焊缝缺陷检测现状与展望综述*

胡 丹，高向东，张南峰，张艳喜，游德勇，肖小亭，孙友松

(广东工业大学 广东省焊接工程技术研究中心，广东 广州 510006)

0 引 言

焊接是现代制造业中最为重要的材料成形和加工技术之一[1]，广泛应用于汽车生产、航空航天、石油产业、建筑行业、船舶运输等工业制造领域，其中，焊缝表面成形是评判焊接质量的重要指标。在焊接过程中，由于焊接参数(焊接功率、保护气体流量、焊接速度等)调节不当及焊接环境复杂等不确定因素，焊缝表面会出现凹陷、咬边、气孔、未熔合、熔宽余高未达标等表面缺陷[2]。这些缺陷不仅影响焊缝外观形貌，而且会造成焊缝连接强度下降，应力集中，影响焊接构件产品质量，甚至会使产品报废。为了保证焊接件产品质量，需对焊缝进行高效、精准的缺陷检测。在焊缝表面缺陷检测中，最原始的检测方法是人工利用焊缝检验尺测量焊件坡口角度、熔宽、余高等外形尺寸，对照参数范围来评估成形质量，检测结果过于主观，检测效率低，难以满足现代化生产需求。为此人们采用无损检测技术，实现焊缝表面缺陷的检测。

在研究焊缝表面成形检测的背景下，本文将对当前国内外焊缝表面成形缺陷检测方法进行对比分析和论述。

1 物理检测

物理检测是借助于测定材料的化学或物理性质来测试或分析的一种方法，如磁粉检测、超声检测、涡流检测、渗透检测、磁光成像检测、红外检测等，不同的检测方法，其工作原理、检测设备和适用范围均不同。

1.1 磁粉检测

磁粉检测是将磁粉均匀铺在焊接件上，并在被测件两侧施加强电流，磁化后的焊接件产生磁通，在缺陷处，部分磁通泄露在焊缝表面，产生的漏磁场与磁粉相互作用，磁粉聚集到焊缝缺陷部位，形成磁粉图，可直观判断缺陷的位置、数量、外形等特征[3]。磁粉检测成本低、检测步骤简单、速度快、检测结果直观，对微间隙裂纹检测灵敏。为了保证磁粉检测的适用性，被测件要求是铁磁性材料，且对表面粗糙度有一定要求，被测表面平整度越好，磁粉检测的结果越灵敏。

磁粉检测在焊缝表面缺陷检测中的应用由来已久，观察评定依赖于人工视觉，自动化程度不高。相关学者利用高分辨率相机拍摄了焊缝表面，采集了磁痕图像，通过计算机对磁痕图像进行了恢复、缺陷提取，并根据缺陷的圆形度、长度、长宽比、平均宽等特征参数进行了缺陷筛选，对表面缺陷进行了评估，实现了磁粉检测的自动识别[4-5]。

1.2 超声检测

超声检测利用超声波在被测焊件中的投射和反射特性，检测灵敏度高，是发展最快、应用最广的焊缝无损检测技术[6-7]。超声检测对焊缝表面粗糙度有一定要求，粗糙程度过高会干扰超声投射效果从而影响检测结果的准确性。当超声束与缺陷面垂直时,缺陷检出率最高，因此其检测结果受仪器探头、投影方向、检测对象以及探头与检测对象耦合情况等因素的影响。

目前，国内外学者将振动声调制技术、超声C扫描、超声TOFD(Time of Flight Diffraction)、超声成像、超声相控阵、超声导波等检测技术应用于焊缝表面缺陷检测。利用振动声调制技术对角焊缝进行检测，对比振动声调制单频激励、扫频激励和超声C扫描的检测结果，在最佳频率范围内检测效率相对较高，但缺陷的定位定量分析问题有待解决[8]。文献[9]采用了离散正弦/余弦变换和希尔伯特变换相结合的激光超声波成像技术，相比传统超声波成像方法，能高效、准确地检测出焊缝边界、缺陷位置以及形状大小等特征信息。文献[10]针对飞机发动机叶片裂纹，研究了焊缝区域的相控阵超声全覆盖检测方法，并基于软件平台建立了仿真模型，实现了对叶片进行焊缝区域快速和全覆盖检测。由于衍射波和底部回波的强度相对较弱，且很容易受到噪声影响，围绕TOFD图像分辨率较低问题，有文献研究提出了一种基于小波变换和图像匹配相结合的新算法，在多图像叠加的概念下获取关于缺陷的更有用的信息[11]。

超声检测原理示意图如图1所示。

图1 超声检测原理示意图

超声检测缺陷种类的识别通常需依靠技工主观判断，存在可靠性问题。随着超声检测与计算机技术不断发展，可利用人工智能技术，研究超声回波信号特征提取的新方法，提高特征提取的稳定性，有效识别气孔、夹渣、未焊透等缺陷，准确率可达到96.7%[12]。

1.3 涡流检测

涡流检测根据电磁感应原理，当检测线圈靠近待测焊件时，焊件表面产生涡流，缺陷的存在会导致电涡流流向改变，通过检测涡流的大小和分布能判断是否有缺陷以及缺陷所在位置[13]，可检测出焊件裂纹、气孔等表面缺陷，具有易操作、检测速度快等特点，无需表面涂层。文献[14]研究了图像处理与神经网络结合的嵌入式涡流检测系统，在检测精度和自动化程度上有较大的改善，嵌入式的设计实现了焊接缺陷无损检测小型化、智能化。

20世纪后期，涡流检测技术迅速发展，其中有涡流阵列检测技术、远场涡流检测技术和脉冲涡流热成像技术等新兴检测技术。涡流阵列尺寸较大且结构多变，检测效率更高，可灵活满足复杂焊接件的检测。远场涡流检测探头为内通过式，适用于长管检测。脉冲涡流热成像技术通过红外热像仪获取焊件温度数据，对数据进行处理，实现无损检测。较之常规涡流检测法，脉冲涡流热成像技术的优点在于检测结果直观，灵敏度高。文献[15]基于脉冲涡流热成像检测技术自主设计试验平台，分析了裂纹走向对成像效果的影响。

1.4 渗透检测

渗透检测的物理原理是基于毛细管现象，检查表面开口缺陷的无损检测方法，分为着色渗透检验和荧光渗透检验两大类。渗透检测方法可分为以下几个步骤：预清洗、渗透、清洗、显像、观察记录、后处理。具体操作是将渗透剂施加到清洗并干燥后的被测焊件表面，经过一定的渗透时间，焊缝缺陷处会吸附渗透液，清洗被测件表面的渗透液，在被测件表面喷或涂显像剂，在光源的照射下，焊缝缺陷处残留的渗透液显现出来，进而检测出缺陷的位置与形态。渗透检测不受被测件结构、缺陷类型的影响，但显像剂、试件表面情况、渗透液等一定程度上影响着渗透检测的结果。渗透检测结果直观，对于形状复杂的表面缺陷也能有效检测，灵敏度高，但检测效率低，且检测试剂对人体有害[16]。

1.5 磁光成像检测

磁光成像检测(Magneto-optical Image Testing)以法拉第磁光效应成像为理论基础，利用磁光传感器对缺陷实时成像，实现焊缝表面微小缺陷可视化。通过不同励磁方式，采集不同状态下的磁光图像。单一磁场条件能较好检测出垂直于激励方向的缺陷，却难以满足多方向缺陷的检测要求，且磁光图像易饱和。针对这一问题，相关人员研究了基于交变磁场以及旋转磁场励磁下的焊缝磁光图像，得到了动态磁光图，获取了更为丰富完整的缺陷漏磁场信息，同时避免了磁光图像易饱和问题。由于焊接环境噪声干扰以及磁场变化，磁光图像不够清晰且成像背景复杂，通过对磁光图像应用一系列图像处理算法，如滤波去噪、直方图均衡化、形态学腐蚀等，较大程度上提高了磁光图像对比度，凸显了焊缝特征信息。国外对于磁光成像检测技术已获批用于商业飞机铆钉的检测。国内相对起步晚，尚处于发展研究阶段，不少科研队伍对此开展了工作。文献[17]对传统涡流检测进行了改良，将检测线圈替换成激光-磁光传感器，获得了磁光图像，但图像质量有待提高。之后，广东工业大学对励磁方式、磁场分布、磁光图像分析以及焊接缺陷磁光图像识别与分类等进行了深入的研究[18-20]。

焊缝缺陷动态磁光图如图2所示。

缺陷类型实物图第1帧第2帧第3帧无缺陷裂纹凹坑未熔透

图2 焊缝缺陷动态磁光图像

从图2中可以看出：缺陷特征明显。基于智能算法、模式识别的快速发展，文献[21]将采集到的动态磁光图像作为样本输入，构造主成分分析-支持向量机分类模型，对于焊缝成形中无缺陷、裂纹、凹坑和未熔透的识别率分别可以达到100%、92%、84.3%和94.3%。

利用磁光成像技术对焊接缺陷进行检测，具有高精度、可视化等优点，研究现状可观，但磁场分布情况与磁光图像之间的关系需进一步探索，焊接缺陷识别与分类的准确率有待提高。

1.6 红外检测

红外检测即热图像法，是随着热成像技术的发展而出现的新型无损检测技术[22]，可分为主动式(热激励)和被动式(自然温度或试件自身热源)。主动式红外检测采用的激励方式主要有闪光灯激励、激光激励、超声激励和电磁激励等[23]，被动式红外检测依靠焊件自身存在热源而产生热辐射，焊缝缺陷部位使被测焊件表面存在温差，从而产生不同的能量辐射。通过分析红外热像仪上形成的红外热图像，得到缺陷位置、类型以及数量等信息，是一种无接触、检测范围广、安全的焊接缺陷检测方法[24]。

2 结构光视觉检测

结构光视觉检测是利用计算机对焊缝条纹图像进行智能提取与识别的检测技术，因其非接触、智能化、高精度、无损伤等优点，成为焊缝表面成形缺陷检测研究的热点。

基于结构光的机器视觉检测技术光条信息量大，自动化程度高，其检测步骤包括焊缝图像采集、图像处理、特征提取和缺陷识别与分类[25]，结构光视觉检测框架图如图3所示。

图3 结构光视觉检测框架图

2.1 焊缝缺陷图像采集

焊缝缺陷图像采集通过图像采集获取高质量的焊缝条纹图像，作为后续处理的信息源。图像采集系统一般由激光发射器、相机、镜头、工控机等硬件部分组成[26]。通过结构光在焊缝表面形成激光条纹，获得丰富的特征信息，实现尺寸测量和缺陷检测，可分为激光扫描法和传感法：

(1)激光扫描法主要有线性扫描和圆形扫描。激光扫描器由马达、激光管、聚焦镜、角度传感器、光束放射镜等组成，通过马达带动光束放射镜高速回转形成扫描激光条纹，可得到高信噪比图像，但结构复杂、成本高，检测精度低，因此难以满足实时检测和高精度检测场合的要求，实际工业应用较少；

(2)激光传感法通过激光发射器将结构光投射到焊件上，摄像机拍摄激光条纹图像，工控机接收和处理激光条纹图像，提取有效信息，实现焊缝表面成形缺陷检测。根据摄像机与激光发射器的安装角度不同，有直射-斜接式、斜射-直接式、斜射-斜接式。根据激光发射器发出激光束类型与数量的不同，可分为点激光、线结构光(单线结构光、十字结构光、三线结构光[27])、环形结构光、编码结构光等。点激光一次只能检测一个点，检测效率低，但其光斑小，对微小表面缺陷的检测精度比线结构光高，常与扫描法配合检测。单线结构光检测装置简单易操作，数据单一易分析，单道条纹变形体现焊缝表面特征，检测效率相对较高，一直是研究的热点。多线结构光从获取的激光条纹图像中可得到更多特征信息，与此同时加大了标定与图像处理算法的难度。

基于结构光视觉的焊缝检测系统如图4所示。

图4 基于结构光视觉的焊缝检测系统

2.2 焊缝缺陷图像处理

针对环境光源导致图像质量下降、缺陷特征不明显等问题，需对焊缝条纹图像进行预处理，主要考虑图像去噪、图像分割等操作，突出条纹缺陷特征。焊缝激光条纹图像去噪算法分为空域处理法和频域处理法，空域处理法采用各种模板对图像像素进行运算，常用的有中值滤波、均值滤波、高斯滤波及其改进算法；频域处理法变换运算时间长，常用的有傅里叶变换和小波方法。针对保留焊缝表面缺陷细节特征与去噪之间的矛盾，文献[28]结合自适应中值滤波和小波变换对结构光进行去噪，在保留原图像细节的同时，对噪声有很好的滤除作用。对于焊缝激光条纹图像上的噪声，可分为光条上的噪声与光条外的噪声。光条上的噪声信号叠加在有效信号之上，常采用B样条迭代法或NURBS曲线拟合，通过多次迭代，减少异常像素点的影响；光条外的噪声可通过形态学分类，计算噪声点与光条的连通区域面积，设定面积阈值，达到去噪效果[29]。采用激光条纹进行焊缝缺陷检测，得到的激光条纹图像必须清晰，无噪声影响，才能得到精确的焊缝表面轮廓曲线。

图像分割是实现高效检测的必要步骤，在焊缝条纹图像中，用于表征焊缝表面信息仅为结构光条纹及其附近像素区域，为了减少图像运算量，同时避免非检测区域信息干扰，通常对焊缝条纹图像进行感兴趣区域(ROI)提取。当焊件背景与焊缝目标灰度直方图呈现明显峰谷分布时，最大类间方差法(Otsu)是最常用的阈值分割法。当背景与目标不能明确划分时，文献[30]提出了一种基于感兴趣区域的最大类间方差法。相关研究者还引入了基于模糊集理论的目标分割法，具体有模糊聚类分割法、模糊阈值分割法、模糊连接度分割等。对于焊缝区域的分割，利用边缘灰度值的不连续性，采用基于边缘的分割方法，有Canny算子、Robert算子、Sobel算子、Prewitt算子等。此外，人们将小波变换法、神经网络、遗传算法、数学形态学等数学方法应用于图像分割，但实时性和适用程度还有待进一步改善。

2.3 焊缝缺陷特征提取

特征提取是焊缝缺陷识别的前提，利用结构光视觉检测技术，对焊缝表面激光条纹进行特征提取，主要包括中心线提取和特征点提取[31]。中心线提取可分为像素级和亚像素级，基础算法主要有中心坐标法、灰度重心法、形态学细化法、方向模板法、Steger法和Hessian矩阵法等。方向模板法通过设计4个方向模板，降低噪声影响的同时，也加大了计算量。灰度重心法计算速度快，达到亚像素精度，但对噪声敏感，且检测曲线(如S形)焊缝时，检测精度受影响。在常见的激光条纹中心线提取方法基础上，研究了多方法结合的方式，如脊线跟踪与方向模板法相结合的激光条纹中心提取方法，算法运行速度从单一方向模板法的212.708 ms提升到22 ms，运行速度更快，提取精度更高[32]。除上述方法外，文献[33]通过分段3次多项式曲线拟合方法提高了结构光中心线提取精度。文献[34]提出了一种基于BP神经网络的线结构光中心线提取方法，论述了神经网络的训练方法，并与Steger法进行了对比，呈现出精度高、效率佳的特点。中心线提取追求高精度需使用拟合、卷积、多尺度等算法，以此同时带来庞大的运算量，效率与精度何以兼顾是未来研究重点。

焊缝成形是衡量焊接质量的重要指标。焊缝成形尺寸主要有焊缝熔宽、余高等参数，各参数均有其规定的最佳范围[35]。传统的特征点提取算法有多边形逼近法、滑动向量法、Hough变换[36]、斜率截距法[37]、斜率解析法、角点检测法等。文献[38]对焊缝图像预处理后，采用Hough变换识别焊缝边缘，再利用几何中心法获得了激光条纹中心和特征点的位置。文献[39]研究了基于直线拟合的斜率分析法，实现了角接、搭接和V形坡口等多种形式的焊缝特征点提取。文献[40]利用多项式和导数提取了焊缝特征点。文献[41]基于遗传算法的最优解搜索原理对焊缝骨架进行了提取，进化到10代以上时，得到了适应度最大的骨架直线，从而精确提取出了焊缝中心点。上述传统图像处理方法虽然运算简单，算法实现难度低，但对外界环境的适应性差。学习类算法精度高，处理速度快，然而算法设计框架复杂，训练成本高。

2.4 焊缝缺陷识别与分类

由于焊接过程的复杂性及外界因素的干扰，焊接后的焊缝难免出现凹陷、气孔、咬边等表面缺陷[42]，常见焊缝缺陷及其对应激光条纹图像如图5所示。

缺陷类型实物图焊缝激光条纹图像凹陷气孔咬边无缺陷

基于结构光视觉检测法的焊缝缺陷识别是对图像进行分割和特征提取后，利用计算机模拟人脑，对缺陷类型进行判断，属于模式识别与人工智能领域。在大量的数据样本下，深度学习依靠其强大的学习能力，促使许多研究人员将模式识别方法应用于焊接表面成形缺陷识别检测中，常用的分类方法有BP(Back Propagation)神经网络、卷积神经网络(convolution neural networks, CNN)、模糊神经网络、支持向量机(support vector machine, SVM)以及各种分类器的集成等[43-44]。

基于BP神经网络的焊缝缺陷分类模型如图6所示。

图6 基于BP神经网络的焊缝缺陷分类模型

输入层可由7个特征向量组成，分别为缺陷宽度w、缺陷深度h、斜率k1、斜率k2、峰度系数Kurt、能量NE、标准偏差SD；确定隐含层神经元数量，数量过多过少均会影响速度或精度；输出层代表缺陷分类结果，分别为咬边、凹陷、气孔和无缺陷；通过采集的1 000幅焊缝表面激光条纹图像，将其分为训练集(700幅)和测试集(300幅)，整体识别率达91%以上。

3 结束语

本文主要从物理检测和结构光视觉检测两个方面对焊缝表面缺陷检测方法进行了论述。其中，物理方法包括磁粉检测、超声检测、涡流检测、渗透检测、磁光成像以及红外检测等方法；结构光视觉检测方面，主要从焊缝缺陷图像采集、激光条纹图像处理、缺陷特征提取和缺陷识别与分类方法上进行了系统地分析与总结。结论如下：

(1)焊缝表面缺陷检测有从硬件向软件转变的趋势，在降低对物理实验条件要求的同时，加大了对检测算法的依赖性；(2)精确的图像处理算法通常伴随着复杂的计算和较长的处理时间，因此，在准确和快速方面实现双赢，是焊缝缺陷检测成功应用的关键；(3)各无损检测方法在检测焊缝缺陷时均有其优势和不足，单一检测方法难以满足高效和全面检测，将两种或多种方法配合检测，优势互补，可实现焊缝缺陷全方位检测。

近年来，将深度学习算法应用于焊缝表面缺陷检测受到较大关注，常用的有CNN、自编码网络等。但该技术需要大量的数据样本，且不同的模型适用性不同，找出合适的深度学习模型进行焊接缺陷检测是未来的研究热点与难点。