CN111189906A - 交流电磁场缺陷在线智能判定与分类识别方法 - Google Patents
交流电磁场缺陷在线智能判定与分类识别方法 Download PDFInfo
- Publication number
- CN111189906A CN111189906A CN202010020464.4A CN202010020464A CN111189906A CN 111189906 A CN111189906 A CN 111189906A CN 202010020464 A CN202010020464 A CN 202010020464A CN 111189906 A CN111189906 A CN 111189906A
- Authority
- CN
- China
- Prior art keywords
- magnetic field
- field signal
- defects
- direction magnetic
- defect
- 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.)
- Granted
Links
Images
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
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
本发明公开了一种基于交流电磁场检测技术缺陷在线智能判定与分类识别方法,涉及无损检测缺陷评估技术领域,包括:获取试件表面X方向磁场信号Bx和Z方向磁场信号Bz,将X方向磁场信号Bx和Z方向磁场信号Bz与设定的阈值N进行比较,若X方向磁场信号Bx、Z方向磁场信号Bz大于等于阈值N,则判定为缺陷并保存蝶形图,利用事先训练好的CNN抖动判定数据库对缺陷信号进行智能抖动判定,如果判断结果为是缺陷,则利用交流电磁场检测探头对试件进行栅格扫查,获得X方向磁场信号Bx和Z方向磁场信号Bz,进而绘制Z方向磁场信号Bz梯度的灰度图像,利用事先训练好的CNN缺陷分类数据库对缺陷进行智能分类,最终实现缺陷的在线智能判定、识别及分类。
Description
技术领域
本发明涉及无损检测缺陷评估技术领域,尤其涉及一种基于交流电磁场检测技术缺陷在线智能判定与分类识别方法。
背景技术
海洋结构物长期在海水环境中服役,由于海水腐蚀作用,结构表面很容易产生各类腐蚀缺陷。由于涂层覆盖、附着物堆积等因素,传统无损检测技术在水下结构物检测过程中需要在大面积清理附着物、彻底破坏涂层情况下对缺陷进行检测和评估,作业工序复杂,效率低下,结构表面清理和涂层修复成本高昂。
交流电磁场检测(Alternating Current Field Measurement-ACFM)技术是一种新兴电磁无损检测技术,主要用于导电材料表面裂纹检测,其利用检测探头在导电试件表面感应出的均匀电流,电流在缺陷周围产生扰动引起空间磁场畸变,通过测量畸变磁场进行缺陷的检测和评估。当无缺陷存在时,导电试件表面电流呈均匀状态,空间磁场无扰动。由于具有非接触测量、定量评估等优势,广泛应用于各类海洋结构物缺陷检测。现有ACFM技术依据特征信号Bx、Bz及蝶形图进行缺陷判定,其中Bx和Bz信号分别为平行于试件表面(与探头扫查方向平行)和垂直于试件表面的磁场信号,特征信号Bx可对裂纹深度评估,特征信号Bz对裂纹长度评估。
水下结构物缺陷类型繁多,缺陷形貌复杂,干扰因素多,传统ACFM检测系统智能化程度不足,无法实现缺陷在线智能判定、分类识别与可视化精准评估,特别是海洋结构物缺陷在附着物和涂层掩盖下,现有ACFM技术难以实现在线评估。
因此,有必要提出一种准确性高、实时性好、能够实现海洋结构物附着物及涂层下缺陷在线智能判定与分类识别方法,通过ACFM检测可在不祛除附着物和涂层情况下实现缺陷在线智能判定与分类识别,为海洋结构物腐蚀缺陷的检测、评估及寿命预测提供精准数据支撑。
发明内容
针对上述问题,本发明提供了一种基于交流电磁场检测技术的缺陷在线智能判定与分类识别方法,实时呈现缺陷智能判定,同时进行缺陷分类识别,为海洋结构物缺陷检测评估、寿命预测提供精准、实时数据支撑。
本发明提供了一种基于交流电磁场检测的缺陷在线智能判定与分类识别方法,包括:
步骤一,利用交流电磁场检测探头在试件表面直线扫查,获取试件表面X方向磁场信号Bx和Z方向磁场信号Bz;
步骤二,预先设定阈值N,若X方向磁场信号Bx、Z方向磁场信号Bz小于阈值N,则不判定为缺陷,若X方向磁场信号Bx、Z方向磁场信号Bz大于等于阈值N,则判定为缺陷并保存蝶形图,进入步骤三;
步骤三,利用事先训练好的卷积神经网络(CNN)抖动判定智能识别算法对步骤二中大于等于阈值N的缺陷蝶形图信号进行智能抖动判定,如果判断结果为是缺陷,进入步骤四;
步骤四,利用交流电磁场检测探头对试件进行栅格扫查,获得X方向磁场信号Bx和Z方向磁场信号Bz,绘制Z方向磁场信号Bz梯度的灰度图像;
步骤五,利用事先训练好的CNN缺陷分类智能识别算法对缺陷进行智能分类,如果分类结果为裂纹,则利用裂纹两个端点绘制裂纹,得到裂纹长度;如果分类结果为腐蚀缺陷,则利用灰度图中Bz超过阈值部分所占的比例k乘以栅格扫查区域总面积D,得到缺陷实际面积S;如果分类结果为不规则裂纹,则将不规则裂纹各段的端点连接起来得到裂纹走向形貌。
本发明提供的基于交流电磁场检测技术的缺陷在线智能判定与分类识别方法,利用交流电磁场检测探头在试件表面直线扫查,获取试件表面X方向磁场信号Bx和Z方向磁场信号Bz,将X方向磁场信号Bx和Z方向磁场信号Bz与设定的阈值N进行比较,若X方向磁场信号Bx、Z方向磁场信号Bz大于等于阈值N,则判定为缺陷并保存蝶形图,进一步的,利用事先训练好的CNN抖动判定数据库对缺陷信号进行智能抖动判定,如果判断结果为是缺陷,则利用交流电磁场检测探头对试件进行栅格扫查,获得X方向磁场信号Bx和Z方向磁场信号Bz,进而绘制Z方向磁场信号Bz的灰度图像,利用事先训练好的CNN缺陷分类数据库对缺陷进行智能分类,最终实现缺陷的在线智能判定、识别及分类。
附图说明
图1为本发明提供的基于交流电磁场检测技术的缺陷在线智能判定与分类识别方法流程图;
图2为本发明实施例提供的磁场信号图像;
图3为本发明实施例提供的蝶形图;
图4为本发明实施例提供的CNN抖动判定数据库;
图5为本发明实施例提供的智能抖动判定结果;
图6为本发明实施例提供的CNN缺陷分类数据库;
图7为本发明实施例提供的智能分类结果;
图8为本发明实施例提供的经智能判定和处理后得到的裂纹图像;
图9为本发明实施例提供的经智能判定和处理后得到的腐蚀缺陷图像;
图10为本发明实施例提供的经智能判定和处理后得到的不规则裂纹走向图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图及具体实施例对本发明作进一步的详细描述,显然,所描述的实施例只是本发明一部分实施例,而不是全部实施例。基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下获取的其他实施例,都属于本发明保护的范围。
在本发明实施例中,所述方法应用于基于交流电磁场检测技术的缺陷在线智能判定与分类识别方法,首先利用交流电磁场检测探头在试件表面直线扫查,获取试件表面X方向磁场信号Bx和Z方向磁场信号Bz,将X方向磁场信号Bx和Z方向磁场信号Bz与设定的阈值N进行比较,若X方向磁场信号Bx、Z方向磁场信号Bz大于等于阈值N,则判定为缺陷并保存蝶形图,进一步的,利用事先训练好的CNN抖动判定数据库对缺陷信号进行智能抖动判定,如果判断结果为是缺陷,则利用交流电磁场检测探头对试件进行栅格扫查,获得X方向磁场信号Bx和Z方向磁场信号Bz,进而绘制Z方向磁场信号Bz的灰度图像,利用事先训练好的CNN缺陷分类数据库对缺陷进行智能分类,最终实现缺陷的在线智能判定、识别及分类。
实施例一
本发明实施例提供的基于交流电磁场检测技术的缺陷在线智能判定与分类识别方法,包括:
S1,准备好待测试件,利用交流电磁场检测探头在试件表面直线扫查,获取试件表面X方向磁场信号Bx和Z方向磁场信号Bz,如图2所示。
S2,预先设定阈值N=[0.4,0.05],比较后得到X方向磁场信号Bx、Z方向磁场信号Bz大于等于阈值N,判定为缺陷并保存蝶形图,蝶形图如图3所示。
S3,利用单探头对200组缺陷试块开展测试,提取不同缺陷的特征信号Bx和Bz并绘制蝶形图,在没有缺陷位置,将探头大幅度提离试块表面3-10mm、探头侧倾、探头越过结构凸起、探头越过结构表面深坑、探头横向摆动等动作,人为模拟各种干扰信号,形成200组探头扰动干扰信号蝶形图,将上述200组缺陷特征信号蝶形图和200组探头干扰信号蝶形图均转换为像素为28×28的灰度图,完成CNN抖动判定数据库搭建,如图4所示。
设置CNN抖动智能识别算法激活函数选择Relu,池化层选择max pooling,全连接层输出类别为2,输出结果用标签形式显示在图片标题上,CNN层数为7层,并对抖动判定数据库进行训练。
利用训练好的CNN抖动智能识别算法对S2中的缺陷信号进行智能抖动判定,判断结果如图5所示,一部分识别结果为缺陷(标题显示为defect),一部分识别结果是提离干扰信号(标题显示为Lift-off),实现缺陷的智能判定。
S4,对于判定为缺陷的信号位置,利用交流电磁场检测探头对试件进行栅格扫查,获得X方向磁场信号Bx和Z方向磁场信号Bz,绘制Z方向磁场信号Bz的灰度图像G绘制Z方向磁场信号Bz梯度的灰度图像,得到缺陷形貌可视化检测结果。
S5,针对三种类型缺陷,建立50组裂纹、50组腐蚀缺陷和50组不规则裂纹图像可视化结果CNN数据库,将每组图片经过处理后变为像素为28×28的灰度图,完成CNN缺陷分类数据库设计,如图6所示。
设置CNN参数卷积神经网络的层数为15层,中间层中卷积层、池化层、激活层、规整层交替进行,全连接层输出类别为3。
利用训练好的CNN缺陷分类智能识别算法对缺陷进行智能分类,输出识别裂纹分别为腐蚀(corrosion),裂纹(crack)和不规则裂纹(irregular),如图7所示。
若分类结果为裂纹,利用裂纹两个端点绘制裂纹,得到裂纹长度为17.5mm,如图8所示;
若分类结果为腐蚀缺陷,如图9所示,利用灰度图中Bz超过阈值部分所占的比例k=0.0506乘以栅格扫查区域总面积D=40mm×40mm=1600mm2,得到缺陷实际面积S=0.0506×1600=81mm2,腐蚀缺陷的实际面积为78.5mm2,测量误差为3.1%,达到了较高的测量精度;
若分类结果为不规则裂纹,将该不规则裂纹各段的端点连接起来得到裂纹走向形貌如图10。基于智能分类结果实现缺陷的分类评估。
该方法能够利用ACFM技术实现水下结构物缺陷自动实现缺陷的自动判定、智能识别和分类评估,提高交流电磁场检测技术在水下结构物缺陷检测的智能化、可视化和检测精度,具有良好的工程应用价值。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (4)
1.一种交流电磁场缺陷在线智能判定与分类识别方法,其特征在于,包括步骤三:
利用事先训练好的CNN抖动判定智能识别算法对步骤二中大于等于阈值N的缺陷蝶形图信号进行智能抖动判定,如果判断结果为是缺陷,进入步骤四。
还包括步骤五:
利用事先训练好的CNN缺陷分类智能识别算法对缺陷进行智能分类,如果分类结果为裂纹,则利用裂纹两个端点绘制裂纹,得到裂纹长度;如果分类结果为腐蚀缺陷,则利用灰度图中Bz超过阈值部分所占的比例k乘以栅格扫查区域总面积D,得到缺陷实际面积S;如果分类结果为不规则裂纹,则将不规则裂纹各段的端点连接起来得到裂纹走向形貌。
2.根据权利要求1所述的交流电磁场缺陷在线智能判定与分类识别方法,其特征在于,包括步骤一:
利用交流电磁场检测探头在试件表面直线扫查,获取试件表面X方向磁场信号Bx和Z方向磁场信号Bz。
3.根据权利要求1所述的交流电磁场缺陷在线智能判定与分类识别方法,其特征在于,包括步骤二:
预先设定阈值N,若X方向磁场信号Bx、Z方向磁场信号Bz小于阈值N,则不判定为缺陷,若X方向磁场信号Bx、Z方向磁场信号Bz大于等于阈值N,则判定为缺陷并保存蝶形图,进入步骤三。
4.根据权利要求1所述的交流电磁场缺陷在线智能判定与分类识别方法,其特征在于,包括步骤四:
利用交流电磁场检测探头对试件进行栅格扫查,获得X方向磁场信号Bx和Z方向磁场信号Bz,绘制Z方向磁场信号Bz梯度的灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010020464.4A CN111189906B (zh) | 2020-01-09 | 2020-01-09 | 交流电磁场缺陷在线智能判定与分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010020464.4A CN111189906B (zh) | 2020-01-09 | 2020-01-09 | 交流电磁场缺陷在线智能判定与分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111189906A true CN111189906A (zh) | 2020-05-22 |
CN111189906B CN111189906B (zh) | 2023-09-29 |
Family
ID=70708124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010020464.4A Active CN111189906B (zh) | 2020-01-09 | 2020-01-09 | 交流电磁场缺陷在线智能判定与分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111189906B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074513A (zh) * | 2023-10-13 | 2023-11-17 | 中国石油大学(华东) | 一种基于交流电磁场的缺陷识别方法及阵列检测探头 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1425914A (zh) * | 2003-01-17 | 2003-06-25 | 清华大学 | 一种应力或疲劳造成的活动缺陷的检测方法 |
CN101701934A (zh) * | 2009-11-16 | 2010-05-05 | 中国石油大学(华东) | Acfm缺陷智能可视化检测系统 |
CN103196989A (zh) * | 2013-02-25 | 2013-07-10 | 中国石油大学(华东) | 一种基于旋转磁场的acfm不同角度裂纹检测系统 |
CN106248782A (zh) * | 2016-09-18 | 2016-12-21 | 中国石油大学(华东) | 一种深海智能存储交流电磁场检测系统及缺陷判定方法 |
CN110231394A (zh) * | 2019-06-19 | 2019-09-13 | 中国石油大学(华东) | 基于交流电磁场的非铁磁性材料不规则裂纹成像方法 |
CN110243923A (zh) * | 2019-06-19 | 2019-09-17 | 中国石油大学(华东) | 基于交流电磁场的腐蚀缺陷可视化成像及评估方法 |
CN110243922A (zh) * | 2019-06-19 | 2019-09-17 | 中国石油大学(华东) | 铁磁性材料不规则裂纹acfm可视化成像方法 |
CN110514734A (zh) * | 2019-08-12 | 2019-11-29 | 广东工业大学 | 一种复合磁场磁光成像无损检测系统及方法 |
-
2020
- 2020-01-09 CN CN202010020464.4A patent/CN111189906B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1425914A (zh) * | 2003-01-17 | 2003-06-25 | 清华大学 | 一种应力或疲劳造成的活动缺陷的检测方法 |
CN101701934A (zh) * | 2009-11-16 | 2010-05-05 | 中国石油大学(华东) | Acfm缺陷智能可视化检测系统 |
CN103196989A (zh) * | 2013-02-25 | 2013-07-10 | 中国石油大学(华东) | 一种基于旋转磁场的acfm不同角度裂纹检测系统 |
CN106248782A (zh) * | 2016-09-18 | 2016-12-21 | 中国石油大学(华东) | 一种深海智能存储交流电磁场检测系统及缺陷判定方法 |
CN110231394A (zh) * | 2019-06-19 | 2019-09-13 | 中国石油大学(华东) | 基于交流电磁场的非铁磁性材料不规则裂纹成像方法 |
CN110243923A (zh) * | 2019-06-19 | 2019-09-17 | 中国石油大学(华东) | 基于交流电磁场的腐蚀缺陷可视化成像及评估方法 |
CN110243922A (zh) * | 2019-06-19 | 2019-09-17 | 中国石油大学(华东) | 铁磁性材料不规则裂纹acfm可视化成像方法 |
CN110514734A (zh) * | 2019-08-12 | 2019-11-29 | 广东工业大学 | 一种复合磁场磁光成像无损检测系统及方法 |
Non-Patent Citations (5)
Title |
---|
孙长保;胡春阳;董艳冲;: "基于交流电磁场检测技术的裂纹缺陷信号识别方法", no. 07 * |
李伟: "基于交流电磁场的缺陷智能可视化检测技术研究", pages 022 - 34 * |
李伟;刘凤;陈国明;李准;张达;: "交流电磁场检测探头材料仿真分析与实验研究", no. 05 * |
李伟;袁新安;曲萌;陈国明;葛玖浩;孔庆晓;张雨田;吴衍运;: "基于GA-BP神经网络的ACFM实时高精度裂纹反演算法", no. 05 * |
李伟;陈国明;郑贤斌;: "基于广义回归神经网络的交流电磁场检测裂纹量化研究", no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074513A (zh) * | 2023-10-13 | 2023-11-17 | 中国石油大学(华东) | 一种基于交流电磁场的缺陷识别方法及阵列检测探头 |
CN117074513B (zh) * | 2023-10-13 | 2023-12-15 | 中国石油大学(华东) | 一种基于交流电磁场的缺陷识别方法及阵列检测探头 |
Also Published As
Publication number | Publication date |
---|---|
CN111189906B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110243923B (zh) | 基于交流电磁场的腐蚀缺陷可视化成像及评估方法 | |
US5345514A (en) | Method for inspecting components having complex geometric shapes | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN110208806B (zh) | 一种航海雷达图像降雨识别方法 | |
CN110231394B (zh) | 基于交流电磁场的非铁磁性材料不规则裂纹成像方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN113390955B (zh) | 交流电磁场裂纹可视化监测与评估方法 | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
CN110766095A (zh) | 基于图像灰度特征的缺陷检测方法 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN107121496B (zh) | 一种水浸式超声检测用储罐底板腐蚀评价实验系统及方法 | |
EP3951381B1 (en) | Non-destructive testing method and device for testing and distinguishing internal and external defects of steel wire rope | |
CN112284260A (zh) | 一种视觉位移监测方法、设备和系统 | |
CN114298983A (zh) | 一种防腐层缺陷智能识别与测量方法 | |
CN115082444B (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
CN110568082A (zh) | 一种基于声发射信号的缆索断丝的判别方法 | |
CN111178392A (zh) | 基于深度神经网络的航空发动机孔探图像损伤分割方法 | |
CN111189906B (zh) | 交流电磁场缺陷在线智能判定与分类识别方法 | |
KR102189951B1 (ko) | 이미지 분석을 이용한 선박 도장상태 검사 시스템 및 방법 | |
CN116990229A (zh) | 一种产品镀铜层表面的缺陷检测方法及系统 | |
CN115272331B (zh) | 基于图像处理的瓦楞纸质量检测方法 | |
CN116183622A (zh) | 一种基于点云信息的地铁渗漏水检测方法 | |
CN113393440B (zh) | 基于磁光成像的焊缝缺陷自动增强及识别方法 | |
Han et al. | Damage detection of quayside crane structure based on improved faster R-CNN | |
CN112233098A (zh) | 一种水利风险评估方法及系统 |
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 |