深度学习在超声检测缺陷识别中的应用与发展*

深度学习（Deep Learning）是目前最强大的机器学习算法之一,其中卷积神经网络（Convolutional Neural Network, CNN）模型具有自动学习特征的能力,在图像处理领域较其他深度学习模型有较大的性能优势。本文先简述了深度学习的发展史,然后综述了深度学习在超声检测缺陷识别中的应用与发展,从早期浅层神经网络到现在深度学习的应用现状,并借鉴医学影像识别和射线图像识别领域的方法,分析了卷积神经网络对超声图像缺陷识别的适用性。最后,探讨归纳了目前在超声检测图像识别中使用CNN存在的一些问题,及其主要应对策略的研究方向。     

基于超声相控阵的环焊缝缺陷检测方法研究

针对传统超声探头焦距固定,检测位置的改变就要更换相应焦距的探头而影响检测效率的问题,提出一种基于超声相控阵换能器的环焊缝缺陷检测方法。而超声相控阵具有电子偏转和电子聚焦特性,能在不移动的情况下发射偏转聚焦超声束,有效地解决了上述问题。首先基于超声相控线阵换能器的声场特点,采用数值分析方法,研究了影响声束偏转聚焦性能的几个主要参数。然后给出了与超声相控阵换能器相连接的多通道数据采集系统结构。介绍了单通道声信号的硬件结构及相应的信号处理方法,实现了对换能器中单个阵元的精确延时的控制。实验结果表明,优化设计的超声相控线阵换能器具有较高的检测精度和检测效率。     

基于改进U-net的金属工件表面缺陷图像分割方法

针对金属工件表面小尺寸缺陷及受非均匀光照影响的图像缺陷难以分割的问题,提出了一种改进的U-net语义分割网络,实现金属工件表面缺陷图像的精确分割。首先,在U-net网络中融入CBAM(convolutional block attention module)模块来提升图像中缺陷目标的显著度;其次,采用深度超参数化卷积DO-Conv(depthwise over-parameterized convolutional)代替网络中部分传统卷积,增加网络可学习的参数数量;然后,采用Leaky Relu函数代替网络中部分Relu函数,提高模型对负区间的特征提取能力;最后,采用中值滤波及非均匀光照的补偿方法进行图像预处理,减弱非均匀光照对金属工件图像表面缺陷的影响。结果表明:改进后的网络平均交并比、准确率和Dice系数指标分别达到0.833 5、0.933 2、0.867 4,改进的网络显著提升了对金属工件表面缺陷图像的分割效果。     

车轮轮辋缺陷的超声相控阵检测系统研究*

针对火车车轮检测中常规超声波探伤存在的检测灵敏度低、声束灵活性差、信噪比低等问题,研究了超声相控阵在火车车轮轮辋检测中的应用。本文介绍了超声相控阵检测技术的原理,并从超声相控阵换能器、硬件系统和软件系统三个方面阐述了火车车轮轮辋缺陷的超声相控阵检测系统的研究过程。最后通过人工模拟缺陷的相控阵检测实验,测试了该检测系统的性能,验证了相控阵检测设备具有灵敏度高、声束可控性好和可靠性高等优点。     

相控阵超声缺陷检测数据压缩感知

为了解决超声相控阵信号采集、存储和传输中数据量大的问题,研究了压缩感知在相控阵无损检测信号和图像压缩重构中应用的可行性。首先使用5种贪婪算法对相控阵仿真信号进行压缩重构,根据百分比均方误差选取最优算法并考虑了噪声对精度的影响,结果表明压缩感知可以用低于奈奎斯特极限的测量点数准确重构原始图像;其次用人工缺陷回波信号进行实验验证,通过稀疏度计算选择适用相控阵信号的最优稀疏基,并通过5种传感矩阵的优化选择进一步提高了重构精度。实验结果尽管达不到仿真中的理想效果,但是能以少量测量值准确恢复图像,并能保证缺陷的识别,说明压缩感知算法可以有效提高相控阵缺陷检测效率。此外,在保持测量点数相同的情况下,仿真和实验都研究了不同采样率对重构精度的影响,当测量点数超过一定值时,证实了压缩感知实际与采样率无关。     

基于深度神经网络的太阳能电池组件缺陷检测算法研究

针对太阳能电池组件中电池片出现隐裂导致整片电池破碎,最终影响整个组件发电量的问题,在对电池组件光致发光（PL）图像待检测区域筛选定位的基础上,提出了一种利用卷积神经网络（CNN）进行电池组件隐裂缺陷检测的方法。首先利用PL成像方法获取电池组件图像,然后对图像进行预处理,基于聚类的方法对待检测目标区域进行筛选定位,最后利用3种不同结构的卷积神经网络模型对电池片进行缺陷检测,并进行准确率对比,使最优识别准确率达到99.25%。实验结果验证了该方法能准确地检测出太阳能电池组件的隐裂缺陷。     

改进RCF算法的电缆绝缘层边缘检测

目前电缆绝缘层厚度检测算法主要采用图像处理技术提取出绝缘层的边缘轮廓,此类算法存在绝缘层边缘过宽和边缘不连续等问题,影响了后续的检测精度.为提高绝缘层测量精度,新算法基于RCF算法进行改进,在模型的4、5阶段采用空洞卷积,增大模型的感受野;并在侧输出网络加入尺度增强模块(SEM模块)和由浅到深的级联网络,增加侧输出图像...     

基于拓展型特征金字塔的OLED像素缺陷检测方法

针对传统方式检测有机发光二极管（OLED）像素缺陷精度低以及成本高的问题,提出了一种基于拓展型特征金字塔网络（FPN）的喷墨打印OLED像素缺陷检测方法。首先对数据进行处理,获得喷墨打印OLED像素图像数据集,随后利用预训练模型ResNet18作为主干,选取其底层模块作为特征提取器,制定出更加适合打印像素缺陷的训练网络。通过将FPN进行拓展,使用具有丰富区域细节的大规模超分辨率特征来解耦像素缺陷检测,实现缺陷区域信息的获取与缺陷的像素级分割。实验中对比了不同方法在OLED像素数据集上的检测效果并评估了不同方法在几个缺陷类型上的性能。结果表明：所提出的方法对喷墨打印OLED像素缺陷的识别精度比直接使用FPN提升了5.5%（达到99.8%）,对缺陷区域的分割平均精度提升3.7%（达到88.8%）,且所提模型适用于小样本缺陷数据检测,具有研究价值和实践意义。     

卷积神经网络的缺陷类型识别分析

该文提出一种基于卷积神经网络直接对阵列超声检测原始信号进行缺陷类型识别的方法,该方法无需对超声回波原始信号进行特征提取.文章研究对比了不同卷积神经网络及其优化的识别性能.首先采用超声相控阵系统对不同试块上的平底孔、球底孔、通孔三种缺陷进行超声检测,然后利用LeNet5、VGG16和ResNet三种卷积神经网络对一维和二...