[发明专利]一种基于超声相控阵成像的缺陷分类方法及系统

权利要求书

1.一种基于超声相控阵成像的缺陷分类方法，其特征在于，包括以下步骤：

对待测样件采用超声相控阵成像获取超声全矩阵数据；

对超声全矩阵数据进行全聚焦处理后，根据信号幅值进行色彩编码，获取待测样件的图像；

对所述待测样件的图像进行预处理后输入至训练完毕的分类预测模型中，获取待测样件的缺陷分类；

其中，所述分类预测模型为卷积神经网络输出层添加全连接层获取的；

训练分类预测模型的方法为：

利用缺陷超声散射数据有限元仿真方法，设置仿真参数，通过仿真超声相控阵成像获取仿真数据；

对所述仿真数据进行全聚焦处理后，根据信号幅值进行色彩编码后获取仿真图像；

其中，仿真超声相控阵成像中阵元被依次激励，根据几何声学原理计算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，使波束在指定位置点聚焦；

采用图形加速器并联处理和声场互易定理，采用三角矩阵代替超声全矩阵数据对每个像素点处的叠加进行简化，获取聚焦点处最终的信号幅值：

其中，S_ref为经过聚焦点的一条声波传播路径上接收到的信号幅值；t_p和t_q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；δ_pq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，δ_pq＝1；否则，δ_pq＝0；

对所述仿真图像预处理后进行数据增强，获取增强后的仿真图像；

采用训练完毕的卷积神经网络对增强后的仿真图像进行图像特征提取；

将图像特征和对应的类别标签输入至全连接层，训练分类预测模型；

其中，所述仿真参数包括样本材料、超声波检测频率、样本缺陷分布、样本缺陷数量、样本缺陷尺寸和相控阵探头参数；样本缺陷为气孔缺陷圆孔；

所述相控阵探头参数包括探头大小、阵元数目、中心频率、带宽和阵元间距；超声相控阵探头为64阵元线性排列的超声相控阵探头，阵元间距为0.3mm；频率为10MHz，阵元长度5mm。

2.根据要求1所述的缺陷分类方法，其特征在于，对所述仿真图像进行预处理的方法为：

对仿真图像按照缺陷分布位置裁剪与缺陷分类无关的边缘图像，保留缺陷区；

对裁剪后的仿真图像按照类别划分存入不同的文件夹，完成数据集制作；

对数据集采用热编码进行标签设置。

3.根据权利要求1或2所述的缺陷分类方法，其特征在于，对所述待测样件的图像进行预处理的方法为：

采用交互裁剪待测样件的图像，保留待分类的缺陷区域；

分RGB三个通道对存在缺陷区域的图像上下边缘、左右边缘分别进行高度和宽度方向的填充；其中，填充的颜色和无缺陷区域的图像颜色一致；

将三个通道图像合并，使得填充后的图像大小与卷积神经网络的输入图片大小一致。

4.根据权利要求3所述的缺陷分类方法，其特征在于，对所述数据集中仿真图像进行数据增强的方法为：

对所述数据集中的仿真图像进行归一化处理；

对归一化处理后的仿真图像采取旋转和/或水平平移和/或竖直平移和/或随机水平翻转和/或以nearest方式填充。

5.根据权利要求1所述的缺陷分类方法，其特征在于，所述卷积神经网络为去掉顶层后的VGG16卷积神经网络，包含13个卷积层和5个池化层。

6.根据权利要求1或5所述的缺陷分类方法，其特征在于，所述分类预测模型的最后一层全连接层激活函数采用softmax激活函数，softmax激活函数为：

其中，Softmax函数将向量(a₁，a₂，…，a_n)映射为向量(S₁，S₂，…，S_n)，其中，n为类别数；a_j表示第j个输出节点的输入值；为归一化系数；S_j表示经过Softmax计算后的输出结果。