年度发文量可以直观反映研究现状并有助于梳理其发展历程, 对预测其未来发展趋势具有重要意义。 绘制基于WoS和CNKI的发文量趋势图, 如图1所示。 由于文献检索时间截止于2021年9月30日, WoS数据库2021年前9个月已发表的337篇和CNKI数据库前9个月已发表的87篇未在图中体现。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 发文量趋势图Fig.1 Statistical chart of documents issued

从图1可以看出1995年以前国内外期刊相关主题的发文量都维持在较低水平, WoS年发文量约20篇左右, CNKI平均每年1~2篇。 1995年以后的十年间WoS发文量逐渐增长, 1996年首次突破30篇, 到2005年已接近100篇, CNKI发文量到2005年才突破10篇。 2005年以后WoS发文量进入快速增长期, 平均每年增长10%以上, 2019年已达到400篇, 而CNKI发文量直到2012年左右才开始逐渐增长, 到2020年达到107篇, 虽然发展较晚但增长趋势明显, 平均每年增长20%以上。

国家及地区合作网络图谱能够直观地看出该研究领域在不同国家、 地区间的联系程度和社会关系, 为评价国家、 地区的学术影响力和科研能力提供全新视角。 由于CNKI收录的文献均为国内作者, 较少出现跨国家及地区的合作关系, 故仅以WoS文献为基础绘制国家及地区间合作网络图谱, 结果如图2所示。 图中节点大小代表国家及地区发文量, 连线反映国家/地区之间的合作关系强度, 节点外轮廓线颜色反映该国家/地区的合作中心度, 节点内部由多个同心圆环组成, 圆环颜色越深代表发文时间越早, 圆环宽度反映当年的发文量。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 国家及地区合作网络图谱Fig.2 Map of national and regional cooperation networks

内表面缺陷检测领域共有92个国家和地区发表的4708篇论文被WoS数据库收录, 其中中国以975篇居于榜首, 其次为美国893篇, 排名第三到第六的国家依次为德国303篇、 英国256篇、 日本256篇和法国215篇, 其余大于200篇的国家还有意大利185篇、 加拿大和韩国各175篇、 西班牙152篇和澳大利亚101篇。 在共现图谱中中国和美国为最大的两个节点, 说明中美两国在该领域的研究相较其他国家更为丰富。 美国的合作中心度最大为0.36, 说明美国与其他国家及地区之间的合作紧密, 共与52个国家及地区存在着合作关系。 中国学者近五年发文并被WoS收录的文献数量大幅增加, 但合作中心度仅为0.07, 排在第十位, 说明我国学者的国际合作参与度还有待提高。

对学术论文发表期刊进行分析, 有助于了解该研究领域的核心期刊群和主要研究方向, 为学者选择发表平台、 搜索资料提供指导。 对WoS数据库剔除会议论文外的3 835篇和CNKI的818篇文献进行期刊统计分析, 结果如表1所示。 WoS收录的论文主要发表在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学、 材料科学、 光谱学、 仪器仪表和工程科学等领域。 CNKI收录的论文主要发表在组合机床与自动化加工技术、 激光与光电子学进展、 无损检测、 计算机测量与控制、 表面技术、 传感器与微系统、 仪器仪表学报等期刊上, 其研究学科主要集中在机械工程、 光学、 计算机和仪器仪表等领域, 从统计结果可以看出内表面缺陷检测具有明显的多学科交叉特性。

表1

Table 1

表1(Table 1)

表1 发文期刊统计 Table 1 Statistical of published journals WoS数据库 CNKI数据库 期刊 频次 期刊 频次 1 ANAL CHEM 104 组合机床与自动化加工技术 13 2 BIOSENS BIOELECTRON 65 机械设计与制造 12 3 SENSOR ACTUAT B-CHEM 60 激光与光电子学进展 11 4 J CHROMATOGR A 54 机床与液压 10 5 ANAL BIOANAL CHEM 49 无损检测 9 6 SENSORS 39 计算机测量与控制 9 7 OPTICS EXPRESS 35 表面技术 8 8 ENG FAIL ANAL 29 传感器与微系统 8 9 NDT& E INT 23 仪器仪表学报 7 10 INSIGHT 21 计算机工程与应用 7

表1 发文期刊统计 Table 1 Statistical of published journals

对科研机构进行分析, 有助于了解该研究领域的重点科研机构, 为学者选择合作交流机构提供指导。 分别统计WoS和CNKI数据库发文量前10名的机构, 结果如表2所示。 在WoS数据库中发文量超过100篇的有3个科研院所, 分别为法国国家科研中心、 中国科学院和美国加州大学。 发文量超过50篇的机构还包括美国能源部、 俄罗斯科学院和美国国家航天局(NASA)。 中国清华大学发表39篇排名第七, 其他上榜的中国科研院所还包括: 中科院大学30篇、 哈尔滨工业大学27篇, 浙江大学27篇、 上海交通大学22篇、 中国科技大学21篇、 西安交通大学20篇。 在CNKI数据库中, 国内发文量超过20篇的仅有中北大学, 其余发文量较高的有河北工业大学、 广东工业大学、 四川大学和南京航空航天大学等。

表2

Table 2

表2(Table 2)

表2 科研机构及其发文量统计 Table 2 Statistical of scientigic research institutions and their issued documents WoS数据库 CNKI数据库 科研机构 频次 科研机构 频次 1 Centre national de la recherche scientifique 137 中北大学 20 2 Chinese Acad Sci 136 河北工业大学 14 3 University of California 101 广东工业大学 13 4 United States Department of Energy 56 四川大学 12 5 Russian Academy of Sciences 54 南京航空航天大学 12 6 National Aeronautics & Space Administration 53 江南大学 12 7 Tsinghua University 39 上海理工大学 10 8 California Institute of Technology 38 东北大学 10 9 University of Tokyo 34 武汉科技大学 10 10 Sorbonne University 33 河北科技大学 10

表2 科研机构及其发文量统计 Table 2 Statistical of scientigic research institutions and their issued documents

在文献计量分析中, 通常需要寻找核心作者以发现该研究领域的骨干力量。 依据普赖斯公式M=0.749 Nmax1/2进行统计分析, 式中M为核心作者发文量, N_max为统计年限中发文量最多的作者的发文量, 发文量大于等于核心作者发文量时, 该作者即为核心作者^[4]。 对WoS数据库文献进行统计, N_max=29, M=4.03, 即发文量在5篇及以上的作者为核心作者, 共计205人。 对CNKI数据库文献进行统计, N_max=7, M=1.98, 发文量在2篇及以上的核心作者242人。

以WoS文献核心作者为基础, 绘制合作关系分布图, 结果如图3所示。 发文量超过10篇的仅有1人, 为美国加州大学的Di Scalea累计发表14篇, 其所在的关系网为该领域中最大的合作网络, 共有9为核心作者。 较为突出的关系网还包括: 以韩国庆北大学Kim和Jeon为代表的合作网络共7位核心作者发表9篇论文, 以Ibarra-castanedo为代表的加拿大拉瓦尔大学网络有7位作者共发表8篇论文, 以Dobie为代表的英国思克莱德大学网络有7位作者发表7篇。 205位核心作者中有43人为中国学者, 其中电子科技大学高斌和中国科学院崔洪亮均组建了包含4位核心作者的合作网络。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 WoS数据库合作关系图Fig.3 Cooperation diagram of WoS database

以CNKI文献核心作者为基础, 绘制作者合作关系分布图, 结果如图4所示。 发文量超过5篇的作者共5人, 分别为四川大学的殷国富8篇、 中北大学的韩跃平7篇, 河北工业大学陈海永和武汉科技大学的汤勃各6篇、 中国兵器工业集团赵付宝5篇。 其中四川大学合作网络共有9位核心作者, 为最大合作关系网络, 其次为中国兵器工业集团合作网络和武汉科技大学合作网络各有6为核心作者。 其余较大合作网络还包括以中北大学王黎明团队, 浙江农业大学冯海林团队、 中国特种设备检测研究院丁克勤团队、 大连理工大学徐志祥团队和中国林业科学院郭慧团队等。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 CNKI数据库合作关系图Fig.4 Cooperation diagram of CNKI database

关键词是一篇论文研究内容的高度浓缩, 对关键词的词频和中心度进行统计和分析, 可以得到该领域的研究热点和发展趋势。 借助CiteSpace绘制内表面缺陷检测领域关键词共现图, 图中关键词频次越高其节点半径越大, 节点字体大小反映其中心度, 节点间连线表示相关主题的关联性。

以WoS文献为基础绘制关键词分步图, 结果如图5所示。 频次最高的关键词为non-destructive testing(无损探伤)、 inspection(检测)、 image processing(图像处理)、 infrared thermography(红外热成像)、 defect(缺陷)、 classification(分类)、 spectroscopy(光谱学)、 model(模型)、 algorithm(算法)。 剔除自我指向性关键词后, 高频关键词为image processing, infrared thermography, classification, spectroscopy和algorithm, 根据关键词可以看出内表面缺陷检测存在两条不同研究路线, 第一条是借助声光电热磁等技术手段的无损检测, 包括红外热成像、 光谱学、 超声检测、 脉冲成像和光谱成像等关键词。 第二条是基于图像处理和相关算法的缺陷检测, 包括图像处理、 分类、 算法、 机器视觉、 图像分析、 纹理、 神经网络等。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 WoS数据库关键词分布图Fig.5 Keyword distribution of WoS database

以CNKI文献为基础绘制关键词分别图, 结果如图6所示。 剔除自我指向性关键词后频次较高的依次为机器视觉、 图像处理、 深度学习、 卷积神经网络、 特征提取、 无损检测和支持向量机, 与WoS文献相比, CNKI文献较为突出的节点均是基于机器视觉的内表面缺陷检测相关文献, 激光超声、 红外图像、 电涡流、 应力波、 X射线等节点零星分布且主要与自我指向性关键词关联, 说明国内学者更多地是通过机器视觉实现内表面缺陷检测。 图像处理和深度学习可以理解为机器视觉最为核心的两个步骤, 即先通过图像处理实现对图像分割、 识别和提取等预处理, 其次采用深度学习相关算法对图像中的缺陷进行分类和评级, 关键词分布图中的边缘检测、 图像分割、 特征提取、 小波变换、 图像增强等都是图像处理相关技术和方法, 与深度学习相关的高频词包括卷积神经网络、 支持向量机、 YOLO(You Only Look Once目标检测算法)和Faster R-cnn(基于区域的快速卷积神经网络)等。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 CNKI数据库关键词分布图Fig.6 Keyword distribution of CNKI database

运用CiteSpace对关键词进行聚类分析, 选用LLR聚类算法, 聚类后会出现聚类模块值Q和聚类平均轮廓值S, 一般认为Q大于0.3聚类结构显著, S大于0.5聚类合理, 保留频次最高的六个聚类, 结果如表3所示。

表3

Table 3

表3(Table 3)

表3 关键词聚类结果 Table 3 Keyword clustering results WoS数据库 CNKI数据库 1 Inspection and quality control 缺陷检测 2 Non-destructive evaluation 深度学习 3 Image analysis 表面缺陷 4 Machine vision 机器视觉 5 Deep learning 图像处理 6 Image processing 内部缺陷 Q值 0.888 5 0.778 5 S值 0.604 1 0.842 9

表3 关键词聚类结果 Table 3 Keyword clustering results

由表3可知, 国内对于内表面缺陷检测的研究主要集中在: 缺陷检测、 深度学习、 表面缺陷、 机器视觉、 图像处理、 内部缺陷6个领域。 剔除自我指向性的聚类后, 深度学习为最大的聚类, 说明基于深度学习算法的内表面缺陷检测为该领域的研究热点, 其次为机器视觉和图像处理。 WoS数据库剔除自我指向性聚类后, 最大聚类为Non-destructive evaluation, 由于早期文献数量较多, 因此基于声光电热磁的无损检测聚类结果较为突出, 之后依次为Image analysis、 Machine vision、 Deep learning和Image processing, 其结果与中文聚类结果基本一致。

关键词演进分析可以反映相关研究的发展历程和各阶段主要研究内容, 利用CiteSpace绘制关键词演进图, 结果如图7和图8所示。 图中关键词位置反映其首次出现年份, 节点半径、 字体大小及节点间连线的含义与关键词分布图一致, 从图中可以看出内表面缺陷检测相关研究最早可追溯到上世纪末, 根据演进图并结合文献阅读可将内表面缺陷检测大致分为三个阶段。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 WoS数据库关键词演进图Fig.7 Evolution diagram of WoS database

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 CNKI数据库关键词演进图Fig.8 Evolution diagram of CNKI database

3.3.1 缺陷识别阶段

基于声光电热磁等技术的内表面检测最早可追溯至二十世纪六七十年代^[7], 并随着技术的进步不断发展。 到上世纪七八十年代随着成像技术和数字形态学发展, 图像处理技术被迅速应用于医学检测及工业生产, 1985年Lange等^[8]将图像增强技术应用于超声图像预处理, 1986年Rosencwaig等^[9]将图像处理应用于热成像探测, 1991年Weaver等^[10]将小波变换应用于核磁共振图像降噪, 1992年Kubota等^[11]基于超声图像实现焊接头裂纹检测, 这一时期我国学者基于图像处理技术实现了玻璃瓶底污物^[12]、 车轴裂纹^[13]、 刀具磨损^[14]的检测。 20世纪90年代, 随着成像元件小型化技术的成熟, 基于视觉图形的内表面缺陷检测逐渐出现, 1990年Wakabayash等^[15]使用内窥镜识别患者胃内表面的病变, 1994年Kranenberg等^[16]识别透明材料底面缺陷, 1996年马宏等实现火炮炮膛^[17]和管道内壁^[18]缺陷的识别。 演进图中这一时期出现的关键词主要为边缘检测、 图像分割、 特征提取等图像处理相关词汇。

3.3.2 缺陷分类阶段

2000年左右, 支持向量机在图像处理和模式识别领域得到普遍应用, 大幅提升了图像自动分类的效率和准确率, 使得采用视觉图像检测产品缺陷成为可行方案。 1999年Chapelle等^[19]采用支持向量机实现图像自动分类, 2007年Kodogiannis等^[20]对内窥镜获取的肠道图像进行纹理分类, 2008年Murosaki等^[21]基于视觉图像对燃油泵焊缝缺陷实现分类。 随后, 国内外学者开始将支持向量机与主成分分析^[22]、 BP神经网络(BPNN)^{[23, 24]}、 径向基神经网络(RBFN)^{[25, 26]}等算法结合, 不断提升分类效率和准确性并取得理想效果。 在这一时期, 基于声光电热磁等技术手段的内表面缺陷检测技术也不断发展, 2007年Ji等^[27]基于磁感图像重建天然气管道缺陷轮廓, 2011年Yokota等^[28]利用激光重建管道内表面的轮廓。 演进图中这一时期出现的关键词主要有三类, 一类是激光超声、 电涡流、 应力波等无损检测技术相关词汇, 另一类是滤波器、 图像融合、 模板匹配等图像处理相关词汇, 第三类为模式识别、 支持向量机、 BP神经网络等机器学习词汇。

3.3.3 缺陷分析阶段

2010年左右, 随着对缺陷检测要求的不断提高, 出现了缺陷定量分析及测量的相关研究, 检测目标也逐渐向深孔和小尺寸孔发展。 2008年Peiner等^[29]研发出一种用于测量深孔内轮廓和粗糙度的触觉传感器, 2015年Gao^[30]等通过超声波实现炮管内表面缺陷的精确定位, 2016年Elfurjani等^[31]利用旋转线探针和声发射测量微尺度孔轮廓, 2019年Lin等^[32]基于激光扫描实现内螺纹缺陷检测。 但上述接触式和基于声光电热磁图像处理的缺陷分析与测量都无法满足工业生产的效率要求。 随着深度学习技术的发展, 基于视觉图像处理的内表面缺陷检测再次成为研究重点。 2012年Liu^[33]等采用遗传算法和神经网络算法测量深孔内表面粗糙度, 2015年Zhu等^[34]提出了基于CNN的肠胃内窥镜图像诊断方案, 2016年牛群遥^[35]等采用图像融合技术实现3 mm以下的小孔内表面检测, 2018年Kumar等^[36]基于深度卷积神经网络实现下水道内表面缺陷自动检测和定位。 近几年, 各类新型机器学习算法如YOLO、 Faster R-CNN等不断被提出, 并被迅速地应用于医学检测^{[37, 38, 39]}及工业领域的孔内表面缺陷检测^{[40, 41, 42]}, 引领了内表面缺陷检测研究的发展方向。