【技术实现步骤摘要】
本专利技术涉及工业无损检测领域中的超声成像，特别涉及基于深度学习的全聚焦相控阵超声快速高分辨率成像方法。
技术介绍
1、相控阵全聚焦超声检测是利用含有多个阵元的相控阵超声探头相继发射超声波，对待检区域进行检测，每个阵元再相继接收这些超声数据（全矩阵数据），并根据全聚焦成像算法通过后处理数据的方式进行成像的超声检测技术。相比于常规相控阵超声，全聚焦超声检测可以通过后处理算法对成像区域的任一位置（像素点）进行聚焦，因而可以获得更高的检测灵敏度及分辨力，同时直观的成像可以更好的表征检测区域的缺陷信息。但全聚焦算法是对全矩阵数据进行后处理实现成像，全矩阵数据内包含所有阵元（阵元数通常为 32、64、128...）的发射和接收信号，数据量巨大。同时，全聚焦算法是通过对待检区域进行布点，即选择像素点，并对每一个像素点的幅值进行叠加计算，最终实现成像。因此，全聚焦成像质量直接取决于像素点的数量，然而每个像素点幅值均需要进行全聚焦算法计算，像素点越多，算法计算时间越久。超声检测需要在检测过程中实时对检测结果进行评判，因此如何快速获得更高分辨率的全聚焦图像对该检测方法是至关重要的。
2、目前，针对全聚焦算法成像时间的优化分为多个方面。首先，波数成像算法可以避免算法中超声传播路径的计算，一定程度上可以提高成像速度，但计算时需对三维数据进行处理，内存负载过大，难以在便携式超声相控阵设备中应用。对全矩阵数据进行简化也是常用的提速方法，如三角矩阵、稀疏矩阵等，减少数据可以提高成像速度，但大量实
技术实现思路
1、本专利技术提供了一种涉及工业无损检测领域中的基于深度学习的全聚焦相控阵超声的快速高分辨率成像技术，特别涉及一种基于深度学习的全聚焦相控阵超声快速高分辨率成像方法。
2、鉴于现有技术中相关方法的一些不足，本专利技术提出了一种基于深度学习的全聚焦相控阵超声快速高分辨率成像方法，使得在全聚焦算法得到低分辨率图像后，可通过本方法快速得到高分辨率的图像。
3、本专利技术基于深度学习的全聚焦相控阵超声快速高分辨率成像方法，其技术关键是：该方法依次包含有下述步骤和内容：
4、步骤1 构建图像数据集
5、步骤1.1 采集全矩阵数据
6、对含有缺陷的待检测目标进行相控阵超声检测，检测要求是：使用超声检测，根据设定的延时法则激发阵列探头中的各独立压电晶片（即阵元），合成声束并实现声束的移动、偏转和聚焦等功能，再按一定的延时法则对各阵元接收到的超声信号进行处理并以图像的方式显示被检对象内部状态；检测时采集接收到的超声信号的全矩阵数据；
7、单个探头上共有 n个晶片 x 1 、x 2 …x n，在x1晶片激发超声波时，所有晶片即 x 1 、x 2 …x n都接收超声波，结束后x2再激发超声波，所有晶片接收；采样点数为某晶片接收到单个超声信号中选取数据点的个数，个数为m，各个晶片依次激发超声波且所有晶片都接收超声波；最终得到 n×n×m的矩阵，即为全矩阵数据；
8、共采集含缺陷的全矩阵数据 k组， n、m、k均为自然数；针对可采用相控阵超声方法检测的任何材料、任何缺陷类型，本方法均适用，且无规格尺寸限制；
9、步骤1.2 形成图像数据集
10、针对同一组全矩阵数据，通过全聚焦算法分别计算含有a个和b个像素点的全聚焦图像，其中 a << b，a、b均为自然数；
11、将同一个全矩阵数据得到的一组 a个像素点和 b个像素点的两张图像称为一个图像对，共得到k组图像对，作为图像数据集；
12、步骤2.构建深度学习神经网络
13、将得到的图像数据集随机划分为训练集、测试集和验证集，其比例分别为70%，10%和20%；其中：训练集用于深度学习网络训练，网络模型通过对训练集进行学习和参数调整；测试集用于评估已经训练好的网络模型的性能和泛化能力；通过在测试集上运行网络模型并比较网络模型对应的预测结果与真实标签之间的差异，评估网络模型的准确性和性能；验证集用于网络模型的调优和参数选择；
14、在网络模型训练过程中，使用验证集来评估网络模型在未知数据上的表现，并根据网络模型的性能来进行网络模型参数的调整和选择；
15、步骤3.网络训练
16、搭建好网络模型后，使用步骤2中划分的训练集进行训练：每次输入固定数量的图像后，经前向传播获得损失函数值，利用反向传播算法优化网络模型各个卷积层中参数；重复进行多次训练，对比每次验证集的损失函数值，直至损失函数值不再下降，网络模型收敛，卷积层中参数值固定；
17、步骤4.网络应用
18、训练完成后，先采用全聚焦算法对全矩阵数据进行处理，得到 a个像素点的低分辨率图像，再将含有 a个像素点的低分辨率图像输入网络模型中，网络模型的输出即为含有 b个像素点的高分辨率图像。
19、本专利技术所述基于深度学习的全聚焦相控阵超声快速高分辨率成像方法，优选要求保护的
技术实现思路
是：
20、在步骤2.构建深度学习神经网络作为训练网络时满足下述要求：
21、划分数据集后，为了降低网络参数量与提高网络处理速度，本专利技术中使用由 7个深度可分离卷积层堆叠而成的全卷积神经网络作为训练网络 f；对于前 6个卷积层，卷积层通道数为 32，卷积核尺寸为 3×3，步长为 1，卷积层的激活函数为 本文档来自技高网...
【技术保护点】
1.基于深度学习的全聚焦相控阵超声快速高分辨率成像方法，其特征在于：该方法依次包含有下述步骤和内容：
2.按照权利要求1所述基于深度学习的全聚焦相控阵超声快速高分辨率成像方法，其特征在于：在步骤2.构建深度学习神经网络作为训练网络时满足下述要求：
3.按照权利要求1所述基于深度学习的全聚焦相控阵超声快速高分辨率成像方法，其特征在于：该方法还满足下述要求：
【技术特征摘要】
1.基于深度学习的全聚焦相控阵超声快速高分辨率成像方法，其特征在于：该方法依次包含有下述步骤和内容：
2.按照权利要求1所述基于深度学习的全聚焦相控阵超声快速高分辨率成像方法，其...
【专利技术属性】
技术研发人员：刘尚瑀，朱智，侯春雨，孙春贵，刘洋，李兴捷，
申请(专利权)人：中国机械总院集团沈阳铸造研究所有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。