[发明专利]一种钢板缺陷识别方法

摘要

本发明涉及一种钢板缺陷识别方法，通过对超声回波信号处理得到一波形曲线，对该波形曲线截取处理获取缺陷波形曲线，进而对波形曲线进行计算提取峰值数据，得到一缺陷类数组，对缺陷类数组进行进一步处理，最后利用缺陷阈值的判断方法及形态学分析的方法获取钢板缺陷类型。该钢板缺陷识别方法仅根据超声探头装置获取的回波信号即能自动完成钢板缺陷的识别，计算速度快，识别快速准确，且无需大量的样本数据进行训练，减小了数据计算量，加快了识别速度，从而降低了缺陷识别成本。

主权项

一种钢板缺陷识别方法，其特征在于：包括以下步骤：步骤一、超声仪启动并初始化，上位机向超声仪发送控制参数；步骤二、超声探头装置(1)启动并根据超声仪中的控制参数进行工作，超声探头装置(1)在被测钢板上移动，上位机获取超声探头装置(1)对钢板检测点的实时位置坐标数据，形成检测点的坐标数据组W＝[(x1,y1),(x2,y2),...,(xj,yj),...,(xb,yb)]，其中j和b均为正整数，1≤j≤b，b为检测点总数，(xj,yj)为第j个检测点的位置坐标，xj表示第j个检测点在钢板长度方向上的值，yj表示第j个检测点在钢板宽度方向上的值；超声探头装置(1)向被测钢板发射超声波，同时接收来自钢板的超声波回波信号，其中，超声波回波信号包括自钢板表面反射的起始信号、自缺陷位置反射的缺陷信号、自钢板底面反射的底波信号；步骤三、超声仪采集并存储超声探头装置(1)返回的各个检测点的回波信号；步骤四、超声仪根据钢板中声速和增益对回波信号进行处理，进而针对每个检测点位置，对应的获取被测钢板范围内回波信号形成的深度‑幅值波形曲线，从而形成深度‑幅值波形曲线数据组A＝[A1,A2,...,Aj,...,Ab]，其中j和b均为正整数，1≤j≤b，b为检测点总数，Aj表示第j个检测点的深度‑幅值波形曲线；超声仪将深度‑幅值波形曲线数据组A中的曲线数据上传到上位机中；步骤五、上位机对深度‑幅值波形曲线数据组A进行后续处理；首先，自深度‑幅值波形曲线数据组A中获取每个检测点对应的起始信号幅值，从而形成初始信号幅值数据组I＝[I1,I2,...,Ij,...,Ib]，自深度‑幅值波形曲线数据组A中获取每个检测点对应的底波幅值，从而形成底波幅值数据组D＝[D1,D2,...,Dj,...,Db]；计算初始信号幅值平均值I‾=I1+I2+...+Ij+...+Ibb;]]>计算底波幅值平均值D‾=D1+D2+...+Dj+...+Dbb;]]>其中j和b均为自然数，1≤j≤b，b为检测点总数，Dj表示第j个检测点在其相应的深度‑幅值波形曲线Aj上对应的底波信号幅值；对深度‑幅值波形曲线数据组A进行预处理，即对深度‑幅值波形曲线数据组A中每个检测点对应的深度‑幅值波形曲线进行截取，保留被测钢板的表面至底面深度范围内回波信号对应的波形，从而形成缺陷波形曲线数据组B＝[B1,B2,...,Bj,...,Bb]，其中j和b均为正整数，1≤j≤b，Bj表示第j个检测点的缺陷波形曲线，b为检测点总数；对缺陷波形曲线数据组B中每个检测点对应的缺陷波形曲线进行求导计算，从而获取相应检测点缺陷波形曲线中的所有波峰点，从而构建波峰点信息数据组C＝[C1,C2,...,Cj,...,Cb]；Cj＝[C[j][1],C[j][2]]，C[j][1]＝(Sj0,Sj1,...,Sji,...,Sja)，C[j][2]＝(Fj0,Fj1,...,Fji,...,Fja)；其中j和b均为自然数，1≤j≤b，b为检测点总数，Cj表示第j个检测点的缺陷波形曲线Bj中包含的所有波峰点信息数据组；i和a均为自然数，0≤i≤a，a为波峰点总数，C[j][1]表示第j个检测点的缺陷深度数组，Sji为第j个检测点的缺陷波形曲线Bj中第i个波峰点对应的缺陷深度值，C[j][2]为第j个检测点的缺陷幅值数组，Fji为第j个检测点的缺陷波形曲线Bj中第i个波峰点对应的缺陷信号幅值；整理各个检测点的信息数据，构建一个信息数据库M＝[M1,M2,...,Mj,...,Mb]，Mj＝[(xj,yj),Cj,Dj]，其中j和b均为自然数，1≤j≤b，b为检测点总数，Mj表示第j个检测点对应的信息数据集；步骤六、待超声探头装置(1)对被测钢板扫查完毕后，针对任一坐标为(xn,yn)的检测点，其中1≤n≤b，n和b均为正整数，b为检测点总数；根据其相应的缺陷深度数组C[n][1]中各波峰点对应的缺陷深度值，对检测点(xn,yn)相对应的信息数据集Mn进行整合；即检测点(xn,yn)对应的缺陷波形曲线Bn中，依次相邻的两个波峰点中，当后一个波峰点对应的缺陷深度值减去前一个波峰点对应的缺陷深度值的差的绝对值小于深度相关性阈值q时，将后一个波峰点对应的信息数据与前一个波峰点对应的信息数据归为一个子信息数据集；否则，新建一个子信息数据集；以此类推，从而形成检测点(xn,yn)相对应的子信息数据集群：Pn＝[Pn1,Pn2,...,Pnm,...,Pnk]，其中m和k均为正整数，1≤m≤k，k为检测点(xn,yn)对应的子信息数据集总数，Pnm表示检测点(xn,yn)相对应的子信息数据集群Pn中第m个子信息数据集；针对子信息数据集群Pn＝[Pn1,Pn2,...,Pnm,...,Pnk]中的每一个子信息数据集，获取其缺陷深度极值数据组Ln＝[Ln1,Ln2,...,Lnm,...,Lnk]，Lnm＝(MaxC[nm][1],MinC[nm][1])，其中m和k均为正整数，1≤m≤k，k为检测点(xn,yn)对应的子信息数据集总数，Lnm表示检测点(xn,yn)相对应的子信息数据集群Pn中第m个子信息数据集Pnm中的缺陷深度极值，MaxC[nm][1]表示其缺陷深度最大值，MinC[nm][1]表示其缺陷深度最小值；将所有检测点对应的波峰点信息数据进行整合后形成新的信息数据库M'＝[P1,P2,...,Pn,...,Pb]，其中n和b均为自然数，1≤n≤b，b为检测点总数，Pn表示第n个检测点(xn,yn)相对应的子信息数据集群；同时获取所有检测点对应的子信息数据集群中各子信息数据集相对应的缺陷深度极值数据集L＝[L1,L2,...,Ln,...,Lb]，其中n和b均为自然数，1≤n≤b，b为检测点总数，Ln表示第n个检测点(xn,yn)相对应的缺陷深度极值数据组；针对任一坐标为(xn,yn)的检测点相对应的缺陷深度极值数据组Ln＝[Ln1,Ln2,...,Lnm,...,Lnk]中的每一个缺陷深度极值数据，其中m和k均为正整数，1≤m≤k，k为检测点(xn,yn)对应的子信息数据集总数；搜索检测点(xn,yn)所在八领域范围{(xn,yn‑1)；(xn,yn+1)；(xn‑1,yn‑1)；(xn‑1,yn)；(xn‑1,yn+1)；(xn+1,yn‑1)；(xn+1,yn)；(xn+1,yn+1)}内各检测点相对应的缺陷深度极值数据组中的每一个缺陷深度极值数据，如果缺陷深度极值数据存在交集，则将其对应的检测点相对应的子信息数据集进行合并；如此，将所有检测点的子信息数据集根据缺陷深度极值数据经过搜索整合处理后，构建新的缺陷信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]，其中u和z为正整数，1≤u≤z，z为子缺陷信息数据集总数，Qu表示第u个缺陷的子缺陷信息数据集；步骤七、计算缺陷信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中各子缺陷信息数据集的相对应的缺陷参数，从而获取缺陷参数数组V＝[V1,V2,...,Vu,...,Vz]，其中u和z为正整数，1≤u≤z，z为子缺陷信息数据集总数，Vu表示第u个子缺陷信息数据集的缺陷参数；Vu=v×x×yΣe=1v(MaxC[e][1]-MinC[e][1]);]]>其中v代表字缺陷数据集Qu中包含的检测点总数，x表示钢板长度方向上的两个相邻的检测点中心之间的距离，y表示钢板宽度方向上两个相邻的检测点中心之间的距离，MaxC[e][1]表示缺陷数据集Qu中第e个坐标点对应的缺陷深度最大值，MinC[e][1]表示缺陷数据集Qu中第e个坐标点对应的缺陷深度最小值；同时计算信息数据库中各子缺陷信息数据集的相对应的平均幅值，从而获取缺陷平均幅值数组其中u和z为正整数，1≤u≤z，z为子缺陷信息数据集总数，表示第u个子缺陷信息数据集的平均幅值；将缺陷参数数组V＝[V1,V2,...,Vu,...,Vz]中的每个缺陷参数与疏松缺陷阈值R1进行比较，如果Vu<R1，则判断缺陷参数Vu对应的子缺陷数据集Qu对应的钢板缺陷类型为疏松缺陷；.剔除掉信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中疏松缺陷对应的信息数据集，将剩余的各信息数据集相对应的缺陷参数及平均幅值分别与分层缺陷阈值R2及幅值阈值f进行比较，如果R2<Vu<1且则判断缺陷参数Vu对应的子缺陷数据集Qu对应的钢板缺陷类型为分层缺陷；步骤八、剔除掉信息数据库Q＝[Q1,Q2,...,Qu,...,Qz]中疏松缺陷和分层缺陷相对应的子缺陷信息数据集，将剩余的各子缺陷信息数据集在二维平面上进行伪彩色图像重构，形成相应的子集图像，然后针对子集图像进行形态学分析，从而获取钢板缺陷类型为裂纹缺陷或者气孔缺陷；计算各子集图像的近圆度T以判断钢板的气孔缺陷，计算各子集图像的细长度G以判断钢板的裂纹缺陷；其中T＝S/(π×d2/4)，其中T表示近圆度，S表示子集图像包含的面积，d表示子集图像中最远两点的距离，当近圆度T≤t时，则认为该子集图像相对应的子数据集所对应的钢板缺陷为气孔型缺陷；G＝S/(h×l)，其中I表示细长度，S表示子集图像所占据的面积，h表示子集图像中最远两点的距离，l表示子集图像中与h方向相垂直方向上的平均宽度，当细长度G≤g时，则判断该子集图像相对应的子数据集所对应的钢板缺陷为裂纹型缺陷。