CN114994172B - 一种基于贝叶斯理论的超声c扫描路径优化方法 - Google Patents
一种基于贝叶斯理论的超声c扫描路径优化方法 Download PDFInfo
- Publication number
- CN114994172B CN114994172B CN202210489281.6A CN202210489281A CN114994172B CN 114994172 B CN114994172 B CN 114994172B CN 202210489281 A CN202210489281 A CN 202210489281A CN 114994172 B CN114994172 B CN 114994172B
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- defect
- coordinates
- acquisition
- supplementary
- 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 37
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 230000007547 defect Effects 0.000 claims abstract description 86
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 239000002184 metal Substances 0.000 claims abstract description 13
- 238000009659 non-destructive testing Methods 0.000 claims abstract description 7
- 238000012512 characterization method Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 12
- 239000000523 sample Substances 0.000 claims description 10
- 230000000295 complement effect Effects 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 229910001350 4130 steel Inorganic materials 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
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
-
- 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
- G01N29/265—Arrangements for orientation or scanning by relative movement of the head and the sensor by moving the sensor relative to a stationary material
-
- 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
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于贝叶斯理论的超声C扫描路径优化方法,属于超声无损检测领域。采集初始超声信号,提取出待检测深度的缺陷特征值,并估算阈值。将已采集信号位置的缺陷特征值投入到高斯过程回归模型中和增益期望函数,计算出各个未采集信号位置的补充采集得分,并以补充采集得分高于阈值的全部极值点坐标,作为新一轮的补充采集坐标。经过多轮次的补充采集后,检测区域内不存在补充采集得分高于阈值的坐标,结束扫描,输出全部坐标缺陷特征值的置信均值并成像。实现对块状结构内部缺陷的快速检测和准确表征。该算法以较少的补充检测轮次和较少数据采集量,实现金属构件内部缺陷状况的准确评估。
Description
技术领域
本发明涉及一种超声C扫描检测过程中的扫描路径规划方法,该方法可用于金属构件内部缺陷快速定位及缺陷尺寸快速定量检测,属于超声无损检测领域。
背景技术
金属构件易产生多种内部损伤形式。超声无损检测具有对内部缺陷敏感、易于实现自动化检测等优点,已成为金属构件内部缺陷检测中最为常用的无损检测方法。
目前的超声自动无损检测大多根据检测精度预设密集网格,并在网格中规划均匀步距的固定运动轨迹,以逐点采集的方式获取超声信号,从而得到精细的缺陷表征结果。但随着检测区域增大,检测精度的提高,当前的检测方式需要采集信号的位置过多,导致扫描流程冗长,且采集的数据占用过多存储空间,后处理困难。
将空间域数据压缩方法与超声自动无损检测过程结合,可以有效减少信号采集流程、降低采集数据存储需求。R.Fuentes等[R.Fuentes,P.Gardner,C.Mineo,T.J.Rogers,S.G.Pierce,K.Worden,N.Dervilis,E.J.Cross,Autonomous ultrasonic inspectio nusing Bayesian optimisation and robust outlier analysis,Mechanical Systems and Signal Processing,2020,Volume 145,106897]提出了一种基于贝叶斯优化的自主超声检测方法。该方法利用高斯过程回归模型和增益期望函数,对缺陷分布信息增益进行量化,并利用该参数确定最优补充检测位置。通过多轮最优补充检测位置的信号采集,以较少的检测位置得到了更多的缺陷分布信息增益,从而实现了缺陷检测流程的简化。然而,该自主检测过程为实现检测位置的最少,每采集一个位置的信号,就要求解检测区域内全部位置的缺陷分布信息增益,导致数据后处理流程冗长,反而不能使整个检测过程最简便。
在上述研究基础上,本专利提出一种基于贝叶斯理论的超声C扫描路径优化算法。该算法通过设定阈值,输出批量坐标作为下一轮检测位置,以较少的补充检测轮次和较少数据采集量,实现金属构件内部缺陷状况的准确评估。
发明内容
本发明的内容在于提出一种用于金属构件内部缺陷检测的C扫描路径优化算法。该方法是通过多轮次的依次进行批量采集信号、估计缺陷特征值、求解补充采集位置这三个主要步骤,实现了超声C扫描过程中信号采集位置的自主寻优,用较少的信号采集批次和信号采集总数,得到缺陷的准确成像结果。
本发明提出的一种用于金属构件内部缺陷检测的C扫描路径优化算法,其基本原理在于:
在金属构件内部缺陷的超声无损检测过程中,在检测区域内不同位置采集更多超声信号,可以获得更多的构件内部缺陷分布信息,当已知的缺陷分布信息达到一定量,便可实现对应构件内部缺陷的准确表征。因此,直接在可获得更多缺陷分布信息的位置进行信号采集,便可以更快获得足够的缺陷分布信息,实现构件内部缺陷的快速准确表征。
本发明提出的一种用于金属构件内部缺陷检测的C扫描路径优化算法,其特征在于:该算法是通过以下步骤实现的,其流程图如图1所示:
1)针对待检测金属构件的检测区域,设定一定数量且均匀分布的初始扫描坐标,并在对应位置采集超声信号;
2)对目前全部采集超声信号进行降噪处理,提取待检测深度对应的超声缺陷特征值,并利用3σ准则估算缺陷阈值;
3)将已采样位置的超声缺陷特征值代入高斯过程回归模型中,高斯过程回归模型可写作以下形式:
f(x,y)~GP(m(x,y),k((x,y),(x′,y′))) (1)
式中(x',y')——超声探头已采集信号坐标;
(x,y)——超声探头未采集信号坐标;
GP(·)——高斯过程回归模型;
m(·)——超声缺陷特征值的置信均值;
k(·)——核函数;
f(·)——超声缺陷特征值的置信区间;
利用公式(1)所示的高斯过程回归模型,对暂未采集超声信号的位置的缺陷特征值的置信区间进行估计;
4)将暂未采集超声信号的位置的缺陷特征值的置信区间,带入如下所示的增益期望函数中:
Score(x,y)=(f(x,y)-f(x',y'))Φ(Z)+εφ(Z),Z=(f(x,y)-T)/ε (2)
式中T——缺陷阈值;
ε——超声缺陷特征值置信区间标准差;
Φ(·)——正态累计分布函数;
p(x,y)——坐标(x,y)处缺陷概率;
Seore(x,y)——坐标(x,y)处补充采集得分;
φ(·)——正态密度分布函数;
利用公式(2)所示的增益期望函数,求解检测区域内全部位置的补充采集得分;
5)将全部高于阈值的补充采集得分的极值点坐标,作为新一轮的补充采集坐标,并在对应位置采集超声信号;
6)重复步骤2)~5),以进行超声信号的多轮次采集和补充采集位置的多次确定。当补充采集得分最高值低于阈值时,结束自主C扫描,输出当轮次下全部位置的缺陷特征值的置信均值作为自主C扫描的成像结果。
附图说明
图1是金属构件内部缺陷检测C扫描路径优化算法流程图;
图2是实验装置系统图;
图3试件检测区域内部缺陷分布示意图;
图4第1、3、5轮次下检测区域内缺陷特征值的置信均值、缺陷概率及补充采集得分;其中,第一轮(a,b,c)、第三轮(d,e,f)、第五轮(g,h,i)下检测区域内补充采集得分(a,d,g)、置信均值(b,e,h)和缺陷概率(c,f,i)。
图5自主C扫描提取缺陷区域与常规C扫描提取缺陷区域;a)常规C扫描提取缺陷区域;b)自主C扫描提取缺陷区域。
其中:1—NI主机;2—DPR500超声脉冲发射接收器;3—三维自动扫描单元;4—水箱;5—水浸超声探头及夹具;6—被测试件。
具体实施方式
下面结合实施例对本发明作进一步说明,但本发明并不限于以下实施例。本实验实施过程包括以下步骤:
1、实验系统和检测试件:按照图2所示的实验装置系统图搭建实验系统,该系统主要包括NI主机、DPR 500超声脉冲发射接收器、三维扫描架以及水浸超声探头和夹具。超声探头选用奥林巴斯V326水浸探头,探头中心频率为5MHz,探头直径为10mm,激励信号为负尖波脉冲,采样频率为100MHz。检测对象为高度为60mm,材料为4130钢的锻件,试件检测区域大小为50mm×80mm,检测对象为部分区域45mm深度处的编号为1、3的孔,其示意图如图3所示,检测区域内部缺陷参数如表1所示。
表1检测区域内部缺陷参数
2、初始信号采集:采用上述实验系统对检测试件中缺陷进行检测,于上述试件检测区域内,预设初始步长为4mm的扫描坐标点,并采集对应坐标下的超声A扫描波形。
3、缺陷特征值提取与估算阈值:对A扫描波形进行滤波降噪处理,从波形中提取出深度45mm的幅值特征作为已采样位置的缺陷特征值,并利用3σ准则对阈值进行确定,确定阈值约为0.198。
4、估计未采样位置缺陷特征值的置信区间:将已采样位置的缺陷特征值代入核函数为Matern3/2核函数,尺度超参数为3.5,幅值超参数为2的高斯过程回归模型中。通过高斯过程回归模型,估计取未采样位置的缺陷特征值的置信区间。
5、求解缺陷概率和补充采集得分:利用缺陷特征值的置信区间方差,联合步骤3中确定的阈值,求解全部坐标对应的缺陷概率。利用缺陷概率和增益期望函数,求解未采样位置的补充采集得分。
6、补充采集:将全部高于阈值的暂未采样位置的补充采集得分的极值点坐标,作为新的一轮采集坐标,并在对应位置处采集超声A扫描波形,滤波处理后提取出深度45mm的幅值特征,并加入到已采样位置的缺陷特征值中。
7、迭代计算:重复步骤3-6,经过5轮采集过程(初始采集和4次补充采集)后,由于不存在补充采集得分高于阈值的坐标,停止检测流程,并输出此时全部坐标下的特征值的置信均值作为C扫描成像结果。第1、3、5轮次下的缺陷特征值的置信均值、缺陷概率及补充采集得分如图4所示,自主C扫描提取缺陷区域与常规C扫描提取缺陷区域图5所示,缺陷检测过程中部分量化指标如表2所示。
表2缺陷检测量化结果
从图5和表2可知,在表征4130钢试件扫描区域45mm深处的两个孔缺陷时,自主C扫描相较于常规C扫描,在仅使用14.9%的信号采集数的同时实现了对缺陷的准确定位,且尺寸定量检测的误差在3%以内。通过该结果较好的证明了本方法对锻件内部缺陷C扫描路径优化的可行性。
上述步骤只是本发明的一个典型实施例,本发明的实施不限于此。
Claims (2)
1.一种基于贝叶斯理论的超声C扫描路径优化方法,其特征在于:通过以下步骤实现:
1)针对待检测金属构件的检测区域,设定一定数量且均匀分布的初始扫描坐标,并在对应位置采集超声信号;
2)对目前全部采集超声信号进行降噪处理,提取待检测深度对应的缺陷特征值,并利用3σ准则估算阈值;
3)将已采样位置的缺陷特征值代入高斯过程回归模型中,对暂未采样位置的缺陷特征值的置信区间进行估计;将已采样位置的超声缺陷特征值代入高斯过程回归模型中,高斯过程回归模型写作以下形式:
f(x,y)~GP(m(x,y),k((x,y),(x′,y′))) (1)
式中(x′,y′)——超声探头已采集信号坐标;
(x,y)——超声探头未采集信号坐标;
GP(·)——高斯过程回归模型;
m(·)——超声缺陷特征值的置信均值;
k(·)——核函数;
f(·)——超声缺陷特征值的置信区间;
利用公式(1)所示的高斯过程回归模型,对暂未采集超声信号的位置的缺陷特征值的置信区间进行估计;
4)将暂未采集超声信号的位置的缺陷特征值的置信区间,带入如下所示的增益期望函数中:
Score(x,y)=(f(x,y)-f(x′,y′))Φ(Z)+εφ(Z),Z=(f(x,y)-T)/ε (2)
式中T——缺陷阈值;
ε——超声缺陷特征值置信区间标准差;
Φ(·)——正态累计分布函数;
P(x,y)——坐标(x,y)处缺陷概率;
Score(x,y)——坐标(x,y)处补充采集得分;
φ(·)——正态密度分布函数;
利用公式(2)所示的增益期望函数,求解检测区域内全部位置的补充采集得分;
5)将全部高于阈值的补充采集得分的极值点坐标,作为新一轮的补充采集坐标,并在对应位置采集超声信号;
6)重复步骤(2)~(5),当补充采集得分最高值低于阈值时,结束自主C扫描,并输出当轮次下全部位置的缺陷特征值的置信均值作为自主C扫描的成像结果。
2.根据权利要求1所述的一种基于贝叶斯理论的超声C扫描路径优化方法,其特征在于:在金属构件内部缺陷的超声无损检测过程中,在检测区域内不同位置采集更多超声信号,获得更多的构件内部缺陷分布信息,当已知的缺陷分布信息达到一定量,便可实现对应构件内部缺陷的准确表征;在可获得更多缺陷分布信息的位置进行信号采集,获得足够缺陷分布信息,实现构件内部缺陷的快速准确表征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210489281.6A CN114994172B (zh) | 2022-05-06 | 2022-05-06 | 一种基于贝叶斯理论的超声c扫描路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210489281.6A CN114994172B (zh) | 2022-05-06 | 2022-05-06 | 一种基于贝叶斯理论的超声c扫描路径优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114994172A CN114994172A (zh) | 2022-09-02 |
CN114994172B true CN114994172B (zh) | 2024-06-04 |
Family
ID=83025995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210489281.6A Active CN114994172B (zh) | 2022-05-06 | 2022-05-06 | 一种基于贝叶斯理论的超声c扫描路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994172B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037131A (zh) * | 2017-05-04 | 2017-08-11 | 中南大学 | 一种基于极值分布理论的微小缺陷超声检测方法 |
CN109828023A (zh) * | 2019-03-29 | 2019-05-31 | 电子科技大学 | 一种基于涡流成像的金属构件缺陷定量检测方法与装置 |
CN109884182A (zh) * | 2019-04-04 | 2019-06-14 | 中国兵器科学研究院宁波分院 | 一种涡流c扫描成像检测方法 |
CN110082432A (zh) * | 2019-05-20 | 2019-08-02 | 北京工业大学 | 基于均匀设计的板结构缺陷超声谐振定量无损检测方法 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析系统 |
WO2020191972A1 (zh) * | 2019-03-28 | 2020-10-01 | 深圳中凯剑无损检测设备科技有限公司 | 一种超声检测缺陷定性系统和定性方法 |
CN111983030A (zh) * | 2020-08-20 | 2020-11-24 | 南京中车浦镇城轨车辆有限责任公司 | 基于超声相控阵的摩擦焊焊缝缺陷定量检测方法和系统 |
CN114186112A (zh) * | 2021-11-27 | 2022-03-15 | 北京工业大学 | 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7233853B2 (ja) * | 2018-05-11 | 2023-03-07 | 三菱重工業株式会社 | 超音波検査装置、方法、プログラム及び超音波検査システム |
-
2022
- 2022-05-06 CN CN202210489281.6A patent/CN114994172B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107037131A (zh) * | 2017-05-04 | 2017-08-11 | 中南大学 | 一种基于极值分布理论的微小缺陷超声检测方法 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析系统 |
WO2020191972A1 (zh) * | 2019-03-28 | 2020-10-01 | 深圳中凯剑无损检测设备科技有限公司 | 一种超声检测缺陷定性系统和定性方法 |
CN109828023A (zh) * | 2019-03-29 | 2019-05-31 | 电子科技大学 | 一种基于涡流成像的金属构件缺陷定量检测方法与装置 |
CN109884182A (zh) * | 2019-04-04 | 2019-06-14 | 中国兵器科学研究院宁波分院 | 一种涡流c扫描成像检测方法 |
CN110082432A (zh) * | 2019-05-20 | 2019-08-02 | 北京工业大学 | 基于均匀设计的板结构缺陷超声谐振定量无损检测方法 |
CN111983030A (zh) * | 2020-08-20 | 2020-11-24 | 南京中车浦镇城轨车辆有限责任公司 | 基于超声相控阵的摩擦焊焊缝缺陷定量检测方法和系统 |
CN114186112A (zh) * | 2021-11-27 | 2022-03-15 | 北京工业大学 | 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法 |
Non-Patent Citations (2)
Title |
---|
基于涡流C扫描成像的缺陷量化检测技术研究;盛恒;曹丙花;张兴英;范孟豹;叶波;;中国科技论文;20180123(第02期);全文 * |
相控阵超声扇形扫描技术在海底管道焊缝检测中的应用;陈亮;吴员;张天江;;无损检测;20200910(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114994172A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111855809B (zh) | 一种基于复合模式全聚焦的裂纹形貌重建方法 | |
CN111855803A (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 | |
CN103356241A (zh) | 二维超声设备成像质量评估系统及评估方法 | |
CN111239246B (zh) | 一种分步筛选有效信号的曲面结构缺陷全聚焦成像方法 | |
CN109330626B (zh) | 一种自适应调节超声探头位置的装置及方法 | |
CN113504306B (zh) | 一种基于超声相控阵低秩矩阵恢复的钢轨缺陷检测方法 | |
CN114994172B (zh) | 一种基于贝叶斯理论的超声c扫描路径优化方法 | |
CN111366936A (zh) | 多波束测深数据处理方法及装置 | |
CN111462077B (zh) | 一种利用非线性信息熵定征生物组织的方法 | |
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 | |
CN109142548B (zh) | 一种基于相位环形统计矢量的超声成像方法 | |
US20200355649A1 (en) | System and Method for Detecting Failed Electronics Using Acoustics | |
CN116626685B (zh) | 基于机器学习的河道底泥实时监测方法及系统 | |
CN115561307B (zh) | 灌浆密实度检测方法 | |
CN116511998A (zh) | 一种圆形刀盘的缺陷检测方法及系统 | |
CN115561320A (zh) | 一种处理超声信号中波形数据的方法和装置 | |
CN114839637A (zh) | 一种基于压缩感知的合成发射孔径cmut超声成像方法 | |
CN115311532A (zh) | 一种基于ResNet网络模型的探地雷达地下空洞目标自动识别方法 | |
CN115587291A (zh) | 一种基于裂纹超声散射矩阵的去噪表征方法及系统 | |
CN113848256A (zh) | 一种超声初至波实时检测方法 | |
CN108814601B (zh) | 基于动态对比增强mri的生理参数定量统计优化方法 | |
CN111486804B (zh) | 用于精密部件厚度测量的信号处理方法及测量方法 | |
CN113552218B (zh) | 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 | |
RU2736175C1 (ru) | Способ акустико-эмиссионного контроля металлических объектов и устройство для его осуществления | |
CN113495099B (zh) | 一种校正超声扫描显微镜样品倾斜的图像处理方法 |
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 |