分享：无损检测机器人及焊缝缺陷智能识别技术综述

无损检测机器人是用于代替人工无损检测作业的自动化、智能化机器人工艺装备系统，常应用于高空、高压、高温、辐射、密闭狭小空间的检测环境或大量重复性被检对象的检测。目前国内外已经开发了适合于多种检测作业工况、多种类型的无损检测机器人系统，在其机构结构、运动控制、路径规划、视觉跟踪、缺陷识别等关键技术上开展了大量研究。目前相关综述工作主要针对桥梁和管道类的无损检测机器人技术，包括机器人机构和空间定位、图像识别、缺陷测量传感器等技术方面[1-4]，而针对大型压力容器的爬壁类无损检测机器人技术尚无系统综述。此外，焊缝是压力容器的薄弱环节，其缺陷种类繁多，表面和内部多种缺陷的识别往往采用不同的检测方法，因此，文章聚焦于爬壁类检测机器人及焊缝缺陷识别中的人工智能技术，对其研究现状和应用效果进行归类分析，为无损检测技术的自动化和智能化研究提供参考。 

1.   无损检测机器人系统

大型压力容器常具有检测面积大、检测任务重、容器体积大、环境复杂的特点，因此对爬壁类检测机器人的结构重量、移动能力、定位精度、传感集成等方面均提出了较高要求。目前，国内外研究学者已经开发出多种无损检测爬壁机器人系统并实现了初步应用，现有无损检测机器人系统如图1所示。 

图  1  现有的几种无损检测机器人系统结构示意

郑亚东等[5]提出的一款无线远程控制的LPG球罐检测爬壁机器人如图1（a）所示，其采用Wi-Fi通信实现爬壁机器人转向、定速和定距的远程控制。浙江省特种设备科学研究院设计的一款检测机器人能够实现大型承压设备的多功能检测，其实物如图1（b）所示，该机器人具有视频检测、超声测厚、磁粉检测等功能[6]。 

由于压力容器种类众多、形状复杂、应用环境特殊，针对各类复杂的检测环境开展全方位检测对无损检测机器人的构型设计和运动控制提出了挑战。上海交通大学提出了一种利用移动机器人和柔性机械臂组合的检测机器人平台，解决了电厂锅炉带鳍片的热交换管无法人工检测的问题[7]。武汉大学基于“臂腕分离”原则提出了一种六自由度串联机器人构型，该机器人可负载重达20 kg的仪器[8]。为替代人工高空检测作业，山东特种设备检验检测集团基于线性激光传感器设计了常压储罐表面形貌视觉检测机器人。该机器人可实现对储罐微观形貌特征的主动扫描检测、常压储罐表面微裂缝的准确排查等[9]。国核电站联合东华大学通过分析核反应堆压力容器检测机器人本体特点，设计了适用于核反应堆压力容器的多关节自由度检测机器人[10]，其结构如图1（c）所示，该机器人具有较高的灵活性和更大的工作空间。清华大学设计了一种适用于球罐现场焊缝检测的新型爬壁机器人，其实物如图1（d）所示。该机器人采用永磁吸附方式，可实现沿球罐表面焊缝的全方位移动。此外，该机器人配备了基于视觉传感的焊缝跟踪单元，可适应光源不足环境，完成远程自主探伤[11]。江苏省特种设备安全监督检验所联合东南大学提出了一种用于储罐外表面的基于TOFD的检测机器人系统，该机器人同样采用永磁吸附式移动方式，其实物如图1（e）所示[12]。SANTOS等[13]面向球形储罐提出了一种准全向移动的智能检测机器人，该机器人有4个独立的转向磁轮，且其附着力可调，运动灵活高效。 

目前，针对罐体表面开展无损检测的机器人系统通常采取永磁吸附、电磁吸附、负压吸附、反推式吸附、仿生吸附、静电吸附等多种吸附方式，以增强罐体表面吸附可靠性并提高移动越障能力。各吸附方式的吸附优势与限制不同，其详细对比如表1所示。 

在这些方式中，永磁吸附是目前广泛应用于爬壁机器人的一种吸附方法。永磁吸附是指通过永磁体与金属壁面之间的吸引力将机器人固定在壁面上。因采用永磁体，其结构适应性强，可结合轮式、履带式、足式等各类主流移动方式使用，且其成本低、无额外能源消耗、吸附稳定可靠。 

为实现智能球罐焊接机器人的自主运动、定位与焊缝跟踪，孙振国等[26]研制了一种基于高分辨率线阵芯片的新型视觉传感器。借助该传感器，球罐焊接机器人能够实现沿焊缝的自主运动和自动对中。而针对检测机器人难以实现储罐外壁全方位检测这一问题，唐东林等[27]提出了一种基于滚动窗口的优先级启发式路径规划算法，实现了机器人对未知储罐外壁的全遍历高效移动。高延峰等[28]基于轮式移动焊接机器人跟踪弯曲焊缝的数学模型，采用积分Backstapping时变状态反馈方法提出了一种控制器，提高了焊缝跟踪的快速性和平滑性。西南石油大学基于声学定位提出了一种检测机器人实时定位方法，解决了机器人在储罐内部的空间定位问题，机器人结构如图1（f）所示。该方法基于少量传感反馈信息，即可计算机器人在储罐内部的空间方位，定位误差小于20 cm[29]。随后，该团队在浮力-重力调节装置的基础上，提出了一种模糊控制器实现了储罐检测机器人的深度控制[30]。 

综合国内外研究发现，目前检测机器人多采用移动机器人构造，针对高空作业需求采用永磁吸附方式移动。针对狭小复杂检测环境，检测机器人可搭载多自由度细长机械臂以拓展检测空间，到达人工不可及区域，大大提高了检测的有效范围。通过设计运动控制器或研发新型传感器，检测机器人运动的自主性和精确性也得到了较大提升。相比人工作业，检测机器人在工作空间上具有较大优势，其自主运动规划与定位仍是检测机器人发展的关键技术之一。 

此外，在进行无损检测时，需准确定位缺陷位置并识别焊缝类型。因此，除机器人本体外，缺陷检测与识别是无损检测机器人发展的又一关键技术。根据现有研究，文章将从缺陷数据采集、图像识别、深度学习等方面对缺陷识别方法展开介绍。 

2.   缺陷数据采集

缺陷采集通常借助专用的采集仪器，常用的有超声检测和X射线检测。TOFD即超声衍射时差法，是一种常用的焊缝检测技术。该技术利用一对对称的纵波斜探头作为超声波的收、发探头，利用产生的衍射信号来检测缺损的位置和深度，TOFD检测原理，如图2所示。TOFD在检测壁厚较大的焊缝时比射线检测更有效率，缺陷检测灵敏度更高，因此被广泛用于球罐焊缝缺陷检测[31-32]。实际上，不同类型缺陷的TOFD-D扫图像特征具有明显差异。通过分析D扫图像的纹理、形状及走向，可实现对接焊缝典型缺陷类型判定。另外，不同缺陷的TOFD图像尖端衍射信号的相位和A扫波形随位置变化情况也会有所差异，除了信号特征外，还需结合工件材料、坡口形式、热处理状态、焊接工艺等对缺陷进行分析[33]。 

图  2  TOFD检测原理示意

由于TOFD缺陷检测信号受多种因素影响，为了提高缺陷检测结果的准确性，如何提取真实有效的检测信号以进行缺陷识别是TOFD检测的一个技术难点。针对超声TOFD检测信号受焊缝结构噪声干扰大的问题，李建忠等[34]通过小波包分解技术提取缺陷的衍射波特征，提高了检测信号的信噪比及分辨率。另外，熊娟等[35]将TOFD法、手动超声（UT）、磁粉检测（MT）三种检测方法相融合，实现了在役氧气球对接焊缝的无损检测。彭森等[36]利用灰度分布统计法消除了与近表面缺陷波重叠的直通波，结合图像分割算法提取出超声TOFD检测图像中的焊缝缺陷，从而实现了焊缝缺陷的自动识别。 

缺陷数据采集的另一种常用方法为X射线法，典型的X射线实时成像和检测系统包括信号转换、图像处理及缺陷位置的获取/传输三个主要部分。射线检测适用于金属、非金属等各种材料，射线检测的胶片分析目前主要依靠人工，其成功率很大程度上取决于检查人员的能力，因此该过程存在主观性强、耗时长等问题。为了提高焊缝胶片评测的准确率，许多学者开展了基于X射线检测的焊缝识别相关研究。 

孙林等[37]提出了基于支持向量机（SVM）的X射线底片焊缝缺陷识别方法。该方法首先对X射线底片进行数字化处理和缺陷特征提取，然后针对X射线底片焊缝缺陷样本特点，建立SVM“一对一”聚类结构并对样本进行识别。试验结果表明，该模型具有识别精度高、速度快、容易实现等优点。胡文刚等[38]人利用DR（数字射线成像）检测方法对不同透照厚度的铝合金焊缝进行射线检测试验，通过优化工艺参数提高了检测灵敏度。王磊等[39]针对常见的面状和体积状缺陷进行检测分析，同时采用射线及TOFD检测技术对缺陷尺寸进行对比，有助于此类缺陷的识别与定量分析。但是射线探测设备复杂、昂贵，检测费用也较高，且射线对人体健康存在伤害。 

此外，磁粉检测也是缺陷检测的一种有效方式[40]，该方法使用磁粉显现铁磁性材料表面裂纹，操作简单但检测深度有限。除此之外，基于不同原理用于各类材料、应用场景的其他主要检测方法的原理与特性如表2所示。其中，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。 

3.   缺陷图像识别

TOFD以及X射线采集的焊缝图像的评定目前主要由人工进行，因此受多种主观因素影响，漏检或错检率相对较高。为了提高缺陷识别精度，基于特定算法进行缺陷图像的分类和识别技术已成为焊缝检测的关键技术之一。国内外研究学者就此已开展了较多相关研究，并取得了重要进展。 

伏喜斌[41]基于标记的改进分水岭TOFD检测图像分割，结合典型缺陷图像特征，提出了一种基于支持向量机的焊缝超声TOFD缺陷分类识别方法，其正确率超过87%。樊丁等[42]采用超像素分割算法（SLIC）和改进的ELU激活函数构建CNN模型进行焊缝检测图像缺陷识别，有效提高了识别准确率。李雪琴等[43]结合快速离散Curvelet变换和循环平移，对焊缝图像进行去噪，以有效提取焊缝区域。清华大学针对焊缝缺陷特点，提出了对焊缝重叠区边缘区与非边缘区、非细长缺陷与细长缺陷分别进行处理的方法[44]。上海大学研制了基于机器视觉的液力变矩器焊缝缺陷自动检测系统[45]。兰州理工大学提出了通过自适应中值滤波方法对射线检测焊缝图像进行滤波降噪，利用类间、类内方差比分割法和数学形态学方法进行焊缝图像分割，对焊缝部分应用高频加强变换提取焊接缺陷[46]。 

为了提高焊接缺陷分割的精度，ZHANG等[47]提出了一种局部图像增强方法。该算法在焊缝提取和焊缝缺陷分割时考虑了对比度增强的要求。HASSAN等[48]建立了基于射线照相图像的焊接缺陷识别系统，提出了一种几何特征检测和分类焊接缺陷的技术。DAI等[49]提出了一种三级逐步解法以提高焊缝超声成像系统的分辨率。该方法对超声检测信号采用基于小波变换的超分辨率算法进行处理，可提高超声成像设备的图像质量，增强其识别焊缝细微缺陷的能力。MOGHADDAM等[50]开发了一种用于从射线照相图像中分类焊接缺陷的自动系统，该系统对冗长的缺陷有较好的效果。THIEN等[51]提出了一种利用图像处理技术从射线照相胶片中确定焊缝缺陷的方法和自动化系统，其可以快速、自动地将放射影像转换为数字图像，然后与数字化放射影像数据库进行分析比较，确定可能的缺陷及其类型。 

此外，除了使用TOFD或射线图像，JEONG等[52]利用红外摄像机和图像处理设备，开发了GMAW氧化物缺陷监测系统。LAPIDO等[53]提出了一种基于非制冷PbSe图像传感器的激光焊接过程中的实时缺陷检测和分类方法，其在线分类率接近1 kHz。 RANJAN等[54]利用数字图像处理技术对搅拌摩擦焊过程中常见的各种表面缺陷进行识别和分类，提高了缺陷的识别和定位准确率。PENG[55]发现焊接线图像的预处理对于特征提取和缺陷识别具有重要意义，由此提出了一种从焊缝图像中自动识别缺陷的方法。 

4.   人工智能在缺陷识别中的应用

采用图像识别技术可有效提高焊缝缺陷识别效率。随着工业智能检测技术的发展，深度学习在图像特征学习中的独特优势使其在缺陷自动检测和识别中具备重要的实用价值。当今，使用多层神经网络对数据进行自动特征提取和分类的深度学习算法在焊缝缺陷识别领域不断发展[56]，部分算法的缺陷识别效果如表3所示。 

丁晓东等[57]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[58]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[59]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[60]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[61]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[62]。张立等[63]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–1。WANG等[64]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[65]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[66]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[67]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[68]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[69]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 探针的，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[70]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[71]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[72]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[73]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[74]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[75]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[76]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[77]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[78]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。 

随着机器学习的发展，焊缝检测和识别领域也经历着新一轮的变革和升级，焊缝识别的准确率、效率都得到了提升。新的机器学习方法不断涌现，针对无损检测对象的特殊性，如何更好地根据焊缝形成特点以及采集方法，开发缺陷识别算法以获得快速、准确的识别效果已成为无损检测发展的重要方向。 

5.   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。 

尽管检测机器人技术仍存在诸多不足，但仍然是无损检测领域未来研究和发展的主要方向。为加快无损检测机器人在实际工业环境中的推广应用，提高检测精度、增强其环境适应力，笔者认为未来发展宜围绕以下几个方向展开。 

（1）检测机器人复杂环境适应性 

许多工业检测对象位于狭窄、危险或高空等位置，如大型压力容器形状复杂、面积大且环绕管道支架，因此无损检测机器人需要克服复杂环境的限制，增强自动化检测能力。为此，可结合新型变结构轮式或履带式研制全向移动机器人结构，或结合柔性体、连续体结构构造连续弯曲型机器人以深入复杂空间提高灵活性，此外，还可以结合无人机和移动机器人构造集群式全覆盖检测系统，扩大检测范围、提高检测效率，从而适应大型储罐、封闭管道、高空装置等多种工业设备无损检测需求。 

（2）多传感器融合检测系统 

多传感器融合也是无损检测机器人提升精度的重要手段。单一检测技术往往只能识别特定缺陷类型，或受限于材料特性，而多传感器融合可以在机器人上集成超声、涡流、红外和X射线等不同检测手段。例如，在金属板材检测中，超声用于内部裂纹识别，涡流则检测表面缺陷，对多种传感器采集的数据通过融合算法进行分析，能够实现更全面的检测覆盖率，提升精度并减少误检。 

（3）基于多源数据的人工智能缺陷识别 

目前，缺陷数据集不足仍然是人工智能缺陷识别精度受限的一个主要原因。为此，有必要融合图像、超声、涡流、红外等多种数据源，构造深度学习模型自动提取多维特征并进行关联分析，实现缺陷的全面检测与精准识别，提高复杂工业环境中的无损检测精度与可靠性。同时，通过自适应学习与实时数据处理，人工智能系统能够动态适应不同检测条件，提供高效的决策支持。此外，还可以进行模型轻量化设计，进一步提高在线检测和识别的快速性和实时性。 

（4）实时数据传输与远程控制 

对于大型工厂或远程设施，如风电场、石油平台等，其检测覆盖面积大、地理位置受限，建立实时数据传输和远程控制可以进一步扩展无损检测机器人的检测覆盖范围，建立高效的人机协作。为此，可以借助5G或工业物联网（IIoT）连接，将检测数据实时传输到远程控制中心，使专家能远程对数据进行分析并指导机器人执行新的检测任务。此外，引入边缘计算和实时数据处理系统也可以减少数据传输延迟，确保大面积检测实施的精确性。 

随着智能化水平的提高和跨学科技术的融合，无损检测机器人有望提供高效可靠的工业检测方案，在多种环境中实现高精度、全自动的缺陷检测。未来，将会有更多先进、实用、高精度的焊缝缺陷检测机器人技术被开发，继而推动无损检测向智能化、精准化、快速化发展。

文章来源——材料与测试网