葉片氣膜孔加工缺陷的DR數(shù)字成像自動檢測方法

劉 濤, 石 玗, 李春凱, 孫忠誠,3, 滿月娥, 呂 健

(1. 中國航發(fā)南方工業(yè)有限公司 無損檢測中心, 湖南 株洲 412002; 2. 蘭州理工大學 省部共建有色金屬先進加工與再利用國家重點實驗室甘肅 蘭州 7300502; 3. 蘭州瑞奇戈德測控技術(shù)有限公司, 甘肅 蘭州 730010)

近年來，隨著航空發(fā)動機技術(shù)的快速發(fā)展和渦輪葉片、擴壓器、火焰筒等關(guān)鍵部件所承受工作溫度的進一步提高，對上述部件的承溫能力和冷卻效率也提出了更為苛刻的要求[1-3].其中，葉片作為與高溫高壓燃氣直接接觸并反復做功的主要動力部件之一[3-6]，其承溫能力和冷卻效率對整個發(fā)動機性能的可靠性及穩(wěn)定性起著至關(guān)重要的作用.為避免葉片在高溫高壓下發(fā)生服役性能下降乃至失效、斷裂等安全事故，設(shè)計和生產(chǎn)中通常采用氣膜孔冷卻結(jié)構(gòu)來降低葉片基體的工作溫度[7-8].因而，如何保證氣膜孔的加工精度和內(nèi)部缺陷的精確識別尤為重要.

氣膜孔主要通過電火花、電液束及飛秒激光等加工手段來獲得[8-11].受制于葉片型號的多樣性和內(nèi)部結(jié)構(gòu)的復雜性，加工過程很難避免內(nèi)部缺陷的產(chǎn)生.在實際生產(chǎn)中，主要通過X射線膠片照相法對其內(nèi)部缺陷進行檢測.然而膠片照相法也存在明顯的先天不足.主要體現(xiàn)在以下幾點：

1) 膠片照相法所采用的單角度透照工藝無法實現(xiàn)葉片內(nèi)部氣膜孔的全覆蓋透照，極易出現(xiàn)缺陷漏檢、誤判；

2) 檢測效率低、檢測周期長，對操作人員的經(jīng)驗技能要求極高；

3) 膠片照相法柔性化智能化程度低，難以實現(xiàn)自動化、智能化實時在線監(jiān)測.

綜上所述，對于氣膜孔的無損檢測技術(shù)而言，開發(fā)一種能夠?qū)崿F(xiàn)缺陷自動檢測及識別的方法成為了亟待解決的關(guān)鍵技術(shù)難題.針對上述難題，提出了一種基于DR數(shù)字成像技術(shù)的葉片尾緣氣膜孔缺陷檢測方法；通過研究DR數(shù)字圖像與膠片圖像的等效性、透照角度對缺陷識別精度、靈敏性影響規(guī)律及檢測工藝優(yōu)化、缺陷智能識別算法等關(guān)鍵技術(shù)，實現(xiàn)葉片尾緣氣膜孔缺陷的智能識別.

1 XX型葉片結(jié)構(gòu)特征和DR數(shù)字成像檢測設(shè)備

1.1 XXX型葉片結(jié)構(gòu)特征分析

葉片選用中國航發(fā)南方工業(yè)有限公司生產(chǎn)的XXX型葉片.圖1為該型葉片三維結(jié)構(gòu)示意圖.該型葉片為異形曲面結(jié)構(gòu)且尾緣氣膜孔空間位置變化大.

1.2 DR數(shù)字成像檢測設(shè)備及工藝

考慮到該型葉片尾緣氣膜孔結(jié)構(gòu)為異形曲面且氣膜孔空間位置差異性較大，設(shè)計了7自由度X射線數(shù)字成像檢測系統(tǒng)，該系統(tǒng)能夠360°范圍內(nèi)采集并獲取尾緣氣膜孔透照數(shù)字圖像.葉片夾持工裝和檢測設(shè)備如圖2所示.設(shè)備配置見表1.

圖2 X射線數(shù)字成像檢測系統(tǒng)Fig.2 X-ray digital radiography detection system

表1 設(shè)備參數(shù)Tab.1 Equipment parameter

1.3 DR數(shù)字成像替代膠片成像等效性分析

由于DR數(shù)字成像技術(shù)采用DDA探測器，其成像原理與膠片技術(shù)存在顯著差異.需對該方法替代傳統(tǒng)膠片技術(shù)識別氣膜孔缺陷的等效性進行研究.

考慮到影響圖像缺陷識別能力的因素主要由圖像分辨率、對比靈敏度、圖像歸一化信噪比決定，因此從上述三方面評價指標對葉片氣膜孔DR數(shù)字圖像與膠片圖像的等效性進行分析.上述三個評價指標通過像質(zhì)計進行測定和表征.膠片照相技術(shù)所選用的曝光條件為：采用愛克發(fā)D2膠片，膠片系統(tǒng)等級為C1/Special，在150 kV、5 mA、0.027 mm Pb F/B 增感屏、1000 mm FDD條件下曝光330 s(曝光量為342 mGy)；加工條件為：使用AGFA NDT-S洗片機，顯影時間8 min.數(shù)字化條件為：膠片采用Primescan 7100鼓式掃描儀對膠片進行數(shù)字化，像素中心距為10 μm、光圈21 μm，平均像素尺寸低至50 μm(ISO 14096，DS-8)，掃描圖像灰度范圍16 bit.DR成像技術(shù)的設(shè)備指標見表1.

圖3為膠片照相法和DR數(shù)字成像技術(shù)獲取的的葉片圖像.對內(nèi)部部分區(qū)域進行了遮擋，保留葉片尾緣氣膜孔區(qū)域.

圖3 膠片照相技術(shù)與DR成像技術(shù)檢測圖像Fig.3 Detection image of film photography and digital radiography

圖4、圖5分別為兩種成像技術(shù)下雙絲像質(zhì)計的對比度和線型像質(zhì)計的對比度.可以看出膠片圖像與DR數(shù)字圖像的雙絲像質(zhì)對比度相差不大、分別為32.5%和22.4%，因而兩種技術(shù)的圖像分辨率指標基本一致，都可標記為13D+；線型像質(zhì)計的對比度則出現(xiàn)了明顯的差異，膠片法和DR數(shù)字圖像可識別的16#鋼絲直徑分別為0.1 mm和0.05 mm，對應(yīng)的靈敏度分別為1.3%和0.6%，這表明DR數(shù)字圖像的對比靈敏度優(yōu)于膠片圖像3個像質(zhì)計等級；圖像歸一化信噪比以基本空間分辨率為50 μm進行計算，膠片法與DR數(shù)字圖像技術(shù)分別為296和1 081，DR數(shù)字成像明顯優(yōu)于膠片成像.

圖4 雙絲像質(zhì)計對比度

圖5 線型像質(zhì)計對比度Fig.5 Contrast of linear image quality meter

綜上所述，與膠片照相技術(shù)相比，DR數(shù)字成像技術(shù)在圖像歸一化信噪比、圖像分辨率兩方面要優(yōu)于膠片法且在曝光時間上遠遠低于膠片，這表明DR數(shù)字成像技術(shù)能夠替代膠片照相技術(shù).

1.4 DR數(shù)字成像工藝仿真

通過1.1節(jié)對葉片結(jié)構(gòu)及氣膜孔空間分布位置分析可知，膠片照相法所采用的單一透照角度無法實現(xiàn)葉片內(nèi)部氣膜孔的全覆蓋透照且極易出現(xiàn)缺陷誤判和漏檢.DR數(shù)字成像技術(shù)可實現(xiàn)多角度透照，但不同透照角度對缺陷識別的影響規(guī)律及如何選取透照工藝需進行研究和分析.

為了定性研究透照角度對缺陷識別的影響規(guī)律，首先利用三維設(shè)計軟件在葉片模型中植入了未打通、打偏、損傷內(nèi)壁三類典型缺陷，并對0°～360°旋轉(zhuǎn)角度下透視圖像進行了分析.在仿真中規(guī)定垂直于尾緣氣膜孔軸面為0°，逆時針旋轉(zhuǎn).

圖6為透照角度為0°、12°、20°、30°時的透照圖像，從上到下依次未打通、孔打偏、損傷內(nèi)壁缺陷.從圖中可以看出，對于未打通和損傷內(nèi)壁缺陷而言，所有旋轉(zhuǎn)角度下均可實現(xiàn)缺陷特征的識別，但在透照角度垂直于尾緣氣膜孔軸面(即旋轉(zhuǎn)角度為0°)時上述兩種缺陷特征最為明顯；對于孔打偏缺陷而言，在0°和12°時容易誤判為未打通缺陷.

圖6 不同角度下模擬透視圖像

通過上述分析，在實際檢測工藝中未打通和損傷內(nèi)壁缺陷的最佳透照角度為垂直于尾緣氣膜孔軸面；而孔打偏缺陷需要通過多角度透照才能準確識別.

2 深度學習神經(jīng)網(wǎng)絡(luò)缺陷智能識別

2.1 神經(jīng)網(wǎng)絡(luò)缺陷識別模型構(gòu)建

為實現(xiàn)葉片氣膜孔缺陷的自動識別，利用深度學習神經(jīng)網(wǎng)絡(luò)算法和模型開發(fā)了一套缺陷智能識別系統(tǒng).構(gòu)建該智能系統(tǒng)的主要流程包含以下四個部分和步驟：

1) 樣本獲取.在所設(shè)計的專用X射線數(shù)字成像檢測系統(tǒng)上，對100件含有三類典型氣膜孔缺陷的葉片進行了檢測.采用靜態(tài)檢測法，即葉片每旋轉(zhuǎn)0.25°采集1幅積分圖像，每個葉片共采集1 440張靜態(tài)檢測圖像，采集圖像分辨率為1 012×1 024.圖7為旋轉(zhuǎn)角度為0°獲取的一幅典型葉片X射線數(shù)字圖像；

圖7 透照角度為0°的數(shù)字圖像

2) 缺陷人工標注.對所采集的部分葉片透照圖像(約200張)樣本內(nèi)的三類典型缺陷進行人工標注(如圖8所示)；

圖8 葉片氣膜孔缺陷的人工標注Fig.8 Air film holes defects marked by manual work

3) 模型訓練.選用Faster R-CNN模型作為葉片缺陷識別的深度學習神經(jīng)網(wǎng)絡(luò)模型.模型分為三部分：特征提取、候選框生成、位置回歸分類.采用“模型訓練-目標自動標注-人工標注修正-模型更新”的迭代運行方式實現(xiàn)模型訓練.

第一步：將一定數(shù)量(約200張)的葉片缺陷人工標注圖像(整幅圖像)作為輸入，訓練得到葉片缺陷自識別模型；

第二步：將一定數(shù)量的未標注圖像輸入到第一步中訓練的葉片缺陷自識別模型中進行缺陷識別，獲取系統(tǒng)自動標住缺陷結(jié)果；

第三步：對第二步得到的自動標住缺陷進行人工審核修正，得到修正后的缺陷標注圖像；

第四步：將修正后的缺陷標注圖像作為輸入，重新訓練缺陷自識別模型，得到精度更好的自識別模型；

第五步：自動識別效果若不理想，重復第一步至第四步，直到模型精度達到理想.

4) 模型評估和系統(tǒng)測試.在所訓練卷積神經(jīng)網(wǎng)絡(luò)缺陷預測模型的基礎(chǔ)上，利用一定數(shù)量未標注的葉片透照圖像樣本對模型的識別能力進行測試.

2.2 系統(tǒng)測試

在所訓練的深度學習模型基礎(chǔ)上，隨機選取了未標注的12 000張葉片氣膜孔透照圖像進行缺陷自動化智能標注與識別，并對該識別系統(tǒng)的識別率和識別時間進行測試.圖9為自動識別和標注的一張葉片透照圖像中的典型損傷內(nèi)壁缺陷.通過測試發(fā)現(xiàn)，該系統(tǒng)對上述三類缺陷的識別準確率能夠達到86%，單幅圖像的識別時間約0.2 s.目前，尾緣氣膜孔缺陷自動識別還不能達到90%以上，這主要受制于現(xiàn)階段人工標注缺陷樣本數(shù)量的限制.后續(xù)需要通過增加缺陷樣本人工標注數(shù)量來改善系統(tǒng)的識別率.

圖9 自動識別的葉片尾緣氣膜孔缺陷Fig.9 Air film holes defects marked by artificial intelligence

3 結(jié)論

1) 與膠片照相技術(shù)相比，DR數(shù)字成像技術(shù)在圖像歸一化信噪比、圖像分辨率兩方面要優(yōu)于膠片法且在曝光時間上遠遠低于膠片，DR數(shù)字成像技術(shù)能夠替代膠片照相技術(shù).

2) 未打通和損傷內(nèi)壁缺陷的最佳透照角度為垂直于尾緣氣膜孔軸面；而孔打偏缺陷需要通過多角度透照才能準確識別.

3) 該系統(tǒng)對單幅圖像缺陷的識別時間僅為0.2 s且缺陷識別率高達86%.

致謝：本文得到蘭州理工大學紅柳優(yōu)秀青年人才支持計劃的資助，在此表示感謝.