一种基于深度学习的合金组织超声检测分类方法技术

本发明专利技术一种基于深度学习的合金组织超声检测分类方法，属于无损检测领域。所述的方法利用超声全波扫描系统记录合金组织的全波信号数据；根据噪声水平和底波信号损失的不同选定用于进行金相观察的区域，并根据合金组织特征对选定区域进行进行编号标记，对选定区域对应的数据进行标签标记；建立一维卷积网络对标注好的超声噪声数据进行训练学习；经过训练后的网络根据输入的超声噪声数据，输出合金组织分类概率；分类模型充分发挥一维卷积网络的结构优势，直接从零开始训练，可实现端到端的对于合金组织超声检测分类效果。具有对被检合金无损检测、分类效率高、检测精度好等优点。

A classification method of ultrasonic testing of alloy structure based on deep learning

【技术实现步骤摘要】
一种基于深度学习的合金组织超声检测分类方法
本专利技术属于无损检测
，涉及一种基于深度学习的合金组织超声检测分类方法。
技术介绍
合金零件在制造和使用过程中，制造工艺会引起合金组织和材料力学性能的变化。检测并表征合金组织有助于保证零件的性能和使用寿命。超声检测具有穿透能力强，在非均质介质中传播，受到组织结构(晶粒、析出相、沉淀物等)的种类、分布、尺寸的影响，会发生散射和吸收。散射是在超声波的传播过程中，由于材料的不均匀性造成多处声阻抗不同的微小界面引起声的散射，从而造成声压或声能减弱。这种不均匀性可能是多晶材料的晶界、不同相成分的界面、外来杂质等。被散射的超声波在介质中沿着复杂的路径传播下去，一部分可能最终变为热能，另一部分也可能最终传播到探头，形成显示屏上的草状回波(或称噪声)。将超声波的散射作为信息源，提取接收到的噪声数据，建立其与合金组织之间的模型，实现对于合金组织分类的无损评价。目前，已有的方法有通过理论推导反推出多晶体微观结构的超声表征和利用实验数据建立晶粒尺寸等微观组织表征参数与超声检测特征值之间的关系式或特征曲线。但本文档来自技高网...

【技术保护点】
1.一种基于深度学习的合金组织超声检测分类方法，其特征在于：所述的合金组织超声检测分类方法包括以下步骤：/nS1：超声数据采集：记录合金组织的全波信号数据；/nS2：合金组织金相观察：根据噪声水平和底波信号损失的不同选定用于进行金相观察的区域；/nS3：超声数据处理：根据合金组织特征对选定区域进行进行编号标记，对选定区域对应的数据进行标签标注；/nS4：建立一维卷积网络对标注好的超声噪声数据进行训练学习；/nS5：经过训练后的网络根据输入的超声噪声数据，输出合金组织分类概率。/n

【技术特征摘要】
1.一种基于深度学习的合金组织超声检测分类方法，其特征在于：所述的合金组织超声检测分类方法包括以下步骤：
S1：超声数据采集：记录合金组织的全波信号数据；
S2：合金组织金相观察：根据噪声水平和底波信号损失的不同选定用于进行金相观察的区域；
S3：超声数据处理：根据合金组织特征对选定区域进行进行编号标记，对选定区域对应的数据进行标签标注；
S4：建立一维卷积网络对标注好的超声噪声数据进行训练学习；
S5：经过训练后的网络根据输入的超声噪声数据，输出合金组织分类概率。


2.根据权利要求1所述的基于深度学习的合金组织超声检测分类方法，其特征在于：所述步骤S1具体为：
S101：对合金组织进行C扫描；
S102：记录采集噪声信号和底波损失的C扫描图像；
S103：记录噪声C扫描图像所对应的全波信号数据。


3.根据权利要求2所述的基于深度学习的合金组织超声检测分类方法，其特征在于：所述步骤S101利用超声全波扫描系统进行C扫描。


4.根据权利要求1所述的基于深度学习的合金组织超声检测分类方法，其特征在于：所述步骤S2具体为：
S201：金相观察区域的选取：根据噪声水平和底波信号损失的不同，选定用于进行金相观察的区域；
S202：对选定的区域进行金相观察：观察所选定试块区域的金相，记录试块晶粒度、相的形状、相的分布组织特征；
S203：对选定区域进行编号标记：根据金相观察结果，对所选定区域进行进行编号标记。


5.根据权利要求4所述的基于深度学习的合金组织超声检测分类方法，其特征在于：所述的噪声水平通过各个扫查点噪声信号平均值以及计算噪声信号最大值得出。


6.根据权利要求4所述的基于深度学...

【专利技术属性】
技术研发人员：刘骁，沙正骁，梁菁，权鹏，林立志，
申请(专利权)人：中国航发北京航空材料研究院，
类型：发明
国别省市：北京;11