一种金属材料表面缺陷的智能检测方法及系统

摘要

本发明提供了一种金属材料表面缺陷的智能检测方法及系统，涉及金属材料检测技术领域，该方法包括：采集获取待检测金属材料的表面图像集合；构建表面缺陷检测模型；将表面图像集合输入表面缺陷检测模型，获得第一表面缺陷检测结果；向所述待检测金属材料发射混频超声信号并采集获得超声输出信号；判断超声输出信号中是否存在预设信号；若是，则提取获得预设信号，将预设信号输入表面裂纹分析模型，获得第二表面缺陷检测结果，结合第一表面缺陷检测结果输入表面缺陷评价空间，获得金属材料表面缺陷检测结果。本发明解决了现有技术中金属材料表面检测准确性差，分析方法不够智能的技术问题，达到了提升表面检测效果和智能化程度的技术效果。

权利要求

1.一种金属材料表面缺陷的智能检测方法，其特征在于，所述方法包括：采集获取待检测金属材料的多个表面图像，获得表面图像集合；

根据所述待检测金属材料的尺寸特征和类型特征，构建表面缺陷检测模型；

将所述表面图像集合输入所述表面缺陷检测模型，获得第一表面缺陷检测结果；

向所述待检测金属材料发射混频超声信号，检测采集获得所述混频超声信号经过所述待检测金属材料后的超声输出信号；

判断所述超声输出信号中是否存在预设类型的预设信号；若否，则将所述第一表面缺陷检测结果输出，获得金属材料表面缺陷检测结果；

若是，则提取获得所述预设信号，将所述预设信号输入表面裂纹分析模型，获得第二表面缺陷检测结果；

将所述第一表面缺陷检测结果和所述第二表面缺陷检测结果输入表面缺陷评价空间，获得金属材料表面缺陷检测结果，其中包括：采集获取历史时间内对不同金属材料进行表面缺陷检测的历史第一表面缺陷检测结果集合和历史第二表面缺陷检测结果集合；根据所述历史第一表面缺陷检测结果集合和历史第二表面缺陷检测结果集合，构建二维坐标系；

将每个金属材料的历史第一表面缺陷检测结果和历史第二表面缺陷检测结果输入所述二维坐标系，获得多个坐标点；对多个所述坐标点进行聚类，获得多个聚类结果；对每个所述聚类结果设置不同的表面缺陷评价结果，获得所述表面缺陷评价空间；将所述第一表面缺陷检测结果和所述第二表面缺陷检测结果输入所述表面缺陷评价空间，获得对应的当前聚类结果；将所述当前聚类结果的表面缺陷评价结果作为所述金属材料表面缺陷检测结果。

2.根据权利要求1所述的方法，其特征在于，所述采集获取待检测金属材料的多个表面图像，包括：设置获得多个用于检测所述表面图像的采集角度；

根据多个所述采集角度，采集获取所述待检测金属材料的多个表面图像，获得所述表面图像集合。

3.根据权利要求1所述的方法，其特征在于，所述根据所述待检测金属材料的尺寸特征和类型特征，构建表面缺陷检测模型，包括：设置获得预设时间范围；

采集获取历史时间中所述预设时间范围内进行表面缺陷检测的金属材料的表面图像，获得历史表面图像集合；

根据所述尺寸特征和所述类型特征，遍历所述历史表面图像集合，获得与所述待检测金属材料相同的金属材料的历史表面图像，作为样本表面图像集合；

根据所述样本表面图像集合，构建所述表面缺陷检测模型。

4.根据权利要求3所述的方法，其特征在于，根据所述样本表面图像集合，构建所述表面缺陷检测模型，包括：对所述样本表面图像集合内的样本表面图像存在的表面缺陷进行标记，获得缺陷图像集合；

根据所述缺陷图像集合，设置缺陷检测结果信息集合；

对所述缺陷图像集合和所述缺陷检测结果信息集合进行划分和标识，获得训练数据、验证数据和测试数据；

基于卷积神经网络，构建所述表面缺陷检测模型；

采用所述训练数据、验证数据和测试数据对所述表面缺陷检测模型进行监督训练、验证和测试，直到所述表面缺陷检测模型的准确率达到预设要求，获得所述表面缺陷检测模型。

5.根据权利要求1所述的方法，其特征在于，判断所述超声输出信号中是否存在预设类型的预设信号，包括：判断所述超声输出信号中是否存在和频分量，获得第一判断结果；

判断所述超声输出信号中是否存在差频分量，获得第二判断结果；

若所述第一判断结果和/或所述第二判断结果为是，则所述超声输出信号中存在所述预设信号。

6.根据权利要求1所述的方法，其特征在于，将所述预设信号输入表面裂纹分析模型，获得第二表面缺陷检测结果，包括：设置获得预设时间范围；

采集获取历史时间内所述预设时间范围中其他金属材料的预设信号和表面裂纹检测结果，获得构建数据集；

基于BP神经网络，构建所述表面裂纹分析模型；

采用所述构建数据集，对所述表面裂纹分析模型进行监督训练、验证和测试，获得所述表面裂纹分析模型；

将所述预设信号输入所述表面裂纹分析模型，获得所述第二表面缺陷检测结果。

7.根据权利要求6所述的方法，其特征在于，所述采集获取历史时间内所述预设时间范围中其他金属材料的预设信号和表面裂纹检测结果，包括：采集获取历史时间内所述预设时间范围中，对其他具有相同所述尺寸特征和类型特征的金属材料进行超声波混频检测的历史超声输出信号，获得历史超声输出信号集合；

根据所述历史超声输出信号集合，获得历史预设信号集合；

采集获取其他具有相同所述尺寸特征和类型特征的金属材料的表面裂纹检测结果，获得历史表面微裂纹检测结果集合；

对所述历史超声输出信号集合和所述历史表面微裂纹检测结果集合进行划分和标识，获得训练数据、验证数据和测试数据；

将所述训练数据、验证数据和测试数据作为所述构建数据集。

8.一种金属材料表面缺陷的智能检测系统，其特征在于，所述系统包括：表面图像采集模块，用于采集获取待检测金属材料的多个表面图像，获得表面图像集合；

缺陷检测模型构建模块，用于根据所述待检测金属材料的尺寸特征和类型特征，构建表面缺陷检测模型；

第一表面缺陷检测模块，用于将所述表面图像集合输入所述表面缺陷检测模型，获得第一表面缺陷检测结果；

超声检测模块，用于向所述待检测金属材料发射混频超声信号，检测采集获得所述混频超声信号经过所述待检测金属材料后的超声输出信号；

预设信号判断模块，用于判断所述超声输出信号中是否存在预设类型的预设信号，若否，则将所述第一表面缺陷检测结果输出，获得金属材料表面缺陷检测结果；

第二表面缺陷检测模块，用于若是，则提取获得所述预设信号，将所述预设信号输入表面裂纹分析模型，获得第二表面缺陷检测结果；

检测结果输出模块，用于将所述第一表面缺陷检测结果和所述第二表面缺陷检测结果输入表面缺陷评价空间，获得金属材料表面缺陷检测结果，还用于采集获取历史时间内对不同金属材料进行表面缺陷检测的历史第一表面缺陷检测结果集合和历史第二表面缺陷检测结果集合；根据所述历史第一表面缺陷检测结果集合和历史第二表面缺陷检测结果集合，构建二维坐标系；将每个金属材料的历史第一表面缺陷检测结果和历史第二表面缺陷检测结果输入所述二维坐标系，获得多个坐标点；对多个所述坐标点进行聚类，获得多个聚类结果；对每个所述聚类结果设置不同的表面缺陷评价结果，获得所述表面缺陷评价空间；

将所述第一表面缺陷检测结果和所述第二表面缺陷检测结果输入所述表面缺陷评价空间，获得对应的当前聚类结果；将所述当前聚类结果的表面缺陷评价结果作为所述金属材料表面缺陷检测结果。

说明书

一种金属材料表面缺陷的智能检测方法及系统

技术领域

[0001] 本发明涉及金属材料检测技术领域，具体涉及一种金属材料表面缺陷的智能检测方法及系统。

背景技术

[0002] 金属材料或金属材料制备的工件的表面质量检测，对于金属材料产品的质量把控有着非常重要的作用。金属材料的表面检测主要包括表面的材料、外观、形状、表面缺陷的检测。

[0003] 目前一般通过常规的检测手段、例如抽样检测进行金属材料表面检测，判断是否满足相关标准，完成检测分析。

[0004] 现有技术中金属材料表面检测的检测方法智能化程度低、分析方法单一，存在着金属材料表面检测效率低、准确性差，以及分析方法不够智能的技术问题。

发明内容

[0005] 本申请提供了一种金属材料表面缺陷的智能检测方法及系统，用于针对解决现有技术中金属材料表面检测效率低、准确性差，以及分析方法不够智能的技术问题。

[0006] 鉴于上述问题，本申请提供了一种金属材料表面缺陷的智能检测方法及系统。

[0007] 本申请的第一个方面，提供了一种金属材料表面缺陷的智能检测方法，所述方法包括：采集获取待检测金属材料的多个表面图像，获得表面图像集合；根据所述待检测金属材料的尺寸特征和类型特征，构建表面缺陷检测模型；将所述表面图像集合输入所述表面缺陷检测模型，获得第一表面缺陷检测结果；向所述待检测金属材料发射混频超声信号，检测采集获得所述混频超声信号经过所述待检测金属材料后的超声输出信号；判断所述超声输出信号中是否存在预设类型的预设信号，若否，则将所述第一表面缺陷检测结果输出，获得金属材料表面缺陷检测结果；若是，则提取获得所述预设信号，将所述预设信号输入表面裂纹分析模型，获得第二表面缺陷检测结果；将所述第一表面缺陷检测结果和所述第二表面缺陷检测结果输入表面缺陷评价空间，获得金属材料表面缺陷检测结果。

[0008] 本申请的第二个方面，提供了一种金属材料表面缺陷的智能检测系统，所述系统包括：表面图像采集模块，用于采集获取待检测金属材料的多个表面图像，获得表面图像集合；缺陷检测模型构建模块，用于根据所述待检测金属材料的尺寸特征和类型特征，构建表面缺陷检测模型；第一表面缺陷检测模块，用于将所述表面图像集合输入所述表面缺陷检测模型，获得第一表面缺陷检测结果；超声检测模块，用于向所述待检测金属材料发射混频超声信号，检测采集获得所述混频超声信号经过所述待检测金属材料后的超声输出信号；预设信号判断模块，用于判断所述超声输出信号中是否存在预设类型的预设信号，若否，则将所述第一表面缺陷检测结果输出，获得金属材料表面缺陷检测结果；第二表面缺陷检测模块，用于若是，则提取获得所述预设信号，将所述预设信号输入表面裂纹分析模型，获得第二表面缺陷检测结果；检测结果输出模块，用于将所述第一表面缺陷检测结果和所述第二表面缺陷检测结果输入表面缺陷评价空间，获得金属材料表面缺陷检测结果。

[0009] 本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

[0010] 本申请提供的技术方案通过采集获取待检测金属材料的多个表面图像，并构建表面缺陷检测模型，对多个表面图像进行表面缺陷检测，完成第一部分的表面缺陷检测，并基于混频超声波检测，将不同频率的超声波信号输入待检测金属材料，并采集经待检测金属材料传播后的超声输出信号，判断其中是否存在预设信号，若存在，则将获得的预设信号输入表面裂纹分析模型，完成表面裂纹的第二部分的表面缺陷检测，最终基于表面缺陷评价空间，完成表面缺陷的检测的分析。本申请通过构建特定的金属材料表面质量缺陷检测和分析方法，将金属材料表面检测分为裂纹和其他缺陷两部分，采用机器学习中的方法，结合混频超声波分析表面裂纹的方法，进行金属材料表面缺陷的检测和分析，检测智能化程度高、效率高，且准确性较高，并建立了分析评价金属材料表面缺陷检测结果的方法，能够根据检测结果统一、智能、准确地分析评价金属材料表面缺陷检测结果，达到提升金属材料表面检测以及分析的效率、准确性、智能化程度的技术效果。

附图说明

[0011] 图1为本申请提供的一种金属材料表面缺陷的智能检测方法流程示意图；

[0012] 图2为本申请提供的一种金属材料表面缺陷的智能检测方法中获得第二表面缺陷检测结果的流程示意图；

[0013] 图3为本申请提供的一种金属材料表面缺陷的智能检测方法中获得金属材料表面缺陷检测结果的流程示意图；

[0014] 图4为本申请提供了一种金属材料表面缺陷的智能检测系统结构示意图。

[0015] 附图标记说明：表面图像采集模块11，缺陷检测模型构建模块12，第一表面缺陷检测模块13，超声检测模块14，预设信号判断模块15，第二表面缺陷检测模块16，检测结果输出模块17。

具体实施方式

[0016] 本申请通过提供了一种金属材料表面缺陷的智能检测方法及系统，用于针对解决现有技术中金属材料表面检测效率低、准确性差，以及分析方法不够智能的技术问题。

[0017] 实施例一

[0018] 如图1所示，本申请提供了一种金属材料表面缺陷的智能检测方法，所述方法包括：

[0019] S100：采集获取待检测金属材料的多个表面图像，获得表面图像集合；

[0020] 本申请实施例中，该待检测金属材料可为任意元素任意牌号的金属材料或金属材料制成的工件，例如金属材料板材、方钢、圆钢等。

[0021] 采集获取该金属材料的表面图像，作为基于图像处理技术进行金属材料表面质量检测的数据基础。

[0022] 本申请实施例提供的方法中的步骤S100包括：

[0023] S110：设置获得多个用于检测所述表面图像的采集角度；

[0024] S120：根据多个所述采集角度，采集获取所述待检测金属材料的多个表面图像，获得所述表面图像集合。

[0025] 具体地，在采集获取待检测金属材料的表面图像时，设置多个用于采集表面图像的角度，以采集获取待检测金属材料全方位的表面图像，例如正视方位、侧视方位等方向的表面图像。以及，采集获取待检测金属材料同一方位多个角度的表面图像。

[0026] 其中，可采用工业相机采集获取较高分辨率的待检测金属材料的表面图像。

[0027] 基于多个角度，采集获取待检测金属材料的表面图像，获得表面图像集合，作为基于图像处理进行金属材料表面缺陷检测的数据基础。基于设置的多个角度采集待检测金属材料的表面图像，更为全面，进而能够提升表面缺陷检测的准确性。

[0028] S200：根据所述待检测金属材料的尺寸特征和类型特征，构建表面缺陷检测模型；

[0029] 具体地，基于待检测金属材料的尺寸特征和类型特征，采集获取与待检测金属材料相同的其他金属材料的表面图像，构建进行表面缺陷检测的模型，进行智能化的图像处理表面检测。

[0030] 其中，该尺寸特征包括待检测金属材料的尺寸规格等信息，类型特征包括待检测金属材料的金属牌号、合金元素含量等信息。

[0031] 本申请实施例提供的方法中的步骤S200包括：

[0032] S210：设置获得预设时间范围；

[0033] S220：采集获取历史时间中所述预设时间范围内进行表面缺陷检测的金属材料的表面图像，获得历史表面图像集合；

[0034] S230：根据所述尺寸特征和所述类型特征，遍历所述历史表面图像集合，获得与所述待检测金属材料相同的金属材料的历史表面图像，作为样本表面图像集合；

[0035] S240：根据所述样本表面图像集合，构建所述表面缺陷检测模型。

[0036] 具体地，设置用于采集其他金属材料的表面图像的预设时间范围，该预设时间范围为具有任意时间长度的时间范围，其中，为提升采集获得的其他金属材料的表面图像的数据量，优选设置较长的时间范围。

[0037] 采集获取历史时间中预设时间范围内进行表面缺陷检测的其他金属材料的表面图像，其中，可基于表面缺陷检测日志记录采集获得。且，其他金属材料的表面图像同为基于多个角度采集获得的表面图像集合，如此，获得历史表面图像集合。

[0038] 根据上述的待检测金属材料的尺寸特征和类型特征，遍历历史表面图像集合，根据历史表面图像集合中保存的对应的金属材料的尺寸信息和类型信息，获取与待检测金属材料的尺寸特征和类型特征相同的金属材料的历史表面图像，作为样本表面图像，获得样本表面图像集合。

[0039] 根据该样本表面图像集合，构建用于进行金属材料表面缺陷检测的表面缺陷检测模型。本申请实施例提供的方法中的步骤S240包括：

[0040] S241：对所述样本表面图像集合内的样本表面图像存在的表面缺陷进行标记，获得缺陷图像集合；

[0041] S242：根据所述缺陷图像集合，设置缺陷检测结果信息集合；

[0042] S243：对所述缺陷图像集合和所述缺陷检测结果信息集合进行划分和标识，获得训练数据、验证数据和测试数据；

[0043] S244：基于卷积神经网络，构建所述表面缺陷检测模型；

[0044] S245：采用所述训练数据、验证数据和测试数据对所述表面缺陷检测模型进行监督训练、验证和测试，直到所述表面缺陷检测模型的准确率达到预设要求，获得所述表面缺陷检测模型。

[0045] 具体地，对于采集获得的样本表面图像集合，基于现有技术中的金属材料表面检验手段，例如人工检验，检测样本表面图像中是否存在表面缺陷，选出存在表面缺陷的样本表面图像，获得缺陷图像集合。其中，该表面缺陷可包括：括伤、耳子、结疤、沾结、麻点、皮下气泡等肉眼可见的金属材料表面缺陷。

[0046] 根据缺陷图像集合中存在表面缺陷的样本表面图像，设置对应的检测结果，作为构建表面缺陷检测模型的构建数据。示例性地，对于存在括伤表面缺陷的样本表面图像内的括伤图像，设置对应的检测结果为存在括伤，如此，对其他表面缺陷设置对应的检测结果，以及不存在表面缺陷的检测结果，获得缺陷检测结果信息集合。缺陷检测结果信息集合内的缺陷检测结果与缺陷图像集合缺陷图像相对应。

[0047] 对该缺陷图像集合和缺陷检测结果信息集合进行标识，并按照预设规则进行划分，获得用于构建表面缺陷检测模型的训练数据、验证数据和测试数据。

[0048] 基于深度学习中卷积神经网络模型，并根据缺陷图像集合和缺陷检测结果信息集合内的数据，设计网络结构，构建表面缺陷检测模型，其内包括多个卷积层、池化层以及全连接层。

[0049] 采用该训练数据、验证数据和测试数据对表面缺陷检测模型进行监督训练、验证和测试，其中，逐条采用监督数据对表面缺陷检测模型进行监督训练，直到模型的输出结果收敛或准确率达到预设要求，对模型进行验证和测试，可基于交叉验证的方式进行验证和测试，避免模型出现过拟合问题。

[0050] 本申请实施例通过采集其他相同尺寸和类型的金属材料的表面图像，并筛选获得缺陷表面图像集合，设置对应的缺陷检测结果集合，构建获得表面缺陷检测模型，能够根据输入的金属材料表面图像进行较为准确地表面缺陷检测，且检测效率高、普适性高、智能化程度高，提升金属材料表面检测的准确性、效率。

[0051] S300：将所述表面图像集合输入所述表面缺陷检测模型，获得第一表面缺陷检测结果；

[0052] 基于训练完成的表面缺陷检测模型，将待检测金属材料的表面图像集合输入该表面缺陷检测模型中，对表面图像进行分析检测，获得输出结果，输出结果中包括各表面图像的缺陷检测结果，完成待检测金属材料表面中肉眼可见缺陷的智能化检测，得到第一表面缺陷检测结果。

[0053] S400：向所述待检测金属材料发射混频超声信号，检测采集获得所述混频超声信号经过所述待检测金属材料后的超声输出信号；

[0054] 具体地，在完成待检测金属材料表面的肉眼可见的缺陷检测，得到第一表面缺陷检测结果后，还需对待检测金属材料表面肉眼难以分辨的裂纹进行检测。

[0055] 本申请实施例中，采用混频超声检测，检测待检测金属材料的表面的裂纹。具体地，向待检测金属材料的表面发射混频超声信号，示例性地，发射两束频率不同的超声波信号。并采集获取混频超声信号经过待检测金属材料表面传输后的超声波信号，获得超声输出信号。在进行混频超声检测时，可选择在待检测金属材料表面进行检测的位置，避免其他缺陷的干扰。

[0056] S500：判断所述超声输出信号中是否存在预设类型的预设信号，若否，则将所述第一表面缺陷检测结果输出，获得金属材料表面缺陷检测结果；

[0057] 若待检测金属材料的表面存在非线性的裂纹，则会对混频超声信号造成影响，产生其他频率的信号。因此，通过判断超声输出信号中是否存在预设类型的预设信号，判断待检测金属材料的表面是否存在裂纹。

[0058] 本申请实施例提供的方法中的步骤S500包括：

[0059] S510：判断所述超声输出信号中是否存在和频分量，获得第一判断结果；

[0060] S520：判断所述超声输出信号中是否存在差频分量，获得第二判断结果；

[0061] S530：若所述第一判断结果和/或所述第二判断结果为是，则所述超声输出信号中存在所述预设信号。

[0062] 具体地，混频超声信号在受到金属材料表面裂纹影响时，会产生和频分量或者差频分量。该预设类型的预设信号即为和频分量以及差频分量。

[0063] 如此，基于超声波信号分析，对超声输出信号进行分析判断，通过判断超声输出信号中是否存在和频分量，可获得第一判断结果。并判断超声输出信号中是否存在差频分量，获得第二判断结果。

[0064] 若第一判断结果和第二判断结果均为否，则超声输出信号中不存在预设类型的预设信号，待检测金属材料表面不存在裂纹。则可将上述的第一可将上述的表面缺陷检测结果输出，作为待检测金属材料的得金属材料表面缺陷检测结果，完成检测。

[0065] 若第一判断结果和/或第二判断结果为是，则说明待检测金属材料表面存在裂纹，则需要进一步对待检测金属材料表面的裂纹进行检测。

[0066] 本申请实施例通过采用混频超声检测对待检测金属材料的表面进行检测，通过判断超声输出信号中是否存在和频分量或差频分量，判断金属材料表面是否存在裂纹，较为准确且高效，能够有效判断金属材料表面是否存在肉眼难以发现的裂纹缺陷，提升检测准确性和效率。

[0067] S600：若是，则提取获得所述预设信号，将所述预设信号输入表面裂纹分析模型，获得第二表面缺陷检测结果；

[0068] 若超声输出信号存在预设信号即和频分量或差频分量，则需要进一步根据该预设信号中的和频分量和/或差频分量，作为检测分析待检测金属材料表面裂纹的数据基础。

[0069] 具体地，提取该超声输出信号中的预设信号，将其输入用于分析检测金属材料表面裂纹的表面裂纹分析模型，获得待检测金属材料表面裂纹的缺陷检测结果。

[0070] 如图2所示，本申请实施例提供的方法中的步骤S600包括：

[0071] S610：设置获得预设时间范围；

[0072] S620：采集获取历史时间内所述预设时间范围中其他金属材料的预设信号和表面裂纹检测结果，获得构建数据集；

[0073] S630：基于BP神经网络，构建所述表面裂纹分析模型；

[0074] S640：采用所述构建数据集，对所述表面裂纹分析模型进行监督训练、验证和测试，获得所述表面裂纹分析模型；

[0075] S650：将所述预设信号输入所述表面裂纹分析模型，获得所述第二表面缺陷检测结果。

[0076] 具体地，设置获得用于采集其他金属材料进行混频超声检测数据的预设时间范围，该预设时间范围可优选为较长时间跨度的范围，以提升采集数据的数据量。

[0077] 本申请实施例提供的方法中的步骤S620包括：

[0078] S621：采集获取历史时间内所述预设时间范围中，对其他具有相同所述尺寸特征和类型特征的金属材料进行超声波混频检测的历史超声输出信号，获得历史超声输出信号集合；

[0079] S622：根据所述历史超声输出信号集合，获得历史预设信号集合；

[0080] S623：采集获取其他具有相同所述尺寸特征和类型特征的金属材料的果，获得历史表面微裂纹检测结果集合；

[0081] S624：对所述历史超声输出信号集合和所述历史表面微裂纹检测结果集合进行划分和标识，获得训练数据、验证数据和测试数据；

[0082] S625：将所述训练数据、验证数据和测试数据作为所述构建数据集。

[0083] 基于该预设时间范围，采集获取历史时间内预设时间范围中其他金属材料进行混频超声检测中超声输出信号，获得历史超声输出信号集合。并进一步采集获取历史超声输出信号中的预设信号，即其他金属材料进行混频超声检测中由于表面的裂纹而产生的和频分量以及差频分量，获得历史预设信号集合。

[0084] 基于该预设时间范围，并采集其他金属材料的表面裂纹检测结果，获得历史表面微裂纹检测结果集合。其中，历史表面微裂纹检测结果集合和历史预设信号集合内的数据按照金属材料的表面一一对应。

[0085] 其中，该其他金属材料优选为与待检测金属材料尺寸和类型相同的金属材料，且其他金属材料进行混频超声检测的检测参数与上述的混频超声检测相同，而由于金属材料表面的裂纹位置、长度、走向和角度等不同，而导致采集获得的预设信号不同。该表面裂纹检测结果可基于显微技术，对金属材料表面进行检测获得，作为构建表面裂纹分析模型的构建数据。

[0086] 对采集获得的其他金属材料的历史预设信号集合和历史表面微裂纹检测结果集合进行划分和标识，获得用于构建表面裂纹分析模型的训练数据、验证数据和测试数据，作为构建数据集。

[0087] 本申请实施例通过采集其他具有相同尺寸特征和类型特征的金属材料进行混频超声检测的预设信号，以及对应的表面微裂纹检测结果，作为构建表面裂纹分析模型的构建数据，提升表面裂纹分析模型的模型性能，提升金属材料表面裂纹检测的效率和准确性。

[0088] 在获得构建数据集之后，基于BP神经网络，结合预设信号内和频分量、差频分量的波形、频率、振幅、峰值特征数据，以及表面微裂纹检测结果中裂纹的走向、长度、位置和角度等特征数据，设计表面裂纹分析模型的网络结构，构建表面裂纹分析模型。

[0089] 然后采用构建数据集中的训练数据、验证数据和测试数据对表面裂纹分析模型进行监督训练，基于梯度下降的方法，对模型参数进行监督训练更新，直到表面裂纹分析模型的输出结果收敛或达到预设的准确率，完成模型的训练，并对模型进行验证和测试，若模型的准确率符合预设要求，则获得表面裂纹分析模型。

[0090] 基于构建完成的表面裂纹分析模型，将待检测金属材料的预设信号输入该表面裂纹分析模型，表面裂纹分析模型根据该预设信号的波形、频率、振幅、峰值特征数据进行非线性逻辑分析预算，获得输出结果，输出结果中包括表面微裂纹检测结果，具体包括待检测金属材料表面的裂纹的走向、长度、位置和角度等数据，作为第二表面缺陷检测结果。

[0091] 本申请实施例通过基于采集大量的混频超声检测数据以及金属材料表面裂纹检测数据，构建并训练表面裂纹分析模型，构建了智能化地根据混频超声检测数据分析金属材料表面裂纹的方法，且准确性较高，结合前述内容中其他缺陷的检测，有效提升金属材料表面缺陷检测的准确性和全面性。

[0092] S700：将所述第一表面缺陷检测结果和所述第二表面缺陷检测结果输入表面缺陷评价空间，获得金属材料表面缺陷检测结果。

[0093] 基于初步检测获得的第一表面缺陷检测结果和第二表面缺陷检测结果，可获知待检测金属材料的表面分布着哪些缺陷，基于检测结果，进一步对待检测金属材料表面的缺陷水平进行评价，作为金属材料表面缺陷检测的参考数据。

[0094] 如图3所示，本申请实施例提供的方法中的步骤S700包括：

[0095] S710：采集获取历史时间内对不同金属材料进行表面缺陷检测的历史第一表面缺陷检测结果集合和历史第二表面缺陷检测结果集合；

[0096] S720：根据所述历史第一表面缺陷检测结果集合和历史第二表面缺陷检测结果集合，构建二维坐标系；

[0097] S730：将每个金属材料的历史第一表面缺陷检测结果和历史第二表面缺陷检测结果输入所述二维坐标系，获得多个坐标点；

[0098] S740：对多个所述坐标点进行聚类，获得多个聚类结果；

[0099] S750：对每个所述聚类结果设置不同的表面缺陷评价结果，获得所述表面缺陷评价空间；

[0100] S760：将所述第一表面缺陷检测结果和所述第二表面缺陷检测结果输入所述表面缺陷评价空间，获得对应的当前聚类结果；

[0101] S770：将所述当前聚类结果的表面缺陷评价结果作为所述金属材料表面缺陷检测结果。

[0102] 具体地，基于上述的检测方法，对具有相同尺寸和类型的多个具有不同表面缺陷情况的金属材料进行检测，并采集获取检测获得的第一表面缺陷检测结果和第二表面缺陷检测结果，获得历史第一表面缺陷检测结果集合和历史第二表面缺陷检测结果集合。

[0103] 根据历史第一表面缺陷检测结果集合和历史第二表面缺陷检测结果集合，构建二维坐标系，二维坐标系的横坐标为第一表面缺陷检测结果，纵坐标为第二表面缺陷检测结果。

[0104] 将每个金属材料的历史第一表面缺陷检测结果和历史第二表面缺陷检测结果分别进行拟合。示例性地，根据历史第一表面缺陷检测结果各类缺陷的数量、大小等进行拟合，获得能够反映历史第一表面缺陷检测结果的参数，根据历史第二表面缺陷检测结果内裂纹的数量、位置、大小、方向、走向等数据进行拟合，获得能够反映历史第二表面缺陷检测结果的参数。如此，将每个金属材料的历史第一表面缺陷检测结果和历史第二表面缺陷检测结果输入该二维坐标系，获得多个金属材料对应的坐标点。

[0105] 对多个坐标点进行聚类，可选的，计算多个坐标点之间的欧氏距离，将欧氏距离小于一阈值的两两坐标点进行聚类，获得多个聚类结果。该阈值可根据多个坐标点的分布，以及第一表面缺陷检测结果和第二表面缺陷检测结果的水平进行设置。

[0106] 对每个聚类结果，监督设置不同的表面缺陷评价结果，作为金属材料表面缺陷检测的评价结果，根据每个聚类结果内第一表面缺陷检测结果和第二表面缺陷检测结果的水平，设置不同的评价结果，例如具有严重缺陷、具有较少裂纹等评价结果，获得构建完成的表面缺陷评价空间。

[0107] 将当前待检测金属材料的第一表面缺陷检测结果和第二表面缺陷检测结果输入该表面缺陷评价空间，获得对应的待检测坐标点，并获得该待检测坐标点对应的聚类结果。

[0108] 可选的，若该待检测坐标点落入某一聚类结果内，则获得对应的聚类结果，若未落入某一聚类结果内，则将该待检测坐标点最接近的聚类结果作为对应的当前聚类结果。

[0109] 将该当前聚类结果对应的表面缺陷评价结果作为金属材料表面缺陷检测结果，完成待检测金属材料的检测和分析评价。

[0110] 综上所述，本申请实施例至少具有如下技术效果：

[0111] 本申请通过构建特定的金属材料表面质量缺陷检测和分析方法，将金属材料表面检测分为裂纹和其他缺陷两部分，采用机器学习中的方法，结合混频超声波分析表面裂纹的方法，进行金属材料表面缺陷的检测和分析，检测智能化程度高、效率高，且准确性较高，并建立了分析评价金属材料表面缺陷检测结果的方法，能够根据检测结果统一、智能、准确地分析评价金属材料表面缺陷检测结果，达到提升金属材料表面检测以及分析的效率、准确性、智能化程度的技术效果。

[0112] 实施例二

[0113] 基于与前述实施例中一种金属材料表面缺陷的智能检测方法相同的发明构思，如图4所示，本申请提供了一种金属材料表面缺陷的智能检测系统，其中，所述系统包括：

[0114] 表面图像采集模块11，用于采集获取待检测金属材料的多个表面图像，获得表面图像集合；

[0115] 缺陷检测模型构建模块12，用于根据所述待检测金属材料的尺寸特征和类型特征，构建表面缺陷检测模型；

[0116] 第一表面缺陷检测模块13，用于将所述表面图像集合输入所述表面缺陷检测模型，获得第一表面缺陷检测结果；

[0117] 超声检测模块14，用于向所述待检测金属材料发射混频超声信号，检测采集获得所述混频超声信号经过所述待检测金属材料后的超声输出信号；

[0118] 预设信号判断模块15，用于判断所述超声输出信号中是否存在预设类型的预设信号，若否，则将所述第一表面缺陷检测结果输出，获得金属材料表面缺陷检测结果；

[0119] 第二表面缺陷检测模块16，用于若是，则提取获得所述预设信号，将所述预设信号输入表面裂纹分析模型，获得第二表面缺陷检测结果；

[0120] 检测结果输出模块17，用于将所述第一表面缺陷检测结果和所述第二表面缺陷检测结果输入表面缺陷评价空间，获得金属材料表面缺陷检测结果。

[0121] 进一步地，所述表面图像采集模块11还用于实现以下功能：

[0122] 设置获得多个用于检测所述表面图像的采集角度；

[0123] 根据多个所述采集角度，采集获取所述待检测金属材料的多个表面图像，获得所述表面图像集合。

[0124] 进一步地，所述缺陷检测模型构建模块12还用于实现以下功能：

[0125] 设置获得预设时间范围；

[0126] 采集获取历史时间中所述预设时间范围内进行表面缺陷检测的金属材料的表面图像，获得历史表面图像集合；

[0127] 根据所述尺寸特征和所述类型特征，遍历所述历史表面图像集合，获得与所述待检测金属材料相同的金属材料的历史表面图像，作为样本表面图像集合；

[0128] 根据所述样本表面图像集合，构建所述表面缺陷检测模型。

[0129] 其中，根据所述样本表面图像集合，构建所述表面缺陷检测模型，包括：

[0130] 对所述样本表面图像集合内的样本表面图像存在的表面缺陷进行标记，获得缺陷图像集合；

[0131] 根据所述缺陷图像集合，设置缺陷检测结果信息集合；

[0132] 对所述缺陷图像集合和所述缺陷检测结果信息集合进行划分和标识，获得训练数据、验证数据和测试数据；

[0133] 基于卷积神经网络，构建所述表面缺陷检测模型；

[0134] 采用所述训练数据、验证数据和测试数据对所述表面缺陷检测模型进行监督训练、验证和测试，直到所述表面缺陷检测模型的准确率达到预设要求，获得所述表面缺陷检测模型。

[0135] 进一步地，所述预设信号判断模块15还用于实现以下功能：

[0136] 判断所述超声输出信号中是否存在和频分量，获得第一判断结果；

[0137] 判断所述超声输出信号中是否存在差频分量，获得第二判断结果；

[0138] 若所述第一判断结果和/或所述第二判断结果为是，则所述超声输出信号中存在所述预设信号。

[0139] 进一步地，所述第二表面缺陷检测模块16还用于实现以下功能：

[0140] 设置获得预设时间范围；

[0141] 采集获取历史时间内所述预设时间范围中其他金属材料的预设信号和表面裂纹检测结果，获得构建数据集；

[0142] 基于BP神经网络，构建所述表面裂纹分析模型；

[0143] 采用所述构建数据集，对所述表面裂纹分析模型进行监督训练、验证和测试，获得所述表面裂纹分析模型；

[0144] 将所述预设信号输入所述表面裂纹分析模型，获得所述第二表面缺陷检测结果。

[0145] 其中，所述采集获取历史时间内所述预设时间范围中其他金属材料的预设信号和表面裂纹检测结果，包括：

[0146] 采集获取历史时间内所述预设时间范围中，对其他具有相同所述尺寸特征和类型特征的金属材料进行超声波混频检测的历史超声输出信号，获得历史超声输出信号集合；

[0147] 根据所述历史超声输出信号集合，获得历史预设信号集合；

[0148] 采集获取其他具有相同所述尺寸特征和类型特征的金属材料的果，获得历史表面微裂纹检测结果集合；

[0149] 对所述历史超声输出信号集合和所述历史表面微裂纹检测结果集合进行划分和标识，获得训练数据、验证数据和测试数据；

[0150] 将所述训练数据、验证数据和测试数据作为所述构建数据集。

[0151] 进一步地，所述检测结果输出模块17还用于实现以下功能：

[0152] 采集获取历史时间内对不同金属材料进行表面缺陷检测的历史第一表面缺陷检测结果集合和历史第二表面缺陷检测结果集合；

[0153] 根据所述历史第一表面缺陷检测结果集合和历史第二表面缺陷检测结果集合，构建二维坐标系；

[0154] 将每个金属材料的历史第一表面缺陷检测结果和历史第二表面缺陷检测结果输入所述二维坐标系，获得多个坐标点；

[0155] 对多个所述坐标点进行聚类，获得多个聚类结果；

[0156] 对每个所述聚类结果设置不同的表面缺陷评价结果，获得所述表面缺陷评价空间；

[0157] 将所述第一表面缺陷检测结果和所述第二表面缺陷检测结果输入所述表面缺陷评价空间，获得对应的当前聚类结果；

[0158] 将所述当前聚类结果的表面缺陷评价结果作为所述金属材料表面缺陷检测结果。

[0159] 本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。