高端装备制造业是国民经济的支柱产业，是推动工业转型升级的引擎，发挥着举足轻重的作用。而铸造作为现代装备制造工业的基础共性技术之一，铸造产品被广泛运用在航空航天、工业船舶、机械电子和交通运输等国民经济各部门。铸造技术有着六千多年的悠久历史，直至今天，伴随着现代工艺的发展以及市场的庞大需求，各行各业亟需高端铸件作为工作基础建设。
我国是精密铸造制造大国，无论是铸件的年产量，还是从业人员、企业数量已经位居世界首位，且精密铸造零件占全球精密铸造通用零部件的50%以上。在全球铸造行业市场份额占比逐步扩大的同时，铸件质量问题成为了阻碍我国铸造行业发展的首要问题。
工业上对缺陷进行分类分级判定大多是通过对比被测工件与标准缺陷图样展示的缺陷类型是否相同，从而判定工件各方面能否达到合格指标。我国的GB/T 11346，TB/T 3012与美国的ASTM系列标准是现有的主要实施标准。
由图谱与相关技术要求得知，缺陷成因对缺陷周遭的晶体结构与形貌起主导性作用。根据缺陷形态、大小与形成原因的不同，将铸件表面和内部缺陷分为五种类别：收缩类缺陷、气孔类缺陷、夹杂类缺陷、不良相和热收缩类缺陷。
铸件表面和内部各类缺陷与复杂多变的铸造工艺过程以及工件服役过程中的外作用力息息相关。不论是从技术管理角度还是从成本控制角度，分析缺陷与形成机理的因果关系的判断都显得十分重要。表1总结了各种类型缺陷的影响因素和特征，以及缺陷示意图。
表1 铸件缺陷类型以及示意图
|
缺陷
种类
|
成因
|
影响因素
|
特征
|
示例
|
|
气孔
|
合金凝固时气体析出
|
气体溶解度、浇铸温度、压射速度、砂粒度
|
在铸件内部、表面处有光滑孔眼，有时附有一层氧化膜
|
|
|
缩孔
|
铸件凝固过程中，合金成分的液态收缩、凝固收缩以及固态收缩
|
铸件复杂度、浇注温度、冒口位置、铸造压力
|
在铸件厚断面内部、交界面内部及厚断面处，形状多为长尾状或凸形，孔内粗糙不平，晶粒粗大
|
|
|
铸造
裂纹
|
铸件表面或内部因各种原因发生断裂，或机械加工产生的微缺陷
|
离心转速、涂料、浇铸温度及速度
|
在铸件上有穿透，开裂处金属表皮未氧化
|
|
|
夹杂物
|
铸造合金在熔炼过程中杂质颗粒保留在固体金属内
|
浇注时间、碳含量
|
铸件内部出现不规则孔洞，内含有明显细粒
|
|
|
偏析
|
凝固过程液相或固相的物理运动
|
铸件厚度、浇注温度
|
同一铸件上化学成分、金相
组织和性能不一致
|
|
|
疲劳
裂纹
|
在铸件内部产生永久性累积损伤
|
循环应力、循环应变
|
疲劳扩展区裂纹表面光滑，脆性断裂区表面粗糙
|
|
致命性缺陷往往会直接导致整个铸件报废。气孔类缺陷会引起其周围应力集中，降低铸件的抗冲击性和抗疲劳性。气孔还会降低铸件的气密性，致使某些要求处于强力、高速、高温等环境的铸件报废。大多数缺陷容易降低铸件本体的密封性、金属连续性，甚至会在使用期间造成断裂，引发难以估量的灾难。
对于铸件的生产绩效来说，主要根据其质量、交货期和成本来对经济效益综合衡量。为了节约材料，提高经济效益，保障行业平稳发展，就更需要对铸件质量做全面核查。
铸件缺陷检验是保障铸件正常运转的重要手段。如今传统的铸件缺陷检测方式是采用人工巡视检查的方法，但人工巡检方式时效长、风险高、划分标准难于统一。为了实时在线地获得铸件生产质量和疲劳程度信息，各种铸件无损检测方法应运而生。
铸件缺陷无损检测技术
工业生产注重生产的效率和产品最终使用性能，故大部分铸件缺陷的检测对检测系统的实时性和精度都有要求。但对于铸件而言，其多样的加工工艺、灵活的加工手法、所选原材料的差异，使最终成型的产品具有复杂的物理特性和广泛的用途。针对不同种类铸件制定了不同的生产标准，工业领域中的铸件现行标准多达143项，其中关于质量检测的国家标准有8项。
此外, 尽管不同工业领域生产的铸件在物理特性上存在差异，但其缺陷种类有一定的重合，如划痕和裂纹等。同种类型的缺陷往往也有通用的检测技术，如超声检测技术和机器视觉检测技术等，而与之对应的信号分析算法也是一致的。但对于铸件缺陷而言，缺陷成因与其铸造工艺的关联性极大，使用通用缺陷检测技术可能得不到满足精度要求的结果。因此，在原本通用检测技术上，发展出了一些专门针对某类铸件检测技术，例如检测中小型铸件的X射线二维成像检测技术、专门检测管状铸件的远场涡流检测技术、检测厚度大铸件的超声波检测技术等。
主流的无损检测技术主要用于工程未知工艺缺陷的检验，是在不损伤被测铸件的前提下，利用光、声、电磁等物理场作用在铸件上产生的物理现象来探测表面和内部缺陷的技术。主流无损检测技术以硬件为核心，硬件的质量会直接影响后续检测效果。
1、基于光学的无损检测技术
1.1X射线二维成像技术
X射线二维成像检测技术具有以下特点：
1) 被测结果以图像形式展示，直观且便于存储；
2) 适用于不同材质、复杂异形的铸件，对具有一定空间分布的体积型缺陷可以高效表征；
3) 探测速度慢、成本高，且射线对人体有辐射作用，因此该技术对环境要求极为苛刻；
4) 二维X射线只能提供单一方向的铸件阴影图，而没有任何深度分辨率信息，无法准确确定所检测到的潜在缺陷的位置和形状。
X射线二维成像技术对射线能量的选择和铸件透照布置有着极高的标准要求，探测系统硬件的优劣会直接影响检测人员对缺陷类别和级别的判断。现今大多数铸造车间已经摒弃了人工检测方法，而是采取与图像处理算法对X射线二维图像进行处理分析，图像处理算法是一种应用价值很高的检测方法，可在解决人力资源成本的同时，保障计算精度。目前对铸件射线图像处理的研究，主要可分为新算法的引入和对原有算法的改进。例如基于稀疏表示的检测算法如图1所示。
图1 基于稀疏表示检测算法流程图
1.2 X射线三维成像技术
X射线三维层析成像与计算机技术联系十分紧密，它是一种依据射线数据重塑铸件断层物理特征分布图的检测技术。该技术可以直观表征铸件内槽腔等被遮挡部分的三维形貌，且能将铸件尺寸测量和缺陷质量控制等两个任务在单个检查过程中同时实现，提高了复杂铸件的检测效率。图2为拉伸杆和航空工件的原图像和CT图像数据，可见铸件呈外表面透明，孔洞类缺陷部位呈颗粒状。
图2 拉伸杆和航空工件的原图像及CT重建的三维图像
在X射线三维成像技术中，多是针对CT扫描时长进行优化，这是由于铸造厂仅需知晓铸件有无致命缺陷，便足以对其进行筛分，故缺陷重构质量方面是次要的。但随着精密铸造零件的普及，铸件尺寸公差有着更严谨的验收标准，所以未来X射线三维成像将朝着全尺寸、高精度、高时效三个方面发展。
1.3 机器视觉检测技术
机器视觉检测系统主要包括光源、图像获取单元、图像处理单元和执行机构组成。该技术的优缺点如下：
1) 机器视觉检测系统成本低，自动化程度高，可不间断地使用；
2) 图像获取速度快，存储所需容量小，检测结果直观且易于保存；
3) 由于系统组成模块较多，各模块一旦发生故障则会使整个系统的检测效果变差；
4) 机器视觉检测系统的图像获取阶段会由于环境和数据采集系统的影响，而不可避免地存在遮挡、光线不均匀、对比度低等问题，使得机器难于得到缺陷的纹理和实际边缘信息。
随着铸造行业对铸件质量、生产工艺、成本效率提出了多重需求，人们对机器视觉检测系统的智能化程度也提出了更高要求。同时，我国制定了《中国制造2025》、《智能制造装备产业“十三五”发展规划》等多个智能制造产业发展政策，伴随着政策的不断深入，人工智能技术与工业越发密不可分，逐渐在智能生产制造过程中发挥着不可取代的作用。智能视觉机器人是现代机器人技术与机器视觉检测技术结合的产物，实现了高端装备和工业过程控制的集成优化。
将机器视觉检测系统与空中无人驾驶技术相结合，可令服役中的轨道巡检工作从局限的地面解放出来，实现对检测装置高度的自主化调整，不受列车时刻表的限制。使检测设备在时间与空间上更具灵活性。
对于声、光、电磁等物理检测技术来说，仪器性能为技术的核心，硬件的好坏会直接影响到检测效果。而另一个与机器视觉检测硬件系统并列重要的模块是图像检测算法，其更专注于模型和算法能力。基于算法的检测主要分为两大类：一类是图像处理的传统算法，另一类是基于神经网络的方法。前者可以对特定对象具有针对性的去噪、增强和实时检测，该领域的算法已经非常完善，应用范围十分广泛。在很多工业生产中，时效性是一大重要的考量指标，如果缺陷检测难以严格实时，将会给铸件制造商带来巨大的经济损失。
1.4 高光谱检测技术
高光谱成像是一个复杂的、多学科高度融合的领域，该技术可以在连续光谱带中采集空间图像。所以高光谱图像除了有二维空间信息以外，每个像素都包含完整的光谱信息，可反映铸件内部的物理属性与结构成分的差异。高光谱成像技术是一项新兴的、非侵入性光学技术。
铸造行业需要实时监控铸件表面和内部质量变化，检测人员仅能够捕捉肉眼可观测的缺陷，而高光谱成像能够得到这些缺陷更详尽的信息，并跟踪铸件内发生的任何变化。图3为采用高光谱成像仪显示出的铝铸件表面潜在缺陷处突变为低强度的光谱轮廓，映射并量化了铝铸件表面裂纹缺陷区域，缺陷在连续波段光谱下的数据绘制出一条与光照强度相关的对应特定曲线。
图3 铝铸件缺陷与无损伤处的高光谱数据
目前，高光谱技术在工业界多领域都是重点研究的方向，但在铸造业尚未普及，这是由于该技术应用于铸件缺陷检测过程中存在以下难点：
1) 照射铸件的光源会由于铸件表面的强反射作用，难以对光谱强度信息进行有力判断；
2) 工业界需要对铸件进行实时检测，保障经济效益，而常规的光谱成像系统扫描速度缓慢，成像时间长;
3) 多光谱高分辨率图像存储所需空间大、冗余度高、噪声更易引入，最终导致检测结果精度难以提高，且判断缺陷过程复杂而耗时；
4) 光谱图像不仅包括丰富的光谱信息，空间信息也是不可忽视的，现有的信号处理方法对这项新兴技术的融入还存在局限。
高光谱成像技术拥有巨大的发展潜力，但相应的信号分析算法还需要不断更新优化。正在兴起的深度学习算法对数据具有强分辨能力，能够深度挖掘与提炼缺陷的波段空间特征。未来，深度学习模块与组件将有望完美整合高光谱技术的独特优势。
2、基于声学的无损检测技术
2.1 常规超声检测技术
超声波检测技术具有以下特点：
1) 厚度较大的铸件无法采用X射线检测技术和涡流热成像检测技术对其进行充分探测，基于超声波本身具有穿透能力强、能量衰减小的特性，足以对大厚度铸件的内部裂纹、夹杂类缺陷与孔洞类缺陷进行深度可达数米的检测、定位、评估和诊断；
2) 超声波探测装置硬件成本低，对人体无害，且不污染环境；
3) 可对被测铸件进行高速、多角度探测，获取内部缺陷的位置、大小和形态等特征信息。
另一方面，超声波检测技术不易检查结构复杂铸件，并对被测表面的平整度有一定要求，且需要耦合剂辅助超声波传入铸件。所以，在选择检测手段时，应贴合铸造厂实际需求，注重资源整合，推动资源聚集以提升整体效能。
2.2 相控阵超声检测技术
相控阵超声检测技术是超声探伤领域的一个重要分支。与常规超声不同的是，相控阵超声探头由多个独立的压电晶片排列构成阵列，并按照人为设定的延迟时间激发各晶片产生超声波，所有晶片响应叠加后形成新的波阵面。因此，相控阵超声检测技术能实现可控的动态聚焦与相位偏转等多种相控效果，可有效检出铸件内部各种面状缺陷与体积型缺陷。但由于工业检测环境、铸件材料性能和缺陷的复杂特性等原因，基于相控超声的三维成像仍处于发展阶段。
2.3 全聚焦相控阵超声检测技术
许多铸件表面纹理粗糙，使得相控阵超声波反射特性难表征，成像模糊。这是因为相控阵超声检测成像的所有帧都在一个恒定的深度上聚焦，位于聚焦区域之外的反射区域会显得模糊不清。全聚焦方法（Total focusing method，TFM）对此做出了良好改进，其依次激活单个阵元产生扩散角度大的超声波，并在所有阵元上接收反射信号，因此可以为聚焦区域内的任何位置生成高度清晰的图像。
2.4 激光超声检测技术
激光超声技术是一种无接触、高精度的新型超声检测技术。用激光脉冲照射工件表面，通过烧蚀、热弹性和等离子体三种不同的效应在铸件表面激发超声波，随后用光学干涉仪对其进行非破坏性与非接触测量来获取工件厚度、内部和表面缺陷、材料参数等工件信息。该技术结合了超声探测的高空间分辨率和光学探测非接触的优势，具有高灵敏度、高探测带宽的优点，可全方位在线扫描工件中的表面和亚表面缺陷。
3、基于电磁学的无损检测技术
3.1 涡流检测技术
涡流检测技术是一种广泛使用并易于理解的无接触式检测技术，是建立在电磁感应理论基础上的无损方法。用通有交变电流的线圈靠近或嵌套待探测铸件，根据法拉第电磁感应定律，在铸件中会产生感应电流进而产生连续涡流。线圈在工件上移动时，会因铸件自身各因素变化，如形状、尺寸、缺陷等，导致涡流磁场强度和分布发生突变，便能判定铸件对应部位的性质和状态。
传统涡流检测技术对复杂铸件束手无策，但是对形状简单的铸件具有高灵敏度与高检测效率。具体来说，其是唯一能够以高达1200 ℃的温度和高达150 m/s的速度下对诸如电线、棒材和管状工件等铁磁性和非铁磁性金属导电材料进行自动化检测的传统技术，是其他现有新兴无损检测技术也无可比拟的。
与其他技术相比，涡流检测技术的主要优势有：
1) 在探测过程中，无需接触铸件或在装置与铸件间使用耦合剂，故能够在高温环境下快速探测，并具备良好的探测性能；
2) 对导电金属铸件表面和近表面缺陷的探测效率很高；
3) 以电信号作为检测结果，方便存储、再现和进行数据比较与处理。
同样，涡流检测技术存在着技术不足：
1) 只适用于导电金属型或能产生感生涡流的结构简单的铸件，复杂铸件难以运用。检测结果易受铸件结构形状、材料特性和外界磁场的影响；
2) 涡流检测技术难以区分缺陷类别与形态，不能对缺陷进行有效地分类、分级，且无法检测到铸件内部缺陷。
3.2 远场涡流检测技术
远场涡流检测技术（Remote field eddy current，RFEC）是在传统涡流检测的基础上，对管状铸件更具针对性的优化技术。远场涡流检测探头为内置型探头，一般由激励线圈、检测线圈与减震器组成。当激励线圈通有变化的电流后，其所发散出的磁力线穿过内壁，并再次穿过工件壁与接收线圈形成闭合磁场。检测线圈接收到的信号通过一定的可视化方法提取管状铸件的缺陷信息。
仪器的检测线圈远在激励线圈的2~3倍管道直径之外，因此检测线圈所接收到的远场变化信息参杂了许多杂散电磁场干扰，使得RFEC信号提取缺陷特征面临困难。有研究采用ANSYS软件建立三维远场涡流有限元仿真模型，评估了轴向裂纹几何尺寸参数对远场涡流探测信号的影响，裂纹的几何尺寸与远场涡流探测信号之间的关系如图4所示。
图4 裂纹的几何尺寸与远场涡流探测信号的关系
另一方面，由于涡流信号会从激发线圈和接收线圈处两次穿透管壁，所以同一缺陷必然影响两次远场涡流信号的传输，在接收信号中体现为主峰和伪峰。主峰包含了管道缺陷的位置等信息，而伪峰则会对缺陷定位造成负面影响。研究表明，利用维纳去卷积滤波与数学形态学滤波器滤除缺陷信号的基线偏移，都具有良好的伪峰移除效果与普适性。
3.3 脉冲涡流检测技术
传统涡流检测技术可以在铸件中寻找到微裂纹的位置，而采用脉冲涡流检测技术（Pulsed eddy current，PEC）可以根据微裂纹的位置信息自动获取有关微裂纹深度的信息。PEC技术是一项可靠且成熟的技术，其具有涡流检测所有的优点，并且比前者的频率范围更宽，可提供足够的信息进行缺陷识别和定量评估。
脉冲涡流通常是以一定占空比的方波作为激励信号施加于初级线圈，当初级线圈接近导电型金属铸件时，内部会感应产生变化的涡流和再生磁场。瞬时涡流大小和衰减状况与工件的电磁特性、几何形状和耦合状况密切相关，次级线圈接收到的涡流再生磁场包含有丰富的缺陷信息，由此可实现对铸件的探测与评估。
3.4 脉冲涡流热成像技术
脉冲涡流热成像技术是脉冲涡流技术结合红外热成像技术的无损检测技术，具有检测精度高、面积大、检测结果直观等特点。脉冲涡流热成像技术主要包括三个步骤：电磁感应形成涡流场、感生电流产生的焦耳热形成温度场、利用热像仪建立热场分布模型。该技术结合电磁热等多种物理效应，大幅度增强了缺陷表征能力。
脉冲涡流热成像技术就是利用了二维铸件中出现的电流流动现象及其传热特性，铸件缺陷与温度场关系是该技术研究重点。有研究设计了一种感应加热的主动热成像系统，得到的缺陷区域热成像三维模型如图5所示。
图5 合金样品的缺陷区域热成像三维模型
4、其他无损检测技术
磁粉检测和渗透检测都属于五大常规无损检测技术。近年来，相关国家标准持续更新，在材料控制、工艺规范制定上趋于完善，提供了详细的工艺材料要求和验收标准，是不可替代的两种铸件表面缺陷检测方法。
从本质上来看，这两种技术都是对表面和近表面缺陷的颜色或纹理特征进行增强。与基于光学、声学、电磁学等无损检测技术有所不同的是，如今的磁粉检测和渗透检测技术于试剂喷洒阶段、铸件纠偏阶段与缺陷检测阶段都需要检测人员直接或间接参与，因此铸件缺陷检测结果的正确与否与检测人员的操作水平息息相关。
4.1 磁粉检测技术
磁粉检测是利用铁磁性工件表面处缺陷在磁场中存在漏磁现象，在特殊介质下特征显著的一种无损检测方法。
由DT4A超高纯低碳纯铁轧制成的标准试片，可以检验铁磁性铸件有效磁化区以及大致的有效磁场强度和方向，被广泛用于磁粉探伤领域中。对于异形铸件磁粉检测，也可采用合适的标准试片，将其固定于变截面处，吸引磁粉或磁悬液形成缺陷轮廓以完成探测阶段。受漏磁场吸引所显现的真实磁痕特征反映了缺陷本质，经过相关铸件缺陷图谱比照后，对缺陷进行定位、定性和定量分析。
在探测阶段，铸件会因为表面不平滑而需要铸造工作者对铸件进行打磨，在人工检测阶段，铸造检测人员的感知能力与表面处理能力对裂纹检测的效率有着决定性影响。
磁粉检测技术具有以下优缺点：
1) 操作简单方便，检测成本低，灵敏度高；
2) 可显现出目视难以看出的细微缺陷；
3) 只适用于探测铁磁性铸件的表面和近表面，对被测铸件的表面光滑度要求高；
4) 磁化后的铸件需进行退磁处理。
对于磁粉检测技术而言，仪器设备的更新升级是带动技术发展的重要途径。
4.2 渗透检测技术
渗透检测技术利用了液态着色剂与荧光剂在固液交界下的毛细现象以及其于特定光照下的显像现象。在检测过程中，易受多方面因素影响而造成漏检，重复检验结果会有所不同。
采用渗透检测法检测铸件的优点有检测灵敏度高、表面缺陷表示直观、不受铸件形状和化学成分等因素影响，且由于材质适用范围广，渗透检测比磁粉检测更多地应用于铸造生产中。
但其缺点也显而易见：渗透检测技术耗时长、对铸件内部缺陷无能为力、工艺流程复杂且自动化程度低，且铸造工作者需要与有害、易燃和挥发性材料接触，同时要求在要暗室和黑光灯环境下检测。
表2总结比较了各类铸件缺陷无损检测技术。
表2 铸件缺陷无损检测与评估技术对比
|
物理学分类
|
检测技术
|
铸件类型
|
缺陷类型
|
优点
|
缺点
|
|
基于光学的无损检测技术
|
X射线二维成像技术
|
所有铸件
|
孔洞类缺陷、夹杂类缺陷
|
可探测复杂异形铸件、结果直观且便于存储、对气孔类缺陷检测良好
|
检测环境要求高、速度慢、成本高、无法表征完整的缺陷轮廓及形态
|
|
X射线三维成像技术
|
所有铸件
|
孔洞类缺陷、夹杂类缺陷及裂纹
|
可探测复杂异形铸件、结果直观且便于存储、对三维缺陷表达能力强
|
检测环境要求高、速度慢、成本高
|
|
机器视觉检测技术
|
所有铸件
|
表面缺陷
|
硬件成本低、可检测复杂铸件表面缺陷、结果直观且便于存储、检测速度快
|
系统抗干扰能力弱、成像质量易受外界因素影响
|
|
高光谱检测
技术
|
所有铸件
|
孔洞类缺陷
|
可探测复杂异形铸件、能获得缺陷更详尽的特征、预测潜在缺陷
|
成像过程极长、图像所占内存量大、结果无法直观地判别缺陷
|
|
基于声学的无损检测技术
|
超声检测技术
|
所有铸件
|
内部缺陷
|
探测速度快、检测成本低、穿透能力强、对环境无污染
|
需要耦合剂、对铸件表面光滑度有要求、信号信噪比低
|
|
相控阵超声检测技术
|
所有铸件
|
内部缺陷
|
探测速度快、声束角度及深度人为可控
|
需要耦合剂、对铸件表面光滑度有要求
|
|
全聚焦相控阵超声技术
|
所有铸件
|
内部缺陷
|
探测速度快、可高分辨率成像
|
需要耦合剂、探测手段尚未成熟
|
|
激光超声检测技术
|
复杂铸件
|
内部缺陷
|
无需耦合剂、可探测复杂铸件、穿透能力强、对细微裂纹敏感、能检测缺陷位置及大小
|
探测手段尚未成熟
|
|
基于电磁学的无损检测技术
|
涡流检测技术
|
铁磁性铸件
|
表面及近表面缺陷
|
无需耦合剂、可在高温下检测、探测速度快、检测电信号便于数据比较与存储
|
只能探测结构简单铸件、难以定量定性地评估缺陷
|
|
远场涡流技术
|
铁磁性铸件
|
表面缺陷及内部裂纹
|
无需耦合剂、探测速度快、对管状类铸件缺陷检测效果极佳
|
只能检测管状铸件
|
|
脉冲涡流检测技术
|
铁磁性铸件
|
表面及内部缺陷
|
无需耦合剂、探测速度快、能对缺陷定量评估
|
易受频率影响,检测时效性低、对微小裂纹异常敏感
|
|
脉冲涡流热成像技术
|
金属型铸件
|
表面及内部缺陷
|
无需耦合剂、检测结果直观、精度高、检测面积大
|
对铸件本身会有一定损耗
|
|
其他无损检测技术
|
磁粉检测技术
|
铁磁性铸件
|
表面及近表面缺陷
|
检测结果直观、成本低、对表面细微缺陷敏感
|
需要磁悬液、对铸件表面光滑度有要求、人工参与度高
|
|
渗透检测技术
|
所有铸件
|
表面及近表面缺陷
|
可探测复杂铸件、检测结果直观、成本低
|
使用试剂对人与环境有害、检测流程复杂、速度慢、人工操作、检测环境有要求
|
基于神经网络的探测信号处理方法
在铸件缺陷无损检测过程中，探测阶段所采集到的缺陷信号载体的物理特性不同，往往需要根据其特性有针对性地进行信号分析方法研究。同时，信号存在各种噪声干扰，增加了缺陷特征提取难度，因此各类噪声信号处理方法也需要提出和改良。而不同信号分析方法和信号处理方法的叠加，使得每种缺陷检测方法的工作量增大，使用范围变窄。
近年来，国内外学者对基于神经网络的信号处理方法展开研究，利用神经网络可以通过逐级迭代获取输入和输出内在联系的特点，将神经网络结构运用于各种探测信号分析。同时，神经网络的鲁棒特性，使得其对含噪声的信号仍具有高检测效率。此外，基于样本学习的方法可以完美融入大数据分析策略，通过对铸件缺陷数据库的学习来保障自身的高效性能。
1、基于深度学习的图像处理方法
在图像缺陷检测领域中，深度学习算法以硬件的图像处理模块为载体，是重要的组成部分。与主流无损检测方法侧重点不同的是，它是对目标特征进行深度挖掘，并更侧重于深度学习网络性能，不易受到硬件水平的制约。
与传统图像处理方法不同的是，传统方法中的特征提取主要依赖于人工设计的提取器，需要从头开始进行数据筛选，根据数据的特异性，要采取不同的特征提取方法和分类器结合，经过大量尝试，才能得到满足工业场景需求的特定方法，过程低效又昂贵；每个传统图像算法都是针对具体应用，不具有普适性。大多数车间不愿意投资深度学习的研发工作，依旧凭借传统图像算法作为工业解决方案，深度学习的应用正面临着严峻挑战。
实际上，各类探测仪器的成本逐年降低，更易获取大量图像和数据，同时随着感知机研究的不断推进和计算机硬件的换代升级，深度学习为图像检测领域带来了革命性的变革。学术界也纷纷涌现出各种高效又健壮的网络框架，得以对X射线检测系统、机器视觉系统等系统所获得的多样化目标进行强大的感知和处理，其图像检测任务中的准确率已然能与人类视觉能力相媲美，推进速度令人瞩目。图像和数据处理需要用更先进、更灵活的检测手段才能保障铸造厂的效率和性能，提高整体生产率。
有研究将原始铸件视觉图片等比分割成9块区域，再引入卷积神经网络模块实现对铸件表面夹杂物、气孔和裂纹缺陷检测，检测精度高达97.25%以上，机器视觉系统检测流程如图6所示。
图6 机器视觉系统示意图
在深度学习模型中，需要高质量的数据集进行训练，而对于铸件内部缺陷检测，采集的图像常存在缺陷边界不清晰的问题，传统方法对于类间差异小的缺陷无法准确分类，且标签的错误最后会导致网络性能下降，有研究提出了一种自适应深度和感受野选择机制，使用“惰性标签”对边缘模糊的缺陷进行标注，可以克服缺陷边缘模糊而导致的贴标不准确问题，网络识别的缺陷类别、位置和区域如图7所示。
图7 图像识别缺陷的类别、位置和区域
除了数据集外，网络结构也是影响网络性能的重要因素。气孔、缩孔等都是铸件内部的常见缺陷，而这些缺陷相对于铸件来说都是微小缺陷，缺陷相对越小，纹理信息越模糊，目标特征细微而难以检测。随着神经网络的加深，许多浅层信息不可避免会丢失，这将会严重影响网络对微小缺陷的检测精度。有研究提出了一种基于视觉注意力机制和特征图深度学习的鲁棒检测方法，采用中心边缘差分法来模拟生物视觉信息处理机制，提取出疑似缺陷区域，并剔除不必要的信息，再使用深度卷积网络提取连续图像中包含的空间特征信息，有效地跟踪缺陷，大大降低了误检和漏检的可能性，其帧间深度卷积神经网络结构图如图8所示。
图8 帧间深度卷积神经网络结构图
表3给出了近5年来学术界运用深度学习算法在铸件缺陷检测领域上所取得的一部分研究成果。
表 3 基于深度学习的铸件缺陷检测研究现状
|
方法
|
实验对象
|
检测目标
|
结果分析
|
|
新的空间注意力双线性卷积神经网络
|
所有铸件
|
气孔及人工钻孔缺陷
|
精度高达93.30%，可以有效地学习并鉴别特征
|
|
基于深度学习特征匹配的铸件缺陷三维定位方法
|
精密铸件
|
0.3~1 mm 大小的渣孔缺陷
|
在实现自动定位的基础上精度优于传统方法，平均定位误差低于传统平移视差法8.69%
|
|
采用特征金字塔网络提取特征，结合区域特征聚集方式的ROI Align
|
汽车铸铝件
|
微小孔洞类缺陷
|
与Faster R-CNN相比，使用FPN后，平均精度提高40.9%；使用ROI Align后，精度提高了23.6%
|
|
自适应深度与感受野选择语义分割的网络
|
铝合金铸件
|
海绵收缩、低密度异物、高密度异物、孔洞类缺陷
|
此方法的mIoU比最新的语义分割模型Dense-ASPP高出3.85%
|
|
基于对象级注意机制和双线性池化构建有效的CNN模型
|
铸铝件
|
一般缺陷
|
对于每个定量指标（准确率、精确度、召回率）提出的模型均优于其他经典深度学习分类模型
|
|
通用特征网络和微妙特征网络结合的网络模型
|
汽车铸铝件
|
20种铸造缺陷
|
该模型在实际X射线图像的每个指标上均优于其他分类模型
|
|
基于视觉注意力机制和特征图深度学习的鲁棒跟踪检测方法
|
3类工件
|
缩孔、孔隙率
|
铸件缺陷的误检率和漏检率均小于4%，缺陷检测的准确率大于96%
|
|
基于深度残差网络的铸件外观缺陷检测方法
|
汽车制动支架
|
暗孔、浅坑、裂纹、缺口、凸起、凹陷
|
ResNet-34ASoftReLu方法的准确率达到93.7%，远高于传统检测方法
|
|
基于自适应神经模糊推理系统的阀门铸件影像智能故障诊断系统
|
阀门铸件
|
裂纹、气体夹杂物、缩孔
|
缺陷分类的平均准确性为80%
|
|
3D卷积神经网络结合非线性拓扑尺寸参数和经验模型
|
20种铸造模型
|
缩孔、夹杂物、裂纹
|
所提出的CNN在平均精度上优于现有方法的10%~20%
|
|
改进的Faster R-CNN算法
|
钢带
|
6类表面缺陷
|
以20帧每秒的速度实现了98.32%的平均精度均值，97.02%的查全率和99%的检
测率
|
|
基于选择性注意机制和深度学习特征匹配的缺陷动态跟踪检测方法
|
一般铸件
|
渣孔
|
误检率和漏检率均低于3%，缺陷检测准确率超过97%，与极线约束跟踪等方法比较，准确率提高5%以上
|
|
用于识别X射线图像中铸件缺陷的基于Mask-RCNN的体系结构
|
汽车铸铝件
|
一般缺陷
|
超过了缺陷检测算法在GD-Xray数据集上的最高性能，mAP达95.7%
|
2、基于神经网络的其他信号处理方法
与大多数基于光学的无损探测技术所得到的直观图像不同的是，基于声、电磁学的无损探测技术的直接探测结果大多是在二维坐标轴下以波形形式表征的，这增加了检测人员提取缺陷特征的难度。神经网络的出现，打破了传统信号分析方法的局限性，在精度上显著优于传统方法，成为最新的研究热点。运用人工神经网络等理论知识，以提高复杂工况背景下复杂连续信号的处理能力。
有研究针对超声检测技术生成的信号，使用卷积神经网络、深度神经网络、多层感知器三种模型对时域上的超声信号进行训练和测试，试验结果表明所有模型都可以准确评估孔洞类缺陷，其中CNN效果最佳，检测精度达到94.5%，但工件表面的粗糙程度会引入大量噪声信号，降低训练模型的准确性。
展 望
随着铸造技术的不断发展，目前的铸件检测系统仅依靠软硬件技术的升级优化，已无法满足铸件缺陷检测技术的现实需求。针对铸件全尺寸、高精度、高时效等检测要求，高端铸件缺陷检测技术必须考虑以下几点问题：
1、对于铸件缺陷检测过程，探测技术本身存在的缺点不可避免，且单一的声或光信息难以对复杂铸件作全方面检测。融合多种探测方法对铸件进行全方位探测技术开始出现，但仅仅通过串联多种探测技术来组合成一条自动检测线，是无法满足工业中对于检测速度的要求。如何利用多模态技术将多维信息融合实现对铸件缺陷特征进行高效且全面地检出，将是未来检测技术发展研究的方向之一。
2、目前，机器人技术与铸造行业质量监测的联系越发紧密，机器视觉系统与机器人技术融合技术崭露头角：结合机器人系统的机器视觉检测技术实现了铸件多角度信息获取，消除了空间对检测效果的限制。而其他检测手段也正面临着过分依赖人的参与、辅助时间长、检测效率低等问题，亟需加速践行新一代信息技术与质检技术的深度融合，在时间与空间上提高检测设备灵活性。如何将各种检测手段与机器人技术有效结合，促进传统铸件检测技术的智能化升级，是未来研究方向之一。
3、在铸造行业实际场景中，“大数据”往往是伪命题，“小样本”却更为常见。经过多年的学术研究，国内外研究员从数据扩充、模型优化和迁移学习三个方面改进了神经网络对数据采集量的需求。但多数研究仅考虑到检测的精度，并未过多考虑检测实时性，这在工业领域是无法接受的。此外，多数针对小样本的检测模型是在自然图像数据集或公共数据集上进行预训练再针对下游任务进行微调的，工业场景实际应用少。针对小样本检测网络的实时性和更有针对性的模型预训练方法展开研究，可以将自然领域或医学领域小样本检测模型迁移至工业领域，具有广大的发展前景。
4、铸件缺陷检测任务通常仅包含检测与分类，这无法包罗所需要的全部质检信息。对于单个铸件，逐一进行缺陷检测、尺寸测量、表面粗糙度测定等程序耗时耗力，特别是针对图像检测任务，需要同时实现铸件尺寸测量、缺陷分类、表面粗糙度评定等多个任务。在深度学习领域，多任务学习可以学到多个任务的共享表示，这个共享表示具有较强的抽象能力，能够适应多个不同但相关的特征。由于使用共享表示，多个任务同时进行预测时，同样能减少了样本来源的数量和整体模型参数的规模，使得具有更小容量的模型就可以获得同水平或更好的泛化能力，预测更加高效。由此可见，“多任务”与铸件质量检测结合是一个值得深入探讨的问题。
