CN113888471B 一种基于卷积神经网络的高效高分辨力缺陷无损检测方法 （国营芜湖机械厂）

US2017/0199160A1,2017.一种基于卷积神经网络的高效高分辨力缺本发明是一种基于卷积神经网络的高效高阵向被测工件发射偏转角度为0的平面波，对发射的平面波的散射回波数据进行采集，利用FIR2步骤1：通过超声相控阵向被测工件发射偏转角度利用公式(1)得到对应发射信号的成像平面内网x和Nz为在x方向和z方向的网格划分数量；得到任一网格中心位置的超声回波信号强度需要利用线性确定t时刻脉冲回波信号的幅值，小于t时刻且距离t时刻最近的回波信号的离散采样3得到对应第k个接收阵元的成像平面内网格中心的超声抑制，先将梯度方向R(x,y)以就近原则归类到四个角度中(0～45,45～90,90～135,135~180),获取对应点所处8值邻域内的其他8个点中距离梯度向量最近的两个点对(g1,g2)、在施加非极大值抑制后剩余的像素，更准确地表4步骤2中卷积神经网络训练过程包括以下步骤：采用表示被测工件内部的真选择基于结构化相似性(MS-SSIM)的函数作为损失函数，对于第i行第j列的真实像素别是y(i,j)和临近区域像素的平均值，和分别是y(i,j)和临近区域像素的对第i行第j列的真实像素与预估像素按照公式(12)的形式计算SS复的卷积块，每个卷积块包括一个2Dconvolutionlayer、一个batchnormalization52.根据权利要求1所述的一种基于卷积神经网络的高效高分辨力缺陷无损检测方法，6一个非常困难的问题。尤其对于金属材料的无损检测更是极为重要的质量控制技术手段，[0003]北京金风慧能技术有限公司提出一种工件内部损伤检测方法及装置(工件内部损[0004]通用电气公司提出一种方案(Methodsofnon-destructivetestingand首先定位超声换能器相对于被测件的位置，然后从至少一次B扫中收集被测件的B扫数据，7[0008]步骤2：基于卷积神经网络算法的超声成像，根据得到的散射回波信号进行预处[0019]利用公式(3)得到对应第k个接收阵元的成像平面内网格中心的接收传播距离矩：波在被测工件中传播的速度为c，则得到从平面波发射经由成像平面内各个网格中心再被[0025]确定t时刻脉冲回波信号的幅值，小于t时刻且距离t时刻最近的回波信号的离散8件内部的真实图像，表示换能器阵列N个阵元接收到的信号经过预处理后得到[0034]选择基于结构化相似性(MS-SSIM)的函数作为损失函数，对于第i行第j列的真实".和"r.分别是y(i,j)和iun临近区域像素的方差，表示y(i,j)和jun临近区域像素的协方差。SSIM的值在-1到1之间变化，9[0041]对第i行第j列的真实像素与预估像素按照公式(12)的形式计算SSIM值对w的微分大值抑制，先将梯度方向R(x,y)以就近原则归类到四个角度中(0～45,45～90,90～1135～180),获取对应点所处8值邻域内的其他8个点中距离梯度向量最近的两个点对(g1,3高最终成像结果的分辨力。最后，对卷积神经网络输出的图像利用Canny算子进行边缘提[0070]通过超声相控阵向被测工件发射偏转角度为0的平面波，然后对发射的平面波的定各个网格中心在坐标系中的位置坐标。进一步计算发射的平面波到达坐标为(x(i,j),[0080]利用公式(3)得到对应第k个接收阵元的成像平面内网格中心的接收传播距离矩：体波在被测工件中传播的速度为c，则可以得到从平面波发射经由成像平面内各个网格中[0086]求解t时刻脉冲回波信号的幅值，小于t时刻且距离t时刻最近的回波信号的离散[0088]利用此关系即可得到对应第k个接收阵元的成像平面内网格中心的超声回波信号性(MS-SSIM)的函数作为损失函数，对于第i行第j列的真实像素与预估像素之间的SSIM计[0097]其中C1和C2是根据经验选择的标量参数，目的是提高损失的计算稳定性，"),和"r.,分别是y(i,j)和jiun临近区域像素的平均值素的方差，onm表示y(i,j)和jiun临近区域像素的协方差。SSIM的值在-1到1之间变化，[0102]对第i行第j列的真实像素与预估像素我们按照公式(12)的形式计算其SSIM值对w络包含M个重复的卷积块，每个卷积块包括一个2Dconvolutionlayer、一个batchnormalizationlayer和一个rectifi最终的成像图中有缺陷位置会呈现亮斑，所以利用Canny算子对最终成像结果中的亮斑进滤波是用某一尺寸的二维高斯核与图像进行卷积，高斯核是对连续高斯函数的离散近似，先将梯度方向R(x,y)以就近原则归类到四个角度中(0～45,45～90,90～135,135～180),然后获取该点所处8值邻域内的其他8个点中距离梯度向量最近