CN115587291B - 一种基于裂纹超声散射矩阵的去噪表征方法及系统 - Google Patents
一种基于裂纹超声散射矩阵的去噪表征方法及系统 Download PDFInfo
- Publication number
- CN115587291B CN115587291B CN202211176128.4A CN202211176128A CN115587291B CN 115587291 B CN115587291 B CN 115587291B CN 202211176128 A CN202211176128 A CN 202211176128A CN 115587291 B CN115587291 B CN 115587291B
- Authority
- CN
- China
- Prior art keywords
- scattering matrix
- crack
- denoising
- matrix
- neural network
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明属于无损检测相关技术领域,其公开了一种基于裂纹超声散射矩阵的去噪表征方法及系统,该方法包括以下步骤:(1)利用半解析法模拟生成裂纹理论散射矩阵数据库;(2)利用通用相干噪声模型生成模拟散射矩阵相干噪声,将散射矩阵数据库与模拟散射矩阵相干噪声进行加和以获取模拟含噪声散射矩阵数据库;(3)构建并训练以模拟含噪声散射矩阵为输入、理论散射矩阵为输出的全卷积神经网络模型;(4)利用超声相控阵获取待测样件全矩阵数据,并进行全聚焦成像,进而选取感兴趣区域进行远场散射矩阵提取;(5)将远场散射矩阵输入至全卷积神经网络模型进行去噪,以获取去噪后散射矩阵。本发明提高了裂纹表征准确性。
Description
技术领域
本发明属于无损检测相关技术领域,更具体地,涉及一种基于裂纹超声散射矩阵的去噪表征方法及系统。
背景技术
超声检测(UltrasonicTesting,UT)是一项综合技术,其包含了传感器技术、信号处理技术、模式识别和图像显示等。超声无损检测的使用范围非常广泛,其中金属材料是其重要的应用对象之一,超声检测可用于检测多种金属样品中的缺陷,如锻件、焊接件、铸件等。因金属材料在实际生产和生活中被广泛应用,研究金属材料的缺陷检测技术具有重大的经济意义,如监测飞机桨叶的健康状况,避免发生飞行安全事故,保证人民生命财产安全。
超声相控阵是近些年来发展起来的超声无损检测技术,与常规超声检测的最大区别在于,超声相控阵能得到灵活偏转以及聚焦声束,联合线性扫描、扇形扫描与动态聚焦等工作方式,使其检测速度与检测精度大幅提升。
基于超声相控阵的成像技术目前发展也比较成熟,如全聚焦成像、合成孔径聚焦成像、平面波成像等。基于这些成像技术能够得到高分辨率的图像,可满足大多情况下裂纹型缺陷表征的精度需求。但基于超声相控阵成像的表征方法受限于衍射极限,只能用来表征尺寸大于2个波长的裂纹型缺陷。
基于超声相控阵的超声散射矩阵技术是近些年兴起的技术,结合全矩阵数据采集技术,散射系数矩阵能够描述以任意入射角进行入射的超声波的散射规律,能够获取准确描述散射体(缺陷)的所有信息,具备表征尺寸小于2个波长的裂纹型缺陷的能力,但是,由于各种噪声的影响,导致散射矩阵表征方法精度随着噪声水平的增加而降低,主成分分析法可以在一定程度上去噪,但是由于其为线性方法,对非线性特征处理能力较差,造成在裂纹取向角大于45°时缺陷表征不确定性较高。
近年来,人工智能技术蓬勃发展,卷积神经网络在图像重建领域得到充分运用,特别是全卷积神经网络,因其能够学习大量输入输出之间的非线性像素映射,具备图像去噪能力,因此,提出全卷积神经网络与散射矩阵相结合的去噪方法对超声无损检测领域至关重要。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于裂纹超声散射矩阵的去噪表征方法及系统,其利用全卷积神经网络与超声散射系数矩阵技术进行噪声去除,以解决现有超声无损检测方法对长度小于2个波长,取向角大于45℃的裂纹缺陷表征不确定性较高的问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于裂纹超声散射矩阵的去噪表征方法,该方法包括以下步骤:
(1)利用半解析法模拟生成裂纹理论散射矩阵数据库;
(2)利用通用相干噪声模型生成模拟散射矩阵相干噪声,将散射矩阵数据库与模拟散射矩阵相干噪声进行加和以获取模拟含噪声散射矩阵数据库;
(3)构建并训练以模拟含噪声散射矩阵为输入、理论散射矩阵为输出的全卷积神经网络模型;
(4)利用超声相控阵获取待测样件全矩阵数据,并进行全聚焦成像,进而选取感兴趣区域进行远场散射矩阵提取;
(5)将远场散射矩阵输入至全卷积神经网络模型进行去噪,以获取去噪后散射矩阵。
进一步地,模拟生成裂纹理论散射矩阵数据库所用的参数包括待测材料声学参数与超声相控阵配置,其中待测材料声学参数包含材料密度、声速、杨氏模量和泊松比,超声相控阵配置包括相控阵探头中心频率、阵元间距、阵元长度、阵元宽度与阵元数量。
进一步地,通用相干噪声模型为零均值的二维高斯粗糙表面,参数包含均方根值及相干长度。
进一步地,全卷积神经网络模型包括卷积层、BN批量归一化层、以及ReLU激活函数层级联结构;全卷积神经网络模型采用残差学习方式,损失函数为输出的散射矩阵与理论散射矩阵的均方误差。
进一步地,全卷积神经网络模型所使用的数据集准备步骤为:针对预定实验散射矩阵利用结构相似性系数寻找噪声模型参数,构成完备模拟含噪声散射矩阵数据库,并按照预定比例划分训练集、验证集与测试集。
进一步地,全卷积神经网络模型训练时,将训练集输入全卷积神经网络模型,利用梯度下降法迭代更新全卷积神经网络模型,直至验证集验证全卷积神经网络模型的损失函数趋于稳定,将测试集输入全卷积神经网络模型,获取验证集损失,判断全卷积神经网络模型是否符合要求。
按照本发明的另一个方面,提供了一种基于裂纹超声散射矩阵的去噪表征系统,该去噪表征系统包括实验散射矩阵模块、数据库准备模块、全卷积神经网络模型训练与去噪模块、以及裂纹缺陷表征模块;
实验散射矩阵提取模块用于待测样件全矩阵数据的全聚焦成像以及感兴趣区域的远场散射矩阵提取;
数据库准备模块用于模拟含噪声散射矩阵数据库与理论散射矩阵数据库的模拟生成与建立;
全卷积神经网络模型训练与去噪模块用于构建并训练以模拟含噪声散射矩阵为输入、理论散射矩阵为输出的全卷积神经网络模型,并输出去噪散射矩阵;
裂纹缺陷表征模块用于去噪后散射矩阵与理论散射矩阵的最近邻搜索,并输出裂纹表征结果。
进一步地,裂纹缺陷表征包括主成分分析与最近邻搜索两个步骤;主成分分析时,将理想散射矩阵数据展平,利用主成分分析对理想散射矩阵数据库进行拟合与降维,并作用于远场散射矩阵;最近邻搜索时,在理论散射矩阵数据库中,以欧式距离为度量标准,搜索去噪后散射矩阵的最近邻,获取裂纹缺陷表征参数。
进一步地,裂纹缺陷表征参数包含裂纹长度与取向角。
进一步地,全聚焦成像对应的公式为:
式中,Sref为经过聚焦点的一条声波传播路径上接收到的信号幅值;tp和tq分别为声波从发射阵元到达聚焦点和从聚焦点到达接收阵元所需的时间;δpq为加权系数,用于控制全矩阵中各数据参与计算的次数,使之满足互易定理;当p=q时,δpq=1;否则,δpq=0。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,本发明提供的基于裂纹超声散射矩阵的去噪表征方法及系统主要具有以下有益效果:
1.本发明在全卷积神经网络模型训练时,利用半解析法与通用相干噪声模型分别模拟生成裂纹理论散射矩阵数据库和散射矩阵相干噪声,并将实验散射矩阵视为噪声与理论散射矩阵之和,构建模拟含噪声散射矩阵数据库,可以准确反映现实散射矩阵噪声。
2.本发明在去噪时使用了一种全卷积神经网络模型,该模型输入为模拟含噪声散射矩阵,输出为理论散射矩阵,实现了散射矩阵像素级非线性映射,该模型具有强大的拟合能力,能够从模拟含噪声散射矩阵中干净地恢复出对应的理论散射矩阵。
3.本发明在裂纹缺陷表征时使用了主成分分析与最近邻搜索,利用主成分分析进行理论散射矩阵数据库与实验散射矩阵降维,可以有效降低计算复杂度,利用主成分分析在理论散射矩阵数据库中搜索实验散射矩阵的最近邻可实现裂纹缺陷的精确表征。
附图说明
图1是本发明提供的基于裂纹超声散射矩阵的去噪表征方法的流程示意图;
图2是本发明实施例的裂纹缺陷示意图;
图3是本发明实施例的超声相控阵探测示意图;
图4是本发明实施例的超声散射矩阵定义示意图;
图5中的(a)、(b)、(c)、(d)分别是本发明实施例的全卷积神经网络模型去噪结果示意图;
图6中的(a)、(b)、(c)、(d)分别是本发明实施例的裂纹缺陷表征不确定性的对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于裂纹超声散射矩阵的去噪表征方法,所述去噪表征方法主要包括以下步骤:
S1:利用半解析法模拟生成裂纹理论散射矩阵数据库。
裂纹理论散射矩阵模拟方法的参数包括待测材料声学参数与超声相控阵配置,其中待测材料声学参数包含材料密度、声速、杨氏模量和泊松比,超声相控阵配置包括相控阵探头中心频率、阵元间距、阵元长度、阵元宽度与阵元数量。
S2:利用通用相干噪声模型生成模拟散射矩阵相干噪声,以获取模拟含噪声散射矩阵数据库。
通用相干噪声模型定为零均值的二维高斯粗糙表面,参数包含均方根值及相干长度。模拟含噪声散射矩阵数据库为理论散射矩阵数据库与模拟散射矩阵相干噪声的加和。
S3:构建并训练以模拟含噪声散射矩阵为输入,理论散射矩阵为输出的全卷积神经网络模型。
全卷积神经网络模型的输入为模拟含噪声散射矩阵,输出为理论散射矩阵;全卷积神经网络模型包括卷积层、BN批量归一化层、以及ReLU激活函数层级联结构;全卷积神经网络模型采用残差学习方式,损失函数为输出的散射矩阵与理论散射矩阵的均方误差。
全卷积神经网络模型所使用的数据集准备方法为:针对特定实验散射矩阵,利用结构相似性系数寻找噪声模型参数,构成完备模拟含噪声散射矩阵数据库,按照一定的比例划分训练集、验证集与测试集。
全卷积神经网络模型的训练方法为:将训练集输入全卷积神经网络模型,利用梯度下降法迭代更新全卷积神经网络模型,直至验证集全卷积神经网络模型的损失函数趋于稳定,将测试集输入全卷积神经网络模型,获取验证集损失,判断全卷积神经网络模型是否符合要求。
S4:利用超声相控阵获取待测样件全矩阵数据,并进行全聚焦成像,选取感兴趣区域进行远场散射矩阵提取。
S5:将实验散射矩阵输入至全卷积神经网络模型进行去噪,获取去噪后散射矩阵。
本发明还提供了一种基于裂纹超声散射矩阵的去噪表征系统,该去噪表征系统包括实验散射矩阵模块、数据库准备模块、全卷积神经网络模型训练与去噪模块、以及裂纹缺陷表征模块;
实验散射矩阵提取模块用于待测样件全矩阵数据的全聚焦成像以及感兴趣区域的散射矩阵提取;
数据库准备模块用于模拟含噪声散射矩阵数据库与理论散射矩阵数据库的模拟生成与建立;
全卷积神经网络模型训练与去噪模块用于训练实验散射矩阵对应全卷积神经网络模型,并输出去噪散射矩阵;
裂纹缺陷表征模块用于去噪后散射矩阵与理论散射矩阵的最近邻搜索,并输出裂纹表征结果。
以下以具体实施例来对本发明进行进一步地详细说明。
如图1所示,本实施例提供了一种基于裂纹超声散射矩阵的去噪表征方法,整体实现过程为:利用半解析法模拟生成裂纹理论散射矩阵,添加由通用相干噪声模型生成的噪声,获取模拟噪声散射矩阵数据库;将模拟噪声散射矩阵输入全卷积神经网络,以对应理论散射矩阵为输出训练去噪模型;对待测样件采用超声相控阵检测获取超声全矩阵数据,进行全聚焦成像,提取感兴趣区域的远场散射矩阵,将远场散射矩阵输入至全卷积神经网络去噪模型中,获取感兴趣区域散射矩阵的去噪结果,在理论散射矩阵数据库中搜索最近邻获取缺陷表征结果。
如图1所示,一方面,本实施例提供了一种基于裂纹超声散射矩阵的去噪表征方法,该表征方法具体包括以下步骤:
S1:利用半解析法模拟生成裂纹理论散射矩阵数据库。
本实施方式中,一方面,以铝为待测材料,其密度为2.7*103kg/m3,纵波声速为6300m/s,杨氏模量为72000MP,泊松比为0.33;另一方面,超声相控阵配置为:相控阵探头中心频率为2.5MHz,阵元间距为0.5mm,阵元长度为15mm,阵元宽度为0.35mm,阵元数量为64个。
优选地,模拟散射矩阵尺寸和角度覆盖范围分别为:尺寸范围为0.1~2λ,以0.1λ为间隔;角度范围为-85°~90°,以5°为间隔;共计获得720个尺寸角度组合的理论散射矩阵。
S2:利用通用相干噪声模型生成模拟散射矩阵相干噪声,获取模拟含噪声散射矩阵数据库。
通用相干噪声模型Scoh,n(θin,θSC)定义为:
进一步的,二维相关函数C(ζ1,ζ2)表达为:
其中,λ1coh和λ2coh分别为相关长度1和相关长度2。
优选地,相干噪声模型的均方根值选取0.05,相干长度1选取5°~45°,以5°为间隔,相干长度2选取5°~45°,以5°为间隔;其中,每种参数组合各获得500个相干噪声实现,共计40500个相干噪声组成模拟散射矩阵噪声数据库。将理论散射矩阵数据库与特定参数组合的500组噪声实现进行加和,获得共计720*500个模拟含噪声散射矩阵。
S3:构建并训练以模拟含噪声散射矩阵为输入,理论散射矩阵为输出的全卷积神经网络模型。
优选地,全卷积神经网络模型的输入为模拟含噪声散射矩阵,输出为理论散射矩阵;全卷积神经网络模型包括卷积层、BN批量归一化层、及ReLU激活函数层级联结构。
优选地,模型采用残差学习方式,损失函数为输出的散射矩阵与理论散射矩阵的均方误差。进一步优选地,卷积层层数为15层,每个卷积层中,卷积核个数为64,卷积核大小均为3*3,步长均为1。
优选地,用于全卷积神经网络模型的输入数据库为特定噪声模型的720*500个模拟含噪声散射矩阵,如以均方根值为0.05,相干长度1和相干长度2均为45°为参数的噪声实现,其中特定噪声参数是利用结构相似性系数在全部40500个模拟散射矩阵噪声中寻找实验散射矩阵对应的噪声模型参数。
进一步优选地,以特定噪声模型数据库为基础,选取前720*200个模拟含噪声散射矩阵为数据集,按照5:2:13的比例划分训练集、验证集、测试集,获得的训练集样本容量为720*50,验证集样本容量为720*20,测试集样本容量为720*13。
进一步优选地,全卷积神经网络模型输入的模拟散射矩阵需要根据实验散射矩阵的入射角与散射角进行调整,利用Python中的插值函数interp2d将(-90°,90°)的理论散射矩阵角度范围插值至实验散射矩阵角度范围,如(-32°,32°)。
优选地,选取全卷积神经网络模型训练超参数为迭代次数epoch设定为100,早停标准为验证集损失函数validationloss在10轮内不下降,批量大小batchsize为32,优化器选择Adam。
S4:利用超声相控阵获取待测样件全矩阵数据,并进行全聚焦成像,选取感兴趣区域进行远场散射矩阵提取。
优选地,实验时设计实验样本参数,并对实验样本进行加工;需确定的参数包括样品材料,裂纹缺陷尺寸与角度,裂纹相对位置以及加工方式。
本实施例中,如图2所示,为样品缺陷示意图,采用电火花线切割方法在铝6061样品上加工侧钻圆孔与裂纹,其中圆孔用于对实验提取散射矩阵的幅值校准,裂纹则用于验证模型性能。样品的长宽高为300mm*30mm*50mm,共加工3个圆孔与8个裂纹,圆孔直径分别为1mm、3mm与5mm,裂纹的尺寸范围为1mm-5mm,换算为2.5MHz超声波在铝6061内的波长,其范围为0.4λ~2λ,裂纹的方位角范围为0°~75°。样品的设计图如图2所示,裂纹下方的圆孔为电火花线切割的穿丝孔,纵向槽则为走丝路径,共获得五个样本,每个样本上包含11个缺陷。
优选地,如图3所示,对以上实验样本采用超声相控阵检测装置获取超声全矩阵数据,用于全聚焦成像以及散射矩阵采集;
本实施例中,采用64阵元线性排列的超声相控阵探头,相控阵探头中心频率为2.5MHz,阵元间距为0.5mm,阵元长度为15mm,阵元宽度为0.35mm;选用美国AOS公司推出的Explorer开放式超声相控阵平台,其可并行控制与探头阵元数目对应的64个独立的发射—接收通道;采用矩形脉冲依次激励每个阵元,每次发射中所有阵元均用作接收器,由此获取到每个发射—接收阵元组的时域信号的全矩阵数据,通过MATLAB保存为.mat文件,并命名为“n-x.mat”(x为缺陷在样本中的序号,从左至右分别为1、2、3……11);分别保存在命名为样品n的文件夹中(n为样本序号,分别为1,2,3,4,5)。
对采集的仿真数据和实验数据进行全聚焦处理,依幅值进行色彩编码后显示;本实施例中,阵元被依次激励,根据几何声学原理计算出各阵元的激励延迟时间,通过对相控阵各通道接收到的回波信号进行延时和叠加处理,以实现波束在指定位置点的聚焦。
其中,全聚焦成像方法定义为:
其中,Sref为经过聚焦点的一条声波传播路径上接收到的信号幅值;tp和tq分别为声波从发射阵元到达聚焦点和从聚焦点到达接收阵元所需的时间;δpq为加权系数,用于控制全矩阵中各数据参与计算的次数,使之满足互易定理;当p=q时,δpq=1;否则,δpq=0。
利用全聚焦成像结果,利用矩形框选取感兴趣区域,使用反向成像传播法进行感兴趣区域实验散射矩阵提取。
如图4所示,超声散射矩阵定义为:
其中,与/>分别为入射角和散射角,ω为角频率,下标“in”与“sc”分别表示入射波与散射波,ain是入射平面波在缺陷位置的振幅,asc是散射圆柱波在距离缺陷r处的振幅,r是测量位置与缺陷之间的距离(测量位置处于缺陷散射的远场中),c是超声波的纵波声速,λ是超声波纵波波长。
进一步地,将提取的散射矩阵通过MATLAB保存为.mat文件,分别保存在对应样品序号的文件夹中,并命名为s-x.mat,x为缺陷在样本中的序号,从左至右分别为1、2、3……11。
S5:将实验散射矩阵输入至全卷积神经网络模型进行去噪,获取去噪后散射矩阵。
将1mm圆孔缺陷的实验散射矩阵与其对应的理论散射矩阵作除,获得幅值校准系数,对其他缺陷实验散射矩阵乘以校准系数,获得最终输入至全卷积神经网络模型的数据。
进一步优选地,利用校准后散射矩阵获取实验噪声模型,在模拟散射矩阵相干噪声数据库中进行检索,确定实验噪声对应的相干噪声模型参数。在本实施例中,利用结构相似性系数进行检索,定义为:
SSIM(X,Y)=l(X,Y)*c(X,Y)*s(X,Y)
利用滑动窗将图像分块,令分块总数为N,计算平均结构相似性MSSIM:
进一步优选地,利用确定的相干噪声模型参数,依照S3所述流程进行全卷积神经网络模型训练。根据前向传播算法,获取该实验散射矩阵对应的去噪后散射矩阵,如图5所示分别为输入含噪声散射矩阵,去噪后散射矩阵,理论散射矩阵以及去噪后与理论散射矩阵的差值。
另一方面,本实施方式还提供了一种基于裂纹超声散射矩阵的去噪表征系统,其裂纹缺陷表征方法包含主成分分析与最近邻搜索两个步骤:
进一步优选地,主成分分析方法为:将理想散射矩阵数据展平,利用主成分分析对理想散射矩阵数据库进行拟合与降维,并作用于实验散射矩阵。
在本实施例中,将插值后的,大小为64*64的理想散射矩阵数据库和实验散射矩阵展平成长度为4096的向量,在此基础上利用主成分分析算法将两者降维,主成分个数选取10个。
进一步优选地,最近邻搜索方法为:在理论散射矩阵数据库中,以欧式距离为度量标准,搜索去噪后散射矩阵的最近邻,获取裂纹缺陷表征参数,其中参数包含裂纹长度与取向角。
最近邻的搜索度量标准选取欧式距离,定义为:
其中,两点坐标分别为x=(x1,…,xn)和y=(y1,…,yn)。
如图6所示,分别为测试集中去噪前与去噪后散射矩阵进行最近邻表征的不确定性结果,每一个点表示对应长度角度裂纹缺陷的表征均方根误差,其中均方根误差定义为:
其中,m为样本数量,hi表示第i个样本的测量值,yi表示第i个样本的真实值。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于裂纹超声散射矩阵的去噪表征方法,其特征在于,该方法包括以下步骤:
(1)利用半解析法模拟生成裂纹理论散射矩阵数据库;
(2)利用通用相干噪声模型生成模拟散射矩阵相干噪声,将散射矩阵数据库与模拟散射矩阵相干噪声进行加和以获取模拟含噪声散射矩阵数据库;
(3)构建并训练以模拟含噪声散射矩阵为输入、理论散射矩阵为输出的全卷积神经网络模型;
(4)利用超声相控阵获取待测样件全矩阵数据,并进行全聚焦成像,进而选取感兴趣区域进行远场散射矩阵提取;
(5)将远场散射矩阵输入至全卷积神经网络模型进行去噪,以获取去噪后散射矩阵;
模拟生成裂纹理论散射矩阵数据库所用的参数包括待测材料声学参数与超声相控阵配置,其中待测材料声学参数包含材料密度、声速、杨氏模量和泊松比,超声相控阵配置包括相控阵探头中心频率、阵元间距、阵元长度、阵元宽度与阵元数量。
2.如权利要求1所述的基于裂纹超声散射矩阵的去噪表征方法,其特征在于:通用相干噪声模型为零均值的二维高斯粗糙表面,参数包含均方根值及相干长度。
3.如权利要求1所述的基于裂纹超声散射矩阵的去噪表征方法,其特征在于:全卷积神经网络模型包括卷积层、BN批量归一化层、以及ReLU激活函数层级联结构;全卷积神经网络模型采用残差学习方式,损失函数为输出的散射矩阵与理论散射矩阵的均方误差。
4.如权利要求1-3任一项所述的基于裂纹超声散射矩阵的去噪表征方法,其特征在于:全卷积神经网络模型所使用的数据集准备步骤为:针对预定实验散射矩阵利用结构相似性系数寻找噪声模型参数,构成完备模拟含噪声散射矩阵数据库,并按照预定比例划分训练集、验证集与测试集。
5.如权利要求4所述的基于裂纹超声散射矩阵的去噪表征方法,其特征在于:全卷积神经网络模型训练时,将训练集输入全卷积神经网络模型,利用梯度下降法迭代更新全卷积神经网络模型,直至验证集验证全卷积神经网络模型的损失函数趋于稳定,将测试集输入全卷积神经网络模型,获取测试集损失,判断全卷积神经网络模型是否符合要求。
6.一种基于裂纹超声散射矩阵的去噪表征系统,其特征在于:
该去噪表征系统包括实验散射矩阵模块、数据库准备模块、全卷积神经网络模型训练与去噪模块、以及裂纹缺陷表征模块;
实验散射矩阵提取模块用于待测样件全矩阵数据的全聚焦成像以及感兴趣区域的远场散射矩阵提取;
数据库准备模块用于模拟含噪声散射矩阵数据库与理论散射矩阵数据库的模拟生成与建立;
全卷积神经网络模型训练与去噪模块用于构建并训练以模拟含噪声散射矩阵为输入、理论散射矩阵为输出的全卷积神经网络模型,并输出去噪散射矩阵;
裂纹缺陷表征模块用于去噪后散射矩阵与理论散射矩阵的最近邻搜索,并输出裂纹表征结果;
其中,模拟生成理论散射矩阵数据库所用的参数包括待测材料声学参数与超声相控阵配置,其中待测材料声学参数包含材料密度、声速、杨氏模量和泊松比,超声相控阵配置包括相控阵探头中心频率、阵元间距、阵元长度、阵元宽度与阵元数量。
7.如权利要求6所述的基于裂纹超声散射矩阵的去噪表征系统,其特征在于:裂纹缺陷表征包括主成分分析与最近邻搜索两个步骤;主成分分析时,将理想散射矩阵数据展平,利用主成分分析对理想散射矩阵数据库进行拟合与降维,并作用于远场散射矩阵;最近邻搜索时,在理论散射矩阵数据库中,以欧式距离为度量标准,搜索去噪后散射矩阵的最近邻,获取裂纹缺陷表征参数。
8.如权利要求7所述的基于裂纹超声散射矩阵的去噪表征系统,其特征在于:裂纹缺陷表征参数包含裂纹长度与取向角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211176128.4A CN115587291B (zh) | 2022-09-26 | 2022-09-26 | 一种基于裂纹超声散射矩阵的去噪表征方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211176128.4A CN115587291B (zh) | 2022-09-26 | 2022-09-26 | 一种基于裂纹超声散射矩阵的去噪表征方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115587291A CN115587291A (zh) | 2023-01-10 |
CN115587291B true CN115587291B (zh) | 2023-05-30 |
Family
ID=84777845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211176128.4A Active CN115587291B (zh) | 2022-09-26 | 2022-09-26 | 一种基于裂纹超声散射矩阵的去噪表征方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587291B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609441B (zh) * | 2023-07-14 | 2023-09-26 | 河北工业大学 | 一种单微裂纹定量识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206602167U (zh) * | 2016-02-08 | 2017-10-31 | 日本电产艾莱希斯株式会社 | 波导装置以及具有该波导装置的天线装置以及雷达 |
WO2018152643A1 (en) * | 2017-02-24 | 2018-08-30 | Sunnybrook Research Institute | Systems and methods for noise reduction in imaging |
EP3492945A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Method, apparatus, and system for periodic motion detection and monitoring |
WO2020233243A1 (zh) * | 2019-05-21 | 2020-11-26 | 华为技术有限公司 | 一种显示组件、显示屏和电子设备 |
CN114563484A (zh) * | 2022-02-28 | 2022-05-31 | 北京交通大学 | 一种尖轨中超声导波模态分类选取方法、装置及存储介质 |
WO2022156873A1 (en) * | 2021-01-22 | 2022-07-28 | MTU Aero Engines AG | A computer-implemented method for training an artificial neural network, method for inspecting a component, test system for examining components, and computer program |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7496619B2 (en) * | 2002-06-18 | 2009-02-24 | Vanderbilt University | System and methods of nonuniform data sampling and data reconstruction in shift invariant and wavelet spaces |
CN111272882B (zh) * | 2020-03-06 | 2023-05-16 | 中国人民解放军海军航空大学青岛校区 | 利用超声导波检测结构散射特征部缺陷的方法 |
CN112906716A (zh) * | 2021-02-25 | 2021-06-04 | 北京理工大学 | 基于小波去噪阈值自学习的带噪sar图像目标识别方法 |
CN113191321B (zh) * | 2021-05-21 | 2022-04-22 | 电子科技大学 | 基于生成对抗网络的光纤分布式地震波信号降噪方法 |
CN113962147A (zh) * | 2021-10-14 | 2022-01-21 | 西北大学 | 面向广域通信的后向散射低功耗通信网络的构建系统及方法 |
CN114359193B (zh) * | 2021-12-23 | 2023-06-30 | 华中科技大学 | 一种基于超声相控阵成像的缺陷分类方法及系统 |
-
2022
- 2022-09-26 CN CN202211176128.4A patent/CN115587291B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206602167U (zh) * | 2016-02-08 | 2017-10-31 | 日本电产艾莱希斯株式会社 | 波导装置以及具有该波导装置的天线装置以及雷达 |
WO2018152643A1 (en) * | 2017-02-24 | 2018-08-30 | Sunnybrook Research Institute | Systems and methods for noise reduction in imaging |
EP3492945A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Method, apparatus, and system for periodic motion detection and monitoring |
WO2020233243A1 (zh) * | 2019-05-21 | 2020-11-26 | 华为技术有限公司 | 一种显示组件、显示屏和电子设备 |
WO2022156873A1 (en) * | 2021-01-22 | 2022-07-28 | MTU Aero Engines AG | A computer-implemented method for training an artificial neural network, method for inspecting a component, test system for examining components, and computer program |
CN114563484A (zh) * | 2022-02-28 | 2022-05-31 | 北京交通大学 | 一种尖轨中超声导波模态分类选取方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115587291A (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hunter et al. | The wavenumber algorithm for full-matrix imaging using an ultrasonic array | |
Zhang et al. | Monte Carlo inversion of ultrasonic array data to map anisotropic weld properties | |
Bevan et al. | Experimental quantification of noise in linear ultrasonic imaging | |
IL281888B1 (en) | An image reconstruction method based on non-linear mapping | |
Stepinski et al. | Synthetic aperture focusing techniques for ultrasonic imaging of solid objects | |
CN115587291B (zh) | 一种基于裂纹超声散射矩阵的去噪表征方法及系统 | |
Bai et al. | Ultrasonic defect characterization using the scattering matrix: A performance comparison study of Bayesian inversion and machine learning schemas | |
Engholm et al. | Imaging and suppression of Lamb modes using adaptive beamforming | |
Robert et al. | Surface estimation methods with phased-arrays for adaptive ultrasonic imaging in complex components | |
Bai et al. | Grain scattering noise modeling and its use in the detection and characterization of defects using ultrasonic arrays | |
CN109100711B (zh) | 一种深海环境下单基地主动声纳低运算量三维定位方法 | |
JP6924530B2 (ja) | モデルベース画像再構成方法 | |
Camacho et al. | Auto-focused virtual source imaging with arbitrarily shaped interfaces | |
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 | |
CA2774758C (en) | Method and device for measuring a profile of the ground | |
US20220341885A1 (en) | Free-encoder positioning system using acoustic features and imu | |
Malatesta et al. | Double-stage DMAS with fresnel zone filtering in guided waves damage imaging | |
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 | |
Li et al. | A rapid approach to speckle noise reduction in ultrasonic non-destructive evaluation using matched filters | |
Ni et al. | Comparison of Single-beam and Multibeam Sonar Systems for Sediment Characterization: Results from Shallow Water Experiment | |
CN113552571B (zh) | 基于psm算法的水下激光致声saft成像方法 | |
CN109029387B (zh) | 一种波束内拟合多波束测深算法 | |
JP2022016414A (ja) | 超音波減衰パラメータを推定するための方法及びシステム | |
Calmon et al. | Model based reconstruction of UT array data | |
Menakath et al. | k-Wave as a Modelling Tool for Underwater Acoustical Imaging |
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 |