Page 115 - 无损检测2023年第六期

李晓明, 等:

基于 FPGA 的交流电磁场缺陷智能检测仪

图3 复杂裂纹仿真信号

图4 硬件系统结构框图

信号采集模块选用 AD7606模块, 其拥有8个
采集通道, 模数转换精度为16位, 采样速率能达到

200kSPS ( 千次采样每秒)。 FPGA 中的均方根处理

模块将 AD7606采集到的信号由交流转为直流。

数据缓存模块硬件采用 DDR3SDRAM 芯片。
FPGA 控制程序包括 MIGIP 核、 DDR3 驱动模块

和异步 FIFO 模块。 MIGIP 核负责对 DDR3 相应

的管脚进行配置, DDR3 驱动模块完成对 MIGIP
核的控制, 方便读写, 异步 FIFO 模块完成跨时钟域

的数据读写处理。
显示模块硬件为 TFTLCD ( 薄膜晶体管液晶

显示器) 液晶屏, 通过 40 针管脚与 FPGA 相连接,
从 FPGA 上取得供电, 程序中的输出信号与显示屏
的对应管脚建立通信。 LCD 屏分辨率为 800 像素
×480像素( 水平×垂直), 屏幕采用单电源( 5V ) 供

电, 功耗为1.8W 。
2.2 算法设计
笔者在上述硬件的基础上, 基于采集到的缺陷
特征信号进行检测图像的绘制, 提出基于 FPGA 的
缺陷智能识别算法。采集到信号后, 先对缺陷特征
原始信号进行预处理, 利用灰度变换算法降低图像
数据量并保留缺陷特征; 然后采用高斯滤波算法对
采集到的噪声信号进行滤除; 再将得到的图像通过
图5所示缺陷智能识别算法进行处理( 图中 K 为二
值形态学滤波阈值, 根据图像数据进行设定), 通过
图2 不同角度直裂纹仿真信号 x 方向和 y 方向的梯度算子对图像进行卷积处理;

信号。在激励信号发生模块中加入电压放大电路, 最后通过腐蚀膨胀算法提取缺陷的表面轮廓, 最终

将 AN9767输出的 -5~5V 信号放大为 -10~ 实现结构物缺陷的智能识别。碳钢裂纹智能识别算

10V 。 法各阶段处理结果如图6所示。
7
7
2023年 第45卷 第6期
无损检测