無損檢測機(jī)器人是用于代替人工無損檢測作業(yè)的自動化、智能化機(jī)器人工藝裝備系統(tǒng)，常應(yīng)用于高空、高壓、高溫、輻射、密閉狹小空間的檢測環(huán)境或大量重復(fù)性被檢對象的檢測。目前國內(nèi)外已經(jīng)開發(fā)了適合于多種檢測作業(yè)工況、多種類型的無損檢測機(jī)器人系統(tǒng)，在其機(jī)構(gòu)結(jié)構(gòu)、運動控制、路徑規(guī)劃、視覺跟蹤、缺陷識別等關(guān)鍵技術(shù)上開展了大量研究。目前相關(guān)綜述工作主要針對橋梁和管道類的無損檢測機(jī)器人技術(shù)，包括機(jī)器人機(jī)構(gòu)和空間定位、圖像識別、缺陷測量傳感器等技術(shù)方面[1-4]，而針對大型壓力容器的爬壁類無損檢測機(jī)器人技術(shù)尚無系統(tǒng)綜述。此外，焊縫是壓力容器的薄弱環(huán)節(jié)，其缺陷種類繁多，表面和內(nèi)部多種缺陷的識別往往采用不同的檢測方法，因此，文章聚焦于爬壁類檢測機(jī)器人及焊縫缺陷識別中的人工智能技術(shù)，對其研究現(xiàn)狀和應(yīng)用效果進(jìn)行歸類分析，為無損檢測技術(shù)的自動化和智能化研究提供參考。 

1.   無損檢測機(jī)器人系統(tǒng)

大型壓力容器常具有檢測面積大、檢測任務(wù)重、容器體積大、環(huán)境復(fù)雜的特點，因此對爬壁類檢測機(jī)器人的結(jié)構(gòu)重量、移動能力、定位精度、傳感集成等方面均提出了較高要求。目前，國內(nèi)外研究學(xué)者已經(jīng)開發(fā)出多種無損檢測爬壁機(jī)器人系統(tǒng)并實現(xiàn)了初步應(yīng)用，現(xiàn)有無損檢測機(jī)器人系統(tǒng)如圖1所示。 

圖  1  現(xiàn)有的幾種無損檢測機(jī)器人系統(tǒng)結(jié)構(gòu)示意

鄭亞東等[5]提出的一款無線遠(yuǎn)程控制的LPG球罐檢測爬壁機(jī)器人如圖1（a）所示，其采用Wi-Fi通信實現(xiàn)爬壁機(jī)器人轉(zhuǎn)向、定速和定距的遠(yuǎn)程控制。浙江省特種設(shè)備科學(xué)研究院設(shè)計的一款檢測機(jī)器人能夠?qū)崿F(xiàn)大型承壓設(shè)備的多功能檢測，其實物如圖1（b）所示，該機(jī)器人具有視頻檢測、超聲測厚、磁粉檢測等功能[6]。 

由于壓力容器種類眾多、形狀復(fù)雜、應(yīng)用環(huán)境特殊，針對各類復(fù)雜的檢測環(huán)境開展全方位檢測對無損檢測機(jī)器人的構(gòu)型設(shè)計和運動控制提出了挑戰(zhàn)。上海交通大學(xué)提出了一種利用移動機(jī)器人和柔性機(jī)械臂組合的檢測機(jī)器人平臺，解決了電廠鍋爐帶鰭片的熱交換管無法人工檢測的問題[7]。武漢大學(xué)基于“臂腕分離”原則提出了一種六自由度串聯(lián)機(jī)器人構(gòu)型，該機(jī)器人可負(fù)載重達(dá)20 kg的儀器[8]。為替代人工高空檢測作業(yè)，山東特種設(shè)備檢驗檢測集團(tuán)基于線性激光傳感器設(shè)計了常壓儲罐表面形貌視覺檢測機(jī)器人。該機(jī)器人可實現(xiàn)對儲罐微觀形貌特征的主動掃描檢測、常壓儲罐表面微裂縫的準(zhǔn)確排查等[9]。國核電站聯(lián)合東華大學(xué)通過分析核反應(yīng)堆壓力容器檢測機(jī)器人本體特點，設(shè)計了適用于核反應(yīng)堆壓力容器的多關(guān)節(jié)自由度檢測機(jī)器人[10]，其結(jié)構(gòu)如圖1（c）所示，該機(jī)器人具有較高的靈活性和更大的工作空間。清華大學(xué)設(shè)計了一種適用于球罐現(xiàn)場焊縫檢測的新型爬壁機(jī)器人，其實物如圖1（d）所示。該機(jī)器人采用永磁吸附方式，可實現(xiàn)沿球罐表面焊縫的全方位移動。此外，該機(jī)器人配備了基于視覺傳感的焊縫跟蹤單元，可適應(yīng)光源不足環(huán)境，完成遠(yuǎn)程自主探傷[11]。江蘇省特種設(shè)備安全監(jiān)督檢驗所聯(lián)合東南大學(xué)提出了一種用于儲罐外表面的基于TOFD的檢測機(jī)器人系統(tǒng)，該機(jī)器人同樣采用永磁吸附式移動方式，其實物如圖1（e）所示[12]。SANTOS等[13]面向球形儲罐提出了一種準(zhǔn)全向移動的智能檢測機(jī)器人，該機(jī)器人有4個獨立的轉(zhuǎn)向磁輪，且其附著力可調(diào)，運動靈活高效。 

目前，針對罐體表面開展無損檢測的機(jī)器人系統(tǒng)通常采取永磁吸附、電磁吸附、負(fù)壓吸附、反推式吸附、仿生吸附、靜電吸附等多種吸附方式，以增強(qiáng)罐體表面吸附可靠性并提高移動越障能力。各吸附方式的吸附優(yōu)勢與限制不同，其詳細(xì)對比如表1所示。 

在這些方式中，永磁吸附是目前廣泛應(yīng)用于爬壁機(jī)器人的一種吸附方法。永磁吸附是指通過永磁體與金屬壁面之間的吸引力將機(jī)器人固定在壁面上。因采用永磁體，其結(jié)構(gòu)適應(yīng)性強(qiáng)，可結(jié)合輪式、履帶式、足式等各類主流移動方式使用，且其成本低、無額外能源消耗、吸附穩(wěn)定可靠。 

為實現(xiàn)智能球罐焊接機(jī)器人的自主運動、定位與焊縫跟蹤，孫振國等[26]研制了一種基于高分辨率線陣芯片的新型視覺傳感器。借助該傳感器，球罐焊接機(jī)器人能夠?qū)崿F(xiàn)沿焊縫的自主運動和自動對中。而針對檢測機(jī)器人難以實現(xiàn)儲罐外壁全方位檢測這一問題，唐東林等[27]提出了一種基于滾動窗口的優(yōu)先級啟發(fā)式路徑規(guī)劃算法，實現(xiàn)了機(jī)器人對未知儲罐外壁的全遍歷高效移動。高延峰等[28]基于輪式移動焊接機(jī)器人跟蹤彎曲焊縫的數(shù)學(xué)模型，采用積分Backstapping時變狀態(tài)反饋方法提出了一種控制器，提高了焊縫跟蹤的快速性和平滑性。西南石油大學(xué)基于聲學(xué)定位提出了一種檢測機(jī)器人實時定位方法，解決了機(jī)器人在儲罐內(nèi)部的空間定位問題，機(jī)器人結(jié)構(gòu)如圖1（f）所示。該方法基于少量傳感反饋信息，即可計算機(jī)器人在儲罐內(nèi)部的空間方位，定位誤差小于20 cm[29]。隨后，該團(tuán)隊在浮力-重力調(diào)節(jié)裝置的基礎(chǔ)上，提出了一種模糊控制器實現(xiàn)了儲罐檢測機(jī)器人的深度控制[30]。 

綜合國內(nèi)外研究發(fā)現(xiàn)，目前檢測機(jī)器人多采用移動機(jī)器人構(gòu)造，針對高空作業(yè)需求采用永磁吸附方式移動。針對狹小復(fù)雜檢測環(huán)境，檢測機(jī)器人可搭載多自由度細(xì)長機(jī)械臂以拓展檢測空間，到達(dá)人工不可及區(qū)域，大大提高了檢測的有效范圍。通過設(shè)計運動控制器或研發(fā)新型傳感器，檢測機(jī)器人運動的自主性和精確性也得到了較大提升。相比人工作業(yè)，檢測機(jī)器人在工作空間上具有較大優(yōu)勢，其自主運動規(guī)劃與定位仍是檢測機(jī)器人發(fā)展的關(guān)鍵技術(shù)之一。 

此外，在進(jìn)行無損檢測時，需準(zhǔn)確定位缺陷位置并識別焊縫類型。因此，除機(jī)器人本體外，缺陷檢測與識別是無損檢測機(jī)器人發(fā)展的又一關(guān)鍵技術(shù)。根據(jù)現(xiàn)有研究，文章將從缺陷數(shù)據(jù)采集、圖像識別、深度學(xué)習(xí)等方面對缺陷識別方法展開介紹。 

2.   缺陷數(shù)據(jù)采集

缺陷采集通常借助專用的采集儀器，常用的有超聲檢測和X射線檢測。TOFD即超聲衍射時差法，是一種常用的焊縫檢測技術(shù)。該技術(shù)利用一對對稱的縱波斜探頭作為超聲波的收、發(fā)探頭，利用產(chǎn)生的衍射信號來檢測缺損的位置和深度，TOFD檢測原理，如圖2所示。TOFD在檢測壁厚較大的焊縫時比射線檢測更有效率，缺陷檢測靈敏度更高，因此被廣泛用于球罐焊縫缺陷檢測[31-32]。實際上，不同類型缺陷的TOFD-D掃圖像特征具有明顯差異。通過分析D掃圖像的紋理、形狀及走向，可實現(xiàn)對接焊縫典型缺陷類型判定。另外，不同缺陷的TOFD圖像尖端衍射信號的相位和A掃波形隨位置變化情況也會有所差異，除了信號特征外，還需結(jié)合工件材料、坡口形式、熱處理狀態(tài)、焊接工藝等對缺陷進(jìn)行分析[33]。 

圖  2  TOFD檢測原理示意

由于TOFD缺陷檢測信號受多種因素影響，為了提高缺陷檢測結(jié)果的準(zhǔn)確性，如何提取真實有效的檢測信號以進(jìn)行缺陷識別是TOFD檢測的一個技術(shù)難點。針對超聲TOFD檢測信號受焊縫結(jié)構(gòu)噪聲干擾大的問題，李建忠等[34]通過小波包分解技術(shù)提取缺陷的衍射波特征，提高了檢測信號的信噪比及分辨率。另外，熊娟等[35]將TOFD法、手動超聲（UT）、磁粉檢測（MT）三種檢測方法相融合，實現(xiàn)了在役氧氣球?qū)雍缚p的無損檢測。彭森等[36]利用灰度分布統(tǒng)計法消除了與近表面缺陷波重疊的直通波，結(jié)合圖像分割算法提取出超聲TOFD檢測圖像中的焊縫缺陷，從而實現(xiàn)了焊縫缺陷的自動識別。 

缺陷數(shù)據(jù)采集的另一種常用方法為X射線法，典型的X射線實時成像和檢測系統(tǒng)包括信號轉(zhuǎn)換、圖像處理及缺陷位置的獲取/傳輸三個主要部分。射線檢測適用于金屬、非金屬等各種材料，射線檢測的膠片分析目前主要依靠人工，其成功率很大程度上取決于檢查人員的能力，因此該過程存在主觀性強(qiáng)、耗時長等問題。為了提高焊縫膠片評測的準(zhǔn)確率，許多學(xué)者開展了基于X射線檢測的焊縫識別相關(guān)研究。 

孫林等[37]提出了基于支持向量機(jī)（SVM）的X射線底片焊縫缺陷識別方法。該方法首先對X射線底片進(jìn)行數(shù)字化處理和缺陷特征提取，然后針對X射線底片焊縫缺陷樣本特點，建立SVM“一對一”聚類結(jié)構(gòu)并對樣本進(jìn)行識別。試驗結(jié)果表明，該模型具有識別精度高、速度快、容易實現(xiàn)等優(yōu)點。胡文剛等[38]人利用DR（數(shù)字射線成像）檢測方法對不同透照厚度的鋁合金焊縫進(jìn)行射線檢測試驗，通過優(yōu)化工藝參數(shù)提高了檢測靈敏度。王磊等[39]針對常見的面狀和體積狀缺陷進(jìn)行檢測分析，同時采用射線及TOFD檢測技術(shù)對缺陷尺寸進(jìn)行對比，有助于此類缺陷的識別與定量分析。但是射線探測設(shè)備復(fù)雜、昂貴，檢測費用也較高，且射線對人體健康存在傷害。 

此外，磁粉檢測也是缺陷檢測的一種有效方式[40]，該方法使用磁粉顯現(xiàn)鐵磁性材料表面裂紋，操作簡單但檢測深度有限。除此之外，基于不同原理用于各類材料、應(yīng)用場景的其他主要檢測方法的原理與特性如表2所示。其中，基于電磁感應(yīng)的渦流檢測適用于導(dǎo)電材料表面或淺層缺陷檢測；通過滲透劑顯現(xiàn)表面開口裂紋的滲透檢測操作簡單但僅限表面缺陷；聲發(fā)射檢測通過監(jiān)測材料受力或疲勞時的聲波信號可動態(tài)檢測大型結(jié)構(gòu)中的缺陷；紅外檢測通過熱成像識別大面積表面缺陷，適合非接觸快速檢測，但無法檢測深層缺陷。因此，這些檢測方法各有優(yōu)劣，實際應(yīng)用中常根據(jù)檢測對象的材料、缺陷深度和檢測場景來選擇合適的技術(shù)方法以獲取圖像、波形曲線等缺陷數(shù)據(jù)。 

3.   缺陷圖像識別

TOFD以及X射線采集的焊縫圖像的評定目前主要由人工進(jìn)行，因此受多種主觀因素影響，漏檢或錯檢率相對較高。為了提高缺陷識別精度，基于特定算法進(jìn)行缺陷圖像的分類和識別技術(shù)已成為焊縫檢測的關(guān)鍵技術(shù)之一。國內(nèi)外研究學(xué)者就此已開展了較多相關(guān)研究，并取得了重要進(jìn)展。 

伏喜斌[41]基于標(biāo)記的改進(jìn)分水嶺TOFD檢測圖像分割，結(jié)合典型缺陷圖像特征，提出了一種基于支持向量機(jī)的焊縫超聲TOFD缺陷分類識別方法，其正確率超過87%。樊丁等[42]采用超像素分割算法（SLIC）和改進(jìn)的ELU激活函數(shù)構(gòu)建CNN模型進(jìn)行焊縫檢測圖像缺陷識別，有效提高了識別準(zhǔn)確率。李雪琴等[43]結(jié)合快速離散Curvelet變換和循環(huán)平移，對焊縫圖像進(jìn)行去噪，以有效提取焊縫區(qū)域。清華大學(xué)針對焊縫缺陷特點，提出了對焊縫重疊區(qū)邊緣區(qū)與非邊緣區(qū)、非細(xì)長缺陷與細(xì)長缺陷分別進(jìn)行處理的方法[44]。上海大學(xué)研制了基于機(jī)器視覺的液力變矩器焊縫缺陷自動檢測系統(tǒng)[45]。蘭州理工大學(xué)提出了通過自適應(yīng)中值濾波方法對射線檢測焊縫圖像進(jìn)行濾波降噪，利用類間、類內(nèi)方差比分割法和數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行焊縫圖像分割，對焊縫部分應(yīng)用高頻加強(qiáng)變換提取焊接缺陷[46]。 

為了提高焊接缺陷分割的精度，ZHANG等[47]提出了一種局部圖像增強(qiáng)方法。該算法在焊縫提取和焊縫缺陷分割時考慮了對比度增強(qiáng)的要求。HASSAN等[48]建立了基于射線照相圖像的焊接缺陷識別系統(tǒng)，提出了一種幾何特征檢測和分類焊接缺陷的技術(shù)。DAI等[49]提出了一種三級逐步解法以提高焊縫超聲成像系統(tǒng)的分辨率。該方法對超聲檢測信號采用基于小波變換的超分辨率算法進(jìn)行處理，可提高超聲成像設(shè)備的圖像質(zhì)量，增強(qiáng)其識別焊縫細(xì)微缺陷的能力。MOGHADDAM等[50]開發(fā)了一種用于從射線照相圖像中分類焊接缺陷的自動系統(tǒng)，該系統(tǒng)對冗長的缺陷有較好的效果。THIEN等[51]提出了一種利用圖像處理技術(shù)從射線照相膠片中確定焊縫缺陷的方法和自動化系統(tǒng)，其可以快速、自動地將放射影像轉(zhuǎn)換為數(shù)字圖像，然后與數(shù)字化放射影像數(shù)據(jù)庫進(jìn)行分析比較，確定可能的缺陷及其類型。 

此外，除了使用TOFD或射線圖像，JEONG等[52]利用紅外攝像機(jī)和圖像處理設(shè)備，開發(fā)了GMAW氧化物缺陷監(jiān)測系統(tǒng)。LAPIDO等[53]提出了一種基于非制冷PbSe圖像傳感器的激光焊接過程中的實時缺陷檢測和分類方法，其在線分類率接近1 kHz。 RANJAN等[54]利用數(shù)字圖像處理技術(shù)對攪拌摩擦焊過程中常見的各種表面缺陷進(jìn)行識別和分類，提高了缺陷的識別和定位準(zhǔn)確率。PENG[55]發(fā)現(xiàn)焊接線圖像的預(yù)處理對于特征提取和缺陷識別具有重要意義，由此提出了一種從焊縫圖像中自動識別缺陷的方法。 

4.   人工智能在缺陷識別中的應(yīng)用

采用圖像識別技術(shù)可有效提高焊縫缺陷識別效率。隨著工業(yè)智能檢測技術(shù)的發(fā)展，深度學(xué)習(xí)在圖像特征學(xué)習(xí)中的獨特優(yōu)勢使其在缺陷自動檢測和識別中具備重要的實用價值。當(dāng)今，使用多層神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行自動特征提取和分類的深度學(xué)習(xí)算法在焊縫缺陷識別領(lǐng)域不斷發(fā)展[56]，部分算法的缺陷識別效果如表3所示。 

丁曉東等[57]通過分析焊縫表面不同缺陷在焊縫激光條紋圖像中的形態(tài)與分布特征，結(jié)合斜率截距法與分段區(qū)間檢測法提取表面缺陷的特征點，設(shè)計了基于三層BP神經(jīng)網(wǎng)絡(luò)的焊縫缺陷分類模型，將提取的缺陷特征作為網(wǎng)絡(luò)的特征輸入進(jìn)行網(wǎng)絡(luò)訓(xùn)練，整體缺陷檢出率達(dá)91.51%。劉夢溪等[58]設(shè)計了一種改進(jìn)的深度CNN結(jié)構(gòu)，對其層次架構(gòu)及參數(shù)設(shè)定開展了研究。該算法對于大樣本的圖像特征表達(dá)與識別有一定的優(yōu)勢，網(wǎng)絡(luò)結(jié)構(gòu)具有較高的圖像分類識別正確率。陳立潮等[59]提出一種融合遷移學(xué)習(xí)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型，用于不銹鋼焊縫缺陷的自動分類，該模型具有95.12％的檢出準(zhǔn)確率。 

薛龍等[60]提出一種基于深度學(xué)習(xí)的焊縫定位及缺陷識別方法，通過深度學(xué)習(xí)目標(biāo)檢測方法確定焊縫位置并識別焊瘤及不合格缺陷，并通過深度學(xué)習(xí)語義分割方法識別氣孔及凹坑缺陷，焊縫定位識別準(zhǔn)確率達(dá)到95%，焊瘤識別準(zhǔn)確率達(dá)到98%，氣孔與凹坑兩類缺陷的識別準(zhǔn)確率約為91.8%。谷靜等[61]對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，提出一種多尺度壓縮激勵網(wǎng)絡(luò)模型（SINet），將4組兩兩串聯(lián)的3×3卷積模塊與Inception模塊、壓縮激勵模塊（SE block）相結(jié)合。通過多尺度壓縮激勵模塊（SI module）將卷積層中的特征進(jìn)行多尺度融合和特征重標(biāo)定以提高分類準(zhǔn)確率，并用全局平均池化層代替全連接層減少模型參數(shù)。與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)相比，該模型具有良好的性能，可對焊縫缺陷圖像進(jìn)行有效地分類。而后，他們又提出基于改進(jìn)深度學(xué)習(xí)Faster R CNN模型的焊縫缺陷識別算法，通過多層特征網(wǎng)絡(luò)提取多尺度特征圖并共同作用于模型后續(xù)環(huán)節(jié)，以及通過改進(jìn)模型的區(qū)域生成網(wǎng)絡(luò)并加入多種滑動窗口，從而提高了識別能力[62]。張立等[63]提出結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)的石油管道焊縫缺陷識別方法。該方法在ResNet50網(wǎng)絡(luò)的基礎(chǔ)上添加可變形卷積學(xué)習(xí)缺陷的不規(guī)則特征，改進(jìn)后的模型對焊縫缺陷數(shù)據(jù)具有良好的泛化能力，測試精度達(dá)到99%，速度為10 m·s–1。WANG等[64]通過多尺度對齊融合（MSAF）和并行特征過濾（PFF）模塊提出了改進(jìn)的深度學(xué)習(xí)目標(biāo)檢測算法YOLOv5-MSAF用于8種焊縫缺陷的識別，其正確率達(dá)到了96.6%。 

GUO等[65]使用輕量化卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行圖像提取和分類，通過對三種不同類型的焊接缺陷進(jìn)行分類測試，驗證準(zhǔn)確率為98.25%。ZHANG等[66]提出了一種基于深度學(xué)習(xí)的鋁合金機(jī)器人弧焊缺陷在線檢測方法，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和焊縫圖像對其進(jìn)行檢測識別。其中CNN模型沒有采用傳統(tǒng)方法減少弧光的干擾，而是充分利用弧光，將弧光以多種方式組合以形成互補(bǔ)特征。試驗結(jié)果表明，該模型具有較好的分類性能，平均分類準(zhǔn)確率達(dá)到99.38%。ZHANG等[67]提出了使用小型 X 射線圖像數(shù)據(jù)集的焊縫檢測新方法，將一種基于圖像處理的數(shù)據(jù)增強(qiáng)方法和一種基于WGAN的數(shù)據(jù)增強(qiáng)方法應(yīng)用于不平衡圖像集的處理；然后，使用基于特征提取的遷移學(xué)習(xí)技術(shù)在增強(qiáng)圖像集上訓(xùn)練兩個深度（CNNs），從而降低誤檢率。YAN等[68]針對工業(yè)自動化焊接檢測的趨勢和需求，構(gòu)建了可同時對焊道表面進(jìn)行3D深度和2D灰度成像的復(fù)合視覺系統(tǒng)。在該視覺系統(tǒng)中，結(jié)構(gòu)激光負(fù)責(zé)獲取珠子表面的3D深度圖像，多角度照明用于捕捉灰度圖像；然后，根據(jù)其在3D深度圖像和2D灰度圖像中顯示的不同特征，提出提取焊道邊界的方法。 

KUMAR等[69]對比研究了線性陣列（LA）和雙矩陣陣列（DMA）兩種探頭發(fā)現(xiàn)，DMA 探針性能優(yōu)于 LA 探針的，因此更有助于提高奧氏體不銹鋼焊縫檢測的可靠性。使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行焊接缺陷識別時，識別結(jié)果會受到人為等諸多因素的影響,基于此，HU等[70]采用了圖像處理、指數(shù)線性單元（ELU）激活函數(shù)和改進(jìn)的池化模型以提高焊縫圖像識別的精度，整體識別率可以達(dá)到98.13%。SHIN等[71]提出了一種基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的無損檢測方法，該方法可以基于焊接電壓信號實時檢測和預(yù)測氣孔缺陷，無需在氣體保護(hù)焊（GMAW）過程中添加額外的設(shè)備，比人工神經(jīng)網(wǎng)絡(luò)（ANN）模型的性能更優(yōu)。 

PARK等[72]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的方法。該方法除了采用CNN進(jìn)行焊縫識別外，還采用CNN訓(xùn)練回歸函數(shù)來檢測發(fā)動機(jī)變速箱中心，獲得了更好的檢測性能。JIANG等[73]針對焊縫缺陷圖像的特點，提出了一種考慮池化區(qū)域分布和特征圖的改進(jìn)池化策略，并提出了一種將ReliefF算法與CNN相結(jié)合的增強(qiáng)特征選擇方法。ZAHRAN等[74]提出了一種從射線照相圖像中識別焊縫缺陷的新方法。該方法基于使用梅爾頻率倒譜系數(shù)（MFCC）和多項式系數(shù)生成缺陷特征數(shù)據(jù)庫，采用人工神經(jīng)網(wǎng)絡(luò)（ANN）進(jìn)行特征匹配以自動識別放射圖像中的缺陷。試驗結(jié)果表明，所提出的方法可以可靠地用于噪聲環(huán)境下的射線圖像自動焊縫缺陷識別，并且可以實現(xiàn)較高的識別率。 

LIU等[75]提出了一種基于三重深度神經(jīng)網(wǎng)絡(luò)的焊縫缺陷自動識別方法。首先，將原始X射線圖像變?yōu)楦〉駡D像，使缺陷的特征更加明顯；其次，通過三重深度神經(jīng)網(wǎng)絡(luò)映射浮雕圖像得到特征向量?；谌M的深度神經(jīng)網(wǎng)絡(luò)使得相似的缺陷特征向量距離更近，不同缺陷特征向量的距離更遠(yuǎn)，再通過支持向量機(jī)（SVM）分類器識別焊縫缺陷。結(jié)果表明，所提出的焊縫缺陷識別方法比傳統(tǒng)方法具有更好的性能。MA等[76]使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和主動視覺的概念從 CCD 中自動檢測典型的底切、毛孔和燒穿缺陷。LE等[77]提出了一種基于小型圖像數(shù)據(jù)集的自動缺陷識別方法。該方法采用Wasserstein 生成對抗網(wǎng)絡(luò)（WGAN）、基于特征提取的遷移學(xué)習(xí)技術(shù)和多模型集成框架技術(shù)，能夠成功處理不平衡和嚴(yán)重罕見的缺陷圖像。CHANG等[78]提出了一種端到端的焊縫缺陷識別方法，其采用基于高斯低通濾波器的深度置信網(wǎng)絡(luò)（GLF-DBN）來篩選射線檢測圖像，并提出了一種新的圓柱投影方法以增加缺陷部分比例，解決了小尺寸缺陷的丟失問題；然后提出一種改進(jìn)的基于SegNet的深度學(xué)習(xí)網(wǎng)絡(luò)來識別焊縫缺陷。 

隨著機(jī)器學(xué)習(xí)的發(fā)展，焊縫檢測和識別領(lǐng)域也經(jīng)歷著新一輪的變革和升級，焊縫識別的準(zhǔn)確率、效率都得到了提升。新的機(jī)器學(xué)習(xí)方法不斷涌現(xiàn)，針對無損檢測對象的特殊性，如何更好地根據(jù)焊縫形成特點以及采集方法，開發(fā)缺陷識別算法以獲得快速、準(zhǔn)確的識別效果已成為無損檢測發(fā)展的重要方向。 

5.   結(jié)語

焊縫缺陷檢測和識別在石油化工等領(lǐng)域是極其關(guān)鍵的環(huán)節(jié)，對壓力容器等大型設(shè)備的使用安全具有重要意義。除了機(jī)器人運動載體外，無損檢測還包括缺陷數(shù)據(jù)采集和識別方法，其中缺陷識別還包括圖像預(yù)處理、區(qū)域分割、特征提取和類型識別等關(guān)鍵技術(shù)，每個環(huán)節(jié)對無損檢測的實現(xiàn)和準(zhǔn)確性都具有很大影響。雖然現(xiàn)有研究成果已在不同程度上推動了無損檢測的發(fā)展與應(yīng)用，然而由于檢測場景多變、焊縫類別各異，焊接缺陷的自動檢測和識別仍然是機(jī)器人無損檢測領(lǐng)域的一個挑戰(zhàn)。 

首先，圖像處理因涉及大量數(shù)據(jù)和信息，其處理速度仍是應(yīng)用過程中的一個挑戰(zhàn)，影響缺陷識別的實時性和快速性。對于具有復(fù)雜形狀特征的物體，實現(xiàn)實時在線檢測仍然很困難。其次，工業(yè)檢測環(huán)境復(fù)雜，導(dǎo)致采集信號干擾大，影響檢測精度以及魯棒性。此外，當(dāng)前的圖像處理以及深度學(xué)習(xí)算法依賴大量樣本數(shù)據(jù)集，其在線檢測精度和速度仍有待提高，限制了其工程實際應(yīng)用。當(dāng)前缺陷檢測和識別的這些弊端，導(dǎo)致其仍無法完全替代人工檢測，因此無損檢測機(jī)器人系統(tǒng)的環(huán)境適應(yīng)性、檢測靈活度、抗干擾能力仍需進(jìn)一步提高。 

盡管檢測機(jī)器人技術(shù)仍存在諸多不足，但仍然是無損檢測領(lǐng)域未來研究和發(fā)展的主要方向。為加快無損檢測機(jī)器人在實際工業(yè)環(huán)境中的推廣應(yīng)用，提高檢測精度、增強(qiáng)其環(huán)境適應(yīng)力，筆者認(rèn)為未來發(fā)展宜圍繞以下幾個方向展開。 

（1）檢測機(jī)器人復(fù)雜環(huán)境適應(yīng)性 

許多工業(yè)檢測對象位于狹窄、危險或高空等位置，如大型壓力容器形狀復(fù)雜、面積大且環(huán)繞管道支架，因此無損檢測機(jī)器人需要克服復(fù)雜環(huán)境的限制，增強(qiáng)自動化檢測能力。為此，可結(jié)合新型變結(jié)構(gòu)輪式或履帶式研制全向移動機(jī)器人結(jié)構(gòu)，或結(jié)合柔性體、連續(xù)體結(jié)構(gòu)構(gòu)造連續(xù)彎曲型機(jī)器人以深入復(fù)雜空間提高靈活性，此外，還可以結(jié)合無人機(jī)和移動機(jī)器人構(gòu)造集群式全覆蓋檢測系統(tǒng)，擴(kuò)大檢測范圍、提高檢測效率，從而適應(yīng)大型儲罐、封閉管道、高空裝置等多種工業(yè)設(shè)備無損檢測需求。 

（2）多傳感器融合檢測系統(tǒng) 

多傳感器融合也是無損檢測機(jī)器人提升精度的重要手段。單一檢測技術(shù)往往只能識別特定缺陷類型，或受限于材料特性，而多傳感器融合可以在機(jī)器人上集成超聲、渦流、紅外和X射線等不同檢測手段。例如，在金屬板材檢測中，超聲用于內(nèi)部裂紋識別，渦流則檢測表面缺陷，對多種傳感器采集的數(shù)據(jù)通過融合算法進(jìn)行分析，能夠?qū)崿F(xiàn)更全面的檢測覆蓋率，提升精度并減少誤檢。 

（3）基于多源數(shù)據(jù)的人工智能缺陷識別 

目前，缺陷數(shù)據(jù)集不足仍然是人工智能缺陷識別精度受限的一個主要原因。為此，有必要融合圖像、超聲、渦流、紅外等多種數(shù)據(jù)源，構(gòu)造深度學(xué)習(xí)模型自動提取多維特征并進(jìn)行關(guān)聯(lián)分析，實現(xiàn)缺陷的全面檢測與精準(zhǔn)識別，提高復(fù)雜工業(yè)環(huán)境中的無損檢測精度與可靠性。同時，通過自適應(yīng)學(xué)習(xí)與實時數(shù)據(jù)處理，人工智能系統(tǒng)能夠動態(tài)適應(yīng)不同檢測條件，提供高效的決策支持。此外，還可以進(jìn)行模型輕量化設(shè)計，進(jìn)一步提高在線檢測和識別的快速性和實時性。 

（4）實時數(shù)據(jù)傳輸與遠(yuǎn)程控制 

對于大型工廠或遠(yuǎn)程設(shè)施，如風(fēng)電場、石油平臺等，其檢測覆蓋面積大、地理位置受限，建立實時數(shù)據(jù)傳輸和遠(yuǎn)程控制可以進(jìn)一步擴(kuò)展無損檢測機(jī)器人的檢測覆蓋范圍，建立高效的人機(jī)協(xié)作。為此，可以借助5G或工業(yè)物聯(lián)網(wǎng)（IIoT）連接，將檢測數(shù)據(jù)實時傳輸?shù)竭h(yuǎn)程控制中心，使專家能遠(yuǎn)程對數(shù)據(jù)進(jìn)行分析并指導(dǎo)機(jī)器人執(zhí)行新的檢測任務(wù)。此外，引入邊緣計算和實時數(shù)據(jù)處理系統(tǒng)也可以減少數(shù)據(jù)傳輸延遲，確保大面積檢測實施的精確性。 

隨著智能化水平的提高和跨學(xué)科技術(shù)的融合，無損檢測機(jī)器人有望提供高效可靠的工業(yè)檢測方案，在多種環(huán)境中實現(xiàn)高精度、全自動的缺陷檢測。未來，將會有更多先進(jìn)、實用、高精度的焊縫缺陷檢測機(jī)器人技術(shù)被開發(fā)，繼而推動無損檢測向智能化、精準(zhǔn)化、快速化發(fā)展。

文章來源——材料與測試網(wǎng)