一种基于超声相控阵成像的缺陷分类方法及系统技术方案

本发明专利技术提供了一种基于超声相控阵成像的缺陷分类方法及系统，属于无损检测领域，方法包括：对待测样件采用超声相控阵成像获取超声全矩阵数据；对超声全矩阵数据进行全聚焦处理，根据信号幅值进行色彩编码，获取待测样件的图像；对待测样件的图像进行预处理后输入至分类预测模型中，获取待测样件的缺陷分类；训练分类预测模型的方法为：利用缺陷超声散射数据有限元仿真方法，通过仿真超声相控阵成像获取仿真数据；对仿真数据进行全聚焦处理后，获取仿真图像；对仿真图像预处理后进行数据增强；采用卷积神经网络对仿真图像进行图像特征提取；将图像特征输入至全连接层，以缺陷分类为输出训练分类预测模型。本发明专利技术提升了缺陷分类的精准度。类的精准度。类的精准度。

【技术实现步骤摘要】
一种基于超声相控阵成像的缺陷分类方法及系统


[0001]本专利技术属于无损检测领域，更具体地，涉及一种基于超声相控阵成像的缺陷分类方法及系统。

技术介绍

[0002]超声无损检测技术的发展和应用建立在超声波与被测物相互作用的基础上；具有良好导向性的超声波在传播过程中遇到缺陷时，其传播方向或特性将发生变化，通过对所发生的反射、折射和散射进行研究，可以实现对工件缺陷的检测和表征。与其他无损检测手段相比，超声无损检测具有独特的优势；广泛适用于金属、非金属和复合材料的无损评价；穿透能力强、检测深度大，对工件内部缺陷有较好的定位能力；灵敏度高、成本低且对人体无危害。
[0003]在现有的超声缺陷检测技术中，缺乏针对气孔型缺陷的检测，即缺少多个尺寸较小且距离很近的小孔参数化数据。此外，常规的B超成像分辨率低、成像精度差，对于距离较近的多个小缺陷(尺寸小于0.8波长)不具有分辨能力。常见分类方法中，线性判别分析(LDA)和二次判别分析(QDA)等降维算法可以对高维数据进行简化用以处理大规模数据集，但难以理解结果的意义；朴素贝叶斯方法基于概率论进行分类，因此该方法受到贝叶斯定理与条件独立假设限制，但条件独立性假设在实际应用中往往是不成立的，因此影响了贝叶斯方法的分类效果。

技术实现思路

[0004]针对现有技术的缺陷，本专利技术提供了一种基于超声相控阵成像的缺陷分类方法及系统，目的在于对被测物体的缺陷采用全聚焦成像，利用卷积神经网络进行特征提取后进行缺陷分类，提高缺陷分类的精准度。
[0005]为实现上述目的，一方面，本专利技术提供了一种基于超声相控阵成像的缺陷分类，包括以下步骤：
[0006]对待测样件采用超声相控阵成像获取超声全矩阵数据；
[0007]对超声全矩阵数据进行全聚焦处理后，根据信号幅值进行色彩编码，获取待测样件的图像；
[0008]对待测样件的图像进行预处理后输入至训练完毕的分类预测模型中，获取待测样件的缺陷分类；
[0009]其中，分类预测模型为卷积神经网络输出层添加全连接层获取的；
[0010]训练分类预测模型的方法为：
[0011]利用缺陷超声散射数据有限元仿真方法，设置仿真参数，通过仿真超声相控阵成像获取仿真数据；
[0012]对仿真数据进行全聚焦处理后，根据信号幅值进行色彩编码后获取仿真图像；
[0013]对仿真图像预处理后进行数据增强，获取增强后的仿真图像；
[0014]采用训练完毕的卷积神经网络对增强后的仿真图像进行图像特征提取；
[0015]将图像特征和对应的类别标签输入至全连接层，训练分类预测模型。
[0016]进一步优选地，仿真参数包括样本材料、超声波检测频率、样本缺陷分布、样本缺陷数量、样本缺陷尺寸和相控阵探头参数；
[0017]相控阵探头参数包括探头大小、阵元数目、中心频率、带宽和阵元间距。
[0018]进一步优选地，对仿真图像进行预处理的方法为：
[0019]按照缺陷分布位置裁剪与缺陷分类无关的边缘图像，保留缺陷区；
[0020]对裁剪后的仿真图像按照类别划分存入不同的文件夹，完成数据集制作；
[0021]对数据集采用热编码进行标签设置。
[0022]进一步优选地，对数据集中仿真图像进行数据增强的方法为：
[0023]对数据集中的仿真图像进行归一化处理；
[0024]对归一化处理后的仿真图像采取旋转和/或水平平移和/或竖直平移和/或随机水平翻转和/或以nearest方式填充。
[0025]进一步优选地，对待测样件的图像进行预处理的方法为：
[0026]采用交互裁剪待测样件的图像，保留待分类的缺陷区域；
[0027]分RGB三个通道对存在缺陷区域的图像上下边缘、左右边缘分别进行高度和宽度方向的填充；其中，填充的颜色与无缺陷区域的图像颜色一致；
[0028]将三个通道图像合并，使得填充后的图像大小与卷积神经网络的输入图片大小一致。
[0029]进一步优选地，卷积神经网络为去掉顶层后的VGG(Visual Geometry Group Network)16卷积神经网络，包含13个卷积层和5个池化层。
[0030]进一步优选地，分类预测模型的最后一层全连接层激活函数采用softmax激活函数，具体为：
[0031][0032]其中，Softmax函数将向量(a1，a2，
…
，a
n
)映射为向量(S1，S2，
…
，S
n
)，其中，n为类别数；a
j
表示第j个输出节点的输入值；为归一化系数；S
j
表示经过Softmax计算后的输出结果。
[0033]另一方面，本专利技术提供了一种基于超声相控阵成像的缺陷分类系统，包括：
[0034]超声相控阵探头，用于对待测样件采用超声相控阵成像，获取超声全矩阵数据；
[0035]全聚焦模块，用于对超声全矩阵数据和仿真数据进行全聚焦处理后，根据信号幅值进行色彩编码，分别获取待测样件的图像和仿真图像；
[0036]仿真模块，用于利用缺陷超声散射数据有限元仿真方法，设置仿真参数，通过仿真超声相控阵成像获取仿真数据；
[0037]图像预处理模块，用于对所述待测样件的图像和仿真图像进行预处理；
[0038]分类预测模块，用于将预处理后的待测样件的图像输入至训练完毕的分列预测模型中，获取待测样件的缺陷分类；
[0039]数据增强模块，用于对预处理后的所述仿真图像进行数据增强，获取增强后的仿真图像；
[0040]其中，所述分类预测模型为卷积神经网络输出层添加全连接层获取的；
[0041]分类预测模块的训练方法为：
[0042]采用训练完毕的卷积神经网络对增强后的仿真图像进行图像特征提取；
[0043]将图像特征和对应的类别标签输入至全连接层，训练分类预测模型。
[0044]进一步优选地，分类预测模型的最后一层全连接层激活函数采用softmax激活函数，softmax激活函数为：
[0045][0046]其中，Softmax函数将向量(a1，a2，
…
，a
n
)映射为向量(S1，S2，
…
，S
n
)，其中，n为类别数；a
j
表示第j个输出节点的输入值；为归一化系数；S
j
表示经过Softmax计算后的输出结果。
[0047]进一步优选地，对待测样件的图像进行预处理的方法为：
[0048]采用交互裁剪待测样件的图像，保留待分类的缺陷区域；
[0049]分RGB三个通道对存在缺陷区域的图像上下边缘、左右边缘分别进行高度和宽度方向的填充；其中，填充的颜色和无缺陷区域的图像颜色一致；
[0050]将三个通道图像合并，使得填充后的图像大小与卷积神经网络的输入图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超声相控阵成像的缺陷分类方法，其特征在于，包括以下步骤：对待测样件采用超声相控阵成像获取超声全矩阵数据；对超声全矩阵数据进行全聚焦处理后，根据信号幅值进行色彩编码，获取待测样件的图像；对所述待测样件的图像进行预处理后输入至训练完毕的分类预测模型中，获取待测样件的缺陷分类；其中，所述分类预测模型为卷积神经网络输出层添加全连接层获取的；训练分类预测模型的方法为：利用缺陷超声散射数据有限元仿真方法，设置仿真参数，通过仿真超声相控阵成像获取仿真数据；对所述仿真数据进行全聚焦处理后，根据信号幅值进行色彩编码后获取仿真图像；对所述仿真图像预处理后进行数据增强，获取增强后的仿真图像；采用训练完毕的卷积神经网络对增强后的仿真图像进行图像特征提取；将图像特征和对应的类别标签输入至全连接层，训练分类预测模型。2.根据权利要求1所述的缺陷分类方法，其特征在于，所述仿真参数包括样本材料、超声波检测频率、样本缺陷分布、样本缺陷数量、样本缺陷尺寸和相控阵探头参数；所述相控阵探头参数包括探头大小、阵元数目、中心频率、带宽和阵元间距。3.根据要求1或2所述的缺陷分类方法，其特征在于，对所述仿真图像进行预处理的方法为：对仿真图像按照缺陷分布位置裁剪与缺陷分类无关的边缘图像，保留缺陷区；对裁剪后的仿真图像按照类别划分存入不同的文件夹，完成数据集制作；对数据集采用热编码进行标签设置。4.根据权利要求1或2所述的缺陷分类方法，其特征在于，对所述待测样件的图像进行预处理的方法为：采用交互裁剪待测样件的图像，保留待分类的缺陷区域；分RGB三个通道对存在缺陷区域的图像上下边缘、左右边缘分别进行高度和宽度方向的填充；其中，填充的颜色和无缺陷区域的图像颜色一致；将三个通道图像合并，使得填充后的图像大小与卷积神经网络的输入图片大小一致。5.根据权利要求4所述的缺陷分类方法，其特征在于，对所述数据集中仿真图像进行数据增强的方法为：对所述数据集中的仿真图像进行归一化处理；对归一化处理后的仿真图像采取旋转和/或水平平移和/或竖直平移和/或随机水平翻转和/或以nearest方式填充。6.根据权利要求1所述的缺陷分类方法，其特征在于，所述卷积神经网络为去掉顶层后的VGG16卷积神经网络，包含13个卷积层和5个池化层。7.根据权利要求1或6所述的缺陷分类方法，其特征在于，所述分类预测模型的最后一层全连接层激活函数采用softmax激活函数，softmax激活函数为：
其中，Softmax函数将向量(a1，a2，
…
，a
n...

【专利技术属性】
技术研发人员：白龙，许剑锋，刘楠欣，苏欣，赖复尧，
申请(专利权)人：西南电子技术研究所中国电子科技集团公司第十研究所，
类型：发明
国别省市：