一种基于超声相控阵成像的缺陷分类方法及系统与流程

1.本发明属于无损检测领域，更具体地，涉及一种基于超声相控阵成像的缺陷分类方法及系统。


背景技术：

2.超声无损检测技术的发展和应用建立在超声波与被测物相互作用的基础上；具有良好导向性的超声波在传播过程中遇到缺陷时，其传播方向或特性将发生变化，通过对所发生的反射、折射和散射进行研究，可以实现对工件缺陷的检测和表征。与其他无损检测手段相比，超声无损检测具有独特的优势；广泛适用于金属、非金属和复合材料的无损评价；穿透能力强、检测深度大，对工件内部缺陷有较好的定位能力；灵敏度高、成本低且对人体无危害。
3.在现有的超声缺陷检测技术中，缺乏针对气孔型缺陷的检测，即缺少多个尺寸较小且距离很近的小孔参数化数据。此外，常规的b超成像分辨率低、成像精度差，对于距离较近的多个小缺陷(尺寸小于0.8波长)不具有分辨能力。常见分类方法中，线性判别分析(lda)和二次判别分析(qda)等降维算法可以对高维数据进行简化用以处理大规模数据集，但难以理解结果的意义；朴素贝叶斯方法基于概率论进行分类，因此该方法受到贝叶斯定理与条件独立假设限制，但条件独立性假设在实际应用中往往是不成立的，因此影响了贝叶斯方法的分类效果。


技术实现要素：

4.针对现有技术的缺陷，本发明提供了一种基于超声相控阵成像的缺陷分类方法及系统，目的在于对被测物体的缺陷采用全聚焦成像，利用卷积神经网络进行特征提取后进行缺陷分类，提高缺陷分类的精准度。
5.为实现上述目的，一方面，本发明提供了一种基于超声相控阵成像的缺陷分类，包括以下步骤：
6.对待测样件采用超声相控阵成像获取超声全矩阵数据；
7.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；
8.对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；
9.其中，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；
10.训练分类预测模型的方法为：
11.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；
12.对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；
13.对仿真图像预处理后进行数据增强，获取增强后的仿真图像；
14.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；
15.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。
16.进一步优选地，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；
17.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。
18.进一步优选地，对仿真图像进行预处理的方法为：
19.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；
20.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；
21.对数据集采用热编码进行标签设置。
22.进一步优选地，对数据集中仿真图像进行数据增强的方法为：
23.对数据集中的仿真图像进行归一化处理；
24.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。
25.进一步优选地，对待测样件的图像进行预处理的方法为：
26.采用交互裁剪待测样件的图像，保留待分类的缺陷区域；
27.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，填充的颜色与无缺陷区域的图像颜色一致；
28.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。
29.进一步优选地，卷积神经网络为去掉顶层后的vgg(visual geometry group network)16卷积神经网络，包含13个卷积层和5个池化层。
30.进一步优选地，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，具体为：
[0031][0032]
其中，softmax函数将向量(a1，a2，
…
，an)映射为向量(s1，s2，
…
，sn)，其中，n为类别数；aj表示第j个输出节点的输入值；为归一化系数；sj表示经过softmax计算后的输出结果。
[0033]
另一方面，本发明提供了一种基于超声相控阵成像的缺陷分类系统，包括：
[0034]
超声相控阵探头，用于对待测样件采用超声相控阵成像，获取超声全矩阵数据；
[0035]
全聚焦模块，用于对超声全矩阵数据和仿真数据进行全聚焦处理后，根据信号幅值进行色彩编码，分别获取待测样件的图像和仿真图像；
[0036]
仿真模块，用于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；
[0037]
图像预处理模块，用于对所述待测样件的图像和仿真图像进行预处理；
[0038]
分类预测模块，用于将预处理后的待测样件的图像输入至训练完毕的分列预测模型中，获取待测样件的缺陷分类；
[0039]
数据增强模块，用于对预处理后的所述仿真图像进行数据增强，获取增强后的仿真图像；
[0040]
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；
[0041]
分类预测模块的训练方法为：
[0042]
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；
[0043]
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。
[0044]
进一步优选地，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：
[0045][0046]
其中，softmax函数将向量(a1，a2，
…
，an)映射为向量(s1，s2，
…
，sn)，其中，n为类别数；aj表示第j个输出节点的输入值；为归一化系数；sj表示经过softmax计算后的输出结果。
[0047]
进一步优选地，对待测样件的图像进行预处理的方法为：
[0048]
采用交互裁剪待测样件的图像，保留待分类的缺陷区域；
[0049]
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；
[0050]
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；
[0051]
对仿真图像进行预处理的方法为：
[0052]
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；
[0053]
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；
[0054]
对数据集采用热编码进行标签设置。
[0055]
进一步优选地，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；
[0056]
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。
[0057]
进一步优选地，对所述数据集中仿真图像进行数据增强的方法为：
[0058]
对所述数据集中的仿真图像进行归一化处理；
[0059]
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。
[0060]
进一步优选地，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。
[0061]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效
果：
[0062]
本发明在对分类预测模型进行训练时，利用缺陷超声散射数据有限元仿真方法，对任意缺陷进行仿真，且通过仿真超声相控阵成像后采用全聚焦处理后，得到仿真图像，上述仿真图像用于构建分类预测模型的训练集，该有限元仿真模型考虑了超声波在多个缺陷之间发生的多次散射，因此构建的仿真图像可准确反映缺陷问题，且训练的分类预测模型对缺陷分类的精准度较高。
[0063]
本发明采用先进的数据后处理方法进行成像，即采用全聚焦方法对超声相控阵采集到的超声全矩阵数据进行延迟叠加处理，以获取被测物体内部成像结果，可以充分利用采集到的全部信号，因此，成像分辨率远高于传统超声b扫描成像。
[0064]
本发明中分类预测模型为卷积神经网络输出层添加全连接层，利用训练完毕的卷积神经网络提取图像特征，由于仅需训练分类预测模型中分类部分的网络参数，大大缩短了分类预测模型的计算和训练时间。并且本发明提供的分类预测模型具有自更新功能，即在新数据加入时可以进行模型训练及更新。
附图说明
[0065]
图1是本发明实施例提供的基于超声相控阵成像的缺陷分类方法流程图；
[0066]
图2是本发明实施例提供的缺陷位置随机分布示意图；
[0067]
图3是本发明实施例提供的超声全聚焦成像示意图；
[0068]
图4是本发明实施例提供的分类预测模型示意图；
[0069]
图5是本发明实施例提供的训练过程精度变化示意图。
具体实施方式
[0070]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0071]
如图1所示，本发明提供了一种基于超声相控阵成像的缺陷分类方法，整体实现过程为：以圆孔尺寸和密度为缺陷分类参数，设计四类圆孔缺陷并加工实际样本；结合检测频率、带宽百分比、超声相控阵阵元数目等参数获取仿真数据和实验数据；对仿真数据和实验数据进行全聚焦成像处理；对图像进行相应的数据集划分和预处理后，最终利用卷积神经网络和全连接神经网络对成像结果进行分类；
[0072]
实施例
[0073]
如图1所示，一方面，本实施例提供了一种基于超声相控阵成像的缺陷分类方法，包括以下步骤：
[0074]
步骤一：仿真时设置仿真参数，仿真超声相控阵成像获取仿真数据；：
[0075]
仿真参数包括：所选被测材料、超声波检测频率、圆孔尺寸和密度；
[0076]
本实施例中所选材料为铝；仿真中超声相控阵探头频率设为10mhz；通过气孔型缺陷的形状建模得到四个组别的不同参数的气孔缺陷，具体为：第一类缺陷圆孔半径为0.5mm，缺陷数量为3；第二类缺陷圆孔半径为0.45mm，缺陷数量为5；第三类缺陷圆孔半径为0.4mm，缺陷数量为7；第四类缺陷圆孔半径为0.35mm，缺陷数量为11；缺陷的分布采用随机
分布，如图2所示；将仿真数据存入simul_x.mat文件中；
[0077]
步骤二：实验时设计实验样本参数，并对实验样本进行加工；
[0078]
样本参数包括：圆孔尺寸及密度、检测频率和带宽百分比；利用线切割方式加工测试样品；
[0079]
本实施例中，使用6061铝材制作样本，采用电火花线切割方式加工圆柱形孔模拟缺陷，圆孔大小和随机分布位置的设计方法与步骤一中保持一致，且圆孔位置分布于距离检测接触表面300
±
5mm范围内；
[0080]
步骤三：对实验样本采用超声相控阵探头获取超声全矩阵数据，即实验数据；
[0081]
本实施例中，采用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；选用美国aos公司推出的explorer开放式超声相控阵平台，其可并行控制与探头阵元数目对应的64个独立的发射-接收通道；采用矩形脉冲依次激励每个阵元，每次发射中所有阵元均用作接收器，由此获取到每个发射-接收阵元组的时域信号的全矩阵数据；
[0082]
步骤四：对采集的仿真数据和实验数据进行全聚焦处理，依幅值进行色彩编码后显示并存储对应图像(仿真图像和实验图像)，如图3所示；
[0083]
本实施例中，阵元被依次激励，根据几何声学原理计算出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，以实现波束在指定位置点的聚焦；
[0084]
在数据处理的过程中，通过两种方式进行加速计算，其一是利用图形加速器进行并联处理；其二是根据声场互易定理，采用三角矩阵代替原有全矩阵数据对每个像素点处的叠加进行简化；聚焦点处最终的信号幅值如式所示：
[0085][0086]
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tq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；所得图像保存为classx_xxx.png格式；
[0087]
步骤五：对仿真图像进行预处理，包括自动裁剪保留缺陷区域、按缺陷设计进行类别划分、独热编码；
[0088]
本实施例中，按照缺陷分布位置自动裁剪去除与缺陷分类无关的边缘图像，保留缺陷区，按照类别划分存入文件夹，完成数据集制作；采用独热编码进行标签设置，设置为(1,0,0,0)，(0,1,0,0)，(0,0,1,0)和(0,0,0,1)；
[0089]
步骤六：对数据集中仿真图像进行数据增强；
[0090]
本实施例中，首先对仿真图像进行归一化处理，随后采取旋转0-40
°
、水平平移0-0.2个图像宽度、竖直平移0-0.2个图像高度、随机将一般图像水平翻转和以nearest方式填充等方法进行数据增强；
[0091]
步骤七：利用训练完毕的卷积神经网络提取数据增强后的仿真图像特征；
[0092]
本实施例中，如图4所示，训练完毕的卷积神经网络是指vgg16卷积神经网络；利用
去掉顶层的预训练vgg16卷积神经网络对数据增强后的仿真图像进行特征提取，用于分类预测模型训练；
[0093]
去掉顶层后的vgg16卷积神经网络中包含13个卷积层即conv3-xxx和五个池化层即maxpool；其中，卷积层采用3*3大小的卷积核；以20个训练样本为一组，利用图片生成器循环生成图片组inputs_batch和标签组labels_batch，输入vgg16卷积神经网络进行特征提取；
[0094]
步骤八：利用卷积神经网络建立缺陷图像分类预测模型，将步骤七得到的仿真图像特征用于分类预测模型训练，如图5所示。
[0095]
本实施例中，分类预测模型为dnn神经网络模型，包括四层结构，除最后一层全连接层，其他全连接层激活函数采用relu，公式如下：
[0096][0097]
最后一层全连接层激活函数采用softmax激活函数，公式如下：
[0098][0099]
softmax函数将向量(a1，a2，
…
，an)映射为向量(s1，s2，
…
，sn)，其中，n为类别数；aj表示第j个输出节点的输入值；为归一化系数；sj表示经过softmax计算后的输出结果；softmax函数用于多分类任务的概率计算；dropout设为0.5，随机失活一部分神经元以防止过拟合；通过随机排列索引的方式打乱数据集，取其中的30％作为验证集，并在每一回合训练完成后打印出训练集和验证集对应的准确率与categorical_crossentropy损失；
[0100]
步骤九：对实验图像进行预处理；
[0101]
本实施例中，采用鼠标交互裁剪保留待分类的缺陷区域；分rgb三个通道对实验图像的上下边缘、左右边缘分别进行等高度或者等宽度的填充；再将三个通道图像合并，使得填充后的实验图像与步骤七中vgg16卷积神经网络的输入图片大小一致；填充颜色与无缺陷位置处的图像颜色保持一致，本实施例为[0，0,143]；
[0102]
步骤十：利用分类预测模型对步骤九中预处理后的实验图像进行预测。
[0103]
另一方面，本发明提供了一种基于超声相控阵成像的缺陷分类系统，包括：
[0104]
超声相控阵探头，用于对待测样件采用超声相控阵成像，获取超声全矩阵数据；
[0105]
全聚焦模块，用于对超声全矩阵数据和仿真数据进行全聚焦处理后，根据信号幅值进行色彩编码，分别获取待测样件的图像和仿真图像；
[0106]
仿真模块，用于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；
[0107]
图像预处理模块，用于对所述待测样件的图像和仿真图像进行预处理；
[0108]
分类预测模块，用于将预处理后的待测样件的图像输入至训练完毕的分列预测模
型中，获取待测样件的缺陷分类；
[0109]
数据增强模块，用于对预处理后的所述仿真图像进行数据增强，获取增强后的仿真图像；
[0110]
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；
[0111]
分类预测模块的训练方法为：
[0112]
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；
[0113]
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。
[0114]
进一步优选地，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：
[0115][0116]
其中，softmax函数将向量(a1，a2，
…
，an)映射为向量(s1，s2，
…
，sn)，其中，n为类别数；aj表示第j个输出节点的输入值；为归一化系数；sj表示经过softmax计算后的输出结果。
[0117]
进一步优选地，对待测样件的图像进行预处理的方法为：
[0118]
采用交互裁剪待测样件的图像，保留待分类的缺陷区域；
[0119]
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；
[0120]
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；
[0121]
对仿真图像进行预处理的方法为：
[0122]
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；
[0123]
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；
[0124]
对数据集采用热编码进行标签设置。
[0125]
进一步优选地，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；
[0126]
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。
[0127]
进一步优选地，对所述数据集中仿真图像进行数据增强的方法为：
[0128]
对所述数据集中的仿真图像进行归一化处理；
[0129]
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。
[0130]
进一步优选地，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。
[0131]
综上所述，本发明与现有技术相比，存在以下优势：
[0132]
本发明在对分类预测模型进行训练时，利用缺陷超声散射数据有限元仿真方法，
对任意缺陷进行仿真，且通过仿真超声相控阵成像后采用全聚焦处理后，得到仿真图像，上述仿真图像用于构建分类预测模型的训练集，该有限元仿真模型考虑了超声波在多个缺陷之间发生的多次散射，因此构建的仿真图像可准确反映缺陷问题，且训练的分类预测模型对缺陷分类的精准度较高。
[0133]
本发明采用先进的数据后处理方法进行成像，即采用全聚焦方法对超声相控阵采集到的超声全矩阵数据进行延迟叠加处理，以获取被测物体内部成像结果，可以充分利用采集到的全部信号，因此，成像分辨率远高于传统超声b扫描成像。
[0134]
本发明中分类预测模型为卷积神经网络输出层添加全连接层，利用训练完毕的卷积神经网络提取图像特征，由于仅需训练分类预测模型中分类部分的网络参数，大大缩短了分类预测模型的计算和训练时间。并且本发明提供的分类预测模型具有自更新功能，即在新数据加入时可以进行模型训练及更新。
[0135]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。