CN115420806A - 一种基于神经网络及图像融合的无损超声检测方法 - Google Patents
一种基于神经网络及图像融合的无损超声检测方法 Download PDFInfo
- Publication number
- CN115420806A CN115420806A CN202211074955.2A CN202211074955A CN115420806A CN 115420806 A CN115420806 A CN 115420806A CN 202211074955 A CN202211074955 A CN 202211074955A CN 115420806 A CN115420806 A CN 115420806A
- Authority
- CN
- China
- Prior art keywords
- defect
- neural network
- ultrasonic detection
- image
- detection signals
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 230000004927 fusion Effects 0.000 title claims abstract description 31
- 230000007547 defect Effects 0.000 claims abstract description 120
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012216 screening 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
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/24—Probes
-
- 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
- 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
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
Landscapes
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提出一种基于神经网络及图像融合的无损超声检测方法,对不同缺陷类型的超声检测信号和缺陷图像进行预处理,构建缺陷检测数据库;从缺陷检测数据库中得到训练集;将训练集输入神经网络模型进行训练,得到神经网络模型的设定参数,进而得到神经网络预测模型;将一种缺陷类型的待测试信号输入神经网络预测模型,得到初步去缺陷图像;初步去缺陷图像采用数据融合算法进行图像融合,得到最终去缺陷缺陷图像。本发明方法引入神经网络和数据融合算法处理超声检测信号和缺陷图像,完成同一缺陷类型不同检测位置缺陷图像的融合,得到准确、客观的缺陷位置、大小和形状。
Description
技术领域
本发明涉及超声无损检测成像技术领域,具体涉及一种基于神经网络及图像融合的无损超声检测方法。
背景技术
随着科学技术的发展,各行各业都对材料及结构的力学性能提出了更高的要求,但由于制作工艺及制作水平的限制,材料及结构在生产及服役的过程中会产生各种类型的缺陷,缺陷的大小、形状、位置等会对结构造成不同程度的损伤,因此十分有必要获取缺陷的各项信息,降低安全事故的发生率。
超声检测由于其操作简单、灵敏度高、对人体无害等优点被广泛应用。然而在缺陷位置、大小及形状方面检测具有一定的挑战性。传统的超声A扫描检测难以实现缺陷的成像,并且缺陷的大小及位置的准确性取决于操作人员的规范性,同时受到操作人员经验是否丰富的影响,具有较大的主观性;超声B扫描与超声C扫描可以实现缺陷的成像,但其准确性取决于探头的步长,并且成像所需的数据量比较大,这些检测方法的准确性在一定程度上都依赖于操作人员的经验,对结果的评判具有一定的影响,尤其是当波形杂乱无章时影响更甚。
因此,如何建立一个客观、准确和高效的超声检测方法是十分必要的。
发明内容
有鉴于此,本发明提供了一种基于神经网络及图像融合的无损超声检测方法,能够提高检测精度和速度,得到准确、客观的缺陷位置、大小和形状。
为实现上述发明目的,本发明的技术方案为:
一种基于神经网络及图像融合的无损超声检测方法,具体步骤包括:
步骤1、对不同缺陷类型的超声检测信号进行预处理,提取超声检测信号的时域、频域和形态特征;对不同检测位置的缺陷图像进行预处理,得到缺陷矩阵;将所提取超声检测信号的特征、缺陷类型及缺陷矩阵作为训练集。
步骤2、利用训练集对神经网络模型进行训练,得到一个训练好的神经网络模型,即神经网络预测模型。
步骤3、提取待测试的超声检测信号的特征和缺陷类型,并将其输入到神经网络预测模型中,神经网络预测模型输出初步缺陷矩阵,经过伪彩色变换得到初步缺陷图像;针对每一种缺陷类型所获取的缺陷图像进行图像融合,得到最终缺陷图像。
进一步的,构建缺陷检测数据库,具体方法为:
在同一种缺陷类型的超声检测信号中添加不同水平的噪声,得到一组添加噪声后的超声检测信号。
进一步的,时域特征包括峰值、幅值上升时间、幅值下降时间、20%峰值持续时间、50%峰值持续时间、90%峰值持续时间、包络面积;频域特征包括:频谱峰值、低频分量、高频分量、-1dB处频率差、-6dB处频率差、-20dB处频率差和中心频率;形态特征包括:幅度均值、形状系数、对称性系数、峰度系数、标准差和偏度系数。
进一步的,建立时域、频域及形态特征与缺陷形状、位置及大小之间的非线性关系,选择相关性系数大于0.85的特征值作为敏感特征值。
进一步的,缺陷图像进行预处理包括:将缺陷图像变换为像素50×50的大小,并进行二值化处理。
有益效果:
1、本发明提出一种基于神经网络及图像融合的无损超声检测方法,对不同缺陷类型的超声检测信号和缺陷图像进行预处理,构建缺陷检测数据库;从缺陷检测数据库中得到训练集;将训练集输入神经网络模型进行训练,得到神经网络模型的设定参数,进而得到神经网络预测模型。本发明方法引入神经网络和数据融合算法处理超声检测信号和缺陷图像,完成同一缺陷类型不同检测位置缺陷图像的融合,得到准确、客观的缺陷位置、大小和形状。
2、本发明使用相关性算法对特征的敏感性进行分析,选择敏感阈值大于0.85的特征值,得到能够充分反应缺陷形状、大小及位置信息的特征值,达到使用更少的特征值反演缺陷的目的。
3、本发明在构建缺陷数据库时,在同一种缺陷类型的超声检测信号中添加不同水平的噪声,提高后续神经网络的训练复杂度,使训练后的模型的检测效果更好,适应不同的检测环境。
4、本发明对超声检测信号和缺陷图像进行预处理,将超声检测信号的特征值作为数据,缺陷类型作为标签,构建缺陷检测数据库。其中缺陷图像统一尺寸并二值化处理,超声检测信号提取特征并使用敏感性分析进一步对特征精细化提取,提高神经网络的训练效果。
5、本发明提出基于神经网络预测模型与图像融合的无损超声检测方法,将一种缺陷类型的待测试信号输入神经网络预测模型,得到初步缺陷图像;初步缺陷图像采用数据融合算法进行图像融合,得到最终缺陷图像,进而得到缺陷的形状、位置及大小。
6、本发明方法所需数据量较小,因此具有快速、定位定量准确的优点。
附图说明
图1为本发明流程图。
图2为模拟信号添加不同的水平噪声后的时域图。
图3为缺陷类型的位置示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
如图1所示,本发明提供了一种基于神经网络及图像融合的无损超声检测方法,利用该方法获得的神经网络预测模型能够基于超声探头检测信号检测,预测出缺陷并输出缺陷图像,具体步骤包括:
步骤1:对不同缺陷类型的超声检测信号和不同检测位置的缺陷图像进行预处理,构建缺陷检测数据库;从缺陷检测数据库中得到训练集。
构建缺陷检测数据库的方法为:
步骤1.1:在同一种缺陷类型的超声检测信号中添加3种不同水平的噪声,得到同一种缺陷类型的添加噪声后的超声检测信号组,每组一共三个信号。本发明实施例中,缺陷类型为91种。如图3所示,缺陷形状为圆形,在缺陷图像上的位置有13种(y=10mm处开始,每间隔2mm设置一个工况,直至y=34mm处结束),大小有7种(半径为1,1.5,2.5,3,3.5,4.5,5,单位mm),因此共有7×13=91种缺陷类型。本发明实施例中,添加3种噪声,分别为-10dB、-15dB、-20dB,如图2所示。因此,本实施例中一共得到91组添加噪声后的超声检测信号组。
步骤1.2:对每一个超声检测信号进行预处理,得到该超声检测信号的特征,具体方法为:
对每一个超声检测信号进行傅里叶变换,获得频域图。对频域图进行特征提取后,得到该超声检测信号的特征。本发明实施例中,对含有缺陷信息的每一个超声检测信号从时域、频域及形态3方面进行特征的定义与提取,特征能充分地反映出缺陷的形状、位置和大小(如图1所示),反演效果更好。
本发明实施例中,特征包括7个时域特征、7个频域特征、6个形态特征,其中时域特征包括:峰值、幅值上升时间、幅值下降时间、20%峰值持续时间、50%峰值持续时间、90%峰值持续时间、包络面积;频域特征包括:频谱峰值、低频分量、高频分量、-1dB处频率差、-6dB处频率差、-20dB处频率差和中心频率;形态特征包括:幅度均值、形状系数、对称性系数、峰度系数、标准差和偏度系数。
将一组的三个超声检测信号的特征组成该组的特征,共得到91组特征。
设置敏感阈值为0.85,采用相关性分析算法对特征进行敏感性分析,进一步提取对缺陷敏感的特征,具体方法为:建立特征与缺陷形状、位置及大小之间的非线性关系,选择相关性系数大于0.85的特征值作为敏感特征值。经过筛选,本发明实施例中得到13个对缺陷敏感的特征值。
步骤1.3:缺陷图像进行大小变换处理(像素变化),转换成像素值为50*50的尺寸,再进行二值化处理(二值化阈值为0.5),得到预处理后的缺陷图像。在缺陷区域像素值设置成“1”,非缺陷区域像素值设置成“0”。
步骤1.4:将每组超声检测信号的特征作为数据,缺陷类型作为标签,缺陷类型下包含相应的预处理后的缺陷图像,构建缺陷检测数据库。训练集从缺陷检测数据库中取出。
步骤2:将训练集输入神经网络模型进行训练,得到神经网络模型的设定参数,进而得到一个训练好的神经网络模型,即神经网络预测模型。本发明实施例中,采用BP神经网络作为训练使用的模型,该神经网络包括输入层13个,隐藏层45个,输出层1个。
建立神经网络模型,输入训练集训练,从而得到神经网络模型的设定参数,进而得到一个训练好的神经网络模型,即神经网络预测模型。本发明实施例中,设定参数为:最大训练次数1000次,目标误差0.001,学习率0.01。
步骤3:提取待测试的超声检测信号的特征和标签,并将其输入到神经网络模型中,神经网络预测模型输出初步缺陷矩阵,经过伪彩色变换得到初步缺陷图像;针对每一种缺陷类型所获取的缺陷图像进行图像融合,得到最终缺陷图像。
本实施例中输入4组待测试信号(数据库之外的超声检测信号,采用一种缺陷类型下的4个超声检测信号),将待测试信号进行与步骤1相同的预处理,得到相关的特征和标签,输入到神经网络预测模型中,验证其准确性。神经网络预测模型输出初步缺陷矩阵(即二值化的缺陷图像),经过伪彩色变换得到初步缺陷图像。对每一种缺陷类型下的待测试信号都进行步骤3,得到不同缺陷类型下的一组初步缺陷图像,对每一组初步缺陷图像进行图像融合,得到最终缺陷图像。
对同一缺陷类型下,不同待测试信号获得的初步缺陷图像采用数据融合算法进行图像融合,输出最终缺陷图像,进而得到缺陷的形状、位置及大小。融合公式为:
其中,Sij表示最终缺陷图像的像素值;表示待测试信号l反演的初步缺陷图像的像素值(本发明实施例中l=1,2,3,4);n表示待测试信号个数;ρ表示待测试信号的融合系数;i表示最终缺陷图像第i行,j表示最终缺陷图像第j列。
其中,融合系数和超声检测的位置相关。当超声探头在缺陷正下方,融合系数高,因为在这个位置发现的缺陷最多,因此占据更大的权重(也就是融合系数更高)。本发明实施例中,根据不同融合系数的试验效果,设置四组图像融合系数分别为0.7,0.7,0.8,0.9。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于神经网络及图像融合的无损超声检测方法,其特征在于,具体步骤包括:
步骤1、对不同缺陷类型的超声检测信号进行预处理,提取超声检测信号的时域、频域和形态特征;对不同检测位置的缺陷图像进行预处理,得到缺陷矩阵;将所提取超声检测信号的特征、缺陷类型及缺陷矩阵作为训练集;
步骤2、利用所述训练集对神经网络模型进行训练,得到一个训练好的神经网络模型,即神经网络预测模型;
步骤3、提取待测试的超声检测信号的特征和缺陷类型,并将其输入到神经网络预测模型中,神经网络预测模型输出初步缺陷矩阵,经过伪彩色变换得到初步缺陷图像;针对每一种缺陷类型所获取的缺陷图像进行图像融合,得到最终缺陷图像。
2.如权利要求1所述的方法,其特征在于,构建缺陷检测数据库,具体方法为:
在同一种缺陷类型的超声检测信号中添加不同水平的噪声,得到一组添加噪声后的超声检测信号。
3.如权利要求2所述的方法,其特征在于,所述时域特征包括峰值、幅值上升时间、幅值下降时间、20%峰值持续时间、50%峰值持续时间、90%峰值持续时间、包络面积;频域特征包括:频谱峰值、低频分量、高频分量、-1dB处频率差、-6dB处频率差、-20dB处频率差和中心频率;形态特征包括:幅度均值、形状系数、对称性系数、峰度系数、标准差和偏度系数。
4.如权利要求2或3所述的方法,其特征在于,建立时域、频域及形态特征与缺陷形状、位置及大小之间的非线性关系,选择相关性系数大于0.85的特征值作为敏感特征值。
5.如权利要求1所述的方法,其特征在于,所述缺陷图像进行预处理包括:将缺陷图像变换为像素50×50的大小,并进行二值化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074955.2A CN115420806A (zh) | 2022-09-02 | 2022-09-02 | 一种基于神经网络及图像融合的无损超声检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074955.2A CN115420806A (zh) | 2022-09-02 | 2022-09-02 | 一种基于神经网络及图像融合的无损超声检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115420806A true CN115420806A (zh) | 2022-12-02 |
Family
ID=84202846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211074955.2A Pending CN115420806A (zh) | 2022-09-02 | 2022-09-02 | 一种基于神经网络及图像融合的无损超声检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115420806A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116429911A (zh) * | 2023-06-13 | 2023-07-14 | 中国科学院合肥物质科学研究院 | 一种基于缺陷脉冲信号与图像相融合的智能化识别方法 |
CN116511998A (zh) * | 2023-06-14 | 2023-08-01 | 冈田智能(江苏)股份有限公司 | 一种圆形刀盘的缺陷检测方法及系统 |
CN117761160A (zh) * | 2023-12-22 | 2024-03-26 | 北京航力安太科技有限责任公司 | 一种基于超声导波的无损检测系统 |
-
2022
- 2022-09-02 CN CN202211074955.2A patent/CN115420806A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116429911A (zh) * | 2023-06-13 | 2023-07-14 | 中国科学院合肥物质科学研究院 | 一种基于缺陷脉冲信号与图像相融合的智能化识别方法 |
CN116429911B (zh) * | 2023-06-13 | 2023-09-01 | 中国科学院合肥物质科学研究院 | 一种基于缺陷脉冲信号与图像相融合的智能化识别方法 |
CN116511998A (zh) * | 2023-06-14 | 2023-08-01 | 冈田智能(江苏)股份有限公司 | 一种圆形刀盘的缺陷检测方法及系统 |
CN116511998B (zh) * | 2023-06-14 | 2023-10-20 | 冈田智能(江苏)股份有限公司 | 一种圆形刀盘的缺陷检测方法及系统 |
CN117761160A (zh) * | 2023-12-22 | 2024-03-26 | 北京航力安太科技有限责任公司 | 一种基于超声导波的无损检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115420806A (zh) | 一种基于神经网络及图像融合的无损超声检测方法 | |
CN109858408B (zh) | 一种基于自编码器的超声信号处理方法 | |
CN110363746B (zh) | 一种基于卷积神经网络的超声无损检测信号分类方法 | |
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 | |
CN109142514B (zh) | 一种基于脉冲涡流阵列的缺陷检测装置及方法 | |
CN111754463B (zh) | 一种基于卷积神经网络的无砟轨道ca砂浆层缺陷检测方法 | |
CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
CN110286155B (zh) | 一种多层复合材料的损伤检测方法及系统 | |
CN112668382A (zh) | 一种基于支持向量机的钢锭中缺陷超声信号识别方法 | |
CN112990082B (zh) | 一种水声脉冲信号的检测识别方法 | |
CN112668527A (zh) | 一种超声导波半监督成像检测方法 | |
CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN113012123A (zh) | 碳纤维复合材料缺陷损伤分类识别与定量分析方法及系统 | |
Hu et al. | Ultrasonic based concrete defects identification via wavelet packet transform and GA-BP neural network | |
CN114660180A (zh) | 一种基于声发射与1D CNNs的中小桥梁轻量化健康监测方法与系统 | |
CN110568083A (zh) | 一种针对钢材腐蚀疲劳损伤在线监测的声发射检测方法 | |
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 | |
CN112818762A (zh) | 一种大尺寸复合材料及其夹层结构快速无损检测方法 | |
CN115452957B (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
CN116881712A (zh) | 一种混凝土大坝活动裂纹电磁脉冲信号识别方法 | |
CN113607068B (zh) | 一种光声测量信号特征的识别模型建立方法及提取方法 | |
CN113075289B (zh) | 一种金属圆柱缺陷参数检测方法及系统 | |
CN115753988A (zh) | 一种系留气球球体的表面缺陷识别方法 | |
Zhang et al. | A new method of defects identification for wire rope based on three-dimensional magnetic flux leakage | |
CN114881938A (zh) | 基于小波分析和神经网络的晶粒度检测方法及系统 |
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 |