CN113409283B - 一种基于超分辨率超声图像的缺陷量化方法、设备及介质 - Google Patents
一种基于超分辨率超声图像的缺陷量化方法、设备及介质 Download PDFInfo
- Publication number
- CN113409283B CN113409283B CN202110716313.7A CN202110716313A CN113409283B CN 113409283 B CN113409283 B CN 113409283B CN 202110716313 A CN202110716313 A CN 202110716313A CN 113409283 B CN113409283 B CN 113409283B
- Authority
- CN
- China
- Prior art keywords
- super
- extended target
- resolution
- target
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000007547 defect Effects 0.000 title claims abstract description 47
- 238000011002 quantification Methods 0.000 title claims abstract description 22
- 238000003384 imaging method Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000002604 ultrasonography Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000011158 quantitative evaluation Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- NCGICGYLBXGBGN-UHFFFAOYSA-N 3-morpholin-4-yl-1-oxa-3-azonia-2-azanidacyclopent-3-en-5-imine;hydrochloride Chemical compound Cl.[N-]1OC(=N)C=[N+]1N1CCOCC1 NCGICGYLBXGBGN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本申请公开了一种基于超分辨率超声图像的缺陷量化方法、设备及介质，所述方法包括步骤：对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，所述扩展目标为被测对象中具有一定长度和角度的直线形缺陷；根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像；对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度。本申请通过分析超分辨率超声图像，准确评估具有一定尺寸和角度的扩展目标的长度和角度，实现扩展目标的量化评估，从而准确掌握上述扩展目标的相关参数，实现超声无损检测时对缺陷进行更全面的检测和评估。
Description
技术领域
本申请涉及超声无损检测技术领域，特别地，涉及一种基于超分辨率超声图像的缺陷量化方法、设备及介质。
背景技术
在超声无损检测领域，利用超声相控阵对被测对象进行成像检测是主要发展方向，已经在航空航天、核电站、铁路、基础设施等领域得到研究和应用，产生明显的社会和经济效益。基于超声图像评估被测对象内部状况，及时发现缺陷并准确提取其尺寸以及方向等关键信息，做出科学应对措施。高质量的超声图像是准确评估缺陷的基础，而分辨率则是评价超声图像质量的重要技术指标，分辨率越高，超声图像质量越好。
常规超声成像方法受到声波的衍射限制，其分辨率遵守瑞利准则，即由其获取的超声图像无法辨识缺陷细节信息，容易造成误判，导致严重后果。基于超声时间反转理论的相位相干多信号分类法PC-MUSIC是一种典型的超分辨率成像方法，能够克服声波的衍射限制，打破瑞利准则，极具应用前景。已有的研究聚焦于PC-MUSIC方法对理想点散射体的定位，其尺寸小于超声波波长，然而，在实际应用领域，当成像对象为具有一定尺寸和角度的扩展目标，如直线时，其尺寸大于超声波波长，无法将其视为理想点散射体，现有的超分辨率成像方法尚未应用于准确评估扩展目标的长度和角度等。
发明内容
本申请一方面提供了一种基于超分辨率超声图像的缺陷量化方法，以解决现有超分辨率成像方法无法对具有一定尺寸和角度的扩展目标进行量化评估的技术问题。
本申请采用如下技术方案实现：
一种基于超分辨率超声图像的缺陷量化方法，包括步骤：
对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，所述扩展目标为被测对象中具有一定长度和角度的直线形缺陷；
根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像；
对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度。
进一步地，所述对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，包括步骤：
根据被测对象的所有超声回波信号构成的全矩阵采集数据获取被测对象的原始超声图像；
在所得的原始超声图像中判断扩展目标出现的区域，并设置矩形框覆盖所述区域形成扩展目标区域；
根据线性阵列传感器阵元位置以及扩展目标区域，结合超声波在被测对象中的传播速度，计算并定义时域窗函数；
利用所述时域窗函数对被测对象的所有超声回波信号进行时域预处理，提取扩展目标相关散射信号。
进一步地，根据被测对象的所有超声回波信号构成的全矩阵采集数据获取被测对象的原始超声图像，具体包括：
利用延迟叠加方法处理被测对象的所有超声回波信号，获取被测对象的原始超声图像。
进一步地，所述对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，还包括步骤：
将线性阵列传感器与所述被测对象直接耦合，所述被测对象内部包含扩展目标，作为成像对象；
选取线性阵列传感器的任意一对阵元组合分别作为激励和接收阵元，获取超声回波信号；
依次执行，直至所述线性阵列传感器的所有阵元组合均获取超声回波信号后，将获取的所有超声回波信号构成全矩阵采集数据。
进一步地，根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像，包括步骤：
对扩展目标相关散射信号进行时域-频域转换，构建给定频率带宽范围内的阵列响应矩阵，并对其进行奇异值分解，获取奇异值以及对应的奇异向量；
基于给定频率带宽范围内奇异值的分布规律，将奇异向量划分为信号子空间和噪声子空间；
定义方向矢量，基于所述信号子空间和方向矢量，给PC-MUSIC成像函数，获取扩展目标的超分辨率超声图像。
进一步地，对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度，包括步骤：
设定强度阈值，寻找超分辨率超声图像中强度大于等于阈值的像素点集合，获取集合中各像素点对应的坐标；
根据像素点集合以及集合中各像素点对应的坐标，绘制超分辨率图像强度等高线图；
在所述等高线图中寻找左端强度最大值和右端强度最大值对应的像素点，将两个像素点的坐标分别定义为扩展目标两端位置的评估坐标；
基于扩展目标两端位置的评估坐标计算扩展目标的长度和角度。
进一步地，对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度，还包括步骤：
根据计算所得的扩展目标的计算长度和计算角度与扩展目标的实测所得的实际长度和实际角度，得到扩展目标的计算长度误差和计算角度误差。
本申请另一方面还提供了一种基于超分辨率超声图像的缺陷量化装置，包括：
散射信号提取模块，用于对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，所述扩展目标为被测对象中具有一定长度和角度的直线形缺陷；
超分辨率成像模块，用于根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像；
扩展目标参数评估模块，用于对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度。
本申请另一方面还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于超分辨率超声图像的缺陷量化方法。
本申请另一方面还提供了一种存储介质，所述存储介质包括存储的程序，在所述程序运行时控制所述存储介质所在的设备执行所述的基于超分辨率超声图像的缺陷量化方法。
相比现有技术，本申请具有以下有益效果：
本申请提供了一种基于超分辨率超声图像的缺陷量化方法，该方法首先对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号；然后根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像；最后对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度。本申请能够对具有一定尺寸(尺寸大于超声波波长)和角度的扩展目标进行量化检测，如直线等，通过分析超分辨率超声图像，准确评估扩展目标的长度和角度，实现扩展目标的量化评估，从而准确掌握上述扩展目标的相关参数，实现超声无损检测时对缺陷进行更全面的检测和评估。
除了上面所描述的目的、特征和优点之外，本申请还有其它的目的、特征和优点。下面将参照附图，对本申请作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请优选实施例的基于超分辨率超声图像的缺陷量化方法流程示意图。
图2是本申请扩展目标(直线刻槽)的实物示意图。
图3是本申请优选实施例中步骤S1的详细子步骤流程图。
图4是本申请优选实施例中所得原始超声图像和扩展目标区域示意图。
图5是本申请优选实施例中所得超声回波信号和扩展目标相关散射信号示意图。
图6是本申请另一优选实施例中步骤S1的详细子步骤流程图。
图7是本申请中优选实施例中线性阵列传感器与被测对象耦合示意图。
图8是本申请优选实施例中步骤S2的详细子步骤流程图。
图9是本申请优选实施例中奇异值分布曲线示意图。
图10是本申请优选实施例中步骤S3的详细子步骤流程图。
图11是本申请优选实施例中所得的超分辨率超声图像。
图12是本申请优选实施例中所得的强度等高线图。
图13是本申请另一优选实施例中步骤S3的详细子步骤流程图。
图14是本申请优选实施例的基于超分辨率超声图像的缺陷量化装置模块示意图。
图15是本申请优选实施例的电子设备实体示意框图。
图16是本申请优选实施例的计算机设备的内部结构图。
图中：1、线性阵列传感器；2、被测对象；3、扩展目标。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示，本申请的优选实施例提供了一种基于超分辨率超声图像的缺陷量化方法，包括步骤：
S1、对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，所述扩展目标为被测对象中具有一定长度和角度的直线形缺陷；
S2、根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像；
S3、对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度。
基于超声时间反转理论的相位相干多信号分类法PC-MUSIC是一种典型的超分辨率成像方法，已有的研究聚焦于PC-MUSIC方法对理想点散射体的定位，其尺寸小于超声波波长，然而，在实际应用领域，成像对象多是具有一定尺寸和角度的扩展目标，其尺寸大于超声波波长，无法视为理想点散射体，如图2所示的刻槽，经实测，其实际长度L＝5mm，与x轴的实际夹角θ＝45°，针对此类扩展目标(直线刻槽)，超分辨率成像方法PC-MUSIC所得的超分辨率图像无法直接获得其实际长度L和实际夹角θ，因此需要分析图像特征，提出量化方法，实现对上述刻槽的参数的准确量化。
本实施例提供了一种基于超分辨率超声图像的缺陷量化方法，该方法首先对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号；然后根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像；最后对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度。本实施例能够对具有一定尺寸(尺寸大于超声波波长)和角度的扩展目标进行量化检测，如直线刻槽等，通过分析超分辨率超声图像，准确评估扩展目标的长度和角度，实现扩展目标的量化评估，从而准确掌握上述扩展目标的相关参数，实现超声无损检测时对缺陷进行更全面的检测和评估。本实施例基于PC-MUSIC方法实现对扩展目标的量化评估，充分发挥PC-MUSIC方法的最大优势，以期未来实现缺陷检测的自动化。
在一种可能实现方式中，如图3所示，所述对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，包括步骤：
S11、根据被测对象的所有超声回波信号构成的全矩阵采集数据获取被测对象的原始超声图像(如图4所示)；
S12、在所得的原始超声图像中判断扩展目标出现的区域，并设置矩形框覆盖所述区域形成扩展目标区域A(如图4中所示虚线框A)；
S13、根据线性阵列传感器阵元位置以及扩展目标区域A，结合超声波在被测对象中的传播速度c，计算并定义时域窗函数，其具体计算过程可参考期刊文章(ChengguangFAN et al,Preprocessing of the full matrix capture data for time-reversal-based super-resolution imaging.)，在此不再赘述；
S14、利用所述时域窗函数对被测对象的所有超声回波信号进行时域预处理，提取扩展目标相关散射信号s(t)：
s(t)＝h(t)w(t) (1)
其中，w(t)为时域窗函数，h(t)为超声回波信号，具体如图5所示。
在一种可能实现方式中，根据被测对象的所有超声回波信号构成的全矩阵采集数据获取被测对象的原始超声图像，具体包括：
利用延迟叠加方法(delay and sun，DAS)处理被测对象的所有超声回波信号，获取被测对象的原始超声图像。相比较其它方法，延迟叠加方法(delay and sun，DAS)具有执行过程简单、成像速度快的优点，可以在短时间内对整个成像区域进行扫查，判断扩展目标可能出现的区域。
在一种可能实现方式中，如图6所示，所述对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，包括步骤：
S11、将线性阵列传感器1与所述被测对象2直接耦合，所述被测对象内部包含扩展目标3，作为成像对象(如图7所示)；
S12、选取线性阵列传感器的任意一对阵元组合分别作为激励和接收阵元，获取超声回波信号；
S13、依次执行，直至所述线性阵列传感器的所有阵元组合均获取超声回波信号后，将获取的所有超声回波信号构成全矩阵采集数据；
S14、根据被测对象的所有超声回波信号构成的全矩阵采集数据获取被测对象的原始超声图像(如图4所示)；
S15、在所得的原始超声图像中判断扩展目标出现的区域，并设置矩形框覆盖所述区域形成扩展目标区域A(如图4中所示虚线框A)；
S16、根据线性阵列传感器阵元位置以及扩展目标区域A，结合超声波在被测对象中的传播速度c，计算并定义时域窗函数，其具体计算过程可参考期刊文章(ChengguangFAN et al,Preprocessing of the full matrix capture data for time-reversal-based super-resolution imaging.)，在此不再赘述；
S17、利用所述时域窗函数对被测对象的所有超声回波信号进行时域预处理，提取扩展目标相关散射信号s(t)：
s(t)＝h(t)w(t) (1)
其中，w(t)为时域窗函数，h(t)为超声回波信号，具体如图5所示。
在一种可能实现方式中，如图8所示，根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像，包括步骤：
S21、对扩展目标相关散射信号s(t)进行时域-频域转换，构建给定频率带宽Δω范围内的阵列响应矩阵K(ω)，并对其进行奇异值分解SVD，获取奇异值以及对应的奇异向量，如公式(2)所示：
K(ω)＝U(ω)∑(ω)VH(ω) (2)
其中U(ω)和V(ω)为奇异向量组成的矩阵，∑(ω)为奇异值组成的矩阵，上标H表示复矩阵的共轭转置；
S22、基于给定频率带宽范围内奇异值的分布规律(如图9所示)，将奇异向量划分为信号子空间US(ω)和VS(ω)，噪声子空间UN(ω)和VN(ω)：
S23、定义方向矢量g(r，ω)，基于所述信号子空间和方向矢量，给出PC-MUSIC成像函数，获取扩展目标的超分辨率超声图像：
其中Nω表示用于成像的频率点数目，上标T表示复矩阵的共轭。
在一种可能实现方式中，如图10所示，对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度，包括步骤：
S31、设定强度阈值Iσ，寻找超分辨率超声图像中强度满足I≥Iσ的像素点集合，获取集合中各像素点对应的坐标，本步骤通过设定强度阈值Iσ对超分辨率超声图像中的像素点进行过滤目的是去除干扰，仅保留与缺陷相关的像素集合(如图11中颜色较深的黑色区域)，可大幅减少后续的计算量，提高后续计算精度；
S32、根据像素点集合以及集合中各像素点对应的坐标，绘制超分辨率图像强度等高线图(如图12所示)，比较图2和图12可知，等高线图与实际扩展目标相吻合，说明过滤后剩余的像素点集合能够准确反映实际扩展目标的实际长度和角度；
S33、在所述等高线图中寻找左端强度最大值和右端强度最大值对应的像素点，将两个像素点的坐标分别定义为扩展目标两端位置的评估坐标，在超声成像领域，最大强度值坐标通常对应扩展目标的关键点，如端点，因此，寻找等高线图中左端强度最大值(xl，zl)和右端强度最大值(xr，zr)，即可定义为扩展目标两端点位置Dl和Dr的评估坐标分别为(xl，zl)、(xr，zr)；
S34、基于扩展目标两端位置的评估坐标计算扩展目标的计算长度La和计算角度θa：
θa＝sin-1(|zl-zr|/La) (6)
根据图12中的坐标位置，计算得到La＝4.9529mm，θa＝41.3166°。
在一种可能实现方式中，如图13所示，对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度，还包括步骤：
S35、根据计算所得的扩展目标的计算长度和计算角度与扩展目标的实测所得的实际长度和实际角度，得到扩展目标的计算长度误差εL和计算角度误差εθ：
εL＝|La-L|/L×100％ (7)
εθ＝|θa-θ|/θ×100％ (8)
将上述的计算长度La和计算角度θa、实际长度和实际角度代入公式(7)、(8)，经过计算可得：εL＝0.94％，εθ＝8.19％，误差在可接受的范围内。对于基于超声图像的扩展目标量化评估方法而言，误差越小，结果的可信度越高。
上述实施例选择规则扩展目标原因如下：规则扩展目标具有一定的尺寸和角度，方便进行参数化评估，这是研究超声成像及缺陷量化方法的常规做法；实际领域的无规则缺陷可以视为规则扩展目标某种形式的叠加，研究规则扩展目标的量化评估方法是最终实际应用的前提和必要阶段。
如图14所示，本申请另一方面还提供了一种基于超分辨率超声图像的缺陷量化装置，包括：
散射信号提取模块，用于对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，所述扩展目标为被测对象中具有一定长度和角度的直线形缺陷；
超分辨率成像模块，用于根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像；
扩展目标参数评估模块，用于对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度。
上述仿真装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本实施例提供了一种基于超分辨率超声图像的缺陷量化装置，该装置首先对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号；然后根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像；最后对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度。本实施例能够对具有一定尺寸(尺寸大于超声波波长)和角度的扩展目标进行量化检测，如直线刻槽等，通过分析超分辨率超声图像，准确评估扩展目标的长度和角度，实现扩展目标的量化评估，从而准确掌握上述扩展目标的相关参数，实现超声无损检测时对缺陷进行更全面的检测和评估。本实施例基于PC-MUSIC方法实现对扩展目标的量化评估，充分发挥PC-MUSIC方法的最大优势，以期未来实现缺陷检测的自动化。
如图15所示，本申请的优选实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例中的基于超分辨率超声图像的缺陷量化方法。
如图16所示，本申请的优选实施例还提供了一种计算机设备，该计算机设备可以是终端或活体检测服务器，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的其他计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现上述基于超分辨率超声图像的缺陷量化方法。
本领域技术人员可以理解，图16中示出的结构，仅仅是与本实施例方案相关的部分结构的框图，并不构成对本实施例方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的设备，或者组合某些设备，或者具有不同的设备布置。
本申请的优选实施例还提供了一种存储介质，所述存储介质包括存储的程序，在所述程序运行时控制所述存储介质所在的设备执行上述实施例中的基于超分辨率超声图像的缺陷量化方法。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例方法所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个或者多个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)，磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (9)
1.基于超分辨率超声图像的缺陷量化方法，其特征在于，包括步骤：
对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，所述扩展目标为被测对象中具有一定长度和角度的直线形缺陷；
根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像；
对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度，具体包括步骤：
设定强度阈值，寻找超分辨率超声图像中强度大于等于阈值的像素点集合，获取集合中各像素点对应的坐标；
根据像素点集合以及集合中各像素点对应的坐标，绘制超分辨率图像强度等高线图；
在所述等高线图中寻找左端强度最大值和右端强度最大值对应的像素点，将两个像素点的坐标分别定义为扩展目标两端位置的评估坐标；
基于扩展目标两端位置的评估坐标计算扩展目标的长度和角度。
2.根据权利要求1所述的基于超分辨率超声图像的缺陷量化方法，其特征在于，所述对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，包括步骤：
根据被测对象的所有超声回波信号构成的全矩阵采集数据获取被测对象的原始超声图像；
在所得的原始超声图像中判断扩展目标出现的区域，并设置矩形框覆盖所述区域形成扩展目标区域；
根据线性阵列传感器阵元位置以及扩展目标区域，结合超声波在被测对象中的传播速度，计算并定义时域窗函数；
利用所述时域窗函数对被测对象的所有超声回波信号进行时域预处理，提取扩展目标相关散射信号。
3.根据权利要求2所述的基于超分辨率超声图像的缺陷量化方法，其特征在于，根据被测对象的所有超声回波信号构成的全矩阵采集数据获取被测对象的原始超声图像，具体包括：
利用延迟叠加方法处理被测对象的所有超声回波信号，获取被测对象的原始超声图像。
4.根据权利要求2所述的基于超分辨率超声图像的缺陷量化方法，其特征在于，所述对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，还包括步骤：
将线性阵列传感器与所述被测对象直接耦合，所述被测对象内部包含扩展目标，作为成像对象；
选取线性阵列传感器的任意一对阵元组合分别作为激励和接收阵元，获取超声回波信号；
依次执行，直至所述线性阵列传感器的所有阵元组合均获取超声回波信号后，将获取的所有超声回波信号构成全矩阵采集数据。
5.根据权利要求1中所述的基于超分辨率超声图像的缺陷量化方法，其特征在于，根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像，包括步骤：
对扩展目标相关散射信号进行时域-频域转换，构建给定频率带宽范围内的阵列响应矩阵，并对其进行奇异值分解，获取奇异值以及对应的奇异向量；
基于给定频率带宽范围内奇异值的分布规律，将奇异向量划分为信号子空间和噪声子空间；
定义方向矢量，基于所述信号子空间和方向矢量，给PC-MUSIC成像函数，获取扩展目标的超分辨率超声图像。
6.根据权利要求1所述的基于超分辨率超声图像的缺陷量化方法，其特征在于，对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度，还包括步骤：
根据计算所得的扩展目标的计算长度和计算角度与扩展目标的实测所得的实际长度和实际角度，得到扩展目标的计算长度误差和计算角度误差。
7.一种基于超分辨率超声图像的缺陷量化装置，其特征在于，包括：
散射信号提取模块，用于对被测对象的所有超声回波信号构成的全矩阵采集数据进行时域预处理，提取被测对象中扩展目标的相关散射信号，所述扩展目标为被测对象中具有一定长度和角度的直线形缺陷；
超分辨率成像模块，用于根据所述扩展目标的相关散射信号进行超分辨率成像，获取扩展目标的超分辨率超声图像；
扩展目标参数评估模块，用于对所述超分辨率超声图像进行图像特征分析和扩展目标参数评估，获取扩展目标的长度和角度，具体包括步骤：
设定强度阈值，寻找超分辨率超声图像中强度大于等于阈值的像素点集合，获取集合中各像素点对应的坐标；
根据像素点集合以及集合中各像素点对应的坐标，绘制超分辨率图像强度等高线图；
在所述等高线图中寻找左端强度最大值和右端强度最大值对应的像素点，将两个像素点的坐标分别定义为扩展目标两端位置的评估坐标；
基于扩展目标两端位置的评估坐标计算扩展目标的长度和角度。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至6中任一项所述的基于超分辨率超声图像的缺陷量化方法。
9.一种存储介质，所述存储介质包括存储的程序，在所述程序运行时控制所述存储介质所在的设备执行如权利要求1至6中任一项所述的基于超分辨率超声图像的缺陷量化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110716313.7A CN113409283B (zh) | 2021-06-25 | 2021-06-25 | 一种基于超分辨率超声图像的缺陷量化方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110716313.7A CN113409283B (zh) | 2021-06-25 | 2021-06-25 | 一种基于超分辨率超声图像的缺陷量化方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113409283A CN113409283A (zh) | 2021-09-17 |
| CN113409283B true CN113409283B (zh) | 2022-04-22 |
Family
ID=77679541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110716313.7A Active CN113409283B (zh) | 2021-06-25 | 2021-06-25 | 一种基于超分辨率超声图像的缺陷量化方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113409283B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170367684A1 (en) * | 2015-01-05 | 2017-12-28 | Innomind Technology Corporation | Systems and methods for super-resolution compact ultrasound imaging |
| CN106872576B (zh) * | 2017-02-13 | 2019-08-09 | 清华大学 | 基于全向磁声换能器导波散射成像方法和装置 |
| CN107782797A (zh) * | 2017-12-06 | 2018-03-09 | 中国人民解放军国防科技大学 | 超声波成像处理方法、装置、存储介质及成像系统 |
| CN109900804B (zh) * | 2019-03-25 | 2021-11-09 | 中国特种设备检测研究院 | 一种基于超声导波的金属材料裂纹定量监测方法 |
| JP7316888B2 (ja) * | 2019-09-19 | 2023-07-28 | 日立造船株式会社 | 超音波検査方法および超音波検査装置 |
| CN112686846B (zh) * | 2020-12-23 | 2024-05-28 | 北京航天特种设备检测研究发展有限公司 | 一种成像处理方法、设备和计算机可读存储介质 |
-
2021
- 2021-06-25 CN CN202110716313.7A patent/CN113409283B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113409283A (zh) | 2021-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | A kernel-based nonparametric regression method for clutter removal in infrared small-target detection applications | |
| Li et al. | Research on noise reduction method for ship radiate noise based on secondary decomposition | |
| Mou et al. | Sea clutter suppression for radar PPI images based on SCS-GAN | |
| Bai et al. | Ultrasonic defect characterization using the scattering matrix: A performance comparison study of Bayesian inversion and machine learning schemas | |
| CN107802286B (zh) | 基于多频时间反转技术的超声成像方法和系统 | |
| CN116848405A (zh) | 通过超声波来检测材料中缺陷的方法、装置和程序 | |
| Sun et al. | Convolutional neural network (CNN)-based fast back projection imaging with noise-resistant capability | |
| Bevan et al. | Automated detection and characterisation of defects from multiview ultrasonic imaging | |
| Yan et al. | Frequency division denoising algorithm based on VIF adaptive 2D-VMD ultrasound image | |
| CN112818762B (zh) | 一种大尺寸复合材料及其夹层结构快速无损检测方法 | |
| Zou et al. | Iterative Denoiser and Noise Estimator for Self-Supervised Image Denoising | |
| CN113409283B (zh) | 一种基于超分辨率超声图像的缺陷量化方法、设备及介质 | |
| CN113887454A (zh) | 基于卷积神经网络点源识别的非接触激光超声检测方法 | |
| van de Schaft et al. | Ultrasound speckle suppression and denoising using MRI-derived normalizing flow priors | |
| CN116484184A (zh) | 一种电力设备局部放电缺陷样本增强方法及装置 | |
| Jayasudha et al. | Weld defect segmentation and feature extraction from the acquired phased array scan images | |
| CN115561310A (zh) | 能够处理接地极缺陷回波信号中非随机相干噪声的方法 | |
| Liu et al. | A denoising method based on cyclegan with attention mechanisms for improving the hidden distress features of pavement | |
| Jiao et al. | A pulse compression technique for improving the temporal resolution of ultrasonic testing | |
| Jadhav et al. | Deep learning-based denoising of acoustic images generated with point contact method | |
| de Moura et al. | Surface estimation via analysis method: A constrained inverse problem approach | |
| Zhang et al. | Identification and Suppression of Multi-component Noise in Audio Magnetotelluric based on Convolutional Block Attention Module | |
| CN104462014A (zh) | 一种基于改进非局部均值的cpmg信号去噪算法 | |
| Guo et al. | Ultrasonic characterization of small defects based on Res-ViT and unsupervised domain adaptation | |
| Sharma et al. | Super-resolution reconstruction and denoising of 3D millimetre-wave images using a complex-valued convolutional neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |