CN114923984A - 基于反向传播神经网络的亚波长分辨力阵列超声成像方法 - Google Patents
基于反向传播神经网络的亚波长分辨力阵列超声成像方法 Download PDFInfo
- Publication number
- CN114923984A CN114923984A CN202210560502.4A CN202210560502A CN114923984A CN 114923984 A CN114923984 A CN 114923984A CN 202210560502 A CN202210560502 A CN 202210560502A CN 114923984 A CN114923984 A CN 114923984A
- Authority
- CN
- China
- Prior art keywords
- matrix data
- signal
- neural network
- back propagation
- time
- 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.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 230000007547 defect Effects 0.000 claims abstract description 44
- 239000000523 sample Substances 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000009659 non-destructive testing Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于反向传播神经网络的亚波长分辨力阵列超声成像方法，属于无损检测技术领域。针对亚波长级间距缺陷超声成像辨识问题，使用超声阵列探头采集不同中心距相邻缺陷的全矩阵数据。对全矩阵数据中每个A扫描信号进行预处理，并基于傅里叶变换和小波包变换在时域、频域和时频域实施特征提取。采用反向传播神经网络训练特征数据集并构建最优网络，用于预测未知中心距相邻缺陷散射波到达时间。然后将预测的到达时间分配给对应的原始信号，以建立新的由高分辨力阵列信号组成的全矩阵数据。最后，结合延时叠加处理的全聚焦方法，突出目标缺陷特征，实现亚波长级阵列超声成像分辨力。该方法成像分辨力高、鲁棒性强，具有较高的工程应用价值。
Description
技术领域
本发明属于无损检测技术领域，具体涉及一种基于反向传播神经网络的亚波长分辨力阵列超声成像方法。
背景技术
相控阵超声检测技术通过电子系统动态控制阵列声束的偏转和聚焦，实现大范围内的缺陷检测，在工业无损检测领域得到广泛应用。根据瑞利准则，超声检测系统以有限带宽发射和接收脉冲信号，成像极限分辨力通常为波长级。当缺陷间距进一步缩小时，相邻缺陷回波信号发生混叠，成像后无法准确辨别缺陷数量和相对位置。因此，克服衍射极限的亚波长成像是现代超声成像关注的重要问题。
利用相控阵探头进行全矩阵捕捉，可以完整记录所有可能的发射-接收数据。直接对全矩阵数据实施延时叠加成像的全聚焦方法能够实现待检测区域逐点聚焦，成像分辨力约为1λ(λ表示超声波长)(HOLMES C,et al.Post-processing of the full matrix ofultrasonic transmit–receive array data for non-destructive evaluation[J].NDT&E International,2005,38(8):701-711)。在此基础上，对全矩阵数据实施进一步分析处理和特征提取，可突破衍射极限，达到亚波长级成像分辨力。例如，时间反转多信号分类方法结合时间反转矩阵进行特征值分解，可以突破瑞利准则限制，成像分辨力达0.5λ。但该方法对噪声高度敏感，且仅限于检测已知数量的理想点状散射体(FAN C G,et al,Ultrasonicmulti-frequency time-reversal-based imaging of extended targets[J].NDT&EInternational,2020,113:102276)。
机器学习方法能够在缺少先验知识的情况下，通过学习或训练自动总结出数据间隐含的函数或映射关系。现有研究一般采用卷积神经网络等对二维图像进行处理，以提高超声成像分辨力。将人工神经网络和小波分析方法相结合，可提高A扫描信号时间分辨力，表征两个邻近缺陷的尺寸和距离(FARLEY S J,et al.High resolution non-destructiveevaluation of defects using artificial neural networks and wavelets[J].NDT&EInternational,2012,52:69-75)。在此基础上，全矩阵捕捉能够捕获不同方向的缺陷散射信号，获取较全面的缺陷信息。将机器学习应用于全矩阵数据处理，并进一步结合信号处理方法，有望反演获得更多的时间、空间信息，从而实现阵列超声成像分辨力的提升。
发明内容
本发明提供一种基于反向传播神经网络的亚波长分辨力阵列超声成像方法。其目的是针对亚波长级间距缺陷超声成像辨识问题，使用超声阵列探头采集不同中心距相邻缺陷的全矩阵数据。对全矩阵数据中每个A扫描信号进行预处理，并基于傅里叶变换和小波包变换在时域、频域和时频域实施特征提取。采用反向传播神经网络训练特征数据集并构建最优网络，用于预测未知中心距相邻缺陷散射波到达时间。随后，将预测的到达时间分配给对应的原始信号，以建立新的由高分辨力阵列信号组成的全矩阵数据。最后，结合延时叠加处理的全聚焦方法，突出目标缺陷特征，实现亚波长级阵列超声成像分辨力。
本发明采用的技术方案是：一种基于反向传播神经网络的亚波长分辨力阵列超声成像方法，其特征在于，使用相控阵超声检测仪采集不同中心距相邻缺陷的全矩阵数据，从中提取时域、频域和时频域特征参量，构建特征数据集作为反向传播神经网络输入；采用特征数据集训练遗传算法优化的反向传播神经网络，得到拟合度最优的反向传播神经网络；针对包含未知中心距相邻缺陷的样品，采集全矩阵数据并预测每个A扫描信号中的相邻缺陷散射波到达时间，解耦时域混叠信号，重构全矩阵数据，并实施延时叠加的全聚焦成像，达到亚波长级阵列超声成像分辨力；
具体包括步骤如下：
1)确定相控阵超声检测参数
根据待测样品材料、几何尺寸及待检测范围选取检测参数，包括相控阵超声探头中心频率、阵元数量和采样频率；
2)采集全矩阵数据
采用步骤1)中确定的检测参数，针对M个具有不同中心距缺陷的待测样品，控制相控阵超声检测仪对待测样品的待检区域进行全矩阵数据采集；定义相控阵超声探头阵元数量为N，N个阵元依次发射超声波信号，且每个超声波信号都被N个阵元接收并储存，一个样品得到的全矩阵数据包括N 2个时域信号；对全矩阵数据实施滤波、平滑和归一化处理，并截取来自相邻缺陷的混叠信号；从M个全矩阵数据的每个A扫描信号中提取n个时域、频域和时频域特征参量，构建特征数据集；
3)训练反向传播神经网络
建立反向传播神经网络，输入全矩阵数据中每个A扫描信号提取的n个特征参量，输出各发射-接收超声探头阵元组合下相邻缺陷混叠信号的各自到达时间t1和t2；每个神经元将自身输出信号向前反馈给输入信号，通过调整输入的权重和偏差，使输出信号逐渐接近理论输出值；
结合具有全局随机搜索能力的遗传算法优化反向传播神经网络的初始偏差和权重，获得精确解；将反向传播神经网络权重和偏差编码成染色体，形成初始种群，定义通过网络预测的输出为Tk，已知训练集期望的输出为Hk，二者之间的平均绝对百分比误差MAPE为适应度值；k＝1,2；
通过选择、交叉和变异操作，从初始种群中获得适应度值最高的染色体；种群反复进化，在满足设定的终止条件后，将最优解解码为最优权重和偏差；采用平均绝对误差MAE评价反向传播神经网络模型的预测性能，MAE值越小，表明网络拟合优度越好；
4)重构全矩阵数据
针对包含未知中心距相邻缺陷的待测样品，采用步骤1)中确定的检测参数采集全矩阵数据，共计N2个信号；设阵元i发射、阵元j接收信号为yij(t)，t为时间，且1≤i,j≤N；将经过训练和验证后的反向传播神经网络应用于全矩阵数据处理，提取特征数据集并预测每个A扫描信号中的相邻缺陷混叠信号的各自到达时间t1-ij和t2-ij；如式(3)所示，将预测的缺陷信号到达时间进行信号赋值，获得解耦后的时域信号
并构建新的全矩阵数据；
5)全聚焦成像
建立二维笛卡尔坐标系，X轴为平行于样品表面的阵列方向，Z轴垂直于样品表面并指向内部；将每个阵元简化为一个点，用(xi,0)来表示阵元i的位置坐标；
对成像区域进行网格划分，设任意聚焦点Q坐标(xref,zref)，根据各阵元到Q点的声程计算延时法则，则所有经过Q点信号的响应总幅值I(xref,zref)为：
式中，tij(xref,zref)表示阵元i发射、阵元j接收信号经过Q点的时间；
式中，CL表示试块中的纵波声速；
依次得到每一个聚焦点的响应总幅值，完成被测区域的全聚焦成像，并实现未知中心距相邻缺陷的成像辨识；通过读取缺陷位置坐标，对其深度和中心距进行定量检测。
所述特征参量中的时域特征参量包括A扫描信号的峰值、峰值对应时间、均方根、方差和偏度；频域特征参量包括频谱最大值、峰值阈值、重心频率、均方频率和频率方差；时频域特征参量包括小波包分解得到的频谱中前两个频带对应能量在总能量中的比值。
本发明的有益效果是：这种基于反向传播神经网络的亚波长分辨力阵列超声成像方法，采用遗传算法优化的反向传播神经网络预测阵列信号相邻缺陷散射波到达时间，解耦时域混叠信号，进而实施延时叠加处理的全聚焦方法，将阵列超声成像分辨力从波长级提升至亚波长级。该方法成像分辨力高、适用性强、鲁棒性高，具有较高工程应用价值。
附图说明
图1是本发明采用的超声检测系统示意图。
图2是加工相邻圆孔缺陷的铝合金试块图纸。
图3是中心距分别为0.5λ、0.6λ、0.7λ、0.8λ、0.9λ和1.0λ圆孔的全聚焦成像结果。
图4是训练后的反向传播神经网络性能评价结果。
图5是采用本发明专利提出的基于反向传播神经网络的亚波长分辨力阵列超声成像方法的中心距分别为0.5λ、0.6λ、0.7λ、0.8λ、0.9λ和1.0λ圆孔的成像结果。
图中：1-相控阵超声检测仪；2-铝合金试块；3-相控阵超声探头；4-计算机。
具体实施方式
基于反向传播神经网络的亚波长分辨力阵列超声成像方法，采用的超声检测系统如图1所示，包括相控阵超声检测仪和相控阵超声线阵探头。具体检测及处理步骤如下：
(1)试验对象如图2所示，加工6个长度180mm，高度95mm的铝合金(6061)试块，材料纵波声速为6300m/s。2.25MHz检测频率下检测波长约为2.8mm。在每个试块中加工两个直径1.0mm，中心深度50mm的圆孔。圆孔中心距d分别为1.4mm(0.5λ)、1.7mm(0.6λ)、2.0mm(0.7λ)、2.3mm(0.8λ)、2.5mm(0.9λ)和2.8mm(1.0λ)。
(2)采用中心频率2.25MHz，32阵元的相控阵超声线阵探头对每个试块实施检测，采样频率100MHz。利用相控阵超声检测仪采集6组全矩阵数据，共6144个A扫描信号。
(3)直接对采集到的全矩阵数据实施全聚焦成像，结果如图3所示，成像的极限分辨力约为1.0λ。当缺陷中心距小于1.0λ时，在-6dB阈值下无法确定缺陷个数和相对位置。
(4)对于每组全矩阵数据中的每个A扫描信号，分别从时域、频域和时频域提取特征参量。时域上主要分析信号的波形特征，选择5个特征参量，分别为峰值、峰值对应时间、均方根、方差和偏度。采用快速傅里叶变换将时域信号转换为频谱，提取5个特征参量，分别为频谱最大值、峰值阈值、重心频率、均方频率和频率方差。在时频域中，采用小波包变换，基本功能选择DB5，沉积层设置为4。将频谱分解为16个子频带，取前两个频带对应能量在总能量中的比值作为时频域特征参量。因此，对每个A扫描信号提取12个特征参量。将每个时域信号对应的发射-接收阵元组合下两个相邻圆孔散射信号到达时间t1和t2设置为网络输出。
(5)通过分析不同隐含层神经元数量反向传播神经网络模型的预测误差MAE，确定模型的最佳结构为12-50-2，即输入层、隐含层和输出层分别有12个、50个和2个神经元。将任意5组全矩阵数据的特征数据集用于训练和验证网络，以获得优化的权重和偏差。另外一组全矩阵数据用于测试网络的性能，结果如图4所示，MAE均小于0.05，证明6组神经网络模型不仅具有优异的学习能力，同时还具有较好的泛化能力和鲁棒性。
(6)基于上述6组神经网络模型，分别对用于测试网络的全矩阵数据实施信号重构和全聚焦成像。基于式(3)，采用网络预测得到的圆孔散射信号到达时间构建解耦后的全矩阵数据，并基于式(4)对其实施全聚焦成像，结果如图5所示。圆孔深度和中心距的定量误差整体上随着圆孔中心距的减小而增大。当圆孔中心距为0.5λ时，深度定位误差为0.79％，中心距定位误差为8.57％。该方法实现了亚波长级阵列超声成像分辨力，满足工程需求。
Claims (2)
1.一种基于反向传播神经网络的亚波长分辨力阵列超声成像方法，其特征在于，使用相控阵超声检测仪采集不同中心距相邻缺陷的全矩阵数据，从中提取时域、频域和时频域特征参量，构建特征数据集作为反向传播神经网络输入；采用特征数据集训练遗传算法优化的反向传播神经网络，得到拟合度最优的反向传播神经网络；针对包含未知中心距相邻缺陷的样品，采集全矩阵数据并预测每个A扫描信号中的相邻缺陷散射波到达时间，解耦时域混叠信号，重构全矩阵数据，并实施延时叠加的全聚焦成像，达到亚波长级阵列超声成像分辨力；
具体包括步骤如下：
1)确定相控阵超声检测参数
根据待测样品材料、几何尺寸及待检测范围选取检测参数，包括相控阵超声探头中心频率、阵元数量和采样频率；
2)采集全矩阵数据
采用步骤1)中确定的检测参数，针对M个具有不同中心距缺陷的待测样品，控制相控阵超声检测仪对待测样品的待检区域进行全矩阵数据采集；定义相控阵超声探头阵元数量为N，N个阵元依次发射超声波信号，且每个超声波信号都被N个阵元接收并储存，一个样品得到的全矩阵数据包括N2个时域信号；对全矩阵数据实施滤波、平滑和归一化处理，并截取来自相邻缺陷的混叠信号；从M个全矩阵数据的每个A扫描信号中提取n个时域、频域和时频域特征参量，构建特征数据集；
3)训练反向传播神经网络
建立反向传播神经网络，输入全矩阵数据中每个A扫描信号提取的n个特征参量，输出各发射-接收超声探头阵元组合下相邻缺陷混叠信号的各自到达时间t1和t2；每个神经元将自身输出信号向前反馈给输入信号，通过调整输入的权重和偏差，使输出信号逐渐接近理论输出值；
结合具有全局随机搜索能力的遗传算法优化反向传播神经网络的初始偏差和权重，获得精确解；将反向传播神经网络权重和偏差编码成染色体，形成初始种群，定义通过网络预测的输出为Tk，已知训练集期望的输出为Hk，二者之间的平均绝对百分比误差MAPE为适应度值；k＝1,2；
通过选择、交叉和变异操作，从初始种群中获得适应度值最高的染色体；种群反复进化，在满足设定的终止条件后，将最优解解码为最优权重和偏差；采用平均绝对误差MAE评价反向传播神经网络模型的预测性能，MAE值越小，表明网络拟合优度越好；
4)重构全矩阵数据
针对包含未知中心距相邻缺陷的待测样品，采用步骤1)中确定的检测参数采集全矩阵数据，共计N2个信号；设阵元i发射、阵元j接收信号为yij(t)，t为时间，且1≤i,j≤N；将经过训练和验证后的反向传播神经网络应用于全矩阵数据处理，提取特征数据集并预测每个A扫描信号中的相邻缺陷混叠信号的各自到达时间t1-ij和t2-ij；如式(3)所示，将预测的缺陷信号到达时间进行信号赋值，获得解耦后的时域信号
并构建新的全矩阵数据；
5)全聚焦成像
建立二维笛卡尔坐标系，X轴为平行于样品表面的阵列方向，Z轴垂直于样品表面并指向内部；将每个阵元简化为一个点，用(xi,0)来表示阵元i的位置坐标；
对成像区域进行网格划分，设任意聚焦点Q坐标(xref,zref)，根据各阵元到Q点的声程计算延时法则，则所有经过Q点信号的响应总幅值I(xref,zref)为：
式中，tij(xref,zref)表示阵元i发射、阵元j接收信号经过Q点的时间；
式中，CL表示试块中的纵波声速；
依次得到每一个聚焦点的响应总幅值，完成被测区域的全聚焦成像，并实现未知中心距相邻缺陷的成像辨识；通过读取缺陷位置坐标，对其深度和中心距进行定量检测。
2.根据权利要求1所述的基于反向传播神经网络的亚波长分辨力阵列超声成像方法，其特征在于，所述特征参量中的时域特征参量包括A扫描信号的峰值、峰值对应时间、均方根、方差和偏度；频域特征参量包括频谱最大值、峰值阈值、重心频率、均方频率和频率方差；时频域特征参量包括小波包分解得到的频谱中前两个频带对应能量在总能量中的比值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210560502.4A CN114923984A (zh) | 2022-05-23 | 2022-05-23 | 基于反向传播神经网络的亚波长分辨力阵列超声成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210560502.4A CN114923984A (zh) | 2022-05-23 | 2022-05-23 | 基于反向传播神经网络的亚波长分辨力阵列超声成像方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114923984A true CN114923984A (zh) | 2022-08-19 |
Family
ID=82811142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210560502.4A Pending CN114923984A (zh) | 2022-05-23 | 2022-05-23 | 基于反向传播神经网络的亚波长分辨力阵列超声成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114923984A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115575496A (zh) * | 2022-09-30 | 2023-01-06 | 大连理工大学 | 一种基于反距离权重的高分辨力超声频域全聚焦方法 |
| 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 (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103615996A (zh) * | 2013-11-14 | 2014-03-05 | 大连理工大学 | 一种超声信号频谱滤波技术无损测量涂层厚度的方法 |
| CN110687207A (zh) * | 2019-11-13 | 2020-01-14 | 大连理工大学 | 一种基于频域处理的亚波长级分辨力超声成像方法 |
| CN111521683A (zh) * | 2020-05-06 | 2020-08-11 | 北京工业大学 | 一种基于多阵元等幅同步激励的材料缺陷超声三维成像方法 |
| US11093833B1 (en) * | 2020-02-17 | 2021-08-17 | Sas Institute Inc. | Multi-objective distributed hyperparameter tuning system |
| CN113552218A (zh) * | 2021-07-16 | 2021-10-26 | 大连理工大学 | 基于阵列超声信号幅值和相位特征加权的缺陷定性检测方法 |
| US20220061816A1 (en) * | 2020-09-01 | 2022-03-03 | GE Precision Healthcare LLC | Systems and methods to improve resolution of ultrasound images with a neural network |
| CN114152735A (zh) * | 2021-10-27 | 2022-03-08 | 郑州大学 | 基于ga-bp神经网络的压浆密实度识别方法、系统及存储介质 |
-
2022
- 2022-05-23 CN CN202210560502.4A patent/CN114923984A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103615996A (zh) * | 2013-11-14 | 2014-03-05 | 大连理工大学 | 一种超声信号频谱滤波技术无损测量涂层厚度的方法 |
| CN110687207A (zh) * | 2019-11-13 | 2020-01-14 | 大连理工大学 | 一种基于频域处理的亚波长级分辨力超声成像方法 |
| US11093833B1 (en) * | 2020-02-17 | 2021-08-17 | Sas Institute Inc. | Multi-objective distributed hyperparameter tuning system |
| CN111521683A (zh) * | 2020-05-06 | 2020-08-11 | 北京工业大学 | 一种基于多阵元等幅同步激励的材料缺陷超声三维成像方法 |
| US20220061816A1 (en) * | 2020-09-01 | 2022-03-03 | GE Precision Healthcare LLC | Systems and methods to improve resolution of ultrasound images with a neural network |
| CN113552218A (zh) * | 2021-07-16 | 2021-10-26 | 大连理工大学 | 基于阵列超声信号幅值和相位特征加权的缺陷定性检测方法 |
| CN114152735A (zh) * | 2021-10-27 | 2022-03-08 | 郑州大学 | 基于ga-bp神经网络的压浆密实度识别方法、系统及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 周进节;郑阳;张宗健;谭继东;: "缺陷散射对相控阵超声全聚焦成像的影响研究", 仪器仪表学报, no. 02, 15 February 2017 (2017-02-15) * |
| 杨敬: "奥氏体不锈钢焊缝超声阵列检测方法", 《焊接学报》, 28 February 2022 (2022-02-28), pages 1 - 10 * |
| 金士杰: "基于AR-TFM方法的超声成像分辨力提升", 《无损检测》, 31 December 2021 (2021-12-31), pages 1 - 4 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115575496A (zh) * | 2022-09-30 | 2023-01-06 | 大连理工大学 | 一种基于反距离权重的高分辨力超声频域全聚焦方法 |
| 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 |
| CN117420209B (zh) * | 2023-12-18 | 2024-05-07 | 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114923984A (zh) | 基于反向传播神经网络的亚波长分辨力阵列超声成像方法 | |
| US20220221431A1 (en) | Sonar apparatus | |
| CN108107436B (zh) | 一种基于可靠声路径的水下目标主动分类与定位方法 | |
| CN116848405A (zh) | 通过超声波来检测材料中缺陷的方法、装置和程序 | |
| CN109900805A (zh) | 基于频域稀疏反演的tofd盲区内缺陷定量检测方法 | |
| Bai et al. | Grain scattering noise modeling and its use in the detection and characterization of defects using ultrasonic arrays | |
| Stanton et al. | Non-Rayleigh echoes from resolved individuals and patches of resonant fish at 2–4 kHz | |
| CN115223044A (zh) | 基于深度学习的端到端三维探地雷达目标识别方法及系统 | |
| CN109142548B (zh) | 一种基于相位环形统计矢量的超声成像方法 | |
| CN113126099A (zh) | 一种基于音频特征提取的单波束底质分类方法 | |
| CN113552571B (zh) | 基于psm算法的水下激光致声saft成像方法 | |
| Atallah et al. | Wavelet analysis of bathymetric sidescan sonar data for the classification of seafloor sediments in Hopvågen Bay-Norway | |
| CN115587291B (zh) | 一种基于裂纹超声散射矩阵的去噪表征方法及系统 | |
| CN117147694A (zh) | 基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备 | |
| Gongzhang et al. | Robust defect detection in ultrasonic nondestructive evaluation (NDE) of difficult materials | |
| Li et al. | Adaptive array processing for ultrasonic non-destructive evaluation | |
| Velichko | Quantification of the effect of multiple scattering on array imaging performance | |
| Li et al. | A rapid approach to speckle noise reduction in ultrasonic non-destructive evaluation using matched filters | |
| Foote | Underwater acoustic technology: review of some recent developments | |
| Dalton et al. | Simulating elastic targets for sonar algorithm development | |
| Li et al. | Optimal matched filter design for ultrasonic NDE of coarse grain materials | |
| Stienessen et al. | Comparison of model types for prediction of seafloor trawlability in the Gulf of Alaska by using multibeam sonar data | |
| Calmon et al. | Model based reconstruction of UT array data | |
| CN113640806A (zh) | 一种基于多声纳设备的沉积层声特性获取方法及系统 | |
| CN117805247B (zh) | 一种混凝土缺陷超声检测方法及系统 |
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 |