识别结果。

步骤C：为了保证缺陷深度估计的精确度，当已知的缺陷三维漏磁信号少于完整缺陷信号的50％时，需要对信号进行对称处理。

当缺陷的直径、长度或宽度不变时，除了凹坑缺陷深度量化中的关键特征量值P_h3外，所有关键特征量值都随着缺陷深度的增加而逐渐增加。所以进行等效处理后的信号应该满足：随着获取缺陷三维漏磁信号信息量的增加，凹坑缺陷深度量化中的关键特征量值P_h3逐渐减小，而除此之外的所有关键特征量值均应逐渐增大。

根据以上分析，将已有的缺陷不完整三维漏磁信号的水平分量沿切向平面进行偶对称处理，将切向分量沿切向平面进行偶对称处理后再沿水平平面进行偶对称，将法向分量沿切向平面进行奇对称处理，以进行缺陷深度的估计。当已知缺陷的三维漏磁信号多余完整缺陷信号的50％时，对50％缺陷不完整三维漏磁信号的水平分量、切向分量、法向分量进行上述的对称处理，即可得到完整的缺陷三维漏磁信号。

作为具体的例子，24mm×24mm×2.4mm凹坑缺陷不完整三维漏磁信号水平、切向、法向分量等效处理结果例如图5、图6和图7所示。其中，在图5、图6和图7中，图a展示了10％三维漏磁信号的示意，图b展示了25％三维漏磁信号的示意，图c展示了40％三维漏磁信号的示意。

步骤D：提取关键特征量值作为深度量化神经网络的输入信号，对缺陷深度进行快速估计。

其中，该实施例中采用的神经网络是基于Bayesian算法的BP神经网络，其具体操作流程为：

将神经网络中的所有参数看作随机变量，基于目标参数的先验概率分布与实际输入、输出信号的样本数据，对神经网络的权值范围做进一步修正，并控制BP神经网络模型复杂度。

以A表示BP神经网络，将BP神经网络样本的分布看作一个均值为零、方差的高斯分布，则可得到似然函数：

$p\left(D\right|w,\mathrm{\β},A)=\frac{1}{Z_p\left(\mathrm{\β}\right)}\exp (-{\mathrm{\βE}}_D).$

假设BP神经网络权值的分布是一个均值为零、方差的高斯分布，则可得到BP神经网络权值的先验分布，即：

$p\left(w\right|\mathrm{\α},A)=\frac{1}{Z_w\left(\mathrm{\α}\right)}\exp (-{\mathrm{\αE}}_w).$

由此可得BP神经网络权值的后验概率分布函数为：

$p\left(w|D,\mathrm{\α},\mathrm{\β},A\right)=\frac{\frac{1}{Z_p\left(\mathrm{\β}\right)}\exp \left(-{\mathrm{\βE}}_D\right)*\frac{1}{Z_w\left(\mathrm{\α}\right)}\exp \left(-{\mathrm{\αE}}_w\right)}{p\left(D|\mathrm{\α},\mathrm{\β},A\right)}=\frac{\exp (-E)}{Z_F(\mathrm{\α},\mathrm{\β})}.$

在以上框架下，对目标函数E做最小化处理，即可得到最可能的BP神经网络权值参数w。

在BP神经网络权值w给定的前提下，可以对BP神经网络的超参数α、β的后验概率分布进行估计。根据Bayesian定理，得到超参数的后验概率分布，即

$p(\mathrm{\α},\mathrm{\β}|D,A)=\frac{p\left(D\right|\mathrm{\α},\mathrm{\β},A)p(\mathrm{\α},\mathrm{\β}|A)}{p\left(D\right|A)}.$

目标函数E在网络参数w处进行泰勒展开，并以此对目标函数进行最小化，从而得到使目标函数最小的BP神经网络权值w_MP，并基于此，求得可能性最大的超参数α、β，即：

${\mathrm{\α}}_{MP}=\frac{\mathrm{\γ}}{2E_w\left(w_{MP}\right)},$

${\mathrm{\β}}_{MP}=\frac{m-\mathrm{\γ}}{2E_D\left(w_{MP}\right)},$

其中，γ可通过BP神经网络的有效参数来表示。

在该实施例中，基于Bayesian算法的BP神经网络的训练流程如图8所示。

具体的BP神经网络训练过程如下：

1.将训练样本D＝(I_m,O_n)输入到神经网络中。

2.给定初始BP神经网络结构，初始化BP神经网络的超参数α、β，初始化BP神经网络的权值w。

3.以误差最小为原则，最小化BP神经网络目标函数E，计算得到最优的BP神经网络权值w。

4.在最优网络权值w的基础上，计算最优的网络超参数α、β.

5.若BP神经网络的优化函数E满足设定的误差要求，则结束BP神经网络的训练过程，得到训练好的BP神经网络；若优化函数E不满足设定的误差要求，且BP神经网络训练次数仍未达到上限，则重复步骤3，直至优化函数E满足要求，得到符合期望的BP神经网络；若BP神经网络训练次数达到上限时，优化函数E仍不满足误差要求，则表明当前的BP神经网络不收敛。

进一步地，在该实施例中，针对不同缺陷提取的具体特征值包括：在对凹坑缺陷的深度进行量化时，神经网络的输入信号为缺陷完整三维漏磁信号水平分量的信号峰值P_h1、信号谷值P_h3、切向分量的信号强度积分P_t8和法向分量的信号强度积分P_v5；对于水平沟槽，神经网络的输入信号为缺陷完整三维漏磁信号水平分量的信号峰值H_h1、信号强度积分H_h9、切向分量的信号极大值H_t4、法向分量的信号强度积分H_v4和水平轴线一阶微分信号峰值H_v6；对于切向沟槽，将缺陷完整三维漏磁信号水平分量的信号峰谷值T_h5、信号强度积分T_h10、切向分量的信号峰值T_t1、法向分量的信号强度积分T_v5和水平轴线号峰值T_v7作为神经网络的输入。

步骤E：根据上述所得到的缺陷边缘和深度对缺陷的种类进行判断，并随着检测器的行进不断更新。

具体的判断流程为：当数据处理区域内第一次出现识别到的缺陷边缘，即数据处理区域内仅有最后一列数据包含缺陷边缘时，开始以凹坑缺陷对缺陷深度进行估计并进行缺陷显示。随着数据处理区域内边缘点的增加，当有连续三列缺陷的边缘信息不在切向方向上扩展后，则认定该缺陷不是凹坑缺陷，转而以切向沟槽缺陷对缺陷深度进行估计并对缺陷进行显示。直到缺陷边缘在水平方向的延伸大于其在切向方向上延伸的二分之一后，认定该缺陷为水平沟槽缺陷，转而以水平沟槽缺陷对缺陷深度进行估计并对缺陷进行显示。缺陷的显示判断流程图例如图2所示。

步骤F：根据上述所得到的缺陷边缘与缺陷深度，按照上述步骤E判断所得的缺陷类型求取缺陷的轮廓。

具体地说，对于凹坑缺陷，图9为求解缺陷所在球面的相关参数示意图。其中，h为缺陷的深度，a为缺陷边缘曲线两端点之间的距离，b为边缘曲线中心到其两端点中心的距离。基于以上参数，可以求出边缘曲线所在的圆的半径r，即：

$r=\frac{b}{2}+\frac{a^2}{8b}.$

进而，求出缺陷所在球面的圆心位置O与半径R，即：

$R=\sqrt{r^2+{(\frac{rb}{h}-\frac{b^2}{2h}-\frac{h}{2})}^2}=\sqrt{{(\frac{b}{2}+\frac{a^2}{8b})}^2+{(\frac{a^2}{bh}-\frac{h}{2})}^2}.$

而对于水平沟槽与切向沟槽缺陷，在获得了缺陷边缘与深度值后，直接按矩形缺陷进行显示。

步骤G：根据上述所得的缺陷深度和缺陷轮廓对缺陷进行实时三维显示，并随着检测器的行进不断更新。作为具体的例子，在10％、30％、60％、90％缺陷三维漏磁信号情况下的三种缺陷的显示结果例如图10、图11和图12所示，其中，在图10、图11和图12中，图a展示了10％三维漏磁信号的示意，图b展示了30％三维漏磁信号的示意，图c展示了60％三维漏磁信号的示意，图d展示了90％三维漏磁信号的示意。

综上，本发明实施例的不完整信号下的漏磁检测缺陷量化与显示方法，可根据检测得到的缺陷边缘与深度，实现水平沟槽与切向沟槽缺陷的实时显示，结果达到了预期的目标，验证了所提出的缺陷显示方法的可行性。且对比实际缺陷与缺陷实时显示结果可知，各比例缺陷三维漏磁信号下的实际缺陷轮廓与实时显示的缺陷轮廓吻合度较高，可实现对水平沟槽与切向沟槽缺陷的实时量化与显示，具有广泛的应用前景，以及速度快、精度高的优点。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种不完整信号下的漏磁检测缺陷量化与显示方法，其特征在于，包括以下步骤：

S1：从待检测缺陷中提取检测信号，其中，所述检测信号包括不完整缺陷信息；

S2：根据基于索贝尔离散型差分算子的方法对所述检测信号进行识别，以得到缺陷边缘；

S3：比较所述检测信号与完整缺陷信号，并在所述检测信号少于完整缺陷信号的一半时，对所述检测信号进行对称处理，或者在所述检测信号多于所述完整缺陷信号的一半时，对所述检测信号的一半进行对称处理；

S4：提取所述待检测缺陷的关键特征量值作为深度量化神经网络的输入信号，以对缺陷深度进行快速估计；

S5：根据所述缺陷边缘和缺陷深度确定缺陷类型，并按照检测进度更新所述缺陷类型；

S6：根据所述缺陷边缘、缺陷深度以及缺陷类型得到缺陷轮廓；以及

S7：根据所述缺陷深度和所述缺陷轮廓对缺陷进行实时三维显示，并按照检测进度更新显示结果。

2.根据权利要求1所述的不完整信号下的漏磁检测缺陷量化与显示方法，其特征在于，所述待检测缺陷包括凹坑缺陷、水平沟槽缺陷和切向沟槽缺陷，其中，

所述凹坑缺陷的尺寸为长度和宽度都小于或等于一倍被测件厚度，水平沟槽缺陷的尺寸为长度大于或等于两倍被测件厚度、宽度小于或等于一倍被测件厚度，切向沟槽缺陷的尺寸为宽度大于或等于两倍被测件厚度、长度小于或等于一倍被测件厚度。

3.根据权利要求1所述的不完整信号下的漏磁检测缺陷量化与显示方法，其特征在于，在所述步骤S2中，根据基于索贝尔差分算子的方法计算得到的梯度截取阈值在水平、切向和法向在60％～80％之间分别设置。

4.根据权利要求2所述的不完整信号下的漏磁检测缺陷量化与显示方法，其特征在于，所述凹坑缺陷、水平沟槽缺陷和切向沟槽缺陷的关键特征量值包括：

凹坑缺陷的水平分量的信号峰值P_h1、信号谷值P_h3、切向分量的信号强度积分P_t8和法向分量的信号强度积分P_v5，水平沟槽缺陷的水平分量的信号峰值H_h1、信号强度积分H_h9、切向分量的信号极大值H_t4、法向分量的信号强度积分H_v4和水平轴线一阶微分信号峰值H_v6，切向沟槽的水平分量的信号峰谷值T_h5、信号强度积分T_h10、切向分量的信号峰值T_t1、法向分量的信号强度积分T_v5和水平轴线号峰值T_v7。

5.根据权利要求1所述的不完整信号下的漏磁检测缺陷量化与显示方法，其特征在于，在所述步骤S4中，所述深度量化神经网络为基于Bayesian算法的BP神经网络，其训练过程包括以下步骤：

a.将训练样本输入到所述BP神经网络中；

b.设定初始BP神经网络结构，初始化BP神经网络的超参数，初始化BP神经网络的权值；

c.以误差最小为原则，最小化BP神经网络目标函数，计算得到最优的BP神经网络权值；

d.根据所述最优的BP神经网络权值计算最优的BP神经网络的超参数；

e.如果所述BP神经网络的优化函数满足设定的误差要求，则结束所述BP神经网络的训练过程，得到训练好的BP神经网络，如果优化函数不满足设定的误差要求，且BP神经网络训练次数仍未达到上限，则重复执行步骤c，直至所述优化函数满足要求，得到符合期望的BP神经网络，如果所述BP神经网络训练次数达到上限时，所述优化函数仍不满足误差要求，则判定当前的BP神经网络不收敛。

6.根据权利要求4所述的不完整信号下的漏磁检测缺陷量化与显示方法，其特征在于，在所述步骤S5中，根据所述缺陷边缘和缺陷深度确定缺陷类型，具体包括：

以凹坑缺陷对所述缺陷深度进行估计并进行缺陷显示；

当有连续三列缺陷的边缘信息不在切向方向上扩展后，则认定该缺陷不是凹坑缺陷，并以切向沟槽缺陷对所述缺陷深度进行估计并对缺陷进行显示；

当缺陷边缘在水平方向的延伸大于其在切向方向上延伸的二分之一后，认定该缺陷为水平沟槽缺陷，并以水平沟槽缺陷对缺陷深度进行估计并对缺陷进行显示。