焊縫探傷是一種常見的不銹鋼焊管焊接質量檢測方法[1-3],其中的渦流檢測具有檢測精度高、檢測速率快、易于自動檢測等優點。趙番等[4]設計了一套渦流檢測系統,解決了金屬管道內、外壁缺陷的區分難題。劉夢龍[5]以304不銹鋼焊管為研究對象,采用渦流檢測技術實現對不銹鋼焊管焊縫位置的準確識別。 

工業不銹鋼焊管的渦流檢測信號本質上是時間序列數據,早期的渦流檢測是以阻抗分析法為基礎,僅對檢測缺陷或原始信號中的二次信息進行篩選,構建各種缺陷信號的特征向量,并進行區分[6-9]。但利用該方法處理信號易造成原始信號的部分丟失與失真。不銹鋼焊管具有復雜的結構,其原始信號中包含了大量的關鍵信息,如材料的物理特性、焊縫的質量等。這些信號在處理過程中受損會影響缺陷檢測與定性分析結果的準確性。因此,在對不銹鋼焊管進行質量評估時,往往會出現誤判或遺漏的情況。通過訓練深度神經網絡,可以從大量的數據中自動提取有用特征,而不需要人工干預。這種方法不僅可以有效避免信號處理過程中產生的失真現象,還可以大幅提高缺陷檢測的準確率[10]。MIAO等[11]利用圖像卷積增強邊緣特征,提取焊縫邊緣信息,可以較準確地識別焊縫缺陷。王澤[12]提出了卷積神經網絡的圖像超分辨率重建算法,以獲取不同尺度的特征信息。深度學習模型能夠根據輸入的原始信號自動學習,并識別出焊管中的缺陷類型,從而對其進行準確的定性分析和評價。 

筆者以304不銹鋼焊管為研究對象,提出了一種基于渦流檢測技術結合機器學習對不銹鋼焊管進行缺陷分類識別的方法,該方法首先將采集到的一維渦流信號進行信號處理,轉換成二維時頻圖；然后結合深度學習,將得到的二維時頻圖輸入到卷積神經網絡(CNN),并提取圖像特征,從而實現不銹鋼焊管缺陷的分類識別。 

1.   試驗裝置與試樣制備

檢測試驗裝置主要包括探頭、信號發生器、采集卡和計算機等（見圖1）。試驗材料為304不銹鋼鋼管。通過電火花在鋼管試樣上制造人工缺陷,試驗共設置5種不同的缺陷類型（見圖2）。采用渦流點探頭可以確保探頭在焊管中進行精確定位與測量,探頭參數如表1所示,激勵參數如表2所示。探頭沿缺陷試樣軸向掃描,存儲離散數據,實現渦流信號采集。 

圖  1  試驗裝置外觀

圖  2  試驗缺陷試樣外觀

2.   檢測數據采集

試驗采用AC6111采集卡,采樣頻率為400 kHz,分辨率為12位。利用MATLAB軟件對采集的渦流信號進行分析,得到時域信號波形（見圖3）,橫坐標為采樣點,縱坐標為渦流信號振動幅值。 

圖  3  時域信號波形

3.   特征變換及提取

3.1   特征變換

時頻分析是一種研究信號在時域和頻域上特性的方法,其結合了時間和頻率的信息,可以全面地分析信號行為。時頻分析通常用于處理非平穩信號,即信號統計特性隨時間的變化情況。時頻分析方法主要有短時傅里葉變換(STFT)、連續小波變換(CWT)、希爾伯特-黃變換(HHT)、離散小波變換（DWT）、S變換等。CWT方法是在不同尺度上應用小波函數,對信號的頻率成分進行分析,常用于捕捉信號的局部結構和瞬時特性,該方法的小波基選擇復雜,不同小波基的分析結果差別較大。HHT方法的時頻局部性好,適用于瞬態信號和局部頻率變化的情況,但局限于近似處理窄帶信號,且只能處理單一頻率信號。DWT方法提供了多層次分辨率,允許用戶在不同精度級別上查看信號細節,但對連續信號采樣會引入誤差。S變換方法對相同信號選擇不同的尺度和窗口參數,進而產生不同的時頻,導致獲得的時頻分辨率不夠理想。 

筆者采用的時頻分析方法基于短時傅里葉變換,選擇合適的窗函數以分割待處理的原始信號。隨著窗函數的不斷移動,對截獲的時域信號每一小段進行傅里葉變換,使每一時刻的時域信號對應于頻域信號。 

離散短時傅里葉變換對于離散序列信號x(T)和時間T的變換如式（1）所示。整體離散短時傅里葉變換如式（2）所示。 

式中：ω(T)為窗函數；x(k)為待分析信號,其中k為時域信號,表示離散時間點；n為窗口數變量,對應于STFT的時間參數,n=0,1,2,3,…,E-1；t為頻率參數,t=0,1,2,3,…,F-1；E為變換后頻域信號的水平坐標；F為變換后頻域信號的垂直坐標。 

在頻域分析中,理想的窗函數應具備兩個關鍵特性：一是主瓣窄,即具有高頻率分辨率,以準確區分不同的頻率成分；二是副瓣低,以減少不同頻率間的相互干擾。在常用的窗函數中,矩形窗函數的主瓣寬度相對集中,光譜分辨率較高,但其副瓣高度也相對較高,易導致頻譜間產生交叉干擾。漢寧窗函數也稱上升余弦窗函數,其副瓣高度低,但主瓣寬度變寬,頻率分辨率不高。漢明窗函數與漢寧窗函數相似,其旁瓣較小,但衰減速率較慢；高斯窗函數的主瓣寬度寬,頻率分辨率也較低。綜合考慮頻率分辨率和副瓣抑制的需求,選擇漢寧窗函數。 

為更好地處理數據采集部分獲取的時域信號,對常用時頻分析方法進行深入比較,采用短時傅里葉時頻分析方法,選用漢寧窗函數進行頻域分析,以實現更精確的信號處理。 

3.2   特征提取

特征提取是從原始數據中選擇或轉換一組相關的信息,以描述數據的重要特征,從而對缺陷圖像進行分類和識別。特征提取可以減少數據的維度并捕捉數據的關鍵信息,從而提高模型的性能。一般來說,缺陷特征提取主要是提取缺陷區域的物理特征,包括形狀、灰度分布、紋理和圖像序列等信息。利用MATLAB軟件對采集到的渦流信號進行STFT,得到二維時頻圖（見圖4）。 

圖  4  二維時頻圖

缺陷的類型不同,其對應的時頻圖也不同。圖4中顏色的深淺對應了頻率的不同幅值,其中藍色是二維時頻圖的背景色。對每個缺陷譜圖的顏色深度進行識別,可以清楚地區分缺陷類型。由圖4可知：缺陷1色譜圖中兩種顏色區域有明顯的斷層峰值,表示該處為缺陷位,且峰值之間的距離表示缺陷的大小；缺陷2色譜圖的正常區域為綠色區域,黃色峰區為缺陷；缺陷3的色譜圖中黃色峰值區間為缺陷,且缺陷的大小與缺陷2接近；缺陷4色譜圖中天藍色表示這個區域的材料是合格、沒有缺陷的,而中間的黃色峰區表示該處存在缺陷；缺陷5色譜圖中峰值處與天藍色區域有明顯的斷層,表示缺陷不連貫；標準試樣色譜圖中黃色區域貫穿了整個時間軸,即沒有缺陷。通過二維時頻圖可以對焊管缺陷的類型進行區分。 

4.   分類識別結果

在處理圖像等二維數據時,其輸入數據通常都是高維的。當采用傳統神經網絡訓練時,因模型的訓練參數過多,通常需要耗費更多的計算資源和更長的時間,特別是對于大規模數據集,模型對訓練數據過于敏感,從而影響其在新數據上的泛化性能。CNN是一種經典的深度學習模型,其由一個或多個卷積層和其他分類神經網絡組成。CNN作為一種圖像識別工具,可以利用卷積層來捕捉輸入數據的局部特征,通過權值共享,相同的權重被用于處理輸入的不同部分,從而減少參數的數量,提高模型的效率。在采用卷積神經網絡作為分類器對工業不銹鋼焊管缺陷進行分類和識別時,選擇合適的神經網絡結構至關重要,筆者對VGG-16和GoogLeNet兩種訓練模型進行了對比研究。 

將圖4的二維時頻圖作為訓練特征輸入CNN輸入層中,制作特征樣本集,如表3所示,并將各種缺陷的時頻圖按3∶1∶1的比例隨機分為訓練集、驗證集和測試集。 

4.1   學習率的優化

學習率是深度學習優化算法中的一個重要參數,其控制了模型權重在每次迭代中更新的幅度,學習率過高會引起參數的頻繁更新,使模型在訓練時出現劇烈的波動,直至不收斂；學習率過低會使算法收斂得很慢。通過調節學習率,使算法達到較快的收斂速率與較高的穩定性。選擇學習率分別為0.01,0.001和0.000 1,其他參數保持不變,不同學習率下的準確度如表4所示。由表4可知：VGG-16模型和GoogLeNet模型均在學習率為0.01時的準確度最高,分別達到了79.1%和68.3%。 

4.2   VGG-16和GoogLeNet兩種模型對比

為了對VGG-16模型和GoogLeNet模型的準確性進行評估,對測試集中的40張含有各類缺陷的圖像進行了試驗。這些圖像涵蓋了多種缺陷類型,旨在全面檢驗模型的識別能力。試驗結果顯示,在面對特定缺陷時,VGG-16模型的準確性較高,因為其深層架構能夠捕捉并提取特定缺陷的復雜特征。GoogLeNet模型在處理其他類型的缺陷時顯示出更好的性能,能夠有效地捕捉和識別多樣化的缺陷。 

不同模型對缺陷的識別精度和整體分類精度如表5所示。由表5可知：VGG-16模型對5種不同類型缺陷的識別精度更高,整體分類精度達到了0.800；GoogLeNet模型的整體分類精度僅為0.685。表明VGG-16模型在工業不銹鋼焊管缺陷分類識別中的準確性和穩定性明顯優于GoogLeNet模型。 

5.   結論

在對缺陷的分類識別中,優化神經網絡參數,選擇表現效果最好的0.01學習率；通過對比VGG-16與GoogLeNet兩種神經網絡模型的訓練效果,在整體缺陷分類精度的表現上,VGG-16模型的精度優于GoogLeNet模型,達到了0.800。將短時傅里葉變換和卷積神經網絡相結合,并對工業不銹鋼焊管的缺陷進行分類識別。通過多種信號處理方法的對比,采用短時傅里葉方法對渦流信號進行分析,將經過處理后的信號轉換成時頻圖,并作為卷積神經網絡的輸入,采用該方法可以有效避免特征提取不足、計算速率低、識別精度低等問題,實現了焊管缺陷的分類識別。 

文章來源——材料與測試網