盛 強(qiáng)，鄭建明，劉江山，史衛(wèi)朝，李海濤

1.西安理工大學(xué)機(jī)械與精密儀器工程學(xué)院，陜西 西安 710048 2.陜西科技大學(xué)機(jī)電工程學(xué)院，陜西 西安 710021

引 言

孔、洞、腔類結(jié)構(gòu)在機(jī)械加工、航空航天、醫(yī)療衛(wèi)生等領(lǐng)域普遍存在，隨著質(zhì)量檢測技術(shù)的發(fā)展，對該類結(jié)構(gòu)的檢測手段和方法也不斷改進(jìn)，但對其內(nèi)表面的檢測仍缺乏成熟有效的檢測方法。內(nèi)表面缺陷如裂紋、劃痕、病變等具有較好的隱蔽性，如不及時(shí)發(fā)現(xiàn)容易引發(fā)嚴(yán)重后果，如何實(shí)現(xiàn)內(nèi)表面缺陷的快速識別與定位成為現(xiàn)階段質(zhì)量檢測技術(shù)發(fā)展中的核心問題。

傳統(tǒng)的無損檢測主要借助聲光電熱磁等手段對產(chǎn)品內(nèi)表面缺陷進(jìn)行識別與檢測，但該類方法檢測成本高、效率低[1]。隨著計(jì)算機(jī)技術(shù)和成像元件小型化的發(fā)展，基于視覺成像的內(nèi)表面缺陷檢測逐漸被應(yīng)用于醫(yī)療檢測[2-3]和工業(yè)生產(chǎn)[4-5]，該類方法采集到內(nèi)表面圖像后仍需有經(jīng)驗(yàn)的醫(yī)師或工程師進(jìn)行診斷，難以實(shí)現(xiàn)自動(dòng)診斷和智能檢測。近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，國內(nèi)外學(xué)者不約而同地將機(jī)器視覺引入到內(nèi)表面缺陷檢測領(lǐng)域，嘗試實(shí)現(xiàn)內(nèi)表面缺陷檢測的自動(dòng)化和智能化，相關(guān)算法的優(yōu)化與改進(jìn)也逐漸成為內(nèi)表面缺陷檢測領(lǐng)域的研究重點(diǎn)。

基于Web of Science(WoS)和中國知網(wǎng)(CNKI)數(shù)據(jù)庫檢索的內(nèi)表面缺陷檢測相關(guān)文獻(xiàn)，利用科學(xué)文獻(xiàn)分析軟件CiteSpace分別從發(fā)文量、關(guān)鍵詞、作者、發(fā)表期刊等角度統(tǒng)計(jì)并梳理國內(nèi)外該領(lǐng)域的發(fā)展趨勢與動(dòng)向，并通過軟件提供的聚類和演進(jìn)分析功能繪制相應(yīng)的知識圖譜，探究本領(lǐng)域研究前沿和研究熱點(diǎn)的演化過程，為后續(xù)的研究提供參考。

1 數(shù)據(jù)來源及研究方法

所使用的文獻(xiàn)數(shù)據(jù)源自WoS和CNKI數(shù)據(jù)庫。在WoS核心庫中以“Internal surface detection”和“Internal surface inspection”為主題進(jìn)行檢索(TS=“Internal surface detection” or “Internal surface inspection”)，共獲得相關(guān)文獻(xiàn)3 901篇，其時(shí)間跨度為2007年至2022年，在WoS所有庫中以相同條件檢索，題錄1990年至2006年相關(guān)文獻(xiàn)共807篇，剔除重復(fù)及無效文獻(xiàn)后共獲得文獻(xiàn)4 708篇，其中期刊論文3 835篇、會(huì)議論文873篇。在CNKI中以“內(nèi)表面缺陷檢測”和“內(nèi)表面質(zhì)量檢測”為主題進(jìn)行檢索(主題=“內(nèi)表面缺陷檢測”或“內(nèi)表面質(zhì)量檢測”)，共獲得相關(guān)文獻(xiàn)728篇。檢索截止時(shí)間均為2021年9月30日。

CiteSpace軟件是一款用于文獻(xiàn)分析的可視化工具，不但可以呈現(xiàn)科學(xué)知識的結(jié)構(gòu)、規(guī)律和分布情況，還能將文獻(xiàn)之間的關(guān)系以知識圖譜的方式展現(xiàn)，直觀反映其內(nèi)在聯(lián)系和軌跡，有助于梳理特定研究領(lǐng)域的研究軌跡和未來趨勢[6]。

2 文獻(xiàn)計(jì)量學(xué)分析

2.1 發(fā)文量統(tǒng)計(jì)分析

年度發(fā)文量可以直觀反映研究現(xiàn)狀并有助于梳理其發(fā)展歷程，對預(yù)測其未來發(fā)展趨勢具有重要意義。繪制基于WoS和CNKI的發(fā)文量趨勢圖，如圖1所示。由于文獻(xiàn)檢索時(shí)間截止于2021年9月30日，WoS數(shù)據(jù)庫2021年前9個(gè)月已發(fā)表的337篇和CNKI數(shù)據(jù)庫前9個(gè)月已發(fā)表的87篇未在圖中體現(xiàn)。

圖1 發(fā)文量趨勢圖

從圖1可以看出1995年以前國內(nèi)外期刊相關(guān)主題的發(fā)文量都維持在較低水平，WoS年發(fā)文量約20篇左右，CNKI平均每年1～2篇。1995年以后的十年間WoS發(fā)文量逐漸增長，1996年首次突破30篇，到2005年已接近100篇，CNKI發(fā)文量到2005年才突破10篇。2005年以后WoS發(fā)文量進(jìn)入快速增長期，平均每年增長10%以上，2019年已達(dá)到400篇，而CNKI發(fā)文量直到2012年左右才開始逐漸增長，到2020年達(dá)到107篇，雖然發(fā)展較晚但增長趨勢明顯，平均每年增長20%以上。

2.2 發(fā)文國家及合作分析

國家及地區(qū)合作網(wǎng)絡(luò)圖譜能夠直觀地看出該研究領(lǐng)域在不同國家、地區(qū)間的聯(lián)系程度和社會(huì)關(guān)系，為評價(jià)國家、地區(qū)的學(xué)術(shù)影響力和科研能力提供全新視角。由于CNKI收錄的文獻(xiàn)均為國內(nèi)作者，較少出現(xiàn)跨國家及地區(qū)的合作關(guān)系，故僅以WoS文獻(xiàn)為基礎(chǔ)繪制國家及地區(qū)間合作網(wǎng)絡(luò)圖譜，結(jié)果如圖2所示。圖中節(jié)點(diǎn)大小代表國家及地區(qū)發(fā)文量，連線反映國家/地區(qū)之間的合作關(guān)系強(qiáng)度，節(jié)點(diǎn)外輪廓線顏色反映該國家/地區(qū)的合作中心度，節(jié)點(diǎn)內(nèi)部由多個(gè)同心圓環(huán)組成，圓環(huán)顏色越深代表發(fā)文時(shí)間越早，圓環(huán)寬度反映當(dāng)年的發(fā)文量。

圖2 國家及地區(qū)合作網(wǎng)絡(luò)圖譜

內(nèi)表面缺陷檢測領(lǐng)域共有92個(gè)國家和地區(qū)發(fā)表的4708篇論文被WoS數(shù)據(jù)庫收錄，其中中國以975篇居于榜首，其次為美國893篇，排名第三到第六的國家依次為德國303篇、英國256篇、日本256篇和法國215篇，其余大于200篇的國家還有意大利185篇、加拿大和韓國各175篇、西班牙152篇和澳大利亞101篇。在共現(xiàn)圖譜中中國和美國為最大的兩個(gè)節(jié)點(diǎn)，說明中美兩國在該領(lǐng)域的研究相較其他國家更為豐富。美國的合作中心度最大為0.36，說明美國與其他國家及地區(qū)之間的合作緊密，共與52個(gè)國家及地區(qū)存在著合作關(guān)系。中國學(xué)者近五年發(fā)文并被WoS收錄的文獻(xiàn)數(shù)量大幅增加，但合作中心度僅為0.07，排在第十位，說明我國學(xué)者的國際合作參與度還有待提高。

2.3 發(fā)文期刊及研究方向分析

對學(xué)術(shù)論文發(fā)表期刊進(jìn)行分析，有助于了解該研究領(lǐng)域的核心期刊群和主要研究方向，為學(xué)者選擇發(fā)表平臺、搜索資料提供指導(dǎo)。對WoS數(shù)據(jù)庫剔除會(huì)議論文外的3 835篇和CNKI的818篇文獻(xiàn)進(jìn)行期刊統(tǒng)計(jì)分析，結(jié)果如表1所示。WoS收錄的論文主要發(fā)表在ANAL CHEM、BIOSENS BIOELECTRON、J CHROMATOGR A、SENSORS、OPTICS EXPRESS、ENG FAIL ANAL、NDT&E INT、INSIGHT等期刊，其研究方向主要集中在分析化學(xué)、材料科學(xué)、光譜學(xué)、儀器儀表和工程科學(xué)等領(lǐng)域。CNKI收錄的論文主要發(fā)表在組合機(jī)床與自動(dòng)化加工技術(shù)、激光與光電子學(xué)進(jìn)展、無損檢測、計(jì)算機(jī)測量與控制、表面技術(shù)、傳感器與微系統(tǒng)、儀器儀表學(xué)報(bào)等期刊上，其研究學(xué)科主要集中在機(jī)械工程、光學(xué)、計(jì)算機(jī)和儀器儀表等領(lǐng)域，從統(tǒng)計(jì)結(jié)果可以看出內(nèi)表面缺陷檢測具有明顯的多學(xué)科交叉特性。

表1 發(fā)文期刊統(tǒng)計(jì)

2.4 科研機(jī)構(gòu)分析

對科研機(jī)構(gòu)進(jìn)行分析，有助于了解該研究領(lǐng)域的重點(diǎn)科研機(jī)構(gòu)，為學(xué)者選擇合作交流機(jī)構(gòu)提供指導(dǎo)。分別統(tǒng)計(jì)WoS和CNKI數(shù)據(jù)庫發(fā)文量前10名的機(jī)構(gòu)，結(jié)果如表2所示。在WoS數(shù)據(jù)庫中發(fā)文量超過100篇的有3個(gè)科研院所，分別為法國國家科研中心、中國科學(xué)院和美國加州大學(xué)。發(fā)文量超過50篇的機(jī)構(gòu)還包括美國能源部、俄羅斯科學(xué)院和美國國家航天局(NASA)。中國清華大學(xué)發(fā)表39篇排名第七，其他上榜的中國科研院所還包括：中科院大學(xué)30篇、哈爾濱工業(yè)大學(xué)27篇，浙江大學(xué)27篇、上海交通大學(xué)22篇、中國科技大學(xué)21篇、西安交通大學(xué)20篇。在CNKI數(shù)據(jù)庫中，國內(nèi)發(fā)文量超過20篇的僅有中北大學(xué)，其余發(fā)文量較高的有河北工業(yè)大學(xué)、廣東工業(yè)大學(xué)、四川大學(xué)和南京航空航天大學(xué)等。

表2 科研機(jī)構(gòu)及其發(fā)文量統(tǒng)計(jì)

2.5 作者及其合作關(guān)系分析

以WoS文獻(xiàn)核心作者為基礎(chǔ)，繪制合作關(guān)系分布圖，結(jié)果如圖3所示。發(fā)文量超過10篇的僅有1人，為美國加州大學(xué)的Di Scalea累計(jì)發(fā)表14篇，其所在的關(guān)系網(wǎng)為該領(lǐng)域中最大的合作網(wǎng)絡(luò)，共有9為核心作者。較為突出的關(guān)系網(wǎng)還包括：以韓國慶北大學(xué)Kim和Jeon為代表的合作網(wǎng)絡(luò)共7位核心作者發(fā)表9篇論文，以Ibarra-castanedo為代表的加拿大拉瓦爾大學(xué)網(wǎng)絡(luò)有7位作者共發(fā)表8篇論文，以Dobie為代表的英國思克萊德大學(xué)網(wǎng)絡(luò)有7位作者發(fā)表7篇。205位核心作者中有43人為中國學(xué)者，其中電子科技大學(xué)高斌和中國科學(xué)院崔洪亮均組建了包含4位核心作者的合作網(wǎng)絡(luò)。

圖3 WoS數(shù)據(jù)庫合作關(guān)系圖

以CNKI文獻(xiàn)核心作者為基礎(chǔ)，繪制作者合作關(guān)系分布圖，結(jié)果如圖4所示。發(fā)文量超過5篇的作者共5人，分別為四川大學(xué)的殷國富8篇、中北大學(xué)的韓躍平7篇，河北工業(yè)大學(xué)陳海永和武漢科技大學(xué)的湯勃各6篇、中國兵器工業(yè)集團(tuán)趙付寶5篇。其中四川大學(xué)合作網(wǎng)絡(luò)共有9位核心作者，為最大合作關(guān)系網(wǎng)絡(luò)，其次為中國兵器工業(yè)集團(tuán)合作網(wǎng)絡(luò)和武漢科技大學(xué)合作網(wǎng)絡(luò)各有6為核心作者。其余較大合作網(wǎng)絡(luò)還包括以中北大學(xué)王黎明團(tuán)隊(duì)，浙江農(nóng)業(yè)大學(xué)馮海林團(tuán)隊(duì)、中國特種設(shè)備檢測研究院丁克勤團(tuán)隊(duì)、大連理工大學(xué)徐志祥團(tuán)隊(duì)和中國林業(yè)科學(xué)院郭慧團(tuán)隊(duì)等。

圖4 CNKI數(shù)據(jù)庫合作關(guān)系圖

3 研究熱點(diǎn)及趨勢分析

3.1 關(guān)鍵詞共現(xiàn)分析

關(guān)鍵詞是一篇論文研究內(nèi)容的高度濃縮，對關(guān)鍵詞的詞頻和中心度進(jìn)行統(tǒng)計(jì)和分析，可以得到該領(lǐng)域的研究熱點(diǎn)和發(fā)展趨勢。借助CiteSpace繪制內(nèi)表面缺陷檢測領(lǐng)域關(guān)鍵詞共現(xiàn)圖，圖中關(guān)鍵詞頻次越高其節(jié)點(diǎn)半徑越大，節(jié)點(diǎn)字體大小反映其中心度，節(jié)點(diǎn)間連線表示相關(guān)主題的關(guān)聯(lián)性。

以WoS文獻(xiàn)為基礎(chǔ)繪制關(guān)鍵詞分步圖，結(jié)果如圖5所示。頻次最高的關(guān)鍵詞為non-destructive testing(無損探傷)、inspection(檢測)、image processing(圖像處理)、infrared thermography(紅外熱成像)、defect(缺陷)、classification(分類)、spectroscopy(光譜學(xué))、model(模型)、algorithm(算法)。剔除自我指向性關(guān)鍵詞后，高頻關(guān)鍵詞為image processing，infrared thermography，classification，spectroscopy和algorithm，根據(jù)關(guān)鍵詞可以看出內(nèi)表面缺陷檢測存在兩條不同研究路線，第一條是借助聲光電熱磁等技術(shù)手段的無損檢測，包括紅外熱成像、光譜學(xué)、超聲檢測、脈沖成像和光譜成像等關(guān)鍵詞。第二條是基于圖像處理和相關(guān)算法的缺陷檢測，包括圖像處理、分類、算法、機(jī)器視覺、圖像分析、紋理、神經(jīng)網(wǎng)絡(luò)等。

圖5 WoS數(shù)據(jù)庫關(guān)鍵詞分布圖

以CNKI文獻(xiàn)為基礎(chǔ)繪制關(guān)鍵詞分別圖，結(jié)果如圖6所示。剔除自我指向性關(guān)鍵詞后頻次較高的依次為機(jī)器視覺、圖像處理、深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)、特征提取、無損檢測和支持向量機(jī)，與WoS文獻(xiàn)相比，CNKI文獻(xiàn)較為突出的節(jié)點(diǎn)均是基于機(jī)器視覺的內(nèi)表面缺陷檢測相關(guān)文獻(xiàn)，激光超聲、紅外圖像、電渦流、應(yīng)力波、X射線等節(jié)點(diǎn)零星分布且主要與自我指向性關(guān)鍵詞關(guān)聯(lián)，說明國內(nèi)學(xué)者更多地是通過機(jī)器視覺實(shí)現(xiàn)內(nèi)表面缺陷檢測。圖像處理和深度學(xué)習(xí)可以理解為機(jī)器視覺最為核心的兩個(gè)步驟，即先通過圖像處理實(shí)現(xiàn)對圖像分割、識別和提取等預(yù)處理，其次采用深度學(xué)習(xí)相關(guān)算法對圖像中的缺陷進(jìn)行分類和評級，關(guān)鍵詞分布圖中的邊緣檢測、圖像分割、特征提取、小波變換、圖像增強(qiáng)等都是圖像處理相關(guān)技術(shù)和方法，與深度學(xué)習(xí)相關(guān)的高頻詞包括卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、YOLO(You Only Look Once目標(biāo)檢測算法)和Faster R-cnn(基于區(qū)域的快速卷積神經(jīng)網(wǎng)絡(luò))等。

圖6 CNKI數(shù)據(jù)庫關(guān)鍵詞分布圖

3.2 關(guān)鍵詞聚類分析

運(yùn)用CiteSpace對關(guān)鍵詞進(jìn)行聚類分析，選用LLR聚類算法，聚類后會(huì)出現(xiàn)聚類模塊值Q和聚類平均輪廓值S，一般認(rèn)為Q大于0.3聚類結(jié)構(gòu)顯著，S大于0.5聚類合理，保留頻次最高的六個(gè)聚類，結(jié)果如表3所示。

表3 關(guān)鍵詞聚類結(jié)果

由表3可知，國內(nèi)對于內(nèi)表面缺陷檢測的研究主要集中在：缺陷檢測、深度學(xué)習(xí)、表面缺陷、機(jī)器視覺、圖像處理、內(nèi)部缺陷6個(gè)領(lǐng)域。剔除自我指向性的聚類后，深度學(xué)習(xí)為最大的聚類，說明基于深度學(xué)習(xí)算法的內(nèi)表面缺陷檢測為該領(lǐng)域的研究熱點(diǎn)，其次為機(jī)器視覺和圖像處理。WoS數(shù)據(jù)庫剔除自我指向性聚類后，最大聚類為Non-destructive evaluation，由于早期文獻(xiàn)數(shù)量較多，因此基于聲光電熱磁的無損檢測聚類結(jié)果較為突出，之后依次為Image analysis、Machine vision、Deep learning和Image processing，其結(jié)果與中文聚類結(jié)果基本一致。

3.3 關(guān)鍵詞演進(jìn)分析

關(guān)鍵詞演進(jìn)分析可以反映相關(guān)研究的發(fā)展歷程和各階段主要研究內(nèi)容，利用CiteSpace繪制關(guān)鍵詞演進(jìn)圖，結(jié)果如圖7和圖8所示。圖中關(guān)鍵詞位置反映其首次出現(xiàn)年份，節(jié)點(diǎn)半徑、字體大小及節(jié)點(diǎn)間連線的含義與關(guān)鍵詞分布圖一致，從圖中可以看出內(nèi)表面缺陷檢測相關(guān)研究最早可追溯到上世紀(jì)末，根據(jù)演進(jìn)圖并結(jié)合文獻(xiàn)閱讀可將內(nèi)表面缺陷檢測大致分為三個(gè)階段。

圖7 WoS數(shù)據(jù)庫關(guān)鍵詞演進(jìn)圖

圖8 CNKI數(shù)據(jù)庫關(guān)鍵詞演進(jìn)圖

3.3.1 缺陷識別階段

基于聲光電熱磁等技術(shù)的內(nèi)表面檢測最早可追溯至二十世紀(jì)六七十年代[7]，并隨著技術(shù)的進(jìn)步不斷發(fā)展。到上世紀(jì)七八十年代隨著成像技術(shù)和數(shù)字形態(tài)學(xué)發(fā)展，圖像處理技術(shù)被迅速應(yīng)用于醫(yī)學(xué)檢測及工業(yè)生產(chǎn)，1985年Lange等[8]將圖像增強(qiáng)技術(shù)應(yīng)用于超聲圖像預(yù)處理，1986年Rosencwaig等[9]將圖像處理應(yīng)用于熱成像探測，1991年Weaver等[10]將小波變換應(yīng)用于核磁共振圖像降噪，1992年Kubota等[11]基于超聲圖像實(shí)現(xiàn)焊接頭裂紋檢測，這一時(shí)期我國學(xué)者基于圖像處理技術(shù)實(shí)現(xiàn)了玻璃瓶底污物[12]、車軸裂紋[13]、刀具磨損[14]的檢測。20世紀(jì)90年代，隨著成像元件小型化技術(shù)的成熟，基于視覺圖形的內(nèi)表面缺陷檢測逐漸出現(xiàn)，1990年Wakabayash等[15]使用內(nèi)窺鏡識別患者胃內(nèi)表面的病變，1994年Kranenberg等[16]識別透明材料底面缺陷，1996年馬宏等實(shí)現(xiàn)火炮炮膛[17]和管道內(nèi)壁[18]缺陷的識別。演進(jìn)圖中這一時(shí)期出現(xiàn)的關(guān)鍵詞主要為邊緣檢測、圖像分割、特征提取等圖像處理相關(guān)詞匯。

3.3.2 缺陷分類階段

2000年左右，支持向量機(jī)在圖像處理和模式識別領(lǐng)域得到普遍應(yīng)用，大幅提升了圖像自動(dòng)分類的效率和準(zhǔn)確率，使得采用視覺圖像檢測產(chǎn)品缺陷成為可行方案。1999年Chapelle等[19]采用支持向量機(jī)實(shí)現(xiàn)圖像自動(dòng)分類，2007年Kodogiannis等[20]對內(nèi)窺鏡獲取的腸道圖像進(jìn)行紋理分類，2008年Murosaki等[21]基于視覺圖像對燃油泵焊縫缺陷實(shí)現(xiàn)分類。隨后，國內(nèi)外學(xué)者開始將支持向量機(jī)與主成分分析[22]、BP神經(jīng)網(wǎng)絡(luò)(BPNN)[23-24]、徑向基神經(jīng)網(wǎng)絡(luò)(RBFN)[25-26]等算法結(jié)合，不斷提升分類效率和準(zhǔn)確性并取得理想效果。在這一時(shí)期，基于聲光電熱磁等技術(shù)手段的內(nèi)表面缺陷檢測技術(shù)也不斷發(fā)展，2007年Ji等[27]基于磁感圖像重建天然氣管道缺陷輪廓，2011年Yokota等[28]利用激光重建管道內(nèi)表面的輪廓。演進(jìn)圖中這一時(shí)期出現(xiàn)的關(guān)鍵詞主要有三類，一類是激光超聲、電渦流、應(yīng)力波等無損檢測技術(shù)相關(guān)詞匯，另一類是濾波器、圖像融合、模板匹配等圖像處理相關(guān)詞匯，第三類為模式識別、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)詞匯。

3.3.3 缺陷分析階段

2010年左右，隨著對缺陷檢測要求的不斷提高，出現(xiàn)了缺陷定量分析及測量的相關(guān)研究，檢測目標(biāo)也逐漸向深孔和小尺寸孔發(fā)展。2008年P(guān)einer等[29]研發(fā)出一種用于測量深孔內(nèi)輪廓和粗糙度的觸覺傳感器，2015年Gao[30]等通過超聲波實(shí)現(xiàn)炮管內(nèi)表面缺陷的精確定位，2016年Elfurjani等[31]利用旋轉(zhuǎn)線探針和聲發(fā)射測量微尺度孔輪廓，2019年Lin等[32]基于激光掃描實(shí)現(xiàn)內(nèi)螺紋缺陷檢測。但上述接觸式和基于聲光電熱磁圖像處理的缺陷分析與測量都無法滿足工業(yè)生產(chǎn)的效率要求。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于視覺圖像處理的內(nèi)表面缺陷檢測再次成為研究重點(diǎn)。2012年Liu[33]等采用遺傳算法和神經(jīng)網(wǎng)絡(luò)算法測量深孔內(nèi)表面粗糙度，2015年Zhu等[34]提出了基于CNN的腸胃內(nèi)窺鏡圖像診斷方案，2016年牛群遙[35]等采用圖像融合技術(shù)實(shí)現(xiàn)3 mm以下的小孔內(nèi)表面檢測，2018年Kumar等[36]基于深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)下水道內(nèi)表面缺陷自動(dòng)檢測和定位。近幾年，各類新型機(jī)器學(xué)習(xí)算法如YOLO、Faster R-CNN等不斷被提出，并被迅速地應(yīng)用于醫(yī)學(xué)檢測[37-39]及工業(yè)領(lǐng)域的孔內(nèi)表面缺陷檢測[40-42]，引領(lǐng)了內(nèi)表面缺陷檢測研究的發(fā)展方向。

4 結(jié) 論

以CNKI和WoS兩大數(shù)據(jù)庫為基礎(chǔ)，共題錄內(nèi)表面缺陷檢測領(lǐng)域相關(guān)的5 581條文獻(xiàn)，綜合運(yùn)用文獻(xiàn)計(jì)量和知識圖譜分析方法，揭示了內(nèi)表面缺陷檢測領(lǐng)域相關(guān)研究的多維結(jié)構(gòu)和網(wǎng)絡(luò)關(guān)系。主要得出以下結(jié)論：

(1)內(nèi)表面缺陷檢測課題具有明顯的多學(xué)科屬性，涉及分析化學(xué)、材料學(xué)、光譜學(xué)、儀器儀表、機(jī)械工程和計(jì)算機(jī)等學(xué)科，可大體分為基于聲光電熱磁等技術(shù)的檢測和基于機(jī)器視覺的檢測兩類，其中前者也包括采用不同技術(shù)手段獲取超聲、電磁圖像并借助圖像處理技術(shù)實(shí)現(xiàn)缺陷檢測，而后者主要基于視覺圖像進(jìn)行缺陷識別和分類，目前已成為該領(lǐng)域主要的研究熱點(diǎn)。

(2)內(nèi)表面缺陷檢測發(fā)展歷程分為缺陷識別、缺陷分類、缺陷分析三個(gè)階段。2000年以前主要依靠熱聲光電熱磁信號實(shí)現(xiàn)缺陷的識別和判定，2000年以來，支持向量機(jī)技術(shù)大幅提高了缺陷分類的效率和準(zhǔn)確度，近十年來隨著對缺陷分析及測量需求的不斷出現(xiàn)，基于機(jī)器視覺的缺陷定位與測量將是未來的發(fā)展趨勢和研究方向，檢測對象也逐漸向深孔和小尺寸孔內(nèi)表面發(fā)展。

(3)從發(fā)文量分析可知，中美兩國為本研究領(lǐng)域最為活躍的國家，兩國發(fā)文量約占總發(fā)文量的40%，通過對比CNKI和WoS數(shù)據(jù)庫文獻(xiàn)可以發(fā)現(xiàn)，中國學(xué)者在無損檢測、圖像處理等領(lǐng)域的研究明顯落后于國外學(xué)者，但在機(jī)器視覺和深度學(xué)習(xí)領(lǐng)域?qū)崿F(xiàn)趕超，發(fā)文量明顯高于國外學(xué)者，并逐漸實(shí)現(xiàn)在不同領(lǐng)域的工業(yè)應(yīng)用。

(4)該領(lǐng)域研究成果主要發(fā)表在ANAL CHEM、J CHROMATOGR A、OPTICS EXPRESS、NDT&E INT、激光與光電子學(xué)進(jìn)展、儀器儀表學(xué)報(bào)等高水平期刊上。WoS數(shù)據(jù)庫中中國科學(xué)院、清華大學(xué)發(fā)文量進(jìn)入前十名，CNKI數(shù)據(jù)庫中形成中北大學(xué)、河北工業(yè)大學(xué)和四川大學(xué)等多個(gè)科研群體。從核心作者的合作關(guān)系看，WoS作者合作關(guān)系網(wǎng)更為緊密，跨國家地區(qū)及跨機(jī)構(gòu)的合作更多，而CNKI合作關(guān)系網(wǎng)絡(luò)人數(shù)一般為2～4人且多為同一研究機(jī)構(gòu)。