一种基于超声的缺陷检测方法技术

本申请涉及超声检测技术领域。一种基于超声的缺陷检测方法，包括确定扫描检测步长，以及样品表面网格扫描点的二维坐标集；利用二维坐标集中的每个扫描点进行m次激光激励，得到每个扫描点的m个时域超声A扫信号；利用m个时域超声A扫信号求平均,得到每个扫描点的平均时域超声A扫信号，得到降噪时域超声A扫信号；将降噪时域超声A扫信号与二维坐标集中各坐标点进行对应存储，得到三维数据矩阵；对三维数据矩阵中，同一行的相邻两个降噪时域超声A扫信号进行互相关计算，得到降噪时域超声A扫信号的最大互相关系数；根据最大互相关系数，得到比较阈值；得到二维矩阵，从而得到缺陷图像。本申请避免两样品之间结构差异，具有精准度高的优点。的优点。的优点。

【技术实现步骤摘要】
一种基于超声的缺陷检测方法


[0001]本申请涉及超声检测
，尤其涉及一种基于超声的缺陷检测方法。

技术介绍

[0002]缺陷的出现会大大降低金属构件的力学性能，导致应力集中，降低材料的承载能力和力学性能，缩短成型构件的使用寿命，甚至可能导致成型件的整体报废。由于缺陷对材料的力学性能和疲劳性能有显著影响，因此缺陷检测对于优化金属构件的力学性能和疲劳性能至关重要。
[0003]超声检测技术使用超声波对材料进行检测，通过对超声波在材料内部的反射、衰减、共振等特性的研究，对比分析健康区域与缺陷区域之间的材料特性差别，可以得到缺陷的位置、大小、种类等特征信息。超声检测方法可检测材料表面及内部孔隙、裂纹、夹杂等缺陷，检测灵敏度高，使用范围广，且对人体无害，是最常用的无损检测手段，并因其穿透性强、对材料适用性广等特点显示出巨大的潜力。
[0004]但利用超声检测缺陷时，由于材料表面粗糙度高，通常存在接收到的超声信号弱且信噪比较差的问题，从而引起缺陷的误判和漏检。

技术实现思路

[0005]本申请提供一种基于超声的缺陷检测方法，用于解决现有技术中，接收到的超声信号通常存在反射信号弱且信噪比较差的问题，从而引起缺陷的误判和漏检的问题。
[0006]本申请提供一种基于超声的缺陷检测方法，方法包括：
[0007]根据待检测样品幅面的尺寸及最小缺陷尺寸，确定扫描检测步长，以及样品表面网格扫描点的二维坐标集；
[0008]利用所述二维坐标集中的每个所述扫描点进行m次激光激励，得到每个所述扫描点的m个时域超声A扫信号；
[0009]利用m个时域超声A扫信号求平均,得到每个所述扫描点的平均时域超声A扫信号；
[0010]对每个所述扫描点的平均时域超声A扫信号进行降噪，得到降噪时域超声A扫信号；
[0011]将所述降噪时域超声A扫信号与所述二维坐标集中各坐标点进行对应存储，得到三维数据矩阵；
[0012]对所述三维数据矩阵中，同一行的相邻两个降噪时域超声A扫信号进行互相关计算，得到降噪时域超声A扫信号的最大互相关系数；
[0013]根据所述最大互相关系数，得到比较阈值；
[0014]将大于等于所述比较阈值的所述最大互相关系数置一，将小于所述比较阈值的所述最大互相关系数归一化，得到二维矩阵；
[0015]根据所述二维矩阵，得到缺陷图像。
[0016]可实施的一种方式中，所述根据待检测样品幅面的尺寸及最小缺陷尺寸，确定扫
描检测步长，以及样品表面网格扫描点的二维坐标集的步骤，包括：
[0017]根据待检测样品幅面的尺寸，确定扫查区域；
[0018]根据待检测幅面的最小缺陷尺寸，确定扫描检测步长，其中，所述步长为所述最小缺陷尺寸五分之一；
[0019]根据所述扫描检测步长，得到两个所述扫描点之间的距离；
[0020]根据所述扫查区域，得到所述扫描点的数量；
[0021]根据两个所述扫描点之间的距离，以及所述扫描点的数量，构建覆盖所述扫查区域的二维网格，其中，所述网格的行和列的交叉点为所述扫描点；
[0022]根据所述二维网格，得到所述样品表面网格扫描点的二维坐标集。
[0023]可实施的一种方式中，所述利用所述二维坐标集中的每个所述扫描点进行m次激光激励，得到每个所述扫描点的m个时域超声A扫信号的步骤，包括：
[0024]根据二维坐标集，得到二维坐标集中每个扫描点对应的交叉点的坐标；
[0025]根据交叉点的坐标，确定激光激励的扫描点的位置；
[0026]利用激光对扫描点进行m次激光激励，得到每个所述扫描点的m个时域超声A扫信号。
[0027]可实施的一种方式中，所述对每个所述扫描点的平均时域超声A扫信号进行降噪，得到降噪时域超声A扫信号的步骤，包括：
[0028]利用小波降噪处理方法、带通滤波处理方法、经验模态分解处理方法、希尔伯特降噪处理方法或深度学习自编码降噪方法，对每个所述扫描点的平均时域超声A扫信号进行降噪，得到所述降噪时域超声A扫信号。
[0029]可实施的一种方式中，所述将所述降噪时域超声A扫信号与所述二维坐标集中各坐标点进行对应存储，得到三维数据矩阵的步骤，包括：
[0030]根据所述样品表面网格，得到二维网格的行数、列数；
[0031]根据所述二维网格的行数、列数对应的所述降噪时域超声A扫信号进行三维存储，得到三维数据矩阵。
[0032]可实施的一种方式中，所述对所述三维数据矩阵中，同一行的相邻两个降噪时域超声A扫信号进行互相关计算，得到降噪时域超声A扫信号的最大互相关系数的步骤，包括：
[0033]根据所述三维数据矩阵，得到第一降噪时域超声A扫信号和第二降噪时域超声A扫信号，其中，所述第一降噪时域超声A扫信号和所述第二降噪时域超声A扫信号表示处于同一行，且相邻的两个降噪时域超声A扫信号；
[0034]对所述第一降噪时域超声A扫信号和所述第二降噪时域超声A扫信号进行互相关运算，得到降噪时域超声A扫信号的最大互相关系数；
[0035]遍历所述三维数据矩阵，得到最大互相关系数数据集。
[0036]可实施的一种方式中，所述对所述第一降噪时域超声A扫信号和所述第二降噪时域超声A扫信号进行互相关运算，得到降噪时域超声A扫信号的最大互相关系数的步骤，包括：
[0037]所述最大互相关系数的计算公式为：
[0038]；
[0039]其中，N
SiSi+1
表示最大互相关系数，s(n)
i
表示降噪超声波检测信号，s(n
‑
l)
i+1
表示时间匹配后相邻降噪超声检测信号，l表示时移指数。
[0040]可实施的一种方式中，所述根据所述最大互相关系数，得到比较阈值的步骤，包括：
[0041]根据所述最大互相关系数数据集，确定最大互相关系数中的最小值，确定经过该最小值的一行最大互相关系数，对该行最大互相关系数求导，导数最大的两个最大互相关系数的平均值确定为比较阈值。
[0042]可实施的一种方式中，所述将大于等于所述比较阈值的所述最大互相关系数置一，将小于所述比较阈值的所述最大互相关系数归一化，得到二维矩阵的步骤，包括：
[0043]将所述最大互相关系数数据集中大于等于所述比较阈值的最大互相关系数置一，其中，所述置一为将最大互相关系数数据集中大于等于所述比较阈值的最大互相关系表示为1；
[0044]将所述最大互相关系数数据集中小于所述比较阈值的最大互相关系数归一化；
[0045]根据所述置一以及所述归一化的所述最大互相关系数，得到所述二维矩阵。
[0046]可实施的一种方式中，所述根据所述二维矩阵，得到缺陷图像的步骤，包括：
[0047]利用预设的色板与所述二维矩阵中的所述最大互相关系数匹配，得到颜色与所述最大互相关系数的映射关系；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超声的缺陷检测方法，其特征在于，方法包括：根据待检测样品幅面的尺寸及最小缺陷尺寸，确定扫描检测步长，以及样品表面网格扫描点的二维坐标集；利用所述二维坐标集中的每个所述扫描点进行m次激光激励，得到每个所述扫描点的m个时域超声A扫信号；利用m个时域超声A扫信号求平均,得到每个所述扫描点的平均时域超声A扫信号；对每个所述扫描点的平均时域超声A扫信号进行降噪，得到降噪时域超声A扫信号；将所述降噪时域超声A扫信号与所述二维坐标集中各坐标点进行对应存储，得到三维数据矩阵；对所述三维数据矩阵中，同一行的相邻两个所述降噪时域超声A扫信号进行互相关计算，得到所述降噪时域超声A扫信号的最大互相关系数；根据所述最大互相关系数，得到比较阈值；将大于等于所述比较阈值的所述最大互相关系数置一，将小于所述比较阈值的所述最大互相关系数归一化，得到二维矩阵；根据所述二维矩阵，得到缺陷图像。2.根据权利要求1所述的基于超声的缺陷检测方法，其特征在于，所述根据待检测样品幅面的尺寸及最小缺陷尺寸，确定扫描检测步长，以及样品表面网格扫描点的二维坐标集的步骤，包括：根据待检测样品幅面的尺寸，确定扫查区域；根据待检测幅面的最小缺陷尺寸，确定扫描检测步长，其中，所述步长为所述最小缺陷尺寸五分之一；根据所述扫描检测步长，得到两个所述扫描点之间的距离；根据所述扫查区域，得到所述扫描点的数量；根据两个所述扫描点之间的距离，以及所述扫描点的数量，构建覆盖所述扫查区域的二维网格，其中，所述网格的行和列的交叉点为所述扫描点；根据所述二维网格，得到所述样品表面网格扫描点的二维坐标集。3.根据权利要求1所述的基于超声的缺陷检测方法，其特征在于，所述利用所述二维坐标集中的每个所述扫描点进行m次激光激励，得到每个所述扫描点的m个时域超声A扫信号的步骤，包括：根据二维坐标集，得到二维坐标集中每个所述扫描点对应的交叉点的坐标；根据所述交叉点的坐标，确定激光激励的所述扫描点的位置；利用激光对所述扫描点进行m次激光激励，得到每个所述扫描点的m个时域超声A扫信号。4.根据权利要求1所述的基于超声的缺陷检测方法，其特征在于，所述对每个所述扫描点的平均时域超声A扫信号进行降噪，得到降噪时域超声A扫信号的步骤，包括：利用小波降噪处理方法、带通滤波处理方法、经验模态分解处理方法、希尔伯特降噪处理方法或深度学习自编码降噪方法，对每个所述扫描点的平均时域超声A扫信号进行降噪，得到所述降噪时域超声A扫信号。5.根据权利要求1所述的基于超声的缺陷检测方法，其特征在于，所述将所述降噪时域
超声A扫信号与所述二维坐标集中各坐标点进行对应存储，得到三维数据矩阵的步骤，包括：根据所述样品表面网格，得到二维网格的行数、列数；根据所述二维网...

【专利技术属性】
技术研发人员：万壮壮，白雪，马健，徐兆文，王超群，邵飞，许波，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：