【技术实现步骤摘要】
本专利技术涉及智能制造装备，更具体地，涉及一种亚表面缺陷多模式激光超声c扫描图像重构方法。
技术介绍
1、金属增材制造(metal additive manufacturing，mam)是一项先进制造技术，可根据三维模型数据直接加工形状复杂的零件。与传统的减材制造技术相比，mam具有零件结构不受限制、原料利用率高等优点，被广泛应用于航天航空等工业领域。常用的mam技术利用激光、电子束等高能量源产生高温将金属粉末或金属丝熔融，按照逐层堆积的方式实现零件的快速制造。然而，由于材料的固有特性，以及能量束参数(如功率、光斑大小等)和加工参数设置的不合理，往往会导致裂纹、孔洞、未熔合和残余应力等缺陷的产生，这些缺陷会对mam产品的内部微观结构、机械性能和整体表现产生显著负面影响。因此，亟需一种精确的无损检测技术对mam工件中的缺陷进行检测，评估并进一步优化mam工艺，以确保最终产品的质量和性能。
2、在现有技术中，常用于金属增材缺陷检测的方法主要有x射线和超声波检测等。x射线检测依据x射线穿过物体后不同部分对x射线的吸收率和透射率的差异，通过分析x射线穿透物体后强度的变化，识别并评估材料内部的潜在不规则性和缺陷。然而，在厚度或密度较大的材料中，由于能量迅速衰减，x射线检测的效果不佳，并且辐射暴露对操作人员构成潜在的安全风险。超声波检测的原理依赖于超声波在材料中传播时的散射、反射和衰减现象。然而，基于压电换能器的超声检测方法是一种接触式的检测，需要耦合剂或其他介质来将换能器发出的声波成功耦合进入被测物体，并不适用于高温、高压等恶
3、激光超声检测(laser ultrasonic testing，lut)是完全非接触式的无损检测技术。通过使用脉冲激光照射物体表面引起热膨胀效应在材料内部产生超声波，并利用激光干涉原理等光学方法接收超声波信号。与x射线、传统超声检测相比，lut具有灵敏度高、空间分辨率高、实时检测能力强等优势。在基于热弹性机制的激光超声无损检测中，脉冲激光会在材料表面及内部激发复杂的多种模式的耦合声场，其中包含纵波(l)、横波(t)和瑞利波(r)等多种模式的超声波。这些波模式具有不同的传播方向、速度和能量分布。当缺陷位于亚表面时，瑞利波、纵波和横波都会以不同的时间延迟在缺陷表面反射，导致多模式超声波在接收点产生混叠信号，如图1所示。利用这些a扫描信号的幅值进行c扫描成像时，不同时刻的c扫描图像并不同，无法准确呈现缺陷的形态，影响检测的精确性，从而阻碍了传统c扫描成像方法对亚表面缺陷的高分辨率成像。c扫描是面扫描，表示被检物体的投影面状况，在投影面上绘出缺陷的水平投影位置。
4、为了解决上述问题，一些研究提出了改进的方法。例如，专利申请cn109269986a公开了一种相控阵激光超声检测系统，该系通过激光诱导相控阵从而进行缺陷检测。然而，这种方法需要对从不同角度和延迟间隔捕获的信号进行严格分析。专利申请cn113406010a公开了一种基于合成孔径聚焦成像的激光超声检测方法。但是，合成孔径聚焦成像方法需要深入理解材料中超声波传播的传播规律、多模态超声波与缺陷之间复杂的相互作用，同时还需运用复杂的信号处理技术。
5、随着人工智能技术的迅速发展及其在各个领域的广泛应用，其在激光超声缺陷检测中的应用也取得了一定成果，显著提高了缺陷检测的效率和准确性。例如，专利申请cn116773679a公开了一种基于神经网络的激光超声成像方法。该方法首先对每个a扫描信号单独进行经验模态分解与重构，然后将分解后的信号输入神经网络以提取特征。提取的特征值随后被转换为像素值，并通过设置阈值来评估各检测点的状态，最终生成相应的像素图像。虽然该方法适用于低信噪比的信号，但其检测精度依赖于经验模态分解过程中内禀模态函数(intrinsic mode function,imf)的选择以及神经网络模型中阈值的设定。此外，现有的基于人工智能的检测方法仍需为每个信号精确标注标签，这在实际应用中往往耗费大量人力和时间。并且，当面对多模式超声波混叠信号时，准确标注变得极为困难，这极大限制了该方法在亚表面缺陷检测中的应用效果。另一个挑战在于，当前的深度学习模型通常只从单个信号中提取特征，而未充分考虑信号之间的联系，这使得特征提取完全依赖于模型的自主学习能力。缺乏对信号间关联的考虑可能导致模型在处理复杂信号时表现出不足，尤其是在处理多模态和混叠信号时。这些问题表明，尽管人工智能技术在激光超声缺陷检测中具有潜力，但仍需进一步优化和发展以应对实际应用中的复杂性和挑战。
6、图神经网络(graph neural network，gnn)因其在处理非欧几里得结构的图数据方面的高效性，已在分类任务中得到了广泛应用。图数据是由节点和节点之间的边组成，可以理解为一种网状结构，而非图片。其中，节点代表实体，边表示它们之间的关系。gnn利用节点之间的关系进行聚合操作，如求平均和求和，更新节点特征向量，并提取决策所需的关键特征。gnn通过对节点之间关系的聚合(如求平均和求和)、卷积等操作，更新节点的特征向量，从而提取决策所需的关键特征。通过这个过程，gnn能够捕捉图结构中的信息，并减轻异常值的影响，从而增强模型的鲁棒性。然而，在处理新出现的节点(即训练过程中未曾见过的节点)时，一般的聚合或卷积性能有限，因此需要进一步的策略来提高其泛化能力。在图神经网络中加入注意力机制，从而取代静态归一化卷积的注意力机制可以增强对未知节点的泛化能力。
7、综上，目前的缺陷检测方法主要存在以下问题：
8、1)传统的激光超声成像方法依赖于复杂的信号处理技术，以减轻信号混叠带来的干扰，但是其最终成像效果与实际情况仍有较大差距。
9、2)现有的深度学习方法需要对a扫描信号进行预处理，以提高后续深度学习模型在特征提取过程中的准确性，降低了检测效率。
10、3)现有的深度学习模型仅从单个信号中提取缺陷特征，未能充分利用信号之间的空间结构信息，增加了特征提取的难度。并且，每个信号都需赋予准确的标签，以支持监督学习过程，这在实际应用中非常耗时且难以实现。
11、4)当缺陷区域仅占整个检测区域的一小部分时，缺陷区域内的检测点数量显著少于无缺陷区域的检测点数量。无缺陷信号在数量上占据主导地位，导致数据集倾斜，从而影响后续分析的准确性和可靠性。这种不平衡阻碍了算法有效提取显著特征的能力，导致算法倾向于多数类信号，而忽视少数类信号。
12、5)在使用非聚焦或扩散声场进行成像时，由于缺陷边缘区域的信号复杂性，精确提取特征变得极具挑战性，这些a扫描信号中同时包含了缺陷和非缺陷特征，仅依赖明显无缺陷或有缺陷的信号不足以准确判别这些边缘信号的分类。此外，当依赖先验知识为信号标注时，这些边缘信号可能会在不同时间表现出不同的特性，使得准确标注变得困难。
13、因此，亟需一种新型的成像方法，以有效解决在激光超声检测中多模式超声波的信号混叠问题，从而精确地对亚表面缺陷进行表征，以提高检测精确性。
<本文档来自技高网...
【技术保护点】
1.一种亚表面缺陷多模式激光超声C扫描图像重构方法，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述图神经网络模型包括第一图注意力对抗网络和第二图注意力对抗网络，第一图注意力对抗网络包含第一生成器和第一判别器，第二图注意力对抗网络包含第二生成器和第二判别器，第一生成器用于生成虚假样本节点，第一判别器用于通过第一图神经网络提取特征，并判断节点的类别和真伪，第二生成器用于生成负样本集合，第二判别器通过第二图神经网络提取特征，并判别不同节点的类别。
3.根据权利要求1所述的方法，其特征在于，在训练所述图神经网络模型过程中，将第一图注意力对抗网络的损失函数设置为：
4.根据权利要求1所述的方法，其特征在于，在训练所述图神经网络模型过程中，将第二图注意力对抗网络的损失函数设置为：
5.根据权利要求4所述的方法，其特征在于，第二生成器的损失函数设置为：
6.根据权利要求4所述的方法，其特征在于，第二判别器的损失函数设置为：
7.根据权利要求1所述的方法，其特征在于，根据以下公式对采集的信号进行位置编码：p>
8.根据权利要求1所述的方法，其特征在于，根据以下公式计算信号之间的相似度：
9.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至8中任一项所述的方法的步骤。
10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种亚表面缺陷多模式激光超声c扫描图像重构方法，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述图神经网络模型包括第一图注意力对抗网络和第二图注意力对抗网络，第一图注意力对抗网络包含第一生成器和第一判别器，第二图注意力对抗网络包含第二生成器和第二判别器，第一生成器用于生成虚假样本节点，第一判别器用于通过第一图神经网络提取特征，并判断节点的类别和真伪，第二生成器用于生成负样本集合，第二判别器通过第二图神经网络提取特征，并判别不同节点的类别。
3.根据权利要求1所述的方法，其特征在于，在训练所述图神经网络模型过程中，将第一图注意力对抗网络的损失函数设置为：
4.根据权利要求1所述的方法，其特征在于，在训练所述图神经网络模型过程中，将第二图注意力对抗网络...
【专利技术属性】
技术研发人员：陈丹，郭师峰，康迅发，吕高龙，冯伟，梁召峰，张亮，吴新宇，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。