[发明专利]基于缺陷多特征智能提取与融合的超声成像方法

说明书

本发明提供了一种基于缺陷多特征智能提取与融合的超声成像方法，包括：将获得的待检测物的三维A扫信号矩阵转换为二维信号矩阵；利用主成分分析对转换得到的二维信号矩阵进行分析，提取信号中最有区分度的k个特征；将所提取的k个特征作为神经网络的输入训练得到多特征融合分类器；利用训练好的分类器进行信号识别，从而得到多特征融合识别结果矩阵，并根据原始的三维A扫信号矩阵中的信号排列方式对识别结果矩阵进行整形使其成像；本发明利用降维机器学习算法智能提取采集的信号矩阵中缺陷特征信息，并利用所提特征信息进行融合成像，使得成像中融合了丰富的缺陷信息，可大幅度改善缺陷成像的信噪比，适合任何超声检测技术的C扫成像。

技术领域

本发明属于超声无损检测技术领域，具体涉及一种基于缺陷多特征智能提取与融合的超声成像方法。

背景技术

随着计算机技术和数字图像处理技术的长足发展，超声无损检测技术能够以直观的图像形式呈现缺陷形态，提供更加精准、直观的检测结果，目前超声成像己广泛应用于医学诊断和工业检测领域。基于不同的超声检测技术和扫描方式，超声成像方式主要包括C扫成像、B扫成像、D扫成像、S扫成像等，这些成像方式都是通过采集的波形信号(A扫信号)实现。如图5所示，展示了一个来自内嵌两个夹杂缺陷的钛合金试块的A扫信号，这个信号是经滤波处理后得到的，信号中两个回波代表两个缺陷。C扫图像是根据扫描面内所有A扫的同一时刻波幅可视化得到的，这种显示能展示出工件中缺陷的水平投影情况，通过图像可清晰直观看到缺陷的轮廓及严重程度。如图6所示，展示了图5的钛合金试块夹杂缺陷的C扫图像。

目前的基于缺陷多特征智能提取与融合的超声成像方法主要采取A扫信号的幅值这一特征量在图像中展示缺陷的异常性。然而，当缺陷信号幅值与干扰(噪声)信号幅值相近时，尤其是对于微小缺陷，这种C扫图像中会存在强烈的噪声背景，同时出现很多伪缺陷，很容易造成误判和漏检。而且，缺陷改变A扫信号幅值的同时，也会改变其波形、相位等，具体包含哪些特征则需要研究人员充分理解超声与缺陷的作用机制，然而，这是一个多物理场耦合的复杂问题，很难克服。

因此，现有技术亟需一种为超声成像发展能够智能提取与融合缺陷特征的算法方案。

发明内容

本发明的目的在于针对现有技术的不足之处，提供一种基于缺陷多特征智能提取与融合的超声成像方法，能够智能提取信号中缺陷特征信息，并利用所提特征信息进行融合成像。

为解决上述技术问题，本发明采用如下技术方案：

一种基于缺陷多特征智能提取与融合的超声成像方法，包括以下步骤：

步骤S1、将获得的待检测物的三维A扫信号矩阵转换为二维信号矩阵；

步骤S2、利用主成分分析对转换得到的二维信号矩阵进行分析，提取信号中最有区分度的k个特征；

步骤S3、将所提取的k个特征作为神经网络的输入训练得到多特征融合分类器；

步骤S4、利用训练好的分类器进行信号识别，从而得到多特征融合识别结果矩阵，并根据原始的三维A扫信号矩阵中的信号排列方式对识别结果矩阵进行整形使其成像。

进一步地，在所述步骤S1中，信号转换过程为：通过探头按照预定顺序扫描所述待检测物以采集获得三维A扫信号矩阵S(x,y,n)，进一步将三维A扫信号矩阵S(x,y,n)转换为二维信号矩阵S(m,n)，x表示探头横向扫查点数，y表示探头纵向扫查点数，m＝x×y表示信号总数，n表示信号采样长度。

进一步地，所述步骤S2包括：

步骤S21、信号矩阵去中心化：矩阵中元素幅值减去其所在列的平均值，即得到去中心化矩阵

步骤S22、计算信号矩阵的协方差矩阵：C＝[C_ij]_n×n，