[发明专利]缺陷检测方法、缺陷检测装置和计算机可读存储介质

说明书

本申请公开了一种缺陷检测方法、缺陷检测装置和计算机可读存储介质，该方法包括：接收检测信号，检测信号包括时域信号；将时域信号转换成图像信号；将图像信号输入第一深度学习网络，提取图像信号的特征参数，第一深度学习网络至少包括相连接的两层不同类型的网络结构；将特征参数输入第二深度学习网络，输出缺陷检测结果。通过上述方式，本申请能够提高缺陷检测的效率以及准确度。

技术领域

本申请涉及缺陷检测技术领域，具体涉及一种缺陷检测方法、缺陷检测装置和计算机可读存储介质。

背景技术

目前，对缺陷的无损检测方法主要是通过激光超声技术获取到部件反馈的超声波信号，然后人为根据超声波信号来判断部件是否存在缺陷，无法定量地判断缺陷的尺寸；而随着科技的发展，机器学习算法开始被广泛应用到无损检测领域来进行缺陷检测，但是仍需要人为提取时域或频域等特征来训练机器学习算法，同时依靠主观或者经验手动提取超声波信号的特征参数，耗费大量时间与精力，在很多情况下也很难提取到与所要解决的技术问题有关的特征，造成机器学习模型训练的不好，难以准确对缺陷进行检测。

发明内容

本申请提供一种缺陷检测方法、缺陷检测装置和计算机可读存储介质，能够提高缺陷检测的效率以及准确度。

为解决上述技术问题，本申请采用的技术方案是：提供一种缺陷检测方法，该方法包括：接收检测信号，检测信号包括时域信号；将时域信号转换成图像信号；将图像信号输入第一深度学习网络，提取图像信号的特征参数，第一深度学习网络至少包括相连接的两层不同类型的网络结构；将特征参数输入第二深度学习网络，输出缺陷检测结果。

为解决上述技术问题，本申请采用的另一技术方案是：提供一种缺陷检测装置，该装置包括激励装置、接收装置以及处理器，激励装置用于向待测工件发射激励信号；接收装置与处理器连接，接收装置用于检测待测工件反馈的时频信号，并将时频信号发送至处理器，以使得处理器通过上述技术方案中的缺陷检测方法对待测工件进行缺陷检测。

为解决上述技术问题，本申请采用的又一技术方案是：提供一种计算机可读存储介质，用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的缺陷检测方法。

通过上述方案，本申请的有益效果是：将接收到的包含时域信息的检测信号(即时域信号)转换成图像信号，再将图像信号输入至第一深度学习网络中，通过第一深度学习网络提取图像信号的特征参数，最后将特征参数输入至第二深度学习网络中，最终输出缺陷检测结果；本申请采用深度学习网络对超声波信号进行缺陷检测，采用第一深度学习网络对图像特征的特征参数进行提取，无需人工操作，极大缩短了缺陷检测的时间，同时能够提高缺陷检测的准确性，通过设置两个深度学习网络(包括第一深度学习网络以及第二深度学习网络)分别先对图像信号进行特征提取以及后续的缺陷检测操作，实现对深度学习网络的工作分工，能够大大提高缺陷检测的效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：

图1是本申请提供的缺陷检测装置一实施例的结构示意图；

图2是本申请提供的缺陷检测装置另一实施例的结构示意图；

图3是本申请提供的缺陷检测方法一实施例的流程示意图；

图4是本申请提供的缺陷检测方法另一实施例的流程示意图；

图5是本实施例中通过小波变换后得到的时频谱图；

图6是本实施例中添加高斯噪声后的时频信号的波形图；

图7是本申请提供的计算机可读存储介质一实施例的结构示意图。

具体实施方式