超声导波在焊缝缺陷检测中的发展与挑战

简要回顾了超声导波技术的发展历程,调研了导波在焊缝缺陷检测中的研究现状。从导波与焊缝的交互作用、导波与缺陷的交互作用两个角度出发,分析了板状结构焊缝缺陷检测的发展与应用。结合导波纵向模态、扭转模态、结构特点,阐述了管道焊缝缺陷检测技术的进展。最后总结了当前导波技术在焊缝缺陷检测中面临的机遇与挑战。     

超声导波在管道缺陷成像中的发展与挑战

回顾了超声导波在管道缺陷检测中的发展历程,阐述了管道导波的传播模态,调研了管道缺陷成像技术的研究现状.对超声导波在管道缺陷成像的应用展开了评述,介绍了相控阵成像法、时间反转法、层析成像法、偏移成像法、延迟叠加法,并比较了各种方法的特点与适用范围.最后总结了当前超声导波在管道缺陷成像中面临的机遇与挑战.     

基于深度学习的管道焊缝超声检测缺陷识别方法

超声无损检测是目前管道焊缝质量检测应用最为广泛的一种检测手段,但是迄今为止在很大程度上依赖于训练有素的人体检查员的专业知识和判断。目前在深度学习的方法已经很好的应用于基于图像数据的管道焊缝缺陷智能检测,但是对于深度学习辅助判断超声无损检测却进展缓慢。主要原因是超声无损检测数据的复杂性（步长大、多模态、多峰分布等）,神经网络训练往往出现梯度消失或爆炸的问题,而且能用于训练的标准数据集也严重匮乏。为了克服这些困难,首先引入特殊标准化方法和全连接隐含层实现了一种超声无损检测数据增强方法FMC-GAN构建虚拟数据集,再根据改进的LSTM-FCN模型并引入门函数,以此彻底克服超声无损检测数据复杂性。最后实验表明LSTM-FCN网络识别真实检测数据中的缺陷漏检率为0,各缺陷综合正确识别率高于95.6%,达到工业检测的要求,为超声无损检测智能化发展提供重要研究基础。     

基于轻量神经网络的钢材表面缺陷快速识别

为满足生产环境中钢材表面缺陷实时分类识别的需求,提出一种可部署于移动端的轻量卷积神经网络模型用于高效识别钢材表面缺陷。通过知识蒸馏将ResNet50和MobileNetV3分别作为教师模型和学生模型,生成改进的轻量神经网络模型MobileNetV3_small_tp。利用MobileNetV3_small_tp作为预训练模型,选用NEU带钢表面缺陷数据集进行微调,同时使用数据增强以模拟实际工况,得到模型在测试集中精度达到100%。最后将模型部署于手机上进行实际钢材表面缺陷识别,移动端模型测试、验证以及实际检测结果均显示MobileNetV3_small_tp模型具有流畅的运行速度和较高的识别率,能够实现现场钢材表面缺陷的准确高效识别。