CN107255671B - 钢板缺陷磁旋阵成像检测方法及检测装置 - Google Patents
钢板缺陷磁旋阵成像检测方法及检测装置 Download PDFInfo
- Publication number
- CN107255671B CN107255671B CN201710516071.0A CN201710516071A CN107255671B CN 107255671 B CN107255671 B CN 107255671B CN 201710516071 A CN201710516071 A CN 201710516071A CN 107255671 B CN107255671 B CN 107255671B
- Authority
- CN
- China
- Prior art keywords
- signal
- magnetic
- defect
- steel plate
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005291 magnetic effect Effects 0.000 title claims abstract description 271
- 238000001514 detection method Methods 0.000 title claims abstract description 185
- 230000007547 defect Effects 0.000 title claims abstract description 173
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 112
- 239000010959 steel Substances 0.000 title claims abstract description 112
- 238000003384 imaging method Methods 0.000 title claims abstract description 65
- 230000005284 excitation Effects 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000009466 transformation Effects 0.000 claims abstract description 34
- 230000006698 induction Effects 0.000 claims abstract description 24
- 239000000284 extract Substances 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 56
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 239000004744 fabric Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000005086 pumping Methods 0.000 description 6
- 238000013139 quantization Methods 0.000 description 5
- 230000005674 electromagnetic induction Effects 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
- 238000005493 welding type Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
- G01N27/9046—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents by analysing electrical signals
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种钢板缺陷磁旋阵成像检测方法及检测装置，其中，方法包括：获取特性参数，并确定最佳激励频率；激发正弦交流磁场，并感应出交变的涡旋电流；采集被测钢板被检测区域附近的感应交变磁信号；对感应交变磁信号进行处理，并进行一阶差分变换操作，以得到变换后的差分信号；判断差分信号是否小于预设阈值，其中，如果是，则判定不存在缺陷，否则判定存在缺陷，则提取区域信号；将区域信号输入构建的神经网络模型进行缺陷逆向反演，以得到缺陷轮廓参数；根据缺陷轮廓参数绘制缺陷轮廓，实现成像。该方法可以采用同心环式磁旋阵检测阵列进行缺陷检测，从而实现钢板缺陷的高精度检测，提高检测的精确度，且提高缺陷成像效果。
Description
技术领域
本发明涉及无损检测技术领域，特别涉及一种钢板缺陷磁旋阵成像检测方法及检测装置。
背景技术
在无损检测中，缺陷成像检测是对被测件进行安全评估的基础，随着无损检测技术的发展和工业安全检测标准的提高，对于被测件的缺陷检测灵敏度和成像精度要求越来越高，尤其是对于尺寸较小的缺陷检测，由于其常被完全覆盖于检测线圈内部，导致对其进行精确定位和准确量化成像尤其困难。
传统的涡流检测采用检测线圈实现信号采集，获取的信号是整个线圈环内的信息累计结果，但是难以实现缺陷的量化与成像。具体地，现有部分检测方法采用单个或少数几个磁传感器芯片代替检测线圈实现缺陷信号检测，但由于传感器数量少，且芯片布置于激励线圈内部，其检测的依旧是线圈内的累计信息，仅能对缺陷进行简单的定量分析，由于所能获取检测信息量少，难以实现缺陷高精度成像。在相关技术中，如基于TMR磁场传感器阵列的涡流检测探头及其检测方法，其以四个矩形线圈作为激励源，采用九个磁场传感器构成的点阵和线阵进行缺陷检测，但矩形线圈的周向一致性差，磁场传感器所能获取的缺陷信息量少，且未提及所能达到的缺陷成像效果；又如基于k邻近算法的焊接缺陷巨磁电阻涡流检测方法，其采用一个矩形线圈和四个巨磁电阻传感器实现缺陷涡流检测，但仅能检测焊缝缺陷的有无，以及对焊缝类型进行分类，无法实现缺陷成像。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种钢板缺陷磁旋阵成像检测方法，该方法可以提高检测的精确度，且提高缺陷成像效果。
本发明的另一个目的在于提出一种钢板缺陷磁旋阵成像检测装置。
为达到上述目的，本发明一方面实施例提出了一种钢板缺陷磁旋阵成像检测方法，包括如下步骤：获取被测钢板的特性参数，所述特性参数包括钢板厚度、磁导率和电导率，并确定检测激励源的最佳激励频率；在涡旋式平面线圈中通入所述最佳激励频率的正弦交变电流，以激发正弦交流磁场，并在所述涡旋式平面线圈下方的所述被测钢板中感应出交变的涡旋电流；通过磁传感器阵列采集所述被测钢板被检测区域附近的感应交变磁信号；通过信号处理电路对所述感应交变磁信号进行放大、滤波、交直变换处理，并对处理后的感应交变磁信号进行一阶差分变换操作，以得到变换后的差分信号；判断所述差分信号是否小于预设阈值，其中，如果是，则判定不存在缺陷，继续进行下一检测区域的扫描，否则判定存在缺陷，则提取区域信号进行下一步缺陷分析；将提取的所述区域信号输入构建的神经网络模型进行缺陷逆向反演，以得到缺陷轮廓参数；根据所述缺陷轮廓参数绘制缺陷轮廓，实现成像。
本发明实施例的钢板缺陷磁旋阵成像检测方法，结合了涡流检测无需耦合介质、激励方便、易于实现自动化，以及漏磁检测对被测试件清洁度要求低，采集信息量大，易于实现缺陷识别量化的优点，以涡流检测中的涡流线圈作为激励源，基于电磁感应原理和电流的磁效应原理，检测被测试件处的感应磁场变化信息，从而实现对缺陷的成像检测，通过同心环式磁旋阵检测阵列进行缺陷检测，从而实现钢板缺陷的高精度检测，提高检测的精确度，且提高缺陷成像效果。
另外，根据本发明上述实施例的钢板缺陷磁旋阵成像检测方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述磁传感器阵列布置于所述被检测区域上方和所述涡旋式平面线圈下方，且所述磁传感器阵列布与激励线圈在所述被测钢板上方沿水平方向行进，并等间距扫描，且所述磁传感器阵列布置为周向一致且径向等间距的同心环式磁旋阵，其最外圈磁传感器环的直径不超过涡旋线圈的最大直径，其中，所述磁传感器阵列的磁传感器采集到的交变信号为二维磁信号，所述二维磁信号包括沿涡旋线圈行进方向的水平磁分量和垂直于涡旋线圈的垂直磁分量。
其中，采用涡旋式平面线圈和周向一致的同心环式磁旋阵，使得检测激励装置可以旋转任意角度进行检测，保持较高的一致性和检测贴合度，避免了在检测过程中由于检测装置的移动而造成的偏转误差，并且由于检测部件与激励信号在检测平面中呈现的周向一致性，其在检测平面上的检测信号也具备周向一致特性，因此仅需要对垂直于涡旋线圈和沿涡旋线圈行进方向两个方向上的磁场信号分量进行检测，相比于现有的对磁场信号三个方向均进行检测分析的方法，本发明实施例在保证检测信号质量和检测信息量的前提下，有效降低了传感器数量和检测数据的冗余度。
进一步地，在本发明的一个实施例中，所述磁传感器阵列与所述信号处理电路均以圆形PCB(Printed Circuit Board，印刷电路板)板为载体，其中，所述圆形PCB板采用双面布线方式，下层布置所述磁传感器阵列，上层布置所述信号处理电路。
其中，采用PCB板双面布线方式，将磁传感器阵列和信号处理电路合理布置于同一PCB板中，大大减少了两者间的出现连接，有效提高了磁传感器的集成度，简化了装置结构，提高了检测效率。
进一步地，在本发明的一个实施例中，所述交直变换处理采用均方根检测电路实现对正弦交流信号的均方根值检测，处理后的直流信号满足下述公式：
其中，所述Signal_rms为所述直流信号，Signal_orignal为所述正弦交流信号，nT为一个信号周期内的采样点数；
所述一阶差分变换操作满足下述公式：
Signal_different＝Signal_rms(i+1)-Signal_rms(i)，
其中，Signal_different为所述变换后的差分信号，Signal_rms(i+1)和Signal_rms(i)分别为同一检测通道的相邻扫描点。
进一步地，在本发明的一个实施例中，还包括：通过对已知轮廓缺陷的差分信号训练构建所述神经网络模型，其中，所述神经网络模型的输入为各通道的磁信号为所述变换后的差分信号，所述神经网络模型的输出为所述缺陷轮廓参数，其中，所述神经网络模型为BP(Back Propagation，误差反向传播)神经网络、RBF(Radical Basis Function，径向基)神经网络或小波基WBF神经网络。
为达到上述目的，本发明另一方面实施例提出了一种钢板缺陷磁旋阵成像检测装置，包括：前处理模块，用于提前获取被测钢板的特性参数，所述特性参数包括钢板厚度、磁导率和电导率，并确定检测激励源的最佳激励频率；激励模块，用于在涡旋式平面线圈中通入所述最佳激励频率的正弦交变电流，以激发正弦交流磁场，并在所述涡旋式平面线圈下方的所述被测钢板中感应出交变的涡旋电流；采集模块，用于通过磁传感器阵列采集所述被测钢板被检测区域附近的感应交变磁信号；处理模块，用于通过信号处理电路对所述感应交变磁信号进行放大、滤波、交直变换处理，并对处理后的感应交变磁信号进行一阶差分变换操作，以得到变换后的差分信号；判断模块，用于判断所述差分信号是否小于预设阈值，其中，当小于所述预设阈值时，判定不存在缺陷，继续进行下一检测区域的扫描，否则判定存在缺陷，则提取区域信号进行下一步缺陷分析；成像模块，用于将提取的所述区域信号输入构建的神经网络模型进行缺陷逆向反演，以得到缺陷轮廓参数，并根据所述缺陷轮廓参数绘制缺陷轮廓，实现成像。
本发明实施例的钢板缺陷磁旋阵成像检测装置，结合了涡流检测无需耦合介质、激励方便、易于实现自动化，以及漏磁检测对被测试件清洁度要求低，采集信息量大，易于实现缺陷识别量化的优点，以涡流检测中的涡流线圈作为激励源，基于电磁感应原理和电流的磁效应原理，检测被测试件处的感应磁场变化信息，从而实现对缺陷的成像检测，通过同心环式磁旋阵检测阵列进行缺陷检测，从而实现钢板缺陷的高精度检测，提高检测的精确度，且提高缺陷成像效果。
另外，根据本发明上述实施例的钢板缺陷磁旋阵成像检测装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述磁传感器阵列布置于所述被检测区域上方和所述涡旋式平面线圈下方，且所述磁传感器阵列布与激励线圈在所述被测钢板上方沿水平方向行进，并等间距扫描，且所述磁传感器阵列布置为周向一致且径向等间距的同心环式磁旋阵，其最外圈磁传感器环的直径不超过涡旋线圈的最大直径，其中，所述磁传感器阵列的磁传感器采集到的交变信号为二维磁信号，所述二维磁信号包括沿涡旋线圈行进方向的水平磁分量和垂直于涡旋线圈的垂直磁分量。
其中，采用涡旋式平面线圈和周向一致的同心环式磁旋阵，使得检测激励装置可以旋转任意角度进行检测，保持较高的一致性和检测贴合度，避免了在检测过程中由于检测装置的移动而造成的偏转误差，并且由于检测部件与激励信号在检测平面中呈现的周向一致性，其在检测平面上的检测信号也具备周向一致特性，因此仅需要对垂直于涡旋线圈和沿涡旋线圈行进方向两个方向上的磁场信号分量进行检测，相比于现有的对磁场信号三个方向均进行检测分析的方法，本发明实施例在保证检测信号质量和检测信息量的前提下，有效降低了传感器数量和检测数据的冗余度。
进一步地，在本发明的一个实施例中，所述磁传感器阵列与所述信号处理电路均以圆形PCB板为载体，其中，所述圆形PCB板采用双面布线方式，下层布置所述磁传感器阵列，上层布置所述信号处理电路。
其中，采用PCB板双面布线方式，将磁传感器阵列和信号处理电路合理布置于同一PCB板中，大大减少了两者间的出现连接，有效提高了磁传感器的集成度，简化了装置结构，提高了检测效率。
进一步地，在本发明的一个实施例中，所述交直变换处理采用均方根检测电路实现对正弦交流信号的均方根值检测，处理后的直流信号满足下述公式：
其中，所述Signal_rms为所述直流信号，Signal_orignal为所述正弦交流信号，nT为一个信号周期内的采样点数；
所述一阶差分变换操作满足下述公式：
Signal_different＝Signal_rms(i+1)-Signal_rms(i)，
其中，Signal_different为所述变换后的差分信号，Signal_rms(i+1)和Signal_rms(i)分别为同一检测通道的相邻扫描点。
进一步地，在本发明的一个实施例中，本发明实施例的装置还包括：构建模块，用于通过对已知轮廓缺陷的差分信号训练构建所述神经网络模型，其中，所述神经网络模型的输入为各通道的磁信号为所述变换后的差分信号，所述神经网络模型的输出为所述缺陷轮廓参数，其中，所述神经网络模型为误差反向传播BP神经网络、径向基RBF神经网络或小波基WBF神经网络。
本发明附加的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
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的钢板缺陷磁旋阵成像检测方法的流程图；
图2为根据本发明一个实施例的钢板缺陷磁旋阵成像检测方法的流程图；
图3为根据本发明一个实施例的激励线圈与检测阵列的剖视示意图；
图4为根据本发明一个实施例的涡旋式平面激励线圈的俯视结构示意图；
图5为根据本发明一个实施例的同心环式磁旋阵检测阵列的俯视结构示意图；
图6为根据本发明一个实施例的圆形PCB电路上信号处理模块划分示意图；
图7为根据本发明一个实施例的缺陷成像结果示意图；
图8为根据本发明另一个实施例的缺陷成像结果示意图；
图9为根据本发明一个实施例的钢板缺陷磁旋阵成像检测装置的结构示意图。
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，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的钢板缺陷磁旋阵成像检测方法及检测装置，首先将参照附图描述根据本发明实施例提出的钢板缺陷磁旋阵成像检测方法。
图1是本发明实施例的钢板缺陷磁旋阵成像检测方法的流程图。
如图1所示，该钢板缺陷磁旋阵成像检测方法包括以下步骤：
在步骤S101中，获取被测钢板的特性参数，特性参数包括钢板厚度、磁导率和电导率，并确定检测激励源的最佳激励频率。
可以理解的是，如图2所述，步骤S1：获取被测钢板的特性参数，其包括但不限于钢板厚度、磁导率和电导率，确定检测激励源的最佳激励频率fbest。其中，在本发明的一个实施例中，最佳激励频率fbest满足下述公式：
fbest＝1/(πμσh2)，
式中，μ为钢板的磁导率，σ为钢板的电导率，h为钢板厚度。
在步骤S102中，在涡旋式平面线圈中通入最佳激励频率的正弦交变电流，以激发正弦交流磁场，并在涡旋式平面线圈下方的被测钢板中感应出交变的涡旋电流。
也就是说，如图2所示，步骤S2：使用涡旋式平面线圈激发正弦交流磁场，在平面线圈下方的钢板中感应出交变的涡旋电流。其中，涡旋式平面线圈可以采用固定外径的涡旋式线圈绕制，布置在钢板被检测区域上方，在线圈中通入最佳激励频率的正弦交变电流，用于激发正弦交变磁场。
在步骤S103中，通过磁传感器阵列采集被测钢板被检测区域附近的感应交变磁信号。
其中，在本发明的一个实施例中，磁传感器阵列布置于被检测区域上方和涡旋式平面线圈下方，且磁传感器阵列布与激励线圈在被测钢板上方沿水平方向行进，并等间距扫描，且磁传感器阵列布置为周向一致且径向等间距的同心环式磁旋阵，其最外圈磁传感器环的直径不超过涡旋线圈的最大直径，其中，磁传感器阵列的磁传感器采集到的交变信号为二维磁信号，二维磁信号包括沿涡旋线圈行进方向的水平磁分量和垂直于涡旋线圈的垂直磁分量。
具体地，如图2所示，步骤S3：使用磁传感器阵列采集钢板被检测区域附近的感应交变磁信号，磁传感器阵列布置于钢板被测区域上方，涡旋式平面线圈下方，且检测阵列与激励线圈在钢板上方沿水平方向行进，并等间距扫描。其中，磁传感器阵列布置为周向一致，径向等间距的同心环式磁旋阵，其最外圈磁传感器环的直径不超过涡旋线圈的最大直径。磁传感器采集到的交变信号为二维磁信号，分别是沿涡旋线圈行进方向的水平磁分量，和垂直于涡旋线圈的垂直磁分量。
在本发明的实施例中，采用涡旋式平面线圈和周向一致的同心环式磁旋阵，使得检测激励装置可以旋转任意角度进行检测，保持较高的一致性和检测贴合度，避免了在检测过程中由于检测装置的移动而造成的偏转误差，并且由于检测部件与激励信号在检测平面中呈现的周向一致性，其在检测平面上的检测信号也具备周向一致特性，因此仅需要对垂直于涡旋线圈和沿涡旋线圈行进方向两个方向上的磁场信号分量进行检测，相比于现有的对磁场信号三个方向均进行检测分析的方法，本发明实施例在保证检测信号质量和检测信息量的前提下，有效降低了传感器数量和检测数据的冗余度。
进一步地，在本发明的一个实施例中，磁传感器阵列与信号处理电路均以圆形PCB板为载体，其中，圆形PCB板采用双面布线方式，下层布置磁传感器阵列，上层布置信号处理电路。
可以理解的是，磁传感器阵列和信号处理电路均可以以圆形PCB板为载体，圆形PCB板可以采用双面布线方式，下层布置磁传感器阵列，上层布置信号处理电路。具体地，例如将圆形PCB板按等角度划分为多个扇环形信号处理子模块，分别负责各划分区域对应的扇环中的磁传感器阵列的信号处理，实现信号并行处理。将处理后的信号汇集至圆心处的信号集总处理模块统一处理。
在本发明的实施例中，采用PCB板双面布线方式，将磁传感器阵列和信号处理电路合理布置于同一PCB板中，大大减少了两者间的出现连接，有效提高了磁传感器的集成度，简化了装置结构，提高了检测效率。
在步骤S104中，通过信号处理电路对感应交变磁信号进行放大、滤波、交直变换处理，并对处理后的感应交变磁信号进行一阶差分变换操作，以得到变换后的差分信号。
其中，在本发明的一个实施例中，交直变换处理采用均方根检测电路实现对正弦交流信号的均方根值检测，处理后的直流信号满足下述公式：
其中，Signal_rms为直流信号，Signal_orignal为正弦交流信号，nT为一个信号周期内的采样点数。
可以理解的是，如图2所示，步骤S4：通过信号处理电路对采集到的信号进行放大、滤波、交直变换处理，并对处理后的信号进行一阶差分变换操作，得到变换后的差分信号。其中，处理方式在此不做具体限定，例如交直变换处理可以采用均方根检测电路实现对正弦交流信号Signal_orignal的均方根值检测，处理后的直流信号Signal_rms满足下述公式：
其中，nT为一个信号周期内的采样点数。
进一步地，在本发明的一个实施例中，一阶差分变换操作满足下述公式：
Signal_different＝Signal_rms(i+1)-Signal_rms(i)，
其中，Signal_different为变换后的差分信号，Signal_rms(i+1)和Signal_rms(i)分别为同一检测通道的相邻扫描点。
可以理解的是，如图2所示，一阶差分变换操作可以有很多种，例如满足下述公式：
Signal_different＝Signal_rms(i+1)-Signal_rms(i)，
其中，Signal_different为变换后的差分信号，Signal_rms(i+1)和Signal_rms(i)分别为同一检测通道的相邻扫描点。
在步骤S105中，判断差分信号是否小于预设阈值，其中，如果是，则判定不存在缺陷，继续进行下一检测区域的扫描，否则判定存在缺陷，则提取区域信号进行下一步缺陷分析。
也就是说，如图2所示，步骤S5：比较得到的差分信号S与设定的阈值δ，若S<δ，则判定该检测区域不存在缺陷，继续进行下一检测区域的扫描；若S≥δ，则判定该检测区域存在缺陷，则提取该区域信号进行下一步缺陷分析。
需要说明的是，预设阈值即设定的阈值δ可以根据由本领域技术人员根据实际情况进行设置，在此不作具体限制。
在步骤S106中，将提取的区域信号输入构建的神经网络模型进行缺陷逆向反演，以得到缺陷轮廓参数。
即言，如图2所示，步骤S6：将提取的区域信号输入构建的神经网络模型进行缺陷逆向反演，得到缺陷的轮廓参数。
另外，在本发明的一个实施例中，本发明实施例的方法还包括：通过对已知轮廓缺陷的差分信号训练构建神经网络模型，其中，神经网络模型的输入为各通道的磁信号为变换后的差分信号，神经网络模型的输出为缺陷轮廓参数，其中，神经网络模型为误差反向传播BP神经网络、径向基RBF神经网络或小波基WBF神经网络。
也就是说，在本发明的实施例中，神经网络模型是事先通过对已知轮廓缺陷的差分信号训练构建的，模型的输入为各通道的磁信号经过步骤S4变换后得到的差分信号，模型的输出为缺陷的轮廓参数。需要说明的是，神经网络模型可以采用但不限于BP(误差反向传播)神经网络、RBF(径向基)神经网络和WBF(小波基)神经网络等。
在步骤S107中，根据缺陷轮廓参数绘制缺陷轮廓，实现成像。
即言，如图2所示，步骤S7：根据缺陷轮廓参数，绘制缺陷轮廓，实现成像。本发明实施例可以通过对检测信号进行放大、滤波、交直变换和一阶差分变换等处理操作，并利用神经网络对处理后的信号进行轮廓反演成像，实现对钢板缺陷的有效检测成像。
下面以具体实施例对本发明实施例的钢板缺陷磁旋阵成像检测方法得工作原理进行详细描述。
在本发明的一个具体实施例中，结合图2所示，本发明实施例的方法包括以下步骤：
步骤S1：对一块钢板进行缺陷检测，该钢板的钢板厚度l＝10mm，磁导率为σ＝28×4π×10-7H/m，电导率μ＝2×107S/m，根据最佳激励频率计算公式fbest＝1/(πμσh2)，可计算得到对于该钢板的最佳激励频率为4.5kHz，并采用该频率作为本实施例的检测频率。
步骤S2：使用涡旋式平面线圈激发正弦交流磁场，在平面线圈下方的钢板中感应出交变的涡旋电流。其中涡旋式平面线圈采用固定外径为104mm，内径为10mm的涡旋式PCB(印刷电路板)线圈，线径为1mm2，相邻两匝导线的间距为1.5mm，激励线圈的绕制形式可由其剖视图(如图3所示)和俯视结构示意图(如图4所示)体现，激励线圈布置在钢板被检测区域上方。并在线圈中通入最佳激励频率为4.5kHz的正弦交变电流，可在空间中激发出同频率的正向交变磁场，进而在钢板中感应出于激励线圈反方向的感应电流。当钢板中存在缺陷时，缺陷处的感应电流将发生变化，从而引起感应磁场的变化，通过对感应磁场的检测得到缺陷的相关信息。
步骤S3：使用磁传感器阵列采集钢板被检测区域附近的感应交变磁信号，磁传感器阵列布置为周向一致，径向等间距的同心环式磁旋阵，磁传感器阵列的排布形式可由其剖视图(如图3所示)和俯视结构示意图(如图5所示)体现，最外圈磁传感器环的直径为100毫米。磁传感器阵列布置于钢板被测区域上方，涡旋式平面线圈下方。磁传感器采集到的交变信号为二维磁信号，分别是沿涡旋线圈行进方向的水平磁分量，和垂直于涡旋线圈的垂直磁分量。检测阵列与激励线圈在钢板上方沿水平方向行进，并等间距扫描，扫描间距为1.5毫米。
步骤S4：通过信号处理电路对采集到的信号进行放大、滤波、交直变换处理，并对处理后的信号进行一阶差分变换操作，得到变换后的差分信号。磁传感器阵列和信号处理电路均以圆形PCB板为载体，圆形PCB板采用双面布线方式，下层布置磁传感器阵列，上层布置信号处理电路。将圆形PCB板按照每45度划分，共分为八个扇环形信号处理子模块(如图6所示)，分别负责各划分区域对应的扇环中的磁传感器阵列的信号处理，实现信号并行处理，并将处理后的信号汇集至圆心处的信号集总处理模块统一处理。
其中，交直变换处理采用均方根检测电路实现对正弦交流信号Signal_orignal的均方根值检测，处理后的直流信号Signal_rms满足下述公式：
其中，nT为一个信号周期内的采样点数。
对处理后的直流信号进行一阶差分变换操作，差分变换操作满足下述公式：
Signal_different＝Signal_rms(i+1)-Signal_rms(i)，
其中，Signal_different为变换后的差分信号，Signal_rms(i+1)和Signal_rms(i)分别为同一检测通道的相邻扫描点。
步骤S5：设定阈值δ＝20×10-6T，将得到的差分信号S与设定的阈值δ进行比较，若S<δ，则判定该检测区域不存在缺陷，继续进行下一检测区域的扫描；若S≥δ，则判定该检测区域存在缺陷，则提取该区域信号进行下一步缺陷分析。
步骤S6：将提取的区域信号输入构建的神经网络模型进行缺陷逆向反演，得到缺陷的轮廓参数。这里的神经网络模型是事先对50个已知轮廓缺陷的差分信号训练构建的，模型的输入为各通道的磁信号经过步骤S4变换后得到的差分信号，模型的输出为缺陷的轮廓参数。采用的神经网络模型为RBF(径向基)神经网络。
步骤S7：根据缺陷轮廓参数，绘制缺陷轮廓，实现成像。图7为对钢板上一个长宽深为30mm×20mm×5mm的矩形缺陷检测成像的结果示意图。可以看出，本发明实施例的方法可以有效地实现对钢板缺陷的成像检测。
在本发明的另一个具体实施例中，本发明实施例的方法包括以下步骤：
步骤1：在本发明的一个示例中，对一块钢板进行缺陷检测，该钢板的厚度l＝8mm，磁导率为σ＝28×4π×10-7H/m，电导率μ＝2×107S/m，根据最佳激励频率计算公式fbest＝1/(πμσh2)，可计算得到对于该钢板的最佳激励频率为7.0kHz，并采用该频率作为本实施例的检测频率。
步骤2：使用涡旋式平面线圈激发正弦交流磁场，在平面线圈下方的钢板中感应出交变的涡旋电流。其中涡旋式平面线圈采用固定外径为104mm，内径为10mm的涡旋式PCB(印刷电路板)线圈，线径为1mm2，相邻两匝导线的间距为1.5mm，激励线圈的绕制形式可由其剖视图(如图3所示)和俯视结构示意图(如图4所示)体现，激励线圈布置在钢板被检测区域上方。并在线圈中通入最佳激励频率为7.0kHz的正弦交变电流，可在空间中激发出同频率的正向交变磁场，进而在钢板中感应出于激励线圈反方向的感应电流。当钢板中存在缺陷时，缺陷处的感应电流将发生变化，从而引起感应磁场的变化，通过对感应磁场的检测得到缺陷的相关信息。
步骤3：使用磁传感器阵列采集钢板被检测区域附近的感应交变磁信号，磁传感器阵列布置为周向一致，径向等间距的同心环式磁旋阵，磁传感器阵列的排布形式可由其剖视图(如图3所示)和俯视结构示意图(如图5所示)体现，最外圈磁传感器环的直径为100毫米。磁传感器阵列布置于钢板被测区域上方，涡旋式平面线圈下方。磁传感器采集到的交变信号为二维磁信号，分别是沿涡旋线圈行进方向的水平磁分量，和垂直于涡旋线圈的垂直磁分量。检测阵列与激励线圈在钢板上方沿水平方向行进，并等间距扫描，扫描间距为1.5毫米。
步骤4：通过信号处理电路对采集到的信号进行放大、滤波、交直变换处理，并对处理后的信号进行一阶差分变换操作，得到变换后的差分信号。磁传感器阵列和信号处理电路均以圆形PCB板为载体，圆形PCB板采用双面布线方式，下层布置磁传感器阵列，上层布置信号处理电路。将圆形PCB板按照每60度划分，共分为六个扇环形信号处理子模块，分别负责各划分区域对应的扇环中的磁传感器阵列的信号处理，实现信号并行处理，并将处理后的信号汇集至圆心处的信号集总处理模块统一处理。
其中，交直变换处理采用均方根检测电路实现对正弦交流信号Signal_orignal的均方根值检测，处理后的直流信号Signal_rms满足下述公式：
其中，nT为一个信号周期内的采样点数。
对处理后的直流信号进行一阶差分变换操作，差分变换操作满足下述公式：
Signal_different＝Signal_rms(i+1)-Signal_rms(i)，
其中，Signal_different为变换后的差分信号，Signal_rms(i+1)和Signal_rms(i)分别为同一检测通道的相邻扫描点。
步骤5：设定阈值δ＝20×10-6T，将得到的差分信号S与设定的阈值δ进行比较，若S<δ，则判定该检测区域不存在缺陷，继续进行下一检测区域的扫描；若S≥δ，则判定该检测区域存在缺陷，则提取该区域信号进行下一步缺陷分析。
步骤6：将提取的区域信号输入构建的神经网络模型进行缺陷逆向反演，得到缺陷的轮廓参数。这里的神经网络模型是事先对45个已知轮廓缺陷的差分信号训练构建的，模型的输入为各通道的磁信号经过步骤S4变换后得到的差分信号，模型的输出为缺陷的轮廓参数。采用的神经网络模型为WBF(小波基)神经网络。
步骤7：根据缺陷轮廓参数，绘制缺陷轮廓，实现成像。图8为对钢板上一个直径为30mm，深度为5mm的弧面缺陷检测成像的结果示意图。可以看出，本发明实施例的方法可以有效地实现对钢板缺陷的成像检测。
根据本发明实施例的钢板缺陷磁旋阵成像检测方法，结合了涡流检测无需耦合介质、激励方便、易于实现自动化，以及漏磁检测对被测试件清洁度要求低，采集信息量大，易于实现缺陷识别量化的优点，以涡流检测中的涡流线圈作为激励源，基于电磁感应原理和电流的磁效应原理，检测被测试件处的感应磁场变化信息，从而实现对缺陷的成像检测，且采用涡旋式平面线圈和周向一致的同心环式磁旋阵，使得检测激励装置可以旋转任意角度进行检测，保持较高的一致性和检测贴合度，避免了在检测过程中由于检测装置的移动而造成的偏转误差。并且由于检测部件与激励信号在检测平面中呈现的周向一致性，其在检测平面上的检测信号也具备周向一致特性，因此仅需要对垂直于涡旋线圈和沿涡旋线圈行进方向两个方向上的磁场信号分量进行检测，相比于现有的对磁场信号三个方向均进行检测分析的方法，在保证检测信号质量和检测信息量的前提下，有效降低了传感器数量和检测数据的冗余度，并且采用PCB板双面布线方式，将磁传感器阵列和信号处理电路合理布置于同一PCB板中，大大减少了两者间的出现连接，有效提高了磁传感器的集成度，简化了装置结构，提高了检测效率，从而通过对检测信号进行放大、滤波、交直变换和一阶差分变换等处理操作，并利用神经网络对处理后的信号进行轮廓反演成像，实现了对钢板缺陷的有效检测成像，实现通过同心环式磁旋阵检测阵列进行缺陷检测的目的，从而实现钢板缺陷的高精度检测，提高检测的精确度，且提高缺陷成像效果，简单易实现。
其次参照附图描述根据本发明实施例提出的钢板缺陷磁旋阵成像检测装置。
图9是本发明实施例的钢板缺陷磁旋阵成像检测装置的结构示意图。
如图9所示，该钢板缺陷磁旋阵成像检测装置10包括：前处理模块100、激励模块200、采集模块300、处理模块400、判断模块500和成像模块600。
其中，前处理模块100用于提前获取被测钢板的特性参数，特性参数包括钢板厚度、磁导率和电导率，并确定检测激励源的最佳激励频率。激励模块200用于在涡旋式平面线圈中通入最佳激励频率的正弦交变电流，以激发正弦交流磁场，并在涡旋式平面线圈下方的被测钢板中感应出交变的涡旋电流。采集模块300用于通过磁传感器阵列采集被测钢板被检测区域附近的感应交变磁信号。处理模块400用于通过信号处理电路对感应交变磁信号进行放大、滤波、交直变换处理，并对处理后的感应交变磁信号进行一阶差分变换操作，以得到变换后的差分信号。判断模块500用于判断差分信号是否小于预设阈值，其中，当小于预设阈值时，判定不存在缺陷，继续进行下一检测区域的扫描，否则判定存在缺陷，则提取区域信号进行下一步缺陷分析。成像模块600用于将提取的区域信号输入构建的神经网络模型进行缺陷逆向反演，以得到缺陷轮廓参数，并根据缺陷轮廓参数绘制缺陷轮廓，实现成像。本发明实施例的装置10可以采用同心环式磁旋阵检测阵列进行缺陷检测，从而实现钢板缺陷的高精度检测，提高检测的精确度，且提高缺陷成像效果。
进一步地，在本发明的一个实施例中，磁传感器阵列布置于被检测区域上方和涡旋式平面线圈下方，且磁传感器阵列布与激励线圈在被测钢板上方沿水平方向行进，并等间距扫描，且磁传感器阵列布置为周向一致且径向等间距的同心环式磁旋阵，其最外圈磁传感器环的直径不超过涡旋线圈的最大直径，其中，磁传感器阵列的磁传感器采集到的交变信号为二维磁信号，二维磁信号包括沿涡旋线圈行进方向的水平磁分量和垂直于涡旋线圈的垂直磁分量。
其中，采用涡旋式平面线圈和周向一致的同心环式磁旋阵，使得检测激励装置可以旋转任意角度进行检测，保持较高的一致性和检测贴合度，避免了在检测过程中由于检测装置的移动而造成的偏转误差，并且由于检测部件与激励信号在检测平面中呈现的周向一致性，其在检测平面上的检测信号也具备周向一致特性，因此仅需要对垂直于涡旋线圈和沿涡旋线圈行进方向两个方向上的磁场信号分量进行检测，相比于现有的对磁场信号三个方向均进行检测分析的方法，本发明实施例在保证检测信号质量和检测信息量的前提下，有效降低了传感器数量和检测数据的冗余度。
进一步地，在本发明的一个实施例中，磁传感器阵列与信号处理电路均以圆形PCB板为载体，其中，圆形PCB板采用双面布线方式，下层布置磁传感器阵列，上层布置信号处理电路。
其中，采用PCB板双面布线方式，将磁传感器阵列和信号处理电路合理布置于同一PCB板中，大大减少了两者间的出现连接，有效提高了磁传感器的集成度，简化了装置结构，提高了检测效率。
进一步地，在本发明的一个实施例中，交直变换处理采用均方根检测电路实现对正弦交流信号的均方根值检测，处理后的直流信号满足下述公式：
其中，Signal_rms为直流信号，Signal_orignal为正弦交流信号，nT为一个信号周期内的采样点数。
进一步地，在本发明的一个实施例中，一阶差分变换操作满足下述公式：
Signal_different＝Signal_rms(i+1)-Signal_rms(i)，
其中，Signal_different为变换后的差分信号，Signal_rms(i+1)和Signal_rms(i)分别为同一检测通道的相邻扫描点。
进一步地，在本发明的一个实施例中，本发明实施例的装置还包括：构建模块，用于通过对已知轮廓缺陷的差分信号训练构建神经网络模型，其中，神经网络模型的输入为各通道的磁信号为变换后的差分信号，神经网络模型的输出为缺陷轮廓参数，其中，神经网络模型为误差反向传播BP神经网络、径向基RBF神经网络或小波基WBF神经网络。
需要说明的是，前述对钢板缺陷磁旋阵成像检测方法实施例的解释说明也适用于该实施例的钢板缺陷磁旋阵成像检测装置，此处不再赘述。
根据本发明实施例的钢板缺陷磁旋阵成像检测装置，结合了涡流检测无需耦合介质、激励方便、易于实现自动化，以及漏磁检测对被测试件清洁度要求低，采集信息量大，易于实现缺陷识别量化的优点，以涡流检测中的涡流线圈作为激励源，基于电磁感应原理和电流的磁效应原理，检测被测试件处的感应磁场变化信息，从而实现对缺陷的成像检测，且采用涡旋式平面线圈和周向一致的同心环式磁旋阵，使得检测激励装置可以旋转任意角度进行检测，保持较高的一致性和检测贴合度，避免了在检测过程中由于检测装置的移动而造成的偏转误差。并且由于检测部件与激励信号在检测平面中呈现的周向一致性，其在检测平面上的检测信号也具备周向一致特性，因此仅需要对垂直于涡旋线圈和沿涡旋线圈行进方向两个方向上的磁场信号分量进行检测，相比于现有的对磁场信号三个方向均进行检测分析的方法，在保证检测信号质量和检测信息量的前提下，有效降低了传感器数量和检测数据的冗余度，并且采用PCB板双面布线方式，将磁传感器阵列和信号处理电路合理布置于同一PCB板中，大大减少了两者间的出现连接，有效提高了磁传感器的集成度，简化了装置结构，提高了检测效率，从而通过对检测信号进行放大、滤波、交直变换和一阶差分变换等处理操作，并利用神经网络对处理后的信号进行轮廓反演成像，实现了对钢板缺陷的有效检测成像，实现通过同心环式磁旋阵检测阵列进行缺陷检测的目的，从而实现钢板缺陷的高精度检测，提高检测的精确度，且提高缺陷成像效果，简单易实现。
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 (10)
1.一种钢板缺陷磁旋阵成像检测方法，其特征在于，包括如下步骤：
获取被测钢板的特性参数，所述特性参数包括钢板厚度、磁导率和电导率，并确定检测激励源的最佳激励频率；
在涡旋式平面线圈中通入所述最佳激励频率的正弦交变电流，以激发正弦交流磁场，并在所述涡旋式平面线圈下方的所述被测钢板中感应出交变的涡旋电流；
通过磁传感器阵列采集所述被测钢板被检测区域附近的感应交变磁信号；
通过信号处理电路对所述感应交变磁信号进行放大、滤波、交直变换处理，并对处理后的感应交变磁信号进行一阶差分变换操作，以得到变换后的差分信号；
判断所述差分信号是否小于预设阈值，其中，如果是，则判定不存在缺陷，继续进行下一检测区域的扫描，否则判定存在缺陷，则提取区域信号进行下一步缺陷分析；
将提取的所述区域信号输入构建的神经网络模型进行缺陷逆向反演，以得到缺陷轮廓参数；以及
根据所述缺陷轮廓参数绘制缺陷轮廓，实现成像。
2.根据权利要求1所述的钢板缺陷磁旋阵成像检测方法，其特征在于，所述磁传感器阵列布置于所述被检测区域上方和所述涡旋式平面线圈下方，且所述磁传感器阵列布与激励线圈在所述被测钢板上方沿水平方向行进，并等间距扫描，且所述磁传感器阵列布置为周向一致且径向等间距的同心环式磁旋阵，其最外圈磁传感器环的直径不超过涡旋线圈的最大直径，其中，所述磁传感器阵列的磁传感器采集到的交变信号为二维磁信号，所述二维磁信号包括沿涡旋线圈行进方向的水平磁分量和垂直于涡旋线圈的垂直磁分量。
3.根据权利要求2所述的钢板缺陷磁旋阵成像检测方法，其特征在于，所述磁传感器阵列与所述信号处理电路均以圆形PCB板为载体，其中，所述圆形PCB板采用双面布线方式，下层布置所述磁传感器阵列，上层布置所述信号处理电路。
4.根据权利要求1所述的钢板缺陷磁旋阵成像检测方法，其特征在于，所述交直变换处理采用均方根检测电路实现对正弦交流信号的均方根值检测，处理后的直流信号满足下述公式：
其中，所述Signal_rms为所述直流信号，Signal_orignal为所述正弦交流信号，nT为一个信号周期内的采样点数；
所述一阶差分变换操作满足下述公式：
Signal_different＝Signal_rms(i+1)-Signal_rms(i)，
其中，Signal_different为所述变换后的差分信号，Signal_rms(i+1)和Signal_rms(i)分别为同一检测通道的相邻扫描点。
5.根据权利要求1-4任一项所述的钢板缺陷磁旋阵成像检测方法，其特征在于，还包括：
通过对已知轮廓缺陷的差分信号训练构建所述神经网络模型，其中，所述神经网络模型的输入为各通道的磁信号为所述变换后的差分信号，所述神经网络模型的输出为所述缺陷轮廓参数，其中，所述神经网络模型为误差反向传播BP神经网络、径向基RBF神经网络或小波基WBF神经网络。
6.一种钢板缺陷磁旋阵成像检测装置，其特征在于，包括：
前处理模块，用于提前获取被测钢板的特性参数，所述特性参数包括钢板厚度、磁导率和电导率，并确定检测激励源的最佳激励频率；
激励模块，用于在涡旋式平面线圈中通入所述最佳激励频率的正弦交变电流，以激发正弦交流磁场，并在所述涡旋式平面线圈下方的所述被测钢板中感应出交变的涡旋电流；
采集模块，用于通过磁传感器阵列采集所述被测钢板被检测区域附近的感应交变磁信号；
处理模块，用于通过信号处理电路对所述感应交变磁信号进行放大、滤波、交直变换处理，并对处理后的感应交变磁信号进行一阶差分变换操作，以得到变换后的差分信号；
判断模块，用于判断所述差分信号是否小于预设阈值，其中，当小于所述预设阈值时，判定不存在缺陷，继续进行下一检测区域的扫描，否则判定存在缺陷，则提取区域信号进行下一步缺陷分析；
成像模块，用于将提取的所述区域信号输入构建的神经网络模型进行缺陷逆向反演，以得到缺陷轮廓参数，并根据所述缺陷轮廓参数绘制缺陷轮廓，实现成像。
7.根据权利要求6所述的钢板缺陷磁旋阵成像检测装置，其特征在于，所述磁传感器阵列布置于所述被检测区域上方和所述涡旋式平面线圈下方，且所述磁传感器阵列布与激励线圈在所述被测钢板上方沿水平方向行进，并等间距扫描，且所述磁传感器阵列布置为周向一致且径向等间距的同心环式磁旋阵，其最外圈磁传感器环的直径不超过涡旋线圈的最大直径，其中，所述磁传感器阵列的磁传感器采集到的交变信号为二维磁信号，所述二维磁信号包括沿涡旋线圈行进方向的水平磁分量和垂直于涡旋线圈的垂直磁分量。
8.根据权利要求7所述的钢板缺陷磁旋阵成像检测装置，其特征在于，所述磁传感器阵列与所述信号处理电路均以圆形PCB板为载体，其中，所述圆形PCB板采用双面布线方式，下层布置所述磁传感器阵列，上层布置所述信号处理电路。
9.根据权利要求6所述的钢板缺陷磁旋阵成像检测装置，其特征在于，所述交直变换处理采用均方根检测电路实现对正弦交流信号的均方根值检测，处理后的直流信号满足下述公式：
其中，所述Signal_rms为所述直流信号，Signal_orignal为所述正弦交流信号，nT为一个信号周期内的采样点数；
所述一阶差分变换操作满足下述公式：
Signal_different＝Signal_rms(i+1)-Signal_rms(i)，
其中，Signal_different为所述变换后的差分信号，Signal_rms(i+1)和Signal_rms(i)分别为同一检测通道的相邻扫描点。
10.根据权利要求6-9任一项所述的钢板缺陷磁旋阵成像检测装置，其特征在于，还包括：
构建模块，用于通过对已知轮廓缺陷的差分信号训练构建所述神经网络模型，其中，所述神经网络模型的输入为各通道的磁信号为所述变换后的差分信号，所述神经网络模型的输出为所述缺陷轮廓参数，其中，所述神经网络模型为误差反向传播BP神经网络、径向基RBF神经网络或小波基WBF神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710516071.0A CN107255671B (zh) | 2017-06-29 | 2017-06-29 | 钢板缺陷磁旋阵成像检测方法及检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710516071.0A CN107255671B (zh) | 2017-06-29 | 2017-06-29 | 钢板缺陷磁旋阵成像检测方法及检测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107255671A CN107255671A (zh) | 2017-10-17 |
| CN107255671B true CN107255671B (zh) | 2019-10-29 |
Family
ID=60024435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710516071.0A Active CN107255671B (zh) | 2017-06-29 | 2017-06-29 | 钢板缺陷磁旋阵成像检测方法及检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107255671B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108345911B (zh) * | 2018-04-16 | 2021-06-29 | 东北大学 | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 |
| CN109142514B (zh) * | 2018-09-29 | 2022-04-01 | 东北大学 | 一种基于脉冲涡流阵列的缺陷检测装置及方法 |
| CN109752451A (zh) * | 2018-12-07 | 2019-05-14 | 兰州空间技术物理研究所 | 一种基于正弦幅度调制涡流的导体损伤检测方法 |
| CN109693459B (zh) * | 2018-12-25 | 2021-01-19 | 深圳和而泰数据资源与云技术有限公司 | 信息处理方法及装置 |
| CN111562305B (zh) * | 2019-02-14 | 2024-01-26 | 爱科维申科技（天津）有限公司 | 基于电磁层析成像技术的汽车减震器活塞缺陷检测方法 |
| CN112462136B (zh) * | 2019-09-06 | 2022-07-22 | 英业达科技有限公司 | 检测差动信号的方法 |
| CN111089896B (zh) * | 2019-12-13 | 2021-12-14 | 清华大学 | 磁激各向同性缺陷轮廓成像装置及成像方法 |
| CN111580172B (zh) * | 2020-06-04 | 2021-08-10 | 山东大学 | 一种基于阵列式线圈的金属物体检测系统及方法 |
| CN112184655A (zh) * | 2020-09-24 | 2021-01-05 | 东北大学 | 一种基于卷积神经网络的宽厚板轮廓检测方法 |
| CN112213380B (zh) * | 2020-10-10 | 2022-07-15 | 上海达铭科技有限公司 | 一种检测磁源深度的测磁阵列装置及方法 |
| CN113219048B (zh) * | 2021-07-09 | 2021-09-14 | 西南交通大学 | 一种基于涡流与数字孪生技术的钢桥损伤检测系统及方法 |
| CN113985117A (zh) * | 2021-10-27 | 2022-01-28 | 国仪量子(合肥)技术有限公司 | 电流检测装置及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10282065A (ja) * | 1997-04-01 | 1998-10-23 | Daido Steel Co Ltd | 渦流探傷装置 |
| CN1963491A (zh) * | 2006-12-08 | 2007-05-16 | 清华大学 | 基于三维有限元神经网络的缺陷识别和量化评价方法 |
| CN102375026A (zh) * | 2010-07-08 | 2012-03-14 | 奥林巴斯Ndt公司 | 2d涡流线圈及其制造方法和涡流检验方法 |
| CN102680567A (zh) * | 2011-02-16 | 2012-09-19 | 奥林巴斯Ndt公司 | 涡流探测器 |
| CN104792861A (zh) * | 2015-05-20 | 2015-07-22 | 上海海事大学 | 一种检测导电结构缺陷的柔性阵列涡流探头及检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4975142B2 (ja) * | 2010-06-17 | 2012-07-11 | トヨタ自動車株式会社 | 渦流計測用センサ及び渦流計測方法 |
-
2017
- 2017-06-29 CN CN201710516071.0A patent/CN107255671B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10282065A (ja) * | 1997-04-01 | 1998-10-23 | Daido Steel Co Ltd | 渦流探傷装置 |
| CN1963491A (zh) * | 2006-12-08 | 2007-05-16 | 清华大学 | 基于三维有限元神经网络的缺陷识别和量化评价方法 |
| CN102375026A (zh) * | 2010-07-08 | 2012-03-14 | 奥林巴斯Ndt公司 | 2d涡流线圈及其制造方法和涡流检验方法 |
| CN102680567A (zh) * | 2011-02-16 | 2012-09-19 | 奥林巴斯Ndt公司 | 涡流探测器 |
| CN104792861A (zh) * | 2015-05-20 | 2015-07-22 | 上海海事大学 | 一种检测导电结构缺陷的柔性阵列涡流探头及检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 涡流传感器检测薄板内气孔型缺陷的三维仿真;谭书涛 等;《无损检测》;20120910;第34卷(第9期);第19-22页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107255671A (zh) | 2017-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107255671B (zh) | 钢板缺陷磁旋阵成像检测方法及检测装置 | |
| JP4487082B1 (ja) | 漏洩磁束探傷方法及び装置 | |
| KR100956163B1 (ko) | 자기 센서 어레이를 이용하는 결함 탐상 장치 | |
| JP3276295B2 (ja) | 渦電流探傷装置 | |
| CN107389782A (zh) | 用于管道微小缺陷检测的螺旋磁矩阵高精度成像检测装置 | |
| JP2011133268A (ja) | 探傷装置及び探傷方法 | |
| CN101718735B (zh) | 一种基于亥姆霍兹线圈的电导率无损测量系统 | |
| CN109115869A (zh) | 针对钢丝绳断丝缺陷检测的s型阵列涡流探头及检测方法 | |
| US20070120560A1 (en) | Eddy current inspection device with arrays of magnetoresistive sensors | |
| CN101281169B (zh) | 在涡流检验系统中用于纵向缺陷检验的方法和算法 | |
| Ye et al. | Frequency domain analysis of magnetic field images obtained using TMR array sensors for subsurface defect detection and quantification | |
| Chady et al. | Multi-frequency exciting and spectrogram-based ECT method | |
| CN109298069A (zh) | 多层金属结构快速检测方法及其装置、设备和存储介质 | |
| KR101966168B1 (ko) | 비파괴 검사를 위한 와전류 검사 장치 | |
| KR101988887B1 (ko) | 자기 센서 배열을 이용한 리사주선도 도시 장치 | |
| CN116448873A (zh) | 一种可探测导体极细丝裂纹的涡流探伤仪、方法 | |
| CN104535644B (zh) | 一种用于检测薄钢板表面多方向缺陷的涡流探头 | |
| CN205374376U (zh) | 焊缝裂纹涡流检测传感器探头 | |
| JP3964061B2 (ja) | 磁気計測による探傷方法及び装置 | |
| Lepage | Development of a flexible cross-wound eddy current array probe | |
| JP6882117B2 (ja) | 励磁コイル、非破壊検査装置、及び非破壊検査方法 | |
| Wincheski et al. | Development and application of wide bandwidth magneto‐resistive sensor based eddy current probe | |
| Janousek et al. | Utilization of two-directional AC current distribution for enhancing sizing ability of electromagnetic nondestructive testing methods | |
| Lopes Ribeiro et al. | Determination of crack depth in aluminum using eddy currents and GMR sensors | |
| Kanamori et al. | 2-D Image of Eddy-Current Testing and Dependence of Shape for Notch inside of Narrow Hole by Needle-Type Probe |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |