激光超聲結(jié)合CNN的鑄件缺陷檢測(cè)方法

魏博文,高煒欣,劉夢(mèng)溪

(1.西安石油大學(xué)電子工程學(xué)院,陜西 西安 710065；2.西安石油大學(xué) 陜西省油氣井測(cè)控技術(shù)重點(diǎn)實(shí)驗(yàn)室,陜西 西安 710065)

1 引 言

金屬鑄件在工程使用過程中,常因高強(qiáng)度的負(fù)荷使得鑄件損傷,并且鑄件所處的惡劣環(huán)境也會(huì)使得鑄件表面發(fā)生無法挽回的損傷,嚴(yán)重的損傷甚至導(dǎo)致鑄件無法使用。這些損傷在工業(yè)環(huán)境中是常見的問題,例如管道在使用過程中受到腐蝕而腐蝕開裂[1]。裂紋的存在不僅使鑄件失效,嚴(yán)重的還會(huì)引發(fā)安全問題,侵害社會(huì)的安全和經(jīng)濟(jì),因此需要對(duì)這些問題進(jìn)行可靠性檢測(cè)。

無損檢測(cè)技術(shù)(Nondestructive testing technology,NDT)可以探測(cè)鑄件在制造與使用過程中的缺陷問題,從而為社會(huì)帶來可觀的安全效益和經(jīng)濟(jì)效益[2]。NDT是以保障鑄件完好無損為前提,應(yīng)用光、電、磁、聲等多種物理現(xiàn)象進(jìn)行多種缺陷檢測(cè)的綜合性技術(shù)。如今非接觸式NDT方法有很多,如:靜電耦合超聲無損檢測(cè)、空氣耦合超聲無損檢測(cè)[3]、電磁超聲無損檢測(cè)、激光超聲無損檢測(cè)[4],4種NDT對(duì)比如表1所示。

表1 無損檢測(cè)技術(shù)對(duì)比

通過對(duì)比發(fā)現(xiàn)激光超聲無損檢測(cè)技術(shù)無論是在缺陷檢測(cè)方面、適用范圍還是效率上都很出色。目前已有研究人員應(yīng)用該技術(shù)取得了較好的缺陷識(shí)別成果,如:趙景超[5]等將樣品被測(cè)前后的全息干涉條紋激光超聲圖像進(jìn)行數(shù)值再現(xiàn),再利用MATLAB軟件對(duì)圖像進(jìn)行疊加干涉從而判斷出是否存在缺陷；王余敬[6]等利用分離譜技術(shù)將樣品表面不同裂紋下的回?fù)苄盘?hào)進(jìn)行特征提取,再使用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)來對(duì)裂紋進(jìn)行識(shí)別；曾偉等提出利用Wingner-Vile算法分類處理透射波傳播圖像,實(shí)現(xiàn)對(duì)樣本缺陷位置、大小和形狀的檢測(cè)；熊繼濤[7]等使用激光超聲換能器對(duì)樣本激勵(lì)出Lamb波,再對(duì)接收的反射信號(hào)進(jìn)行延時(shí)疊加,實(shí)現(xiàn)對(duì)缺陷的定位；金小波[8]等將激光超聲技術(shù)結(jié)合編程和軟件TeeChart圖形顯示空間達(dá)到對(duì)接收信號(hào)的可視化,以此達(dá)到缺陷檢測(cè)目的?？梢?激光超聲無損檢測(cè)技術(shù)對(duì)鑄件進(jìn)行無損檢測(cè)方面是可行的。本文在激光超聲檢測(cè)技術(shù)的基礎(chǔ)上,提出使用結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對(duì)采集的圖像進(jìn)行快速高效的缺陷識(shí)別。

2 激光超聲檢測(cè)技術(shù)

激光超聲無損檢測(cè)技術(shù)以不損害被檢測(cè)對(duì)象的使用性能及微觀結(jié)構(gòu)為前提,使用脈沖激光在被測(cè)構(gòu)件中產(chǎn)生超聲應(yīng)力脈沖。這一應(yīng)力脈沖能夠在同一時(shí)間內(nèi)激發(fā)出波形不同的超聲波信號(hào),超聲信號(hào)會(huì)傳播被測(cè)構(gòu)件的各項(xiàng)信息,再通過檢測(cè)超聲信號(hào)的反射、散射和衰減情況,進(jìn)行缺陷特征描述。本文采用基于熱彈機(jī)制的激光超聲可視化檢測(cè)儀如圖1進(jìn)行檢測(cè)。

圖1 激光超聲可視化檢測(cè)儀

激光超聲可視化檢測(cè)儀主要分為激光發(fā)射控制器、超聲波探頭和激光超聲檢測(cè)設(shè)備控制三部分。激光發(fā)射控制器對(duì)被測(cè)鑄件產(chǎn)生激勵(lì),通過超聲波探頭接收信號(hào),激光超聲檢測(cè)設(shè)備再對(duì)信號(hào)進(jìn)行波形采集、可視化。檢測(cè)原理如圖2所示。

圖2 激光超聲原理圖

激光超聲可視化檢測(cè)儀波長(zhǎng)1064 nm,最大功率650 μJ,最小脈寬7 ns。實(shí)驗(yàn)中通過設(shè)定激勵(lì)掃描范圍、延遲、采樣率、激勵(lì)電壓、數(shù)據(jù)長(zhǎng)度和檢測(cè)速度等來達(dá)到圖像獲取的目的。所有參數(shù)設(shè)定完畢后激光超聲發(fā)射器將按照預(yù)先設(shè)定的掃描范圍進(jìn)行自上而下、自左至右(Y軸→X軸)的檢測(cè),設(shè)備通過探頭接收信號(hào)并對(duì)該信號(hào)進(jìn)行A/D轉(zhuǎn)換,最終經(jīng)過處理,獲得最大振幅圖。

3 最大振幅圖采集與處理

激光超聲可視化檢測(cè)儀對(duì)鑄件進(jìn)行掃描時(shí),缺陷處質(zhì)點(diǎn)和無缺陷處質(zhì)點(diǎn)會(huì)出現(xiàn)驟變的波動(dòng),這種驟變必然會(huì)導(dǎo)致信號(hào)振幅的變化,如此經(jīng)過一系列處理便可獲得最大振幅圖。實(shí)驗(yàn)中對(duì)缺陷鑄件進(jìn)行圖像采集,如圖3所示為部分缺陷鑄件樣本圖像,途中所示缺陷鑄件規(guī)格為200 mm×100 mm×5 mm,其中方孔缺陷大小為5 mm×5 mm；圓孔缺陷直徑為5 mm。本次實(shí)驗(yàn)共采集圖像400張,其中無缺陷圖像100張,缺陷圖像300張,圖4為部分最大振幅圖像圖像。

圖3 鑄件圖像

圖4 部分樣本圖像

考慮到實(shí)驗(yàn)只需對(duì)最大振幅圖像進(jìn)行是否存在缺陷的判斷,為了簡(jiǎn)化實(shí)驗(yàn),提高檢測(cè)效率,完善CNN架構(gòu),在最大振幅圖像識(shí)別之前先進(jìn)行圖像預(yù)處理。預(yù)處理即將三通道最大震幅圖像通過灰度化轉(zhuǎn)換成為單通道的灰度圖像,再將灰度化的圖像統(tǒng)一分辨率,統(tǒng)一成為100×100的格式?；叶然捎镁祷叶然@一方式,如公式(1)所示:

f(i,j)=(R(i,j)+G(i,j)+B(i,j))/3

(1)

其中,i,j代表圖像同一通道下的位置；R、G和B代表三個(gè)通道即紅色、綠色和藍(lán)色,通過計(jì)算將三個(gè)通道的像素值進(jìn)行平均后再輸出為一個(gè)灰度化的圖像。如圖5所示。

圖5 灰度化樣本圖像

通過對(duì)圖5進(jìn)行分析可以發(fā)現(xiàn)由于圖像噪聲干擾較大,一般的圖像處理手段難以確定最大振幅圖是否存在缺陷,因此本文提出用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)圖像進(jìn)行識(shí)別。

4 卷積神經(jīng)網(wǎng)絡(luò)及其架構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)[9](Convolutional Neural Network,CNN)通過卷積核(filter)將圖像進(jìn)行加權(quán)求和再加偏置的方式進(jìn)行輸出,每一次計(jì)算都可視為將輸入圖像依據(jù)filter大小分為一個(gè)個(gè)小的圖像再進(jìn)行計(jì)算輸出為輸出圖像的一個(gè)個(gè)像素點(diǎn)。CNN的神經(jīng)元通過響應(yīng)周圍單元,能夠快速、高效的完成圖像處理工作[10-11]。CNN不僅可以更改感受野的大小,而且它的池化層(下采樣結(jié)構(gòu))可以在不影響特征識(shí)別的前提下極大的減少參數(shù)量,以此提高識(shí)別速度。相較一般的圖像處理技術(shù)[12],CNN獨(dú)特的圖像處理方式不僅為圖像處理技術(shù)提供了新的思路,更為圖像處理技術(shù)帶來了突飛猛進(jìn)的發(fā)展。

4.1 卷積層

卷積是CNN中的一種提取輸入圖像特征的方法,是一種使用一個(gè)正方形卷積核遍歷輸入圖像,將重合部分進(jìn)行加權(quán)求和再加偏置[13]的方法。將計(jì)算的像素值作為輸出圖像的像素值,以此類推將一張圖片遍歷完成即可完成一次輸出。如公式(2)及圖6所示。

圖6 卷積層計(jì)算

(2)

式中,Nout為輸出圖像長(zhǎng)寬;Nin為輸入圖像長(zhǎng)寬;p為padding大小;k為filter大小;s為stride大小。

由于CNN作為一個(gè)實(shí)踐遠(yuǎn)超理論的研究,目前CNN卷積層設(shè)置層數(shù)大多是基于經(jīng)驗(yàn)或者通過實(shí)驗(yàn)驗(yàn)證得到,通過閱讀文獻(xiàn)發(fā)現(xiàn)Cao Xudong[14]關(guān)于卷積層設(shè)置層數(shù)的結(jié)論,這里做一引用,文章中提出CNN滿足2個(gè)約束條件并使用公式(3)可使卷積層層數(shù)最大化在不浪費(fèi)算力時(shí)間的基礎(chǔ)上取得較好的識(shí)別精度。

(3)

式中,z為輸入圖像長(zhǎng)寬；m為卷積層層數(shù)；k為filter大?。籺為固定值1/6。應(yīng)用公式(3)通過計(jì)算得到m即卷積層設(shè)置層數(shù)為3,并設(shè)置2層卷積層作為對(duì)照。

4.2 卷積核

Filter是提取輸入圖像特征的關(guān)鍵,filter的結(jié)構(gòu)為W×D×C×N,分別對(duì)應(yīng)長(zhǎng)寬高數(shù)量,屬于人為設(shè)置,通常長(zhǎng)寬相等,C是圖像通道數(shù)channel,N是filter個(gè)數(shù)。為了提高識(shí)別效率,前文已經(jīng)講述將樣本圖像進(jìn)行灰度化預(yù)處理,所以輸入圖像的通道數(shù)為1。由于filter大小只有大于1時(shí)才具有提升感受野的作用,所以通常filter不取1；由于偶數(shù)的filter會(huì)造成特征偏移從而影響識(shí)別效果,所以通常filter均為單數(shù)；通過對(duì)圖5分析發(fā)現(xiàn),最大振幅圖中缺陷處像素點(diǎn)會(huì)發(fā)生梯度變化,于是此處可以引入邊緣檢測(cè)法[15]來對(duì)圖像進(jìn)行識(shí)別。邊緣檢測(cè)法分為3種梯度變化,即水平、垂直和傾斜三種,其公式分別為:

水平梯度:

(4)

垂直梯度:

(5)

傾斜梯度:

(6)

通過引入梯度變化設(shè)置3個(gè)filter,分別檢測(cè)輸入圖像中的3種梯度變化。綜上實(shí)際filter設(shè)置見表3。

4.3 池化層

池化層[16-17]作為降采樣的一種方式,常用方法有最大池化、最小池化和均值池化3種方式。因?yàn)?種方式中最大池化能夠保留輸入圖像信息的最大值,在提取特征時(shí)可以保留更多細(xì)節(jié),所以實(shí)驗(yàn)選擇最大池化方式。最大池化方式如圖7所示。實(shí)驗(yàn)中將卷積層與池化層設(shè)置為一一對(duì)應(yīng)的關(guān)系,即選擇3層池化層,且設(shè)置2層池化層與之對(duì)照。池化層計(jì)算方式同公式(2),此處不做贅述。

圖7 最大池化

4.4 激活函數(shù)

激活函數(shù)[18]的作用時(shí)給CNN計(jì)算加入非線性因素,如果在CNN中不適用激活函數(shù)將導(dǎo)致每一層的計(jì)算都有關(guān)聯(lián)從而使最后一層的輸出和第一層的輸入具有線性關(guān)系。由于缺陷檢測(cè)僅用計(jì)算機(jī)對(duì)圖像做出是否存在缺陷的判斷,而Sigmoid函數(shù)在這種二分類問題上使用的最多,同時(shí)求導(dǎo)的特殊性,便于反向傳播過程的計(jì)算,故使用Sigmoid函數(shù)作為激活函數(shù)。公式(7)為Sigmoid函數(shù),公式(8)為其求導(dǎo),Sigmoid圖像如圖8所示。

圖8 激活函數(shù)Sigmoid

(7)

f′(x)=f(x)*(1-f(x))

(8)

4.5 前向與反向傳播

前向傳播即CNN的正向傳播,將輸入層的值通過卷積計(jì)算傳送給下一層,直至輸出層。反向傳播即通過將正向傳播的值與期望值做對(duì)比將誤差方向傳輸給filter,不斷地更新filter的權(quán)重,直至輸出與期望值的誤差達(dá)到預(yù)期目的。表2列舉符號(hào)及釋義。

表2 符 號(hào)

4.5.1 損失函數(shù)

文章中使用最直觀的損失函數(shù)[19]:均方差損失函數(shù)[20](Mean Square Error,MSE),如式(9)所示計(jì)算a的第l層損失函數(shù)。

(9)

4.5.2 前向傳播

CNN前向計(jì)算如圖6所示,即對(duì)輸入層進(jìn)行加權(quán)求和,其公式如下：

a=w×x+b

(10)

對(duì)公式(10)進(jìn)行非線性化即得到激活函數(shù)Sigmoid如下:

z=f(a)

(11)

3.5.3 反向傳播

反向傳播的核心是計(jì)算w和b的梯度變化,為簡(jiǎn)化計(jì)算,設(shè)置中間量δl即對(duì)第l層的z求偏導(dǎo),其公式如(12)所示。

(12)

由于CNN前向計(jì)算中卷積層和池化層的計(jì)算并不相同,所以在反向傳輸過程中他們的反向傳播計(jì)算也不相同。

已知池化層的δl推導(dǎo)上一層的δl-1如公式(13),其中unsample如公式(14),其中Nout為輸出,Nin為輸入,s為步長(zhǎng),f為卷積核大小,p為填充。

δl-1=unsample(δl)⊙f′(zl-1)

(13)

Nout=s(Nin-1)+k-2p

(14)

已知卷積層的δl,推導(dǎo)上一層的δl-1如公式(15)所示,其中rot180的意思是卷積核被反轉(zhuǎn)了180°。

δl-1=δl×rot180(wl)⊙f′(zl-1)

(15)

至此可以計(jì)算卷積層的w和b,由于池化層并沒有w和b,故不需計(jì)算,如公式(16)和(17):

(16)

(17)

式中,由于δl是高維張量,而b只是一個(gè)向量,所以需要將δl的各個(gè)子矩陣的項(xiàng)分別求和,得到一個(gè)誤差向量,即是b的梯度。

4.6 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

綜上所述設(shè)計(jì)實(shí)驗(yàn)所用CNN架構(gòu),其中數(shù)據(jù)如表3所示,架構(gòu)圖示如圖9所示。

表3 CNN數(shù)據(jù)

圖9 CNN架構(gòu)

5 實(shí)驗(yàn)與分析

為了得到更為詳盡的實(shí)驗(yàn)數(shù)據(jù),并且對(duì)比出符合實(shí)驗(yàn)要求的結(jié)果。實(shí)驗(yàn)中對(duì)相同的樣本設(shè)置不同的參數(shù)來進(jìn)行對(duì)比,共進(jìn)行4個(gè)大組進(jìn)行對(duì)照。對(duì)照組(1)為卷積層層數(shù)設(shè)置為2,卷積核長(zhǎng)寬設(shè)置為3；對(duì)照組(2)為卷積層層數(shù)設(shè)置為3,卷積核長(zhǎng)寬設(shè)置為3；對(duì)照組(3)為卷積層層數(shù)設(shè)置為2,卷積核長(zhǎng)寬設(shè)置為5；對(duì)照組(4)卷積層層數(shù)設(shè)置為3,卷積核長(zhǎng)寬設(shè)置為5。其中每一組中又將樣本分為四組以保障實(shí)驗(yàn)數(shù)據(jù)的真實(shí)性。表4為16組實(shí)驗(yàn)識(shí)別率。圖10為16組識(shí)別率散點(diǎn)圖。

圖10 樣本識(shí)別率散點(diǎn)圖

表4 樣本識(shí)別率

通過對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行整理,對(duì)比不同組數(shù)據(jù)中因?yàn)榫矸e層數(shù)不同、卷積核大小不同以及參數(shù)量不同對(duì)識(shí)別率產(chǎn)生的影響,表5為4大組平均識(shí)別率、表6為卷積層相同卷積核大小不同的平均識(shí)別率、表7為卷積層不同卷積核大小相同的平均識(shí)別率。

表5 平均識(shí)別率

表6 不同卷積核識(shí)別率

表7 不同卷積層識(shí)別率

通過表中匯總數(shù)據(jù)分析得到:表2顯示識(shí)別率最高的是卷積層數(shù)3卷積核3×3達(dá)預(yù)期要求。表3顯示卷積層數(shù)3相較于卷積層數(shù)2的識(shí)別率提升27.125%；表4顯示卷積核3×3相較于卷積核5×5的識(shí)別率提升14.375%。綜上,通過實(shí)驗(yàn)印證本文預(yù)先設(shè)計(jì)的卷積層數(shù)3卷積核大小3×3能夠較好的完成鑄件缺陷檢測(cè)要求,本次實(shí)驗(yàn)中的平均識(shí)別率可達(dá)93.5%,達(dá)到實(shí)驗(yàn)預(yù)期。

最后識(shí)別錯(cuò)誤的圖像與識(shí)別正確的圖像進(jìn)行了對(duì)比,圖11為部分識(shí)別錯(cuò)誤圖像,圖12識(shí)別正確的圖像。

通過對(duì)比圖11和圖12發(fā)現(xiàn)識(shí)別錯(cuò)誤圖像與識(shí)別正確圖像存在一定相似性?？紤]到邊緣檢測(cè)的應(yīng)用,識(shí)別錯(cuò)誤的原因既有可能是因?yàn)檫@一原因所導(dǎo)致,圖13為無缺陷圖像中可能存在的邊緣檢測(cè)識(shí)別,圖中箭頭表示該方向上可能存在的邊緣檢測(cè)判斷。

圖11 部分識(shí)別錯(cuò)誤圖像

圖12 識(shí)別正確圖像

圖13 識(shí)別錯(cuò)誤圖像與邊緣檢測(cè)

實(shí)驗(yàn)中發(fā)現(xiàn)最大振幅圖成像效果的參差對(duì)于識(shí)別效果產(chǎn)生了很大的影響。在樣本采集過程中發(fā)現(xiàn)激光強(qiáng)度設(shè)置為70 %、采樣率為10 Ms/s、檢測(cè)速度500 Hz所取得的圖像效果較好。通過實(shí)驗(yàn)驗(yàn)證,本次實(shí)驗(yàn)較好的完成了鑄件缺陷的識(shí)別工作。

6 結(jié)束語(yǔ)

本文提出將激光超聲檢測(cè)技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合,幫助提高鑄件缺陷檢測(cè)效率。經(jīng)過預(yù)先設(shè)計(jì)和實(shí)際驗(yàn)證,設(shè)計(jì)出一個(gè)符合本次實(shí)驗(yàn)識(shí)別精度要求,檢測(cè)經(jīng)過激光超聲可視化檢測(cè)儀輸出的最大振幅圖像的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu),經(jīng)過多組對(duì)照實(shí)驗(yàn)驗(yàn)證發(fā)現(xiàn),預(yù)先設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)能夠較好地完成實(shí)驗(yàn)任務(wù)。未來可以通過對(duì)比更多的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu),得到一個(gè)更好的檢測(cè)最大振幅圖像的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。