无损检测机器人及焊缝缺陷智能识别技术的研究现状、应用效果及发展方向

永磁吸附

电磁吸附

负压吸附

反推吸附

仿生吸附

静电吸附

图7 TOFD检测原理示意

基于电磁感应的涡流检测适用于导电材料表面或浅层缺陷检测；通过渗透剂显现表面开口裂纹的渗透检测操作简单但仅限表面缺陷；声发射检测通过监测材料受力或疲劳时的声波信号可动态检测大型结构中的缺陷；红外检测通过热成像识别大面积表面缺陷，适合非接触快速检测，但无法检测深层缺陷。

因此，这些检测方法各有优劣，实际应用中常根据检测对象的材料、缺陷深度和检测场景来选择合适的技术方法以获取图像、波形曲线等缺陷数据。

丁晓东等通过分析焊缝表面不同缺陷在焊缝激光条纹图像中的形态与分布特征，结合斜率截距法与分段区间检测法提取表面缺陷的特征点，设计了基于三层BP神经网络的焊缝缺陷分类模型，将提取的缺陷特征作为网络的特征输入进行网络训练，整体缺陷检出率达91.51%。

刘梦溪等设计了一种改进的深度CNN结构，对其层次架构及参数设定开展了研究。该算法对于大样本的图像特征表达与识别有一定的优势，网络结构具有较高的图像分类识别正确率。

陈立潮等提出一种融合迁移学习的AlexNet卷积神经网络模型，用于不锈钢焊缝缺陷的自动分类，该模型具有95.12％的检出准确率。

薛龙等提出一种基于深度学习的焊缝定位及缺陷识别方法，通过深度学习目标检测方法确定焊缝位置并识别焊瘤及不合格缺陷，并通过深度学习语义分割方法识别气孔及凹坑缺陷，焊缝定位识别准确率达到95%，焊瘤识别准确率达到98%，气孔与凹坑两类缺陷的识别准确率约为91.8%。

谷静等对传统卷积神经网络进行改进，提出一种多尺度压缩激励网络模型（SINet），将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率，并用全局平均池化层代替全连接层减少模型参数。与传统卷积神经网络相比，该模型具有良好的性能，可对焊缝缺陷图像进行有效地分类。

而后，他们又提出基于改进深度学习Faster R CNN模型的焊缝缺陷识别算法，通过多层特征网络提取多尺度特征图并共同作用于模型后续环节，以及通过改进模型的区域生成网络并加入多种滑动窗口，从而提高了识别能力。

张立等提出结合深度卷积神经网络的石油管道焊缝缺陷识别方法。该方法在ResNet50网络的基础上添加可变形卷积学习缺陷的不规则特征，改进后的模型对焊缝缺陷数据具有良好的泛化能力，测试精度达到99%，速度为10 m/s。

WANG等通过多尺度对齐融合（MSAF）和并行特征过滤（PFF）模块提出了改进的深度学习目标检测算法YOLOv5-MSAF用于8种焊缝缺陷的识别，其正确率达到了96.6%。

GUO等使用轻量化卷积神经网络（CNN）进行图像提取和分类，通过对三种不同类型的焊接缺陷进行分类测试，验证准确率为98.25%。

ZHANG等提出了一种基于深度学习的铝合金机器人弧焊缺陷在线检测方法，利用卷积神经网络（CNN）和焊缝图像对其进行检测识别。其中CNN模型没有采用传统方法减少弧光的干扰，而是充分利用弧光，将弧光以多种方式组合以形成互补特征。试验结果表明，该模型具有较好的分类性能，平均分类准确率达到99.38%。

ZHANG等提出了使用小型X射线图像数据集的焊缝检测新方法，将一种基于图像处理的数据增强方法和一种基于WGAN的数据增强方法应用于不平衡图像集的处理；然后，使用基于特征提取的迁移学习技术在增强图像集上训练两个深度（CNNs），从而降低误检率。

YAN等针对工业自动化焊接检测的趋势和需求，构建了可同时对焊道表面进行3D深度和2D灰度成像的复合视觉系统。在该视觉系统中，结构激光负责获取珠子表面的3D深度图像，多角度照明用于捕捉灰度图像；然后，根据其在3D深度图像和2D灰度图像中显示的不同特征，提出提取焊道边界的方法。

KUMAR等对比研究了线性阵列（LA）和双矩阵阵列（DMA）两种探头发现，DMA探针性能优于LA探针，因此更有助于提高奥氏体不锈钢焊缝检测的可靠性。

使用卷积神经网络（CNN）进行焊接缺陷识别时，识别结果会受到人为等诸多因素的影响 , 基于此，HU等采用了图像处理、指数线性单元（ELU）激活函数和改进的池化模型以提高焊缝图像识别的精度，整体识别率可以达到98.13%。

SHIN等提出了一种基于深度神经网络（DNN）的无损检测方法，该方法可以基于焊接电压信号实时检测和预测气孔缺陷，无需在气体保护焊（GMAW）过程中添加额外的设备，比人工神经网络（ANN）模型的性能更优。

PARK等提出了一种基于卷积神经网络（CNN）的方法。该方法除了采用CNN进行焊缝识别外，还采用CNN训练回归函数来检测发动机变速箱中心，获得了更好的检测性能。

JIANG等针对焊缝缺陷图像的特点，提出了一种考虑池化区域分布和特征图的改进池化策略，并提出了一种将ReliefF算法与CNN相结合的增强特征选择方法。

ZAHRAN等提出了一种从射线照相图像中识别焊缝缺陷的新方法。该方法基于使用梅尔频率倒谱系数（MFCC）和多项式系数生成缺陷特征数据库，采用人工神经网络（ANN）进行特征匹配以自动识别放射图像中的缺陷。试验结果表明，所提出的方法可以可靠地用于噪声环境下的射线图像自动焊缝缺陷识别，并且可以实现较高的识别率。

LIU等提出了一种基于三重深度神经网络的焊缝缺陷自动识别方法。首先，将原始X射线图像变为浮雕图像，使缺陷的特征更加明显；其次，通过三重深度神经网络映射浮雕图像得到特征向量。基于三元组的深度神经网络使得相似的缺陷特征向量距离更近，不同缺陷特征向量的距离更远，再通过支持向量机（SVM）分类器识别焊缝缺陷。结果表明，所提出的焊缝缺陷识别方法比传统方法具有更好的性能。

MA等使用卷积神经网络（CNN）和主动视觉的概念从CCD中自动检测典型的底切、毛孔和烧穿缺陷。

LE等提出了一种基于小型图像数据集的自动缺陷识别方法。该方法采用Wasserstein生成对抗网络（WGAN）、基于特征提取的迁移学习技术和多模型集成框架技术，能够成功处理不平衡和严重罕见的缺陷图像。

CHANG等提出了一种端到端的焊缝缺陷识别方法，其采用基于高斯低通滤波器的深度置信网络（GLF-DBN）来筛选射线检测图像，并提出了一种新的圆柱投影方法以增加缺陷部分比例，解决了小尺寸缺陷的丢失问题；然后提出一种改进的基于SegNet的深度学习网络来识别焊缝缺陷。

结语

焊缝缺陷检测和识别在石油化工等领域是极其关键的环节，对压力容器等大型设备的使用安全具有重要意义。

除了机器人运动载体外，无损检测还包括缺陷数据采集和识别方法，其中缺陷识别还包括图像预处理、区域分割、特征提取和类型识别等关键技术，每个环节对无损检测的实现和准确性都具有很大影响。

虽然现有研究成果已在不同程度上推动了无损检测的发展与应用，然而由于检测场景多变、焊缝类别各异，焊接缺陷的自动检测和识别仍然是机器人无损检测领域的一个挑战。

首先，图像处理因涉及大量数据和信息，其处理速度仍是应用过程中的一个挑战，影响缺陷识别的实时性和快速性。对于具有复杂形状特征的物体，实现实时在线检测仍然很困难。

其次，工业检测环境复杂，导致采集信号干扰大，影响检测精度以及鲁棒性。

此外，当前的图像处理以及深度学习算法依赖大量样本数据集，其在线检测精度和速度仍有待提高，限制了其工程实际应用。

当前缺陷检测和识别的这些弊端，导致其仍无法完全替代人工检测，因此无损检测机器人系统的环境适应性、检测灵活度、抗干扰能力仍需进一步提高。

检测机器人复杂环境适应性

多传感器融合检测系统

基于多源数据的人工智能缺陷识别

实时数据传输与远程控制