1. 目前金属表面检测的主要方法有哪些
主流金属制品表面缺陷在线检测方法。
一、漏磁检测
漏磁检测技术广泛应用于钢铁产品的无损检测。其检测原理是，利用磁源对被测材料局部磁化，如材料表面存在裂纹或坑点等缺陷，则局部区域的磁导率降低、磁阻增加，磁化场将部分从此区域外泄，从而形成可检验的漏磁信号。在材料内部的磁力线遇到由缺陷产生的铁磁体间断时，磁力线将会发生聚焦或畸变，这一畸变扩散到材料本身之外，即形成可检测的磁场信号。采用磁敏元件检测漏磁场便可得到有关缺陷信息。因此，漏磁检测以磁敏电子装置与磁化设备组成检测传感器，将漏磁场转变为电信号提供给二次仪表。
漏磁检测技术的整个过程为：激磁-缺陷产生漏磁场-传感器获取信号-信号处理-分析判断。在磁性无损检测中，磁化时实现检测的第一步，它决定着被测量对象(如裂纹)能不能产出足够的可测量和可分辨的磁场信号，同时也影响着检测信号的性能，故要求增强被测磁化缺陷的漏磁信号。被测构件的磁化由磁化器来实现，主要包括磁场源和磁回路等部分。因此，针对被测构件特点和测量目的，选择合适的磁源和设计磁回路是磁化器优化的关键。
漏磁检测金属表面缺陷的物理基础使带有缺陷的铁磁件在磁场中被磁化后，在缺陷处会产生漏磁场，通过检测漏磁场来辩识有无缺陷。因此，研究缺陷漏磁场的特点，确定缺陷的特征，就成为漏磁检测理论和技术的关键。要测量漏磁场，测量装置须具有较高的灵敏度，特别是能测空间点磁场，还应有较大的测量范围和频带；测量装置须具有二维及三维的精确步进或调整能力，以确定传感器的空间位置；同时，应用先进的信号处理技术去除噪声，确定实际的漏磁场量。Foerster，Athertion 已成功应用霍尔器件检测缺陷，霍尔器件可在z—Y二维空间步进的最小间隔分别为2μm和0.1μm。
漏磁检测不仅能检测表面缺陷，且能检测内部微小缺陷；可检测到5X10mm。的微小缺陷；造价较低廉。其缺点是，只能用于金属材料的检测，无法识别缺陷种类。目前，漏磁检测在低温金属材料缺陷检测方面已进入实用阶段。如日本川崎公司千叶厂于1993年开发出在线非金属夹杂物检测装置；日本NKK公司福冈厂于同年研制出一种超高灵敏度的磁敏传感器，用于检测钢板表面缺陷。
二、红外线检测与技术
红外线检测是通过高频感应线圈使连铸板坯表面产生感应电流，在高频感应的集肤效应作用下，其穿透深度小于1 mm，且在表面缺陷区域的感应电流会导致单位长度的表面上消耗更多电能，引起连铸板坯局部表面的温度上升。该升温取决于缺陷的平均深度、线圈工作频率、特定输入电能，以及被检钢坯电性能、热性能、感应线圈宽度和钢运动速度等因素。当其它各种因素在一定范围内保持恒定时，就可通过检测局部温升值来计算缺陷深度，而局部温升值可通过红外线检测技术加以检定。利用该技术，挪威Elkem公司于1990年研制出Ther—mOMatic连铸钢坯自动检测系统，日本茨城大学工学部的冈本芳三等在检测板坯试件表面裂纹和微小针孔的实验研究中也利用此法得到较满意的结果。
三、超声波探伤技术
超声波检测是利用声脉在缺陷处发生特性变化的原理来检测。接触法是探头与工件表面之间经一层薄的起传递超声波能量作用的耦合剂直接接触。为避免空气层产生强烈反射，在探测时须将接触层间的空气排除干净，使声波入射工件，操作方便，但其对被测工件的表面光洁度要求较高。液浸法是将探头与工件全部浸入于液体或探头与工件之间，局部以充液体进行探伤的方法。脉冲反射法是当脉冲超声波入射至被测工件后，声波在工件内的反射状况就会显示在荧光屏上，根据反射波的时间及形状来判断工件内部缺陷及材料性质的方法。目前，超声波探伤技术已成功应用于金属管道内部的缺陷检测。
四、光学检测法
机器视觉是以图像处理理论为核心，属于人工智能范畴的一个领域，它是以数字图像处理、模式识别、计算机技术为基础的信息处理科学的重要分支，广泛应用于各种无损检测技术中。基于机器视觉的连铸板坯表面缺陷检测方法的基本原理是：一定的光源照在待测金属表面上，利用高速CCD摄像机获得连铸板坯表面图像，通过图像处理提取图像特征向量，通过分类器对表面缺陷进行检测与分类。20世纪70年代中期，El本Jil崎公司就开始研制镀锡板在线机器视觉检测装置 。1988年，美国Sick光电子公司也成功地研制出平行激光扫描检测装置，用以在线检测金属表面缺陷。基于机器视觉的表面在线检测与分类器设计的研究工作目前在国内尚处于起步阶段。1990年，华中理工大学采用激光扫描方法测量冷轧钢板宽度和检测孔洞缺陷，并开发了相应的信号处理电路；1995年又研制出冷轧连铸板坯表面轧洞、重皮和边裂等缺陷检测和最小带宽测量的实验系统。1996年，宝钢与原航天部二院联合研制出冷轧连铸板坯表面缺陷的在线检测系统，并进行了大量的在线试验研究。近年来，北京科技大学、华中科技大学等也研制出较为实用化的在线检测系统。
从检测技术的观点来看，基于机器视觉的钢表面缺陷检测系统面临困境：①要求检测到的缺陷的几何尺寸越来越小，有的甚至小于0.1 mm；② 检测对象可能处于运动状态，导致采集的图像抖动较大；③现场环境较恶劣，往往受烟尘、油污、温度高等因素的影响，引起缺陷图像信噪比下降；④表面缺陷的多样性(如冷轧连铸板坯表面可达100多种)，不同缺陷之间的光学特性、电磁特性不同；有的缺陷之间的差异不明显。因此，基于机器视觉的连铸板坯表面缺陷分类器要求具有收敛速度快、鲁棒性好、自学习功能等特点。