CN113888471B - 一种基于卷积神经网络的高效高分辨力缺陷无损检测方法 - Google Patents

一种基于卷积神经网络的高效高分辨力缺陷无损检测方法 Download PDF

Info

Publication number
CN113888471B
CN113888471B CN202111039459.9A CN202111039459A CN113888471B CN 113888471 B CN113888471 B CN 113888471B CN 202111039459 A CN202111039459 A CN 202111039459A CN 113888471 B CN113888471 B CN 113888471B
Authority
CN
China
Prior art keywords
neural network
convolutional neural
workpiece
edge
value
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
Application number
CN202111039459.9A
Other languages
English (en)
Other versions
CN113888471A (zh
Inventor
阚艳
张小辉
李松如
宣善勇
程宗辉
赵勃
李佳鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
State Run Wuhu Machinery Factory
Original Assignee
Harbin Institute of Technology
State Run Wuhu Machinery Factory
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology, State Run Wuhu Machinery Factory filed Critical Harbin Institute of Technology
Priority to CN202111039459.9A priority Critical patent/CN113888471B/zh
Publication of CN113888471A publication Critical patent/CN113888471A/zh
Priority to GB2200388.3A priority patent/GB2610449B/en
Application granted granted Critical
Publication of CN113888471B publication Critical patent/CN113888471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/36—Detecting the response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/38—Detecting the response signal, e.g. electronic circuits specially adapted therefor by time filtering, e.g. using time gates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/043—Analysing solids in the interior, e.g. by shear waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/22—Details, e.g. general constructional or apparatus details
    • G01N29/26—Arrangements for orientation or scanning by relative movement of the head and the sensor
    • G01N29/262—Arrangements for orientation or scanning by relative movement of the head and the sensor by electronic orientation or focusing, e.g. with phased arrays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G01N2291/0234—Metals, e.g. steel
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/025—Change of phase or condition
    • G01N2291/0258—Structural degradation, e.g. fatigue of composites, ageing of oils
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/04—Wave modes and trajectories
    • G01N2291/042—Wave modes
    • G01N2291/0421—Longitudinal waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/04—Wave modes and trajectories
    • G01N2291/044—Internal reflections (echoes), e.g. on walls or defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/10—Number of transducers
    • G01N2291/106—Number of transducers one or more transducer arrays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/263—Surfaces
    • G01N2291/2638—Complex surfaces
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明是一种基于卷积神经网络的高效高分辨力缺陷无损检测方法。本发明通过超声相控阵向被测工件发射偏转角度为0的平面波，对发射的平面波的散射回波数据进行采集，利用FIR滤波器对回波数据进行时域滤波，滤除信号中的随机噪声；基于卷积神经网络算法的超声成像，根据得到的散射回波信号进行预处理，然后将预处理后的信号作为卷积神经网络的输入，对被测工件进行成像，得到被测工件的粗扫图像；基于Canny算子的缺陷边缘检测，利用Canny算子对最终成像结果中的亮斑进行边缘提取，从而得到缺陷的位置信息、形状信息和大小范围信息。

Description

一种基于卷积神经网络的高效高分辨力缺陷无损检测方法
技术领域
本发明涉及缺陷无损检测技术领域，是一种基于卷积神经网络的高效高分辨力缺陷无损检测方法。
背景技术
在不损伤物质材料性能的基础上，对复杂几何形状的材料进行微小缺陷的检测是一个非常困难的问题。尤其对于金属材料的无损检测更是极为重要的质量控制技术手段，以GH4169合金为例，其广泛应用于航空发动机涡轮盘、压气机鼓筒、机匣等关键部件中，对于这些关键部件即使存在微小缺陷和疲劳损伤都可能导致灾难性的后果，因此对其进行高精度的无损检测至关重要。超声波检测因其具有成本低、检测快速、对物质材料性能无损等优点是所有无损检测方法中应用最广泛的检测方法之一，特别是在航空、船舶、核工业等工业领域中，更是不可缺少的检测手段。随着工业检测中对检测可靠性要求的不断提高，对超声波检测也要求其检测速度更快、检测精度更高、对缺陷的描述更准确，因此如何在无损检测方面提高超声的上述性能的技术越来越受到重视，并且成为研究热点。
北京金风慧能技术有限公司提出一种工件内部损伤检测方法及装置(工件内部损伤检测方法及装置。公开号：CN107505395A)。该方法包括：获取超声波从目标工件的工件表面经由工件内部到达工件底部、并从工件底部返回到工件表面的现场回波数据；根据所述目标工件的现场回波数据与基准数据的比对结果，确定所述目标工件的内部损伤情况，提高了检测效率和检测精确度，该方案无需采用专门的超声探伤仪，使得检测操作简单，检测成本降低。该方法存在的问题在于：需要预先获得目标工件的基准数据，因此不具有通用性，同时该方法仅能检测损伤是否存在以及损伤的大概位置，无法对损伤进行精确定位。
通用电气公司提出一种方案(Methods of non-destructive testing andultrasonic inspection of composite materials。美国专利公开号：US20170199160A1)，首先定位超声换能器相对于被测件的位置，然后从至少一次B扫中收集被测件的B扫数据，再从至少一次C扫中收集被测件的C扫数据，接下来根据预先确定的被测件的几何形状去除数据的随机噪声和相干噪声，得到滤波后的数据，最终生成V扫描图像，从而确定被测件的多个损伤指数。该方法存在的问题在于：需要预先确定被测件的几何形状，而且需要对被测件进行B扫和C扫，无法满足快速检测。
发明内容
本发明解决被测工件缺陷无损检测速度慢、检测精度低的问题，从而提高工业生产中的质量控制技术，本发明提供了一种基于卷积神经网络的高效高分辨力缺陷无损检测方法，本发明提供了以下技术方案：
一种基于卷积神经网络的高效高分辨力缺陷无损检测方法，包括以下步骤：
步骤1：通过超声相控阵向被测工件发射偏转角度为0的平面波，对发射的平面波的散射回波数据进行采集，利用FIR滤波器对回波数据进行时域滤波，滤除信号中的随机噪声；
步骤2：基于卷积神经网络算法的超声成像，根据得到的散射回波信号进行预处理，然后将预处理后的信号作为卷积神经网络的输入，对被测工件进行成像，得到被测工件的粗扫图像；
步骤3：基于Canny算子的缺陷边缘检测，利用Canny算子对最终成像结果中的亮斑进行边缘提取，从而得到缺陷的位置信息、形状信息和大小范围信息。
优选地，所述步骤2中预处理过程具体为：
步骤2.1：以超声相控阵的几何中心为坐标原点，建立直角坐标系，确定超声相控阵各阵元中心在坐标系中的位置坐标，:对被测工件的成像平面进行网格划分；
计算发射的平面波到达坐标为(x(i,j),y(i,j),z(i,j))的网格中心的距离d(i,j)：
d(i,j)＝z(i,j) (1)
利用公式(1)得到对应发射信号的成像平面内网格中心的发射传播距离矩阵D：
Figure GDA0003663446200000031
其中，Nx和Nz为在x方向和z方向的网格划分数量；
步骤2.2：计算中心坐标为(xk,yk,zk)的第k个接收阵元与坐标为(x(i,j),y(i,j),z(i,j))的网格中心之间的距离d’(k,i,j)：
Figure GDA0003663446200000032
利用公式(3)得到对应第k个接收阵元的成像平面内网格中心的接收传播距离矩阵D’k：
Figure GDA0003663446200000033
当被测工件为各向同性介质，则超声体波在被测工件中的传播速度一致，超声体波在被测工件中传播的速度为c，则得到从平面波发射经由成像平面内各个网格中心再被第k个接收阵元接收的传播时间T(n,k)：
T(n,k)＝(D+D’k)/c (5)
得到任一网格中心位置的超声回波信号强度需要利用线性插值原理，线性插值基本原理有：
Figure GDA0003663446200000034
确定t时刻脉冲回波信号的幅值，小于t时刻且距离t时刻最近的回波信号的离散采样时刻为t0，对应的信号幅值为a(t0)，大于t时刻且距离t时刻最近的回波信号的离散采样时刻为t0+Δt，Δt为离散回波信号的采样时间间隔，对应的信号幅值为a(t0+Δt)，t时刻脉冲回波信号的幅值是a(t)，则根据线性插值原理计算：
Figure GDA0003663446200000041
得到对应第k个接收阵元的成像平面内网格中心的超声回波信号幅值矩阵Ak：
Figure GDA0003663446200000042
优选地，所以网格划分密度设置为1个/mm2，确定各个网格中心在坐标系中的位置坐标。
优选地，步骤2中卷积神经网络训练过程包括以下步骤：采用
Figure GDA0003663446200000043
表示被测工件内部的真实图像，
Figure GDA0003663446200000044
表示换能器阵列N个阵元接收到的信号经过预处理后得到的信号；
在图像重构过程中，y是A通过某个函数被预估的；利用fNN(A；θ)表示卷积神经网络的波束成形函数，其中，θ表示神经网络的参数，利用卷积神经网络进行图像重构的目的就是寻找最优参数θ*使得被预估的图像
Figure GDA0003663446200000045
与真实图像y之间的误差最小，利用函数关系表示如下：
Figure GDA0003663446200000046
其中L(y,fNN(A,θ))表示预估图像与真实图像之间误差的损失函数；
选择基于结构化相似性(MS-SSIM)的函数作为损失函数，对于第i行第j列的真实像素与预估像素之间的SSIM计算如下：
Figure GDA0003663446200000047
其中，C1和C2是根据经验选择的标量参数，目的是提高损失的计算稳定性，
Figure GDA0003663446200000048
和
Figure GDA0003663446200000049
分别是y(i,j)和
Figure GDA00036634462000000410
临近区域像素的平均值，
Figure GDA00036634462000000411
和
Figure GDA00036634462000000412
分别是y(i,j)和
Figure GDA00036634462000000413
临近区域像素的方差，
Figure GDA00036634462000000414
表示y(i,j)和
Figure GDA00036634462000000415
临近区域像素的协方差。SSIM的值在-1到1之间变化，SSIM＝1表示两幅图像之间完全相关，因此基于SSIM的损失函数定义为：
Figure GDA0003663446200000051
通过损失函数形式来对两幅图像进行比较，损失函数形式如下：
Figure GDA0003663446200000052
其中，w表示对预估图像进行缩放的正权重因子；
对第i行第j列的真实像素与预估像素按照公式(12)的形式计算SSIM值对w的微分有：
Figure GDA0003663446200000053
其中C1和C2被忽略了，则最优权重w通过对所有像素进行求解得到：
Figure GDA0003663446200000054
定义卷积神经网络的损失函数后，定义卷积神经网络的结构；卷积神经网络包含M个重复的卷积块，每个卷积块包括一个2D convolution layer、一个batch normalizationlayer和一个rectified linear unit activation layer；
定义好卷积神经网络的结构后，则利用仿真数据和被测工件的真实数据对卷积神经网络进行训练，得到各个卷积块中的最优参数，从而得到训练好的卷积神经网络；
通过被测工件的预处理后的回波数据和训练好的卷积神经网络，得到被测工件内部的粗扫成像。
优选地，所述步骤3具体为：
步骤3.1：对最终的成像结果进行高斯滤波，对高斯曲面进行离散采样和归一化得出，归一化指的是卷积核所有元素之和为1，标准差σ＝1.4，大小为5×5的高斯滤波模板K为：
Figure GDA0003663446200000055
步骤3.2：利用Canny算子做梯度幅值和方向的计算，对Canny算子有：
Figure GDA0003663446200000061
Figure GDA0003663446200000062
梯度幅值的计算公式为：
Figure GDA0003663446200000063
梯度方向的计算公式为：
R(x,y)＝arctan(Sy/Sx) (19)
步骤3.3：为了获得单个像素宽度的边缘，Canny算子对图像的幅值矩阵进行非极大值抑制，先将梯度方向R(x,y)以就近原则归类到四个角度中(0～45,45～90,90～135,135～180),获取对应点所处8值邻域内的其他8个点中距离梯度向量最近的两个点对(g1,g2)、(g3,g4)，将点处的梯度幅值分别与g1,g2,g3,g4做对比，当小于其中任何一个，则该点处幅值为0，否则认为是潜在边缘，保留其幅值，最后利用双阈值法进行检测；
在施加非极大值抑制后剩余的像素，更准确地表示图像中的实际边缘用弱梯度值过滤边缘像素，同时保留其具有高梯度值的边缘像素，即通过选择高低阈值来实现，得到被测工件精确的缺陷边缘信息，进而利用边缘提取信息精确计算被测对象内部缺陷的位置信息和尺寸信息。
优选地，当像素梯度值高于高阈值，则标记为强边缘像素；当边缘像素的梯度值小于高阈值并且大于低阈值，则标记为弱边缘像素；当边缘像素的梯度值小于低阈值，则被抑制。
本发明具有以下有益效果：
本发明首先利用超声相控阵发射单次平面波，相控阵的所有阵元同时接收回波数据，然后对回波数据进行预处理，得到换能器阵列N个阵元对应的目标区域像素矩阵，将预处理得到的矩阵作为训练好的卷积神经网络的输入信号，经过逐层计算，最后输出目标区域的成像结果，通过这种方法成像极大地提高了算法的成像速度，因为发射次数远远小于全矩阵捕获方式和相干平面波成像方式，同时利用神经网络强大的计算能力，可以有效提高最终成像结果的分辨力。最后，对卷积神经网络输出的图像利用Canny算子进行边缘提取，得到被测对象内部缺陷的位置信息和尺寸信息，从而实现缺陷的高准确度表征。
附图说明
图1为基于卷积神经网络的高效高分辨力缺陷无损检测方法流程图；
图2为超声平面波发射示意图；
图3为卷积神经网络结构图。
具体实施方式
以下结合具体实施例，对本发明进行了详细说明。
具体实施例一：
根据图1至图3所示，本发明提供一种基于卷积神经网络的高效高分辨力缺陷无损检测方法，具体步骤如下：
步骤一，超声平面波信号发射与回波接收
通过超声相控阵向被测工件发射偏转角度为0的平面波，然后对发射的平面波的散射回波数据进行采集，然后利用FIR滤波器对回波数据进行时域滤波，滤除信号中的随机噪声。
步骤二，基于卷积神经网络算法的超声成像
利用第一步得到的散射回波信号进行预处理，然后将预处理后的信号作为卷积神经网络的输入，对被测工件进行成像，得到被测工件的粗扫图像。
散射回波数据的预处理过程如下：首先以超声相控阵的几何中心为坐标原点，建立直角坐标系，确定超声相控阵各阵元中心在坐标系中的位置坐标，然后对被测工件的成像平面进行网格划分，因为是对被测工件进行粗扫，所以网格划分密度设置为1个/mm2，确定各个网格中心在坐标系中的位置坐标。进一步计算发射的平面波到达坐标为(x(i,j),y(i,j),z(i,j))的网格中心的距离d(i,j)：
d(i,j)＝z(i,j) (1)
利用公式(1)得到对应发射信号的成像平面内网格中心的发射传播距离矩阵D：
Figure GDA0003663446200000081
其中Nx和Nz为在x方向和z方向的网格划分数量。
接下来计算中心坐标为(xk,yk,zk)的第k个接收阵元与坐标为(x(i,j),y(i,j),z(i,j))的网格中心之间的距离d’(k,i,j)：
Figure GDA0003663446200000082
利用公式(3)得到对应第k个接收阵元的成像平面内网格中心的接收传播距离矩阵D’k：
Figure GDA0003663446200000083
假设被测工件为各向同性介质，则超声体波在被测工件中的传播速度一致，超声体波在被测工件中传播的速度为c，则可以得到从平面波发射经由成像平面内各个网格中心再被第k个接收阵元接收的传播时间T(n,k)：
T(n,k)＝(D+D’k)/c (5)
因为采集得到的超声回波信号为离散信号，所以若要得到任一网格中心位置的超声回波信号强度需要利用线性插值原理，线性插值基本原理有：
Figure GDA0003663446200000084
求解t时刻脉冲回波信号的幅值，小于t时刻且距离t时刻最近的回波信号的离散采样时刻为t0，其对应的信号幅值为a(t0)，大于t时刻且距离t时刻最近的回波信号的离散采样时刻为t0+Δt，Δt为离散回波信号的采样时间间隔，其对应的信号幅值为a(t0+Δt)，t时刻脉冲回波信号的幅值是a(t)，则根据线性插值原理计算：
Figure GDA0003663446200000085
利用此关系即可得到对应第k个接收阵元的成像平面内网格中心的超声回波信号幅值矩阵Ak：
Figure GDA0003663446200000091
至此完成超声回波数据的预处理。
卷积神经网络训练过程如下：利用
Figure GDA0003663446200000092
表示被测工件内部的真实图像，
Figure GDA0003663446200000093
表示换能器阵列N个阵元接收到的信号经过预处理后得到的信号。在图像重构过程中，y是A通过某个函数被预估的。我们利用fNN(A；θ)表示卷积神经网络的波束成形函数，其中θ表示神经网络的参数，利用卷积神经网络进行图像重构的目的就是寻找最优参数θ*使得被预估的图像
Figure GDA0003663446200000094
与真实图像y之间的误差最小，利用函数关系表示如下：
Figure GDA0003663446200000095
其中L(y,fNN(A,θ))表示预估图像与真实图像之间误差的损失函数。
对于神经网络而言，损失函数影响着网络的训练过程，我们选择基于结构化相似性(MS-SSIM)的函数作为损失函数，对于第i行第j列的真实像素与预估像素之间的SSIM计算如下：
Figure GDA0003663446200000096
其中C1和C2是根据经验选择的标量参数，目的是提高损失的计算稳定性，
Figure GDA0003663446200000097
和
Figure GDA0003663446200000098
分别是y(i,j)和
Figure GDA0003663446200000099
临近区域像素的平均值，
Figure GDA00036634462000000910
和
Figure GDA00036634462000000911
分别是y(i,j)和
Figure GDA00036634462000000912
临近区域像素的方差，
Figure GDA00036634462000000913
表示y(i,j)和
Figure GDA00036634462000000914
临近区域像素的协方差。SSIM的值在-1到1之间变化，SSIM＝1表示两幅图像之间完全相关，因此基于SSIM的损失函数定义为：
Figure GDA00036634462000000915
因为利用回波数据得到的预估图像与真实图像的单位不同，所以在对两者进行比较时原理是不清楚的，同时标准损失函数又对归一化比较敏感，因此我们提出一种新的损失函数形式来对两幅图像进行比较，新的损失函数形式如下：
Figure GDA00036634462000000916
其中w表示对预估图像进行缩放的正权重因子。
对第i行第j列的真实像素与预估像素我们按照公式(12)的形式计算其SSIM值对w的微分有：
Figure GDA0003663446200000101
其中C1和C2被忽略了，则最优权重w可以通过对所有像素进行求解得到：
Figure GDA0003663446200000102
定义好卷积神经网络的损失函数后，我们定义卷积神经网络的结构。卷积神经网络包含M个重复的卷积块，每个卷积块包括一个2D convolution layer、一个batchnormalization layer和一个rectified linear unit activation layer。
定义好卷积神经网络的结构后，则利用仿真数据和被测工件的真实数据对卷积神经网络进行训练，得到各个卷积块中的最优参数，从而得到训练好的卷积神经网络。
最后通过被测工件的预处理后的回波数据和训练好的卷积神经网络，即可得到被测工件内部的粗扫成像。
步骤三、基于Canny算子的缺陷边缘检测
因为超声波在被测工件中进行传播时，遇到被测工件缺陷会产生回波信号，则在最终的成像图中有缺陷位置会呈现亮斑，所以利用Canny算子对最终成像结果中的亮斑进行边缘提取，从而得到缺陷的位置信息、形状信息和大小范围信息。首先对最终的成像结果进行高斯滤波，主要作用是在不丢失图像的主要边缘信息的同时滤除部分高频噪声。高斯滤波是用某一尺寸的二维高斯核与图像进行卷积，高斯核是对连续高斯函数的离散近似，通常对高斯曲面进行离散采样和归一化得出，归一化指的是卷积核所有元素之和为1，标准差σ＝1.4，大小为5×5的高斯滤波模板K为：
Figure GDA0003663446200000103
然后利用Canny算子做梯度幅值和方向的计算，对Canny算子有：
Figure GDA0003663446200000111
Figure GDA0003663446200000112
梯度幅值的计算公式为：
Figure GDA0003663446200000113
梯度方向的计算公式为：
R(x,y)＝arctan(Sy/Sx) (19)
为了获得单个像素宽度的边缘，Canny算子对图像的幅值矩阵进行非极大值抑制，先将梯度方向R(x,y)以就近原则归类到四个角度中(0～45,45～90,90～135,135～180),然后获取该点所处8值邻域内的其他8个点中距离梯度向量最近的两个点对(g1,g2)、(g3,g4)，将该点处的梯度幅值分别与g1,g2,g3,g4做对比，如果小于其中任何一个，则该点处幅值为0，否则认为它是潜在边缘，保留其幅值，最后利用双阈值法进行检测。在施加非极大值抑制后剩余的像素可以更准确地表示图像中的实际边缘，但是仍然存在由于噪声和颜色变化引起的一些边缘像素，为了解决这些杂散相应，必须用弱梯度值过滤边缘像素，同时保留其具有高梯度值的边缘像素，即通过选择高低阈值来实现，如果像素梯度值高于高阈值，则将其标记为强边缘像素；如果边缘像素的梯度值小于高阈值并且大于低阈值，则将其标记为弱边缘像素；如果边缘像素的梯度值小于低阈值，则会被抑制，从而便可得到被测工件精确的缺陷边缘信息，进而利用边缘提取信息精确计算被测对象内部缺陷的位置信息和尺寸信息。
被测对象为铝合金试块，其为各向同性材料，利用64阵元，中心频率为5MHz的超声相控阵进行检测，相控阵阵元间距为0.5mm。首先，利用超声相控阵控制系统同时激励所有的阵元，发射偏转角度为0°的超声平面波，然后切换收发开关，令所有阵元同时接收来自被测对象内部边界的反射回波。根据被测对象实际尺寸大小进行网格划分，计算从平面波发射，经过各个网格点，到被相控阵各阵元接收时经历的传播时间，结合实际回波信号，利用线性插值算法计算各个阵元回波信号映射到目标检测区域的像素值。将预处理得到的各个阵元对应的目标区域像素值作为卷积神经网络的输入信号，经过逐层计算，得到目标区域的成像结果。最后，再利用基于Canny算子的边缘提取算法对成像结果进行处理，得到被测对象内部结构的边缘信息，根据边缘信息便可以准确计算被测对象内部缺陷的位置信息和尺寸信息，实现对被测对象的高效高分辨力无损检测。
本发明提出的一种基于卷积神经网络的高效高分辨力缺陷无损检测方法，利用单次平面波发射采集到的回波数据，通过卷积神经网络计算输出高分辨力成像结果，有效地提高了检测算法的效率，缩短了检测时间，同时通过基于Canny算子的边缘提取算法精准获取被测对象内部缺陷的位置和尺寸信息。
以上所述仅是一种基于卷积神经网络的高效高分辨力缺陷无损检测方法的优选实施方式，一种基于卷积神经网络的高效高分辨力缺陷无损检测方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (2)

1.一种基于卷积神经网络的高效高分辨力缺陷无损检测方法，其特征是：包括以下步骤：
步骤1：通过超声相控阵向被测工件发射偏转角度为0的平面波，对发射的平面波的散射回波数据进行采集，利用FIR滤波器对回波数据进行时域滤波，滤除信号中的随机噪声；
步骤2：基于卷积神经网络算法的超声成像，根据得到的散射回波信号进行预处理，然后将预处理后的信号作为卷积神经网络的输入，对被测工件进行成像，得到被测工件的粗扫图像；
所述步骤2中预处理过程具体为：
步骤2.1：以超声相控阵的几何中心为坐标原点，建立直角坐标系，确定超声相控阵各阵元中心在坐标系中的位置坐标，对被测工件的成像平面进行网格划分；
计算发射的平面波到达坐标为(x(i,j),y(i,j),z(i,j))的网格中心的距离d(i,j)：
d(i,j)＝z(i,j) (1)
利用公式(1)得到对应发射信号的成像平面内网格中心的发射传播距离矩阵D：
Figure FDA0003678610930000011
其中，Nx和Nz为在x方向和z方向的网格划分数量；
步骤2.2：计算中心坐标为(xk,yk,zk)的第k个接收阵元与坐标为(x(i,j),y(i,j),z(i,j))的网格中心之间的距离d′(k,i,j)：
Figure FDA0003678610930000012
利用公式(3)得到对应第k个接收阵元的成像平面内网格中心的接收传播距离矩阵D'k：
Figure FDA0003678610930000021
当被测工件为各向同性介质，则超声体波在被测工件中的传播速度一致，超声体波在被测工件中传播的速度为c，则得到从平面波发射经由成像平面内各个网格中心再被第k个接收阵元接收的传播时间T(n,k)：
T(n,k)＝(D+D'k)/c (5)
得到任一网格中心位置的超声回波信号强度需要利用线性插值原理，线性插值基本原理有：
Figure FDA0003678610930000022
确定t时刻脉冲回波信号的幅值，小于t时刻且距离t时刻最近的回波信号的离散采样时刻为t0，对应的信号幅值为a(t0)，大于t时刻且距离t时刻最近的回波信号的离散采样时刻为t0+Δt，Δt为离散回波信号的采样时间间隔，对应的信号幅值为a(t0+Δt)，t时刻脉冲回波信号的幅值是a(t)，则根据线性插值原理计算：
Figure FDA0003678610930000023
得到对应第k个接收阵元的成像平面内网格中心的超声回波信号幅值矩阵Ak：
Figure FDA0003678610930000024
步骤3：基于Canny算子的缺陷边缘检测，利用Canny算子对最终成像结果中的亮斑进行边缘提取，从而得到缺陷的位置信息、形状信息和大小范围信息；
所述步骤3具体为：
步骤3.1：对最终的成像结果进行高斯滤波，对高斯曲面进行离散采样和归一化得出，归一化指的是卷积核所有元素之和为1，标准差σ＝1.4，大小为5×5的高斯滤波模板K为：
Figure FDA0003678610930000031
步骤3.2：利用Canny算子做梯度幅值和方向的计算，对Canny算子有：
Figure FDA0003678610930000032
Figure FDA0003678610930000033
梯度幅值的计算公式为：
Figure FDA0003678610930000034
梯度方向的计算公式为：
R(x,y)＝arctan(Sy/Sx) (19)
步骤3.3：为了获得单个像素宽度的边缘，Canny算子对图像的幅值矩阵进行非极大值抑制，先将梯度方向R(x,y)以就近原则归类到四个角度中(0～45,45～90,90～135,135～180),获取对应点所处8值邻域内的其他8个点中距离梯度向量最近的两个点对(g1,g2)、(g3,g4)，将点处的梯度幅值分别与g1,g2,g3,g4做对比，当小于其中任何一个，则该点处幅值为0，否则认为是潜在边缘，保留其幅值，最后利用双阈值法进行检测；
在施加非极大值抑制后剩余的像素，更准确地表示图像中的实际边缘用弱梯度值过滤边缘像素，同时保留其具有高梯度值的边缘像素，即通过选择高低阈值来实现，得到被测工件精确的缺陷边缘信息，进而利用边缘提取信息精确计算被测对象内部缺陷的位置信息和尺寸信息；
所以网格划分密度设置为1个/mm2，确定各个网格中心在坐标系中的位置坐标；
步骤2中卷积神经网络训练过程包括以下步骤：采用
Figure FDA0003678610930000041
表示被测工件内部的真实图像，
Figure FDA0003678610930000042
表示换能器阵列N个阵元接收到的信号经过预处理后得到的信号；
在图像重构过程中，y是A通过某个函数被预估的；利用fNN(A；θ)表示卷积神经网络的波束成形函数，其中，θ表示神经网络的参数，利用卷积神经网络进行图像重构的目的就是寻找最优参数θ*使得被预估的图像
Figure FDA0003678610930000043
与真实图像y之间的误差最小，利用函数关系表示如下：
Figure FDA0003678610930000044
其中L(y,fNN(A,θ))表示预估图像与真实图像之间误差的损失函数；
选择基于结构化相似性(MS-SSIM)的函数作为损失函数，对于第i行第j列的真实像素与预估像素之间的SSIM计算如下：
Figure FDA0003678610930000045
其中，C1和C2是根据经验选择的标量参数，目的是提高损失的计算稳定性，
Figure FDA0003678610930000046
和
Figure FDA0003678610930000047
分别是y(i,j)和
Figure FDA0003678610930000048
临近区域像素的平均值，
Figure FDA0003678610930000049
和
Figure FDA00036786109300000410
分别是y(i,j)和
Figure FDA00036786109300000411
临近区域像素的方差，
Figure FDA00036786109300000412
表示y(i,j)和
Figure FDA00036786109300000413
临近区域像素的协方差；SSIM的值在-1到1之间变化，SSIM＝1表示两幅图像之间完全相关，因此基于SSIM的损失函数定义为：
Figure FDA00036786109300000414
通过损失函数形式来对两幅图像进行比较，损失函数形式如下：
Figure FDA00036786109300000415
其中，w表示对预估图像进行缩放的正权重因子；
对第i行第j列的真实像素与预估像素按照公式(12)的形式计算SSIM值对w的微分有：
Figure FDA00036786109300000416
其中C1和C2被忽略了，则最优权重w通过对所有像素进行求解得到：
Figure FDA0003678610930000051
定义卷积神经网络的损失函数后，定义卷积神经网络的结构；卷积神经网络包含M个重复的卷积块，每个卷积块包括一个2D convolution layer、一个batch normalizationlayer和一个rectified linear unit activation layer；
定义好卷积神经网络的结构后，则利用仿真数据和被测工件的真实数据对卷积神经网络进行训练，得到各个卷积块中的最优参数，从而得到训练好的卷积神经网络；
通过被测工件的预处理后的回波数据和训练好的卷积神经网络，得到被测工件内部的粗扫成像。
2.根据权利要求1所述的一种基于卷积神经网络的高效高分辨力缺陷无损检测方法，其特征是：当像素梯度值高于高阈值，则标记为强边缘像素；当边缘像素的梯度值小于高阈值并且大于低阈值，则标记为弱边缘像素；当边缘像素的梯度值小于低阈值，则被抑制。
CN202111039459.9A 2021-09-06 2021-09-06 一种基于卷积神经网络的高效高分辨力缺陷无损检测方法 Active CN113888471B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111039459.9A CN113888471B (zh) 2021-09-06 2021-09-06 一种基于卷积神经网络的高效高分辨力缺陷无损检测方法
GB2200388.3A GB2610449B (en) 2021-09-06 2022-01-13 Non-destructive defect edge detecting method based on convolutional neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111039459.9A CN113888471B (zh) 2021-09-06 2021-09-06 一种基于卷积神经网络的高效高分辨力缺陷无损检测方法

Publications (2)

Publication Number Publication Date
CN113888471A CN113888471A (zh) 2022-01-04
CN113888471B true CN113888471B (zh) 2022-07-12

Family

ID=79008317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111039459.9A Active CN113888471B (zh) 2021-09-06 2021-09-06 一种基于卷积神经网络的高效高分辨力缺陷无损检测方法

Country Status (2)

Country Link
CN (1) CN113888471B (zh)
GB (1) GB2610449B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115811682B (zh) * 2023-02-09 2023-05-12 杭州兆华电子股份有限公司 一种基于时域信号的扬声器失真分析方法及装置
CN116448760B (zh) * 2023-03-21 2023-10-20 上海华维可控农业科技集团股份有限公司 一种基于机器视觉的农业智能监测系统及方法
CN116309510B (zh) * 2023-03-29 2024-03-22 清华大学 数控加工表面缺陷定位方法及装置
CN116205908A (zh) * 2023-04-27 2023-06-02 阳谷新太平洋电缆有限公司 基于卷积神经网络的电缆同轴度视觉检测的方法
CN116342589B (zh) * 2023-05-23 2023-08-22 之江实验室 一种跨视场划痕缺陷连续性检测方法和系统
CN116754467B (zh) * 2023-07-04 2024-03-08 深圳市耀杰橡胶制品有限公司 一种天然橡胶老化性能的测评方法
CN116838114B (zh) * 2023-07-06 2024-01-23 同创华建集团有限公司 一种基于数据分析的钢结构与幕墙智能监测系统
CN116692015B (zh) * 2023-08-07 2023-09-29 中国空气动力研究与发展中心低速空气动力研究所 一种基于超声成像的在线冰形测量方法
CN116758077B (zh) * 2023-08-18 2023-10-20 山东航宇游艇发展有限公司 一种冲浪板表面平整度在线检测方法及系统
CN116776647B (zh) * 2023-08-21 2024-01-16 深圳市鑫冠亚科技有限公司 一种复合镍铜铝散热底板的性能预测方法及系统
CN117420209A (zh) * 2023-12-18 2024-01-19 中国机械总院集团沈阳铸造研究所有限公司 基于深度学习的全聚焦相控阵超声快速高分辨率成像方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170199160A1 (en) * 2016-01-11 2017-07-13 General Electric Company Methods of non-destructive testing and ultrasonic inspection of composite materials
CN107204021A (zh) * 2017-04-25 2017-09-26 中国科学院深圳先进技术研究院 基于高斯函数探头响应模型和压缩感知的超声成像方法
CN110146521A (zh) * 2019-06-17 2019-08-20 电子科技大学 基于微波无损检测的管道表面腐蚀缺陷检测方法及装置
CN111007151A (zh) * 2019-12-30 2020-04-14 华东理工大学 基于缺陷预定位的超声相控阵快速全聚焦成像检测方法
CN111771138A (zh) * 2018-02-27 2020-10-13 皇家飞利浦有限公司 具有用于根据欠采样超声数据产生图像的神经网络的超声系统
CN112528731A (zh) * 2020-10-27 2021-03-19 西安交通大学 基于双回归卷积神经网络的平面波波束合成方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016161009A1 (en) * 2015-04-01 2016-10-06 Verasonics, Inc. Method and system for coded excitation imaging by impulse response estimation and retrospective acquisition
CN109239206B (zh) * 2018-06-20 2023-05-23 诸暨市逍遥管道科技有限公司 缺陷自动识别辅助电熔接头智能相控阵的超声检测方法
CN111060601B (zh) * 2019-12-27 2023-04-07 武汉武船计量试验有限公司 基于深度学习的焊缝超声相控阵检测数据智能分析方法
CN111912910A (zh) * 2020-08-12 2020-11-10 上海核工程研究设计院有限公司 聚乙烯管道热熔焊缝混合超声扫描缺陷智能识别方法
CN112669401B (zh) * 2020-12-22 2022-08-19 中北大学 基于卷积神经网络的ct图像重建方法及系统
CN113777166A (zh) * 2021-09-06 2021-12-10 哈尔滨工业大学 一种基于超声平面波成像和时间反转算子相结合的高分辨缺陷无损检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170199160A1 (en) * 2016-01-11 2017-07-13 General Electric Company Methods of non-destructive testing and ultrasonic inspection of composite materials
CN107204021A (zh) * 2017-04-25 2017-09-26 中国科学院深圳先进技术研究院 基于高斯函数探头响应模型和压缩感知的超声成像方法
CN111771138A (zh) * 2018-02-27 2020-10-13 皇家飞利浦有限公司 具有用于根据欠采样超声数据产生图像的神经网络的超声系统
CN110146521A (zh) * 2019-06-17 2019-08-20 电子科技大学 基于微波无损检测的管道表面腐蚀缺陷检测方法及装置
CN111007151A (zh) * 2019-12-30 2020-04-14 华东理工大学 基于缺陷预定位的超声相控阵快速全聚焦成像检测方法
CN112528731A (zh) * 2020-10-27 2021-03-19 西安交通大学 基于双回归卷积神经网络的平面波波束合成方法及系统

Also Published As

Publication number Publication date
GB2610449B (en) 2023-09-20
GB2610449A (en) 2023-03-08
GB2610449A8 (en) 2023-04-19
CN113888471A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN113888471B (zh) 一种基于卷积神经网络的高效高分辨力缺陷无损检测方法
CN110146521B (zh) 基于微波无损检测的管道表面腐蚀缺陷检测方法及装置
Doctor et al. SAFT—the evolution of a signal processing technology for ultrasonic testing
CN106770664B (zh) 一种基于全聚焦成像算法改进边缘缺陷检测的方法
Merazi-Meksen et al. Mathematical morphology for TOFD image analysis and automatic crack detection
Hay et al. A comparison of embedded sensor Lamb wave ultrasonic tomography approaches for material loss detection
US7503218B2 (en) Methods and system for ultrasound inspection
US6823736B1 (en) Nondestructive acoustic emission testing system using electromagnetic excitation and method for using same
CN111855803B (zh) 一种金属增材制造微型缺陷的激光超声高信噪比成像方法
CN112098526B (zh) 基于激光超声技术的增材制件近表面缺陷特征提取方法
CN104391039B (zh) 基于动态小波指纹技术的储罐底板腐蚀非接触式超声检测方法
US7995829B2 (en) Method and apparatus for inspecting components
CN110926386B (zh) 基于改进小波阈值去噪的变压器绕组超声检测成像方法
CN110243923B (zh) 基于交流电磁场的腐蚀缺陷可视化成像及评估方法
Posilović et al. Flaw detection from ultrasonic images using YOLO and SSD
CN116848405A (zh) 通过超声波来检测材料中缺陷的方法、装置和程序
CN113777166A (zh) 一种基于超声平面波成像和时间反转算子相结合的高分辨缺陷无损检测方法
CN105954359B (zh) 复杂形状零件内部缺陷分布式超声无损检测装置及方法
CN114778690A (zh) 一种增材制件气孔缺陷的激光超声定量检测方法
Osman Automated evaluation of three dimensional ultrasonic datasets
Chady et al. Neural network models of eddy current multi-frequency system for nondestructive testing
CN114487115B (zh) 一种基于Canny算子与超声平面波成像相结合的高分辨缺陷无损检测方法
CN113219054B (zh) 一种磁瓦内部缺陷检测装置及检测方法
CN115587291A (zh) 一种基于裂纹超声散射矩阵的去噪表征方法及系统
CN114324598B (zh) 一种螺栓超声检测的高质量成像方法及系统

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