[发明专利]一种基于神经网络及图像融合的无损超声检测方法

说明书

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。

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：