CN112946081B - 基于缺陷多特征智能提取与融合的超声成像方法 - Google Patents
基于缺陷多特征智能提取与融合的超声成像方法 Download PDFInfo
- Publication number
- CN112946081B CN112946081B CN202110187998.0A CN202110187998A CN112946081B CN 112946081 B CN112946081 B CN 112946081B CN 202110187998 A CN202110187998 A CN 202110187998A CN 112946081 B CN112946081 B CN 112946081B
- Authority
- CN
- China
- Prior art keywords
- matrix
- signal
- fusion
- dimensional
- feature
- 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
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
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0654—Imaging
- G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
-
- 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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- 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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Evolutionary Biology (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Acoustics & Sound (AREA)
- Medical Informatics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
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。
Description
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=[Cij]n×n,
步骤S23、求C的特征值和特征向量:其中,E=[e1,e2,…,en]为C的特征向量矩阵,ei(i=1,2,…,n)为C的特征向量,λi(i=1,2,…,n)为C的特征值;
步骤S24、将λi(i=1,2,…,n)按照降序排列,选择前k个特征值对应的特征向量emax1,emax2,…,emaxk,组成特征提取矩阵EXT=[emax1,emax2,…,emaxk],其中,k<n;
步骤S25、根据特征提取矩阵,提取所有信号的k个最具有区分度的特征,得到信号矩阵的特征矩阵Fm×k,Fm×k=Sm×n*EXTn×k。
进一步地,在所述步骤S3中,训练多特征融合分类器的过程包括:
步骤S31、数据标准化:对原始数据进行标准化处理,标准化公式为
步骤S32、网络配置:所述神经网络是一个k-h-1三层的全连接神经网络,其中k代表输入神经元数,h代表隐含层神经元数,1代表输出神经元数,k由提取的特征数确定,隐含层h由最终训练的结果确定;神经网络的激活函数为Relu(x)=max(0,x)的修正线性单元;
步骤S33、网络训练:设定学习率的初始值为0.01、学习率衰减系数为0.99,采用正则化的损失函数,将MSEreg定义为:其中,wj是权重,γ是可以人工设置的一个超参数;MSE为均方误差,定义为:/>其中,/>是目标值,y是神经网络基于输入数据的预测值。
进一步地,在所述步骤S32中,所述神经网络中所有训练变量采用滑动平均。
与现有技术相比,本发明的有益效果为:本发明利用降维机器学习算法对采集的信号矩阵进行特征提取;然后,以特征数据为神经网络的输入,训练得到一个基于神经网络的多特征融合分类器;最后,利用训练好的多特征融合分类器对信号识别,并依据识别结果成像;与传统的成像方式相比,本发明的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。
附图说明
图1是本发明的实施例中基于缺陷多特征智能提取与融合的超声成像方法的流程图。
图2是本发明的实施例中试块及缺陷设计图。
图3是本发明的实施例中的基于缺陷多特征智能提取与融合的超声成像方法的成像图。
图4是现有技术中最大幅值成像图。
图5是现有技术中钛合金试块中两个夹杂物的A扫显示。
图6是现有技术中钛合金试块中两个夹杂物的C扫显示。
具体实施方式
下面结合附图所示的实施例对本发明作进一步说明。
如附图1所示,本实施例公开了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。该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。
具体地,在步骤S1中,首先通过探头按照预定顺序扫描待检测物从而采集获得对应的三维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),其中,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。
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。
在步骤S2中,主成分分析(PCA)作为一种降维机器学习算法,通过主成分分析能够对二维信号矩阵进行有效分析和提取操作。具体的分析和提取过程包括:
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=[Cij]n×n,
步骤S23、求C的特征值和特征向量:其中,E=[e1,e2,…,en]为C的特征向量矩阵,ei(i=1,2,…,n)为C的特征向量,λi(i=1,2,…,n)为C的特征值。
步骤S24、将λi(i=1,2,…,n)按照降序排列,选择前k个特征值对应的特征向量emax1,emax2,…,emaxk,组成特征提取矩阵EXT=[emax1,emax2,…,emaxk],其中,k<n;
步骤S25、根据特征提取矩阵,提取所有信号的k个最具有区分度的特征,得到信号矩阵的特征矩阵Fm×k,即Fm×k=Sm×n*EXTn×k。
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。
在步骤S3中,训练多特征融合分类器的过程包括:
步骤S31、数据标准化:对原始数据进行标准化处理,标准化公式为
步骤S32、网络配置:神经网络是一个k-h-1三层的全连接神经网络,其中k代表输入神经元数,h代表隐含层神经元数,1代表输出神经元数,k由提取的特征数确定,隐含层h由最终训练的结果确定;神经网络的激活函数为Relu(x)=max(0,x)的修正线性单元。这里,为了使编码器具有良好的鲁棒性,神经网络中所有训练变量采用滑动平均。
步骤S33、网络训练:设定学习率的初始值为0.01、学习率衰减系数为0.99,采用正则化的损失函数,将MSEreg定义为:其中,wj是权重,γ是可以人工设置的一个超参数;MSE为均方误差,定义为:/>其中,/>是目标值,y是神经网络基于输入数据的预测值。
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,该识别结果矩阵由0和1组成,0代表正常信号,1代表缺陷信号;进一步根据原始的三维A扫信号矩阵S(x,y,n)中的信号排列方式对识别结果矩阵进行整形,进而使其成像。
根据本实施例的基于缺陷多特征智能提取与融合的超声成像方法,利用降维机器学习算法对采集的信号矩阵进行特征提取;然后,以特征数据为神经网络的输入,训练得到一个基于神经网络的多特征融合分类器;最后,利用训练好的多特征融合分类器对信号识别,并依据识别结果成像;与传统的成像方式相比,本实施例的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。
以下结合具体应用与测试进行详细说明:
在步骤S1中,采集数据:被测试块是平均表面粗糙度为12μm的不锈钢薄板,其尺寸为30mm×30mm×5mm。在试块表面加工了2×6(2排6列)个微孔缺陷,具体布局和相关参数如图2所示。采用2MHz的激光超声对其进行网格扫描,扫描范围为6.24mm×19.2mm,覆盖所有缺陷,步长为0.048mm,每个网格点记录一个A扫信号,采样深度为1000,最后得到130×400×1000的三维信号矩阵S(x,y,n)。进一步,根据扫描参数将三维信号矩阵S(x,y,n)转换为二维信号矩阵S(m,n)。
在步骤S2中,利用PCA算法提取信号的特征。
(1)由于缺陷信号出现在200采样点左右,截取A扫信号的1-250采样点得到130×400×250三维信号矩阵Ssec。
(2)将Ssec整形为52000×250的二维矩阵。
(3)将Ssec输入到PCA算法中,设置提取特征个数为3,得到特征矩阵F52000×3。
在步骤S3中,网络训练:随机抽取2/3的特征数据用于网络训练,其余用作测试,网络结构为3-30-1,训练轮数为6000轮,初始学习率为0.01,学习率衰减系数为0.99。
在步骤S4中,利用训练好的分类器对信号进行多特征融合识别,得到分类结果矩阵。
通过上述过程对本实施例的基于缺陷多特征智能提取与融合的超声成像方法进行了实际应用与测试,如图3所示,显示了对分类结果矩阵可视化的结果,从图中可以看到:缺陷被很好的展示出来,无任何噪声。为了更好的突出本发明的优势,与图4所示的最大幅值法成像结果相比,可以看到图4中存在强烈的噪声背景,较小一行的缺陷几乎淹没在其中,同时出现很多伪缺陷,很容易造成误判和漏检。
本发明的保护范围不限于上述的实施例,显然,本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围,则本发明的意图也包含这些改动和变形在内。
Claims (3)
1.一种基于缺陷多特征智能提取与融合的超声成像方法,其特征在于,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,其中,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;
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,在该步骤中,训练多特征融合分类器的过程包括:
步骤S31、数据标准化:对原始数据进行标准化处理,标准化公式为
步骤S32、网络配置:所述神经网络是一个k-h-1三层的全连接神经网络,其中k代表输入神经元数,h代表隐含层神经元数,1代表输出神经元数,k由提取的特征数确定,隐含层h由最终训练的结果确定;神经网络的激活函数为Relu(x)=max(0,x)的修正线性单元;
步骤S33、网络训练:设定学习率的初始值为0.01、学习率衰减系数为0.99,采用正则化的损失函数,将损失函数MSEreg定义为:其中,wj是权重,γ是可以人工设置的一个超参数;MSE为均方误差,定义为:/>其中,/>是目标值,y是神经网络基于输入数据的预测值;
步骤S4、利用训练好的分类器进行信号识别以得到k个特征对应的融合结果,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。
2.根据权利要求1所述的基于缺陷多特征智能提取与融合的超声成像方法,其特征在于,
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=[Cij]n×n,
步骤S23、求C的特征值和特征向量:其中,E=[e1,e2,…,en]为C的特征向量矩阵,ei(i=1,2,…,n)为C的特征向量,λi(i=1,2,…,n)为C的特征值;
步骤S24、将λi(i=1,2,…,n)按照降序排列,选择前k个特征值对应的特征向量emax1,emax2,…,emaxk,组成特征提取矩阵EXT=[emax1,emax2,…,emaxk],其中,k<n;
步骤S25、根据特征提取矩阵,提取所有信号的k个最具有区分度的特征,得到信号矩阵的特征矩阵Fm×k,Fm×k=Sm×n*EXTn×k。
3.根据权利要求1所述的基于缺陷多特征智能提取与融合的超声成像方法,其特征在于,
在所述步骤S32中,所述神经网络中所有训练变量采用滑动平均。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110187998.0A CN112946081B (zh) | 2021-02-09 | 2021-02-09 | 基于缺陷多特征智能提取与融合的超声成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110187998.0A CN112946081B (zh) | 2021-02-09 | 2021-02-09 | 基于缺陷多特征智能提取与融合的超声成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112946081A CN112946081A (zh) | 2021-06-11 |
CN112946081B true CN112946081B (zh) | 2023-08-18 |
Family
ID=76244175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110187998.0A Active CN112946081B (zh) | 2021-02-09 | 2021-02-09 | 基于缺陷多特征智能提取与融合的超声成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112946081B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114047259B (zh) * | 2021-10-28 | 2024-05-10 | 深圳市比一比网络科技有限公司 | 一种基于时间序列多尺度钢轨伤损缺陷的检测方法 |
CN114414658B (zh) * | 2022-01-11 | 2024-04-09 | 南京大学 | 一种金属表面微裂纹深度的激光超声探测方法 |
CN115166032B (zh) * | 2022-05-23 | 2024-04-19 | 东南大学 | 一种风机叶片裂纹的检测装置及方法 |
CN116429911B (zh) * | 2023-06-13 | 2023-09-01 | 中国科学院合肥物质科学研究院 | 一种基于缺陷脉冲信号与图像相融合的智能化识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426889A (zh) * | 2015-11-13 | 2016-03-23 | 浙江大学 | 基于pca混合特征融合的气液两相流流型识别方法 |
CN105548359A (zh) * | 2016-01-13 | 2016-05-04 | 东北林业大学 | 一种木材孔洞缺陷超声检测特征提取方法 |
CN111855803A (zh) * | 2020-07-28 | 2020-10-30 | 武汉大学 | 一种金属增材制造微型缺陷的激光超声高信噪比成像方法 |
CN111855802A (zh) * | 2020-07-28 | 2020-10-30 | 武汉大学 | 一种消除激光超声行进波的缺陷可视化成像方法 |
CN112014478A (zh) * | 2020-08-28 | 2020-12-01 | 武汉大学 | 一种淹没于超声草状信号中的缺陷回波盲提取自适应方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109833061B (zh) * | 2017-11-24 | 2020-08-04 | 无锡祥生医疗科技股份有限公司 | 基于深度学习的优化超声成像***参数的方法 |
-
2021
- 2021-02-09 CN CN202110187998.0A patent/CN112946081B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426889A (zh) * | 2015-11-13 | 2016-03-23 | 浙江大学 | 基于pca混合特征融合的气液两相流流型识别方法 |
CN105548359A (zh) * | 2016-01-13 | 2016-05-04 | 东北林业大学 | 一种木材孔洞缺陷超声检测特征提取方法 |
CN111855803A (zh) * | 2020-07-28 | 2020-10-30 | 武汉大学 | 一种金属增材制造微型缺陷的激光超声高信噪比成像方法 |
CN111855802A (zh) * | 2020-07-28 | 2020-10-30 | 武汉大学 | 一种消除激光超声行进波的缺陷可视化成像方法 |
CN112014478A (zh) * | 2020-08-28 | 2020-12-01 | 武汉大学 | 一种淹没于超声草状信号中的缺陷回波盲提取自适应方法 |
Non-Patent Citations (1)
Title |
---|
卷积神经网络的方程组求解;周伟;陆玉稳;;计算机与网络(第22期);第69-72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112946081A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112946081B (zh) | 基于缺陷多特征智能提取与融合的超声成像方法 | |
CN112232400B (zh) | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 | |
Medak et al. | Automated defect detection from ultrasonic images using deep learning | |
Polikar et al. | Frequency invariant classification of ultrasonic weld inspection signals | |
Liu et al. | Survey: State of the art in NDE data fusion techniques | |
JP5595281B2 (ja) | 特に製造中または完成状態におけるパイプ用非破壊検査 | |
CN103356241B (zh) | 二维超声设备成像质量评估*** | |
Merazi Meksen et al. | Automatic crack detection and characterization during ultrasonic inspection | |
Posilović et al. | Flaw detection from ultrasonic images using YOLO and SSD | |
Gao et al. | Damage characterization using CNN and SAE of broadband Lamb waves | |
CN107563364A (zh) | 基于汗腺的指纹真伪辨别方法以及指纹识别方法 | |
Medak et al. | DefectDet: A deep learning architecture for detection of defects with extreme aspect ratios in ultrasonic images | |
Mei et al. | Visual geometry group-UNet: deep learning ultrasonic image reconstruction for curved parts | |
CN112668527A (zh) | 一种超声导波半监督成像检测方法 | |
Liu et al. | A dynamic weights-based wavelet attention neural network for defect detection | |
Kim et al. | Automated data evaluation in phased-array ultrasonic testing based on A-scan and feature training | |
CN112302061A (zh) | 低应变基桩完整性检测信号的智能化快速解释方法 | |
Sutcliffe et al. | Automatic defect recognition of single-v welds using full matrix capture data, computer vision and multi-layer perceptron artificial neural networks | |
CN113607068B (zh) | 一种光声测量信号特征的识别模型建立方法及提取方法 | |
CN114778689A (zh) | 高密度聚乙烯管道热熔对接接头的缺陷检测及识别***与方法 | |
Ramuhalli et al. | Multichannel signal processing methods for ultrasonic nondestructive evaluation | |
Sun et al. | Automated quality characterization for composites using hybrid ultrasonic imaging techniques | |
Shi et al. | Improving Ultrasonic Testing by Using Machine Learning Framework Based on Model Interpretation Strategy | |
CN117949539B (zh) | 一种工程建筑强度检测***及其检测方法 | |
Guo et al. | Ultrasonic characterization of small defects based on Res-ViT and unsupervised domain adaptation |
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 |