基于超声TOFD法直通波幅度分布的近表面缺陷检测

针对超声衍射时差法（TOFD）的近表面检测盲区问题,提出一种基于直通波幅度分布分析的近表面缺陷检测方法。在近表面缺陷检测信号的直通波部分选取多个关键点,揭示了各关键点幅度分布与近表面缺陷深度的关系,获得了用于近表面缺陷检测的幅度分布特征值。试验结果表明,该方法能准确检测出埋深1．0mm的人工缺陷,有效地提高了对近表面缺陷的识别能力。     

一种基于超声TOFD法的近表面缺陷检测模式

针对常规超声TOFD法存在近表面检测盲区的问题,提出一种纵波三次反射的TOFDW检测模式.分析了TOFDW模式的声传播特性,并阐明了该模式的检测原理.通过人工缺陷检测,研究了该模式检测信号和图像特征及检测灵敏度和精度.对实际焊缝进行了检测,并通过破坏性试验对无损检测结果进行了验证.结果表明,TOFDW模式能够识别常规模...     

轧辊近表面缺陷的超声爬波检测

讨论了在役轧辊近表面缺陷的超声爬波检测技术,根据被检对象的特点确定爬波探头参数,结合应用实例对检测灵敏度、探头校准、爬波声束入射方向及缺陷回波波形进行了分析探讨,得出了可利用超声爬波对轧辊近表面进行缺陷检测及定位评定的结论。     

基于超声散射法的微小缺陷及近表面缺陷的检测

针对常规超声检测法存在对(?)1.0 mm以下的微小缺陷漏检及近表面检测存在盲区的问题,提出一种超声垂直发射背向散射的检测方法。分析了散射模式的声场传播特性,阐明了该模式的检测原理。通过对不同类型和尺寸的人工缺陷检测,分析了该散射方法的检测信号、检测灵敏度及成像图形;通过有限元分析,对散射波声场分布的可靠性进行了验证。结果表明,超声散射法能够识别常规超声检测方法容易漏检的微小缺陷及无法辨别的近表面缺陷,可有效检测(?)0.4 mm的微小缺陷及埋藏深度1.0 mm的近表面缺陷。     

基于BP神经网络的表面缺陷检测分类

精密轴承应用广泛,精度要求高,轴承表面缺陷对其使用影响很大。因此,对轴承缺陷的检测很有必要。目前的检测以人工为主,但当缺陷小于0.075 mm时人眼就很难识别。以CCD摄像机为视觉结合图像处理技术,设计一种轴承在线检测方法,能够在很大程度上提高检测效率和检测精度,最后利用BP神经网络进行缺陷分类,实验结果表明:分类正确率可达92.7%,符合工业要求。     

近表面缺陷的超声TOFDR和TOFDW检测

针对超声TOFD方法存在近表面检测盲区问题,提出了基于二次波的综合超声衍射反射回波方法(TOFDR)和缺陷W衍射反射方法(TOFDW)的检测模式。分析了TOFDR和TOFDW检测方法的超声传播特性,阐明了2种方法的检测原理,研究了它们的近表面理论检测能力。对于TOFDR检测方法,缺陷越近表面,D扫图像分辨特征越好。对于TOFDW检测方法,总体分辨能力大于TOFDR方法,但对于特别浅的近表面缺陷,声波难以识别,而将这2种检测方法综合应用,通过调整检测工艺参数可对近表面缺陷进行识别。通过对人工缺陷试样的检测,研究了综合2种方法结合条件的新检测模式的信号图像特征以及检测灵敏度,2种检测方法结合产生的D扫图像能很好的发现埋藏深度为1 mm的缺陷。     

基于超声TOFD法的焊接缺陷横向定位检测技术

针对焊缝余高存在时,超声衍射时差法（time of flight diffraction, TOFD）B扫描可达性受限这一问题,提出了双椭圆法及纵横波复合法两种缺陷横向位置无损检测方法。根据探头和缺陷位置的几何关系,建立了缺陷定位测量的数学模型,利用确定的缺陷定位算法,分别对人工缺陷和焊接缺陷进行了定位检测。结果表明,双椭圆法在缺陷定位测量精度和操作实施过程上要优于纵横波复合法;采用双椭圆法,人工缺陷的埋藏深度及横向位置的平均测量误差分别为0.5和0.3 mm;焊接缺陷的埋藏深度及横向位置的平均测量误差分别为0.6和0.4 mm。所提方法克服了由于焊缝余高的存在,传统超声TOFD法B扫描不可达的问题,并为缺陷在焊缝中的横向位置检测提供解决办法。     

钢结构桥梁焊缝缺陷TOFD检测分析

针对超声衍射时差法（Time of flight diffraction, TOFD）,探头的纵波声场不能覆盖整个被检测焊缝空间,在被检测焊缝近表面存在很大范围的不敏感区的问题,提出了一种改进的超声TOFD法,即不敏感区缺陷检测法,该方法利用超声纵波在被检试件底面的反射,使得超声声场覆盖近表面区域,采用该方法对人工缺陷及焊接缺陷进行检测。结果表明,人工缺陷埋藏深度检测的平均误差为0.3 mm,焊缝中未熔合缺陷埋藏深度及横向位置检测的平均误差分别为0.6 mm和0.4 mm。所提出的不敏感区缺陷检测法能有效检测近表面缺陷,是常规TOFD法的延伸和补充。

     

基于图像线性化处理的超声TOFD检测缺陷定位方法

超声TOFD检测方法在厚大焊缝的检测中具有较强的优势,特别是对裂纹类的缺陷,其检出效率高。为满足工程现场检测的需要,开发了基于USB接口的便携式超声TOFD检测系统,利用该系统对含有不同尺寸的人工底面开口窄槽的铝合金试块进行了D扫描检测。同时利用提出的自动算法提取了焊缝区域并将该区域的图像进行了转换,解决了D扫描图像在纵向方向上的显示与焊件厚度之间非线性的关系。结果表明,处理后的图像便于缺陷深度测量,检测人员可根据线性关系直接估算出缺陷的深度和高度,提高了检测效率。     

薄板试件的超声TOFD法缺陷定量和成像

介绍用隐藏信号识别法对板厚10 mm以下的薄板试件中的缺陷,进行超声TOFD法定量和成像的新技术.在电火花加工切槽和焊缝疲劳裂纹试样上的实验结果表明,测试值与实际值基本一致.     

面状缺陷超声TOFD法信号和图像的特征与识别

针对铝合金厚板焊缝中易于出现的几种典型的面状缺陷,研究了其超声衍射时间差法（TOFD—time of flight diffraction）的检测特征,对获得的A扫描信号和B、D扫描图像的特征进行了分析和解释,并对B、D扫描图像进行了线性化处理。结果表明,结合A扫描信号和B、D扫描图像的特征,能够有效地对面状缺陷进行识别、定位和定量。线性化处理技术有效地提高了图像的时间分辨力,使面状缺陷的信号和图像的特征更明显,进而使定位定量更为精确。     

基于神经网络和形态学的钢表面缺陷识别

钢表面图像的信噪比很低,探测目标很小,形状也不规则,因此钢材表面缺陷难于识别.引进基于神经网络和形态学的图像识别方法检测钢表面的各种缺陷,简述图像的预处理和BP神经网络建立的基本过程.通过对比BP神经和RGB阈值方法对钢表面图像的分割结果,表明BP神经网络方法优于RGB阈值方法.利用形态学处理方法过滤噪声,使结果更清晰.此方法能检测出不同类型的缺陷,且具有很强的鲁棒性.     

用超声表面波检测冷轧辊表面缺陷

通过超声表面波对冷轧辊表面缺陷探伤的试验工作，依据生产要求提出了选择探伤灵敏度的方法，制定了检测工艺并指出了该方法的检测效果。     

TOFD方法对焊接缺陷的检测能力

从焊接缺陷检测结果的可靠性和缺陷高度尺寸测量的准确性角度出发,开展TOFD检测方法的检测能力试验。试验结果表明,TOFD方法对焊缝中的焊接缺陷有很高的检测灵敏度,同时对面积性缺陷有着很高的高度测量精度。     

表面缺陷的超声检测与识别

通过对模拟试样表面缺陷回波的时域、频域和自咽归模型谱等多值域的特征分析，选择了出用于模式分类的最佳特征子集，在此基础上，动用Ｆｉｓｈｅｒ线性分类法对缺陷进行了有效分类 。     

基于直通波抑制的超声TOFD图像缺陷检测新方法

为了能够精确定位并识别出近表面缺陷在低合金厚板对接焊缝中的位置,对其超声衍射时差法的D扫描图像进行了处理。为了准确定位缺陷深度,提出了基于峰值检测算法的直通波拉直技术;为了能够识别出近表面缺陷,在直通波拉直的基础上引入了基于A扫描线能量分布算法的直通波消除技术。试验结果表明,该技术有效地提高了对近表面缺陷的识别能力。利用该技术能够更准确地定位缺陷的深度,更清晰地识别出近表面缺陷,实现缺陷的精确定位与识别。     

对某横向缺陷的TOFD检测和分析

针对某焊缝的横向缺陷,采用不同扫查方式,对其TOFD影像进行分析,从而正确识别和判定横向缺陷。     

焊缝超声TOFD检测信号及图像降噪技术研究

超声TOFD检测信号中混入的无关噪声常导致从检测图像中难以分辨缺陷特征。本研究通过小波包分解技术分析缺陷衍射波特征信号的时、频域分布特征,采用小波包统一阈值对超声TOFD检测信号进行降噪处理,对比软、硬阈值函数对检测信号的降噪结果。研究结果表明:采用软、硬阈值对长度10 mm、深度5 mm的裂纹缺陷信号降噪,其信噪比由原始的22.88 dB分别提高至186.66、176.65 dB,对长度28 mm、深度8 mm的夹杂缺陷信号降噪,其信噪比由原始的16.62 dB分别提高至33.74、28.16 dB;基于小波包软、硬阈值去噪后信号进行图像重构可有效抑制干扰条纹并提高缺陷特征图像的分辨力,而采用软阈值法几乎完全去除了原始超声TOFD检测图像中的噪声条纹。     

基于前馈神经网络的储油罐底板焊缝表面缺陷检测方法

为了有效解决储油罐底板焊缝缺陷检测过程中存在速度慢、检测结果不准确等问题,提出一种基于前馈神经网络的储油罐底板焊缝表面缺陷检测方法。分析相机捕获的储油罐底板焊缝图像各像素之间的相关性和椒盐噪声特点,通过支持向量机(SVM)分类器识别图像中的噪声,重构图像,完成去噪处理。通过基于泛化的增量式二维主成分分析的特征提取方法(GI2DPCA)提取储油罐底板焊缝图像的特征,引入前馈神经网络,构建基于前馈神经网络的储油罐底板焊缝表面缺陷检测模型,将提取到的特征输入到模型完成缺陷检测。试验测试结果表明,所提方法能以较短的时间和较高的检测精度完成缺陷检测。